技術(shù)特征：

1.一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識(shí)別方法，其特征在于，包括：

步驟一、收集歷史數(shù)據(jù)庫(kù)中的帶有正負(fù)標(biāo)簽的CT影像，建立數(shù)據(jù)集；

步驟二、利用圖像分割算法判斷數(shù)據(jù)集中每一CT影像中所標(biāo)定特征的位置區(qū)域，提取不同像素大小的敏感區(qū)域；

步驟三、構(gòu)建多視野卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)構(gòu)架包括：相互交替的卷積層與池化層，后接一個(gè)全連接層，最后的輸出層是Softmax分類器；

步驟四、將提取的不同像素大小的敏感區(qū)域作為樣本輸入至多視野卷積神經(jīng)網(wǎng)絡(luò)，并對(duì)多視野卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的多視野卷積神經(jīng)網(wǎng)絡(luò)；

步驟五、采用步驟二的方式對(duì)待識(shí)別的CT影像進(jìn)行處理，將提取到的不同像素大小的敏感區(qū)域輸入到訓(xùn)練好的多視野卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征識(shí)別，根據(jù)識(shí)別結(jié)果來(lái)確定待識(shí)別CT影像的正負(fù)標(biāo)簽。

2.根據(jù)權(quán)利要求1所述的一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識(shí)別方法，其特征在于，所述提取不同像素大小的敏感區(qū)域包括：

判斷出CT影像中所標(biāo)定特征的位置區(qū)域，所標(biāo)定特征即用于特征識(shí)別的特征，再?gòu)闹刑崛個(gè)像素大小分別為M₁,M₂,…,M_S的敏感區(qū)域。

3.根據(jù)權(quán)利要求1所述的一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識(shí)別方法，其特征在于，所述對(duì)多視野卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練包括：

隨機(jī)初始化各層參數(shù)，包括：卷積層的卷積核，全連接層的權(quán)重矩陣與偏置向量以及Softmax分類器的參數(shù)，并進(jìn)行前向傳播；

權(quán)值更新：基于前向傳播各層的輸出以及訓(xùn)練集的標(biāo)簽進(jìn)行逐層反向傳播，確定各層參數(shù)，完成對(duì)整個(gè)多視角神經(jīng)網(wǎng)絡(luò)有監(jiān)督的訓(xùn)練；

微調(diào)網(wǎng)絡(luò)參數(shù)：利用Dropout技術(shù)對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)；

選擇模型超參：將步驟二中得到的敏感區(qū)域隨機(jī)均分為N份，利用N折交叉驗(yàn)證技術(shù)，選擇使得模型泛化性能最好的超參。

4.根據(jù)權(quán)利要求3所述的一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識(shí)別方法，其特征在于，前向傳播包括：

第一層為卷積層C1，其表達(dá)式為：

$z_i^1=conv(X,{\ker }_i^1,{}^{\′}v{\mathrm{alid}}^{\′})+b_i^1$

$a_i^1=f\left(z_i^1\right)$

其中，X為輸入的樣本，表示卷積層C1的第i個(gè)特征向量的輸入，表示卷積層C1第i個(gè)卷積核，valid表示conv所表示的卷積運(yùn)算是窄卷積運(yùn)算，表示連接輸入層和卷積層C1的偏置向量，表示卷積層C1第i個(gè)特征向量的激活值，f為卷積層的激活函數(shù)；

第二層是池化層S2，其表達(dá)式為：

$z_i^2={\mathrm{\β}}_i^{2}down\left(a_i^1\right)+b_i^2$

$a_i^2=f\left(z_i^2\right)$

其中，表示池化層S2第i個(gè)特征向量的輸入，表示池化層S2第i個(gè)特征向量的激活值，down表示下采樣，表示池化層S2下采樣操作的系數(shù)，表示連接卷積層C1和池化層S2的偏置向量；

第三層是卷積層C3，其表達(dá)式為：

$z_i^3=\underset{j=1}{\overset{c_1}{\Σ}}conv(a_j^2,{\ker }_{ij}^3,{}^{\′}v{\mathrm{alid}}^{\′})+b_{ij}^3$

$a_i^3=f\left(z_i^3\right)$

其中，表示卷積層C3第i個(gè)特征向量的輸入，表示卷積層C3第i個(gè)卷積核，*表示卷積運(yùn)算，表示卷積層C3第i個(gè)特征向量的激活值，表示連接池化層S2和卷積層C3的偏置向量，表示池化層S2的輸出；

第四層為池化層S4，其表達(dá)式為：

$z_i^4={\mathrm{\β}}_i^{4}down\left(a_i^3\right)+b_i^4$

$a_i^4=f\left(z_i^4\right)$

其中，表示池化層S4第i個(gè)特征向量的輸入，表示池化層S4池化操作的系數(shù)，表示第4層第i個(gè)特征向量的激活值表示連接輸入層和池化層S4的偏置向量；

第五層為全連接層，將順序展開(kāi)成向量，并有序連接成一個(gè)長(zhǎng)向量，作為Softmax分類器的輸入；其表達(dá)式為：

$a_i^5=\underset{j}{concatenate}\left(a_j^4\right)$

其中，池化層S4的輸出，表示全連接層第i個(gè)特征向量的激活值；

第六層為Softmax分類器，其表達(dá)式為：

$P(y_i=j|x_i;\mathrm{\θ})=\frac{e^{{\mathrm{\θ}}_j^T{x}_i}}{{\mathrm{\Σ}}_{l=1}^k{e}^{{\mathrm{\θ}}_l^T{x}_i}}$

$J\left(\mathrm{\θ}\right)=-\frac{1}{m}\[\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}1\{y_i=j\}\log \frac{e^{{\mathrm{\θ}}_j^T{a_i}^5}}{{\mathrm{\Σ}}_{l=1}^k{e}^{{\mathrm{\θ}}_l^T{a_i}^5}}\]+\frac{\mathrm{\λ}}{2}\underset{i=1}{\overset{k}{\Σ}}\underset{j=0}{\overset{n}{\Σ}}{\mathrm{\θ}}_{ij}^2$

其中，θ_j表示該層的參數(shù)，P(y_i＝j(luò)|x_i；θ)表示Softmax分類器輸出概率，y_i表示Softmax分類器的分類結(jié)果，J(θ)表示目標(biāo)函數(shù)，m表示樣本個(gè)數(shù)，k表示類別數(shù)，表示該層參數(shù)矩陣的轉(zhuǎn)置，θ_ij表示全連接層和Softmax分類器之間的系數(shù)矩陣，x_i表示所給定的樣本i，θ_c表示連接全連接FC層和第c個(gè)類別輸出器的參數(shù)，是權(quán)重衰減項(xiàng)，表示權(quán)重衰減項(xiàng)系數(shù)。

5.根據(jù)權(quán)利要求4所述的一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識(shí)別方法，其特征在于，反向傳播包括：

Softmax分類器的反向傳播：

${\mathrm{\δ}}^{\left(6\right)}={\▿}_{{\mathrm{\θ}}_j}J\left(\mathrm{\θ}\right)=-\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}\[a_i^5\left(1\{y_i=j\}-p\left(y_i=j|a_i^5;\mathrm{\θ}\right)\right)\]+{\mathrm{\λ\θ}}_j$

θ_j＝θ_j-α▽_θJ(θ)

其中，m表示樣本個(gè)數(shù)；δ⁽⁶⁾表示反向傳播中根據(jù)Softmax層計(jì)算的殘差項(xiàng)，α表示網(wǎng)絡(luò)學(xué)習(xí)率；

全連接層的反向傳播：將δ⁽⁶⁾依照前向傳播的規(guī)格進(jìn)行拆分，其表達(dá)式為：

δ⁽⁵⁾＝inconcatenate(δ⁽⁶⁾)；

卷積層的反向傳播：

$\frac{\∂J}{\∂b_i^s}=\underset{s,t}{\Σ}{\left({\mathrm{\δ}}_i^{\left(s\right)}\right)}_{st}$

$\frac{\∂J}{\∂{\ker }_{ij}^s}=\underset{s,t}{\Σ}{\left({\mathrm{\δ}}_i^{\left(s\right)}\right)}_{st}{\left(P_j^{(s-1)}\right)}_{st}$

其中，s＝1,3，up表示上采樣運(yùn)算，(*)_st表示遍歷*的所有元素，表示所連接的池化層S2中中相關(guān)的元素構(gòu)成的矩陣。

池化層的反向傳播：

$\frac{\∂J}{\∂h_i^q}=\underset{s,t}{\Σ}{\left({\mathrm{\δ}}_i^{\left(q\right)}\right)}_{st}$

其中，q＝2,4，full表示寬卷積運(yùn)算。

6.根據(jù)權(quán)利要求3所述的一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識(shí)別方法，其特征在于，利用Dropout技術(shù)對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)包括：

每m個(gè)樣本為一個(gè)批次做梯度下降，每次梯度下降的時(shí)候每個(gè)隱藏節(jié)點(diǎn)以概率P1隨機(jī)忽略；每個(gè)輸入節(jié)點(diǎn)以概率P2隨機(jī)忽略；

在測(cè)試的時(shí)候，輸入層與卷積層之間的權(quán)重乘以1-P2，其他層的權(quán)重乘以1-P1。

7.根據(jù)權(quán)利要求3所述的一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識(shí)別方法，其特征在于，所述將步驟二中得到的敏感區(qū)域隨機(jī)均分為N份，利用N折交叉驗(yàn)證技術(shù)，選擇使得模型泛化性能最好的超參包括：

首先固定超參，然后把步驟二中得到的敏感區(qū)域隨機(jī)均分為N份，將第1份作為驗(yàn)證集，剩下的N-1份作為訓(xùn)練集，對(duì)多視野卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

將驗(yàn)證集數(shù)據(jù)輸入到訓(xùn)練后的多視野卷積神經(jīng)網(wǎng)絡(luò)里面，得到多視野卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率；再將第2份最為驗(yàn)證集，剩下的N-1份作為訓(xùn)練集，對(duì)多視野卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將驗(yàn)證集數(shù)據(jù)輸入到訓(xùn)練后的多視野卷積神經(jīng)網(wǎng)絡(luò)里面，得到第二個(gè)多視野卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率；

如此重復(fù)N次，得到N個(gè)識(shí)別準(zhǔn)確率，對(duì)這N個(gè)識(shí)別準(zhǔn)確率進(jìn)行平均，得到在這組超參下所訓(xùn)練出來(lái)的多視野卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率；然后換一組超參，重復(fù)上述步驟，選出使得識(shí)別準(zhǔn)確率最高的超參組合作為最終對(duì)于超參的設(shè)定。

8.根據(jù)權(quán)利要求1所述的一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識(shí)別方法，其特征在于，所述根據(jù)識(shí)別結(jié)果來(lái)確定待識(shí)別CT影像的正負(fù)標(biāo)簽包括：

若待識(shí)別CT影像中的特征與帶有正標(biāo)簽的CT影像中標(biāo)定特征匹配，則確定待識(shí)別CT影像為正標(biāo)簽；

若待識(shí)別CT影像中的特征與帶有負(fù)標(biāo)簽的CT影像中標(biāo)定特征匹配，則確定待識(shí)別CT影像為負(fù)標(biāo)簽。