本發(fā)明涉及醫(yī)學(xué)圖像肺部結(jié)節(jié)輔助診斷，具體涉及一種局部感受野和半監(jiān)督深度自編碼的肺結(jié)節(jié)診斷方法。

背景技術(shù)：

ct影像作為檢查肺部疾病最好的影像學(xué)方法，在醫(yī)師的診斷中起著舉足輕重的作用。但是醫(yī)師主要根據(jù)經(jīng)驗(yàn)診斷疾病，診斷結(jié)果具有一定主觀性，常常出現(xiàn)誤診、漏診的情況。深度學(xué)習(xí)作為特征學(xué)習(xí)方法，通過模擬具有豐富層次結(jié)構(gòu)的人類腦神經(jīng)系統(tǒng)，建立類似的簡(jiǎn)單而非線性的深度分層模型結(jié)構(gòu)，在對(duì)逐層學(xué)習(xí)的特征過濾掉不相關(guān)因素的干擾的同時(shí)，對(duì)輸入數(shù)據(jù)逐層提取，將原始數(shù)據(jù)轉(zhuǎn)換為更高層次的抽象表達(dá)。

最底層特征通常都是局部的，每個(gè)神經(jīng)元僅連接輸入單元的一部分且只響應(yīng)某種特定區(qū)域的刺激。同一張圖像上的不同小片段，以及不同圖像上的相同小片段的特征是類似的，所以使用同一組分類器來(lái)描述不同的圖像也是可以實(shí)現(xiàn)的。

鑒于此，對(duì)肺結(jié)節(jié)進(jìn)行相關(guān)輔助診斷也就成了一項(xiàng)很有必要的工作。本發(fā)明將關(guān)注局部感受野預(yù)分類，以及對(duì)稀疏自編碼加入臨床信息進(jìn)行網(wǎng)絡(luò)的優(yōu)化。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的缺陷，提供一種基于局部感受野和半監(jiān)督深度自編碼的肺結(jié)節(jié)診斷方法，從客觀方面起到輔助醫(yī)生診斷的作用。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案為：

一種基于局部感受野和半監(jiān)督深度自編碼的肺結(jié)節(jié)診斷方法，首先對(duì)肺實(shí)質(zhì)ct影像中隱含的不同類特征使用局部感受野進(jìn)行分層提取，然后，運(yùn)用融合了肺部疾病醫(yī)學(xué)相關(guān)臨床信息的改進(jìn)棧式稀疏自編碼網(wǎng)絡(luò)，對(duì)有標(biāo)簽的半監(jiān)督特征提取深度模型進(jìn)行訓(xùn)練，從已進(jìn)行特征分類的ct特征圖像中發(fā)現(xiàn)更高層的特征，將頂層輸出層替換為邏輯回歸分類器，將訓(xùn)練優(yōu)化特征作為輸出向量；最后融合多種臨床信息實(shí)現(xiàn)對(duì)肺結(jié)節(jié)的準(zhǔn)確檢測(cè)。

所述的方法，具體包括以下步驟：

a、基于局部感受野的多特征學(xué)習(xí)

對(duì)輸入的ct圖像進(jìn)行特征多分類后進(jìn)行自編碼學(xué)習(xí)；先對(duì)已有圖像中隱含的不同類特征使用局部感受野進(jìn)行分層提??；將局部感受野的思想融入到稀疏自編碼深度網(wǎng)絡(luò)框架中,構(gòu)成一個(gè)對(duì)高層特征提取更加準(zhǔn)確的具有局部多層特征信息輸入的稀疏自編碼深度網(wǎng)絡(luò)；

b、半監(jiān)督稀疏自編碼的構(gòu)建

與傳統(tǒng)無(wú)監(jiān)督編碼方法不同的是，在網(wǎng)絡(luò)訓(xùn)練過程中，半監(jiān)督的編碼方法為樣本設(shè)置了標(biāo)簽信息；當(dāng)輸入樣本數(shù)據(jù)帶標(biāo)簽時(shí)，輸出與標(biāo)簽之間存在的誤差用于調(diào)整網(wǎng)絡(luò)各個(gè)分級(jí)的參數(shù)，實(shí)現(xiàn)對(duì)收斂效果的優(yōu)化；在訓(xùn)練肺結(jié)節(jié)ct圖像時(shí)專門設(shè)置一行或一列，用來(lái)存儲(chǔ)圖像的標(biāo)簽信息，將標(biāo)簽信息作為像素值插入到圖像中；將原圖的第一行用來(lái)存放訓(xùn)練數(shù)據(jù)的標(biāo)簽信息，如訓(xùn)練圖像中無(wú)結(jié)節(jié)，則第一行的像素值設(shè)置為255；如訓(xùn)練圖像存在結(jié)節(jié)，則第一行的像素值設(shè)置為0(灰度的取值范圍為0～255)；

c、結(jié)合重要臨床信息改進(jìn)稀疏自編碼

在稀疏自編碼學(xué)習(xí)過程中，去除了關(guān)聯(lián)度不大的影響因素，為網(wǎng)絡(luò)添加肺部疾病治療中重要的臨床診斷信息；構(gòu)建一個(gè)全面的肺部病灶的相關(guān)表征，把潛在的重要因素考慮進(jìn)去，構(gòu)建包含盡可能少又能全面表征結(jié)節(jié)特征的改進(jìn)稀疏自編碼網(wǎng)絡(luò)結(jié)構(gòu)；針對(duì)肺結(jié)節(jié)的病變特征提取出一組以形狀特征為主的特征向量，以增加特征向量表征結(jié)節(jié)區(qū)域的精確程度，進(jìn)而增加后期對(duì)肺結(jié)節(jié)檢測(cè)的準(zhǔn)確率。

所述的方法，所述步驟a中局部感受野多分類特征分類過程如下：在構(gòu)建多特征局部感受野時(shí)，使用階梯概率函數(shù)進(jìn)行采樣分布，平方根池化法構(gòu)成節(jié)點(diǎn)，隱層節(jié)點(diǎn)的局部感受野均由距中心一定距離內(nèi)的輸入節(jié)點(diǎn)組成；為了輸入盡可能充分，采用k個(gè)不同的輸入權(quán)重，從而得到k個(gè)映射種類；首先，隨機(jī)生成初始權(quán)重矩陣其中然后輸入圖像設(shè)置為d×d，局部感受野的尺寸為r×r，形成的特征映射圖像塊為(d-r+1)×(d-r+1)；使用奇異值分解(svd)進(jìn)行初始權(quán)重矩陣正交化；正交化的初始權(quán)重為其中，每一列都是的正交基；當(dāng)r²＜k時(shí)，先轉(zhuǎn)置，再正交化，然后轉(zhuǎn)置回來(lái)；第k個(gè)特征圖的輸入權(quán)重是ak∈r^τ×τ，由逐列排成；第k個(gè)特征映射對(duì)應(yīng)的節(jié)點(diǎn)(i,j)計(jì)算如公式(1)所示：

其中，i,j＝1,...,(d-r+1)

正交化過程使網(wǎng)絡(luò)的泛化性能得到進(jìn)一步提高，所提出算法的特征映射模塊通過稀疏自編碼神經(jīng)網(wǎng)絡(luò)可自主學(xué)習(xí)出更接近高層語(yǔ)義的圖像特征，顯著提高結(jié)節(jié)檢測(cè)的準(zhǔn)確性。

所述的方法，所述步驟c中結(jié)合重要臨床信息改進(jìn)稀疏自編碼的過程如下：

c1對(duì)已進(jìn)行局部感受野特征分類的圖像進(jìn)行深層自編碼:

稀疏自編碼的結(jié)構(gòu)和訓(xùn)練方式與bp神經(jīng)網(wǎng)絡(luò)相似，假設(shè)訓(xùn)練集為{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，共m個(gè)訓(xùn)練樣本；稀疏自編碼損失函數(shù)定義為：

式中第一項(xiàng)為均方誤差重構(gòu)項(xiàng)，第二項(xiàng)為稀疏懲罰項(xiàng)；λ為延遲系數(shù)，β是稀疏懲罰項(xiàng)的懲罰系數(shù)，ρ是稀疏性參數(shù)，是隱含層j神經(jīng)元的平均激活值；是以和ρ分別為均值的兩個(gè)伯努利隨機(jī)變量之間的相對(duì)熵；具體計(jì)算公式如下：

c2、對(duì)自編碼網(wǎng)絡(luò)中的最小化損失函數(shù)進(jìn)行重構(gòu):

已知從尺寸為k的數(shù)據(jù)集中選取一組輸入向量通過網(wǎng)絡(luò)學(xué)習(xí)得到關(guān)于輸入新的表示y^k；網(wǎng)絡(luò)中通過最小化損失函數(shù)學(xué)習(xí)重構(gòu)網(wǎng)絡(luò)的輸入向量；重構(gòu)的損失函數(shù)計(jì)算公式如下：

其中稱為編碼過程，g(y^k)＝w^ty^k稱為解碼過程；f為輸出層特定組件組成的激活函數(shù)；

將肺部ct圖像中結(jié)節(jié)邊界粗糙度t^exp作為圖像對(duì)象邊界平滑程度的量化表征，并用于深度框架目標(biāo)函數(shù)的重寫；

邊界粗糙度計(jì)算以徑向距離r(n)為基礎(chǔ)；徑向距離r(n)指各像素點(diǎn)(x(n),y(n))到質(zhì)心的距離；將其量化的過程如下：

首先，將r(n)劃分成若干連續(xù)的長(zhǎng)度相等的邊界段，其中n指肺結(jié)節(jié)邊界輪廓像素點(diǎn)的個(gè)數(shù)；每段長(zhǎng)度為l，經(jīng)過實(shí)驗(yàn)可得度量肺結(jié)節(jié)病理特征精確度的l值為5；然后，計(jì)算每段內(nèi)相鄰像素間徑向距離的差值，并求出同一段內(nèi)徑向距離差值和r(j)；最后，計(jì)算所有邊界段徑向距離差值和的平均值，將肺結(jié)節(jié)的邊界粗糙度作為結(jié)節(jié)形狀表示時(shí)的參數(shù)；具體公式如下：

同時(shí)給數(shù)據(jù)集中每個(gè)樣本都賦一個(gè)年齡權(quán)值；年齡權(quán)值參數(shù)t^age定義如下：

其中，sage為4個(gè)年齡段(25，50，75，100)；由于年齡的分類是相互獨(dú)立的，故年齡值由給定樣本的參數(shù)決定；并對(duì)數(shù)據(jù)集中每個(gè)病患的所處環(huán)境參數(shù)t^env(輕度0，中度0.5，重度1)和吸煙狀況t^smk(否0，是1)分別賦值；

在編碼過程中加入四個(gè)softmax層來(lái)表達(dá)對(duì)存在的疑似區(qū)域是否為肺結(jié)節(jié)的預(yù)測(cè)：

假設(shè)我們需要kexp個(gè)形狀表示的標(biāo)簽，d^exp為kexp維多項(xiàng)分布；上面所求的邊界粗糙度作為第k個(gè)結(jié)節(jié)形狀的標(biāo)簽信息，交叉熵誤差函數(shù)定義為

同樣，其他影響因素相關(guān)參數(shù)的交叉熵誤差函數(shù)與公式(9)相同；最后的半監(jiān)督自編碼目標(biāo)函數(shù)加上這四個(gè)交叉熵一起應(yīng)用在整個(gè)訓(xùn)練集上，具體計(jì)算如下；參數(shù)λ1、λ2、λ3、λ4和λ5控制不同誤差項(xiàng)的權(quán)重，總和為1；

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

1、本發(fā)明的方法基于局部感受野和半監(jiān)督的改進(jìn)稀疏自編碼的肺結(jié)節(jié)診斷，進(jìn)而識(shí)別肺結(jié)節(jié)圖像所表現(xiàn)的征象類別，便于醫(yī)師判斷肺部是否有肺結(jié)節(jié)，減少了醫(yī)師對(duì)診斷經(jīng)驗(yàn)，及主觀性的過度依賴；

2、通過使用本發(fā)明的技術(shù)，能夠從臨床信息的層面對(duì)診斷提出幫助，最大程度保證了肺結(jié)節(jié)診斷的準(zhǔn)確性；

3、通過本發(fā)明對(duì)肺結(jié)節(jié)進(jìn)行的診斷，這些圖像的病灶特征和診斷方案等可以為醫(yī)師對(duì)肺部疾病的分析提供參考，起到輔助診斷的作用。

附圖說(shuō)明

圖1是本發(fā)明肺結(jié)節(jié)診斷方法流程圖；

圖2是利用局部感受野多特征提取框架圖；

圖3是肺結(jié)節(jié)監(jiān)督信息標(biāo)注，a列是原始肺結(jié)節(jié)圖像，b列是嵌入標(biāo)簽信息的肺結(jié)節(jié)圖像；

圖4是棧式稀疏自編碼結(jié)構(gòu)；

圖5是融合臨床信息的半監(jiān)督自編碼結(jié)構(gòu)圖；

圖6是不同樣本塊大小的局部統(tǒng)計(jì)特征；(a)和(b)分別為5*5和30*30大小樣本塊的局部特征效果圖；

圖7是不同樣本塊大小對(duì)檢測(cè)率的影響；

圖8是添加不同臨床信息對(duì)檢測(cè)率的影響。

具體實(shí)施方式

下面結(jié)合附圖與具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步詳細(xì)的說(shuō)明。

肺結(jié)節(jié)整體檢測(cè)過程圖如圖1所示，本發(fā)明通過對(duì)肺實(shí)質(zhì)ct影像中隱含的不同類特征使用局部感受野進(jìn)行分層提取，然后，運(yùn)用融合了肺部疾病醫(yī)學(xué)相關(guān)臨床信息的改進(jìn)棧式稀疏自編碼網(wǎng)絡(luò)，對(duì)有標(biāo)簽的半監(jiān)督特征提取深度模型進(jìn)行訓(xùn)練，從已進(jìn)行特征分類的ct特征圖像中發(fā)現(xiàn)更高層的特征，將頂層輸出層替換為邏輯回歸分類器，將訓(xùn)練優(yōu)化特征作為輸出向量。最后融合多種臨床信息實(shí)現(xiàn)對(duì)肺結(jié)節(jié)的準(zhǔn)確檢測(cè)。

a、基于局部感受野的多特征學(xué)習(xí)

圖像的特征一般主要集中于某一局部區(qū)域。所以，局部感受野(localreceptivefield，簡(jiǎn)稱lrf)被提出并用于圖像局部特征的提取。最底層特征通常都是局部的，每個(gè)神經(jīng)元僅連接輸入單元的一部分且只響應(yīng)某種特定區(qū)域的刺激。在更高層特征中，將這些感受不同的局部神經(jīng)元綜合起來(lái)就可以得到全局的信息，大大減少了訓(xùn)練網(wǎng)絡(luò)的參數(shù)，提高了訓(xùn)練效率，保證在提取到有效特征的基礎(chǔ)上使網(wǎng)絡(luò)結(jié)構(gòu)變得盡可能簡(jiǎn)單。而肺部ct影像為黑白圖像，有結(jié)節(jié)的區(qū)域則較高亮。因此，我們將大尺寸的圖像依次進(jìn)行分塊處理，然后將這些圖像塊放進(jìn)深層稀疏自編碼網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)。圖像中具有多特征的圖像塊被稱為有效區(qū)域塊，其他則為無(wú)效區(qū)域塊。

將局部感受野的這種思想融入到稀疏自編碼深度網(wǎng)絡(luò)框架中，構(gòu)成一個(gè)對(duì)高層特征提取更加準(zhǔn)確的具有局部多層特征信息輸入的稀疏自編碼深度網(wǎng)絡(luò)(lrf-sdae)。本發(fā)明提出一種在輸入層引入局部感受野的方法如圖2所示。局部感受野的選取摒棄了cnn中使用固定卷積節(jié)點(diǎn)的方式，使用較靈活的可以在不同形式中使用的連續(xù)概率分布隨機(jī)生成方法。將這種思想運(yùn)用于醫(yī)學(xué)圖像處理任務(wù)中，用于學(xué)習(xí)圖像的局部結(jié)構(gòu)并在隱藏層生成更有意義的表示。為了減少局部特征提取時(shí)的運(yùn)算量，提高計(jì)算準(zhǔn)確率。采用2×k個(gè)不同的輸入權(quán)重(黑白圖像包含兩個(gè)通道，每個(gè)通道k個(gè)權(quán)重)，為此會(huì)得到k個(gè)不同的局部特征表示圖。不論局部特征提取層與輸入層之間是否連接，都可以使用不同類型的連續(xù)概率分布隨機(jī)采樣構(gòu)建，網(wǎng)絡(luò)依然具有普適近似和分類能力。

在構(gòu)建多特征局部感受野時(shí)，使用階梯概率函數(shù)進(jìn)行采樣分布，平方根池化法構(gòu)成節(jié)點(diǎn)，隱層節(jié)點(diǎn)的局部感受野均由距中心一定距離內(nèi)的輸入節(jié)點(diǎn)組成。為了輸入盡可能充分，采用k個(gè)不同的輸入權(quán)重，從而得到k個(gè)映射種類。首先，隨機(jī)生成初始權(quán)重矩陣其中然后輸入圖像設(shè)置為d×d，局部感受野的尺寸為r×r，形成的特征映射圖像塊為(d-r+1)×(d-r+1)。使用奇異值分解(svd)進(jìn)行初始權(quán)重矩陣正交化。正交化的初始權(quán)重為其中，每一列都是的正交基。當(dāng)r²＜k時(shí)，先轉(zhuǎn)置，再正交化，然后轉(zhuǎn)置回來(lái)。第k個(gè)特征圖的輸入權(quán)重是ak∈r^τ×τ，由逐列排成。第k個(gè)特征映射對(duì)應(yīng)的節(jié)點(diǎn)(i,j)計(jì)算如公式(1)所示：

其中，i,j＝1,...,(d-r+1)

正交化過程使網(wǎng)絡(luò)的泛化性能得到進(jìn)一步提高，所提出算法的特征映射模塊通過稀疏自編碼神經(jīng)網(wǎng)絡(luò)可自主學(xué)習(xí)出更接近高層語(yǔ)義的圖像特征，顯著提高結(jié)節(jié)檢測(cè)的準(zhǔn)確性。

b、半監(jiān)督稀疏自編碼的構(gòu)建

與傳統(tǒng)無(wú)監(jiān)督編碼方法不同的是，在網(wǎng)絡(luò)訓(xùn)練過程中，半監(jiān)督的編碼方法為樣本設(shè)置了標(biāo)簽信息。當(dāng)輸入樣本數(shù)據(jù)帶標(biāo)簽時(shí)，輸出與標(biāo)簽之間存在的誤差用于調(diào)整網(wǎng)絡(luò)各個(gè)分級(jí)的參數(shù)，實(shí)現(xiàn)對(duì)收斂效果的優(yōu)化。

當(dāng)重構(gòu)誤差達(dá)到最小時(shí)，編碼器所產(chǎn)生的特征可被定義為原始輸入數(shù)據(jù)的良好表達(dá)。因此，本發(fā)明在訓(xùn)練肺結(jié)節(jié)ct圖像時(shí)專門設(shè)置一行或一列，用于標(biāo)簽信息作為像素值在圖像中的存儲(chǔ)如圖3所示。將原圖的第一行用來(lái)存放訓(xùn)練數(shù)據(jù)的標(biāo)簽信息，如訓(xùn)練圖像中無(wú)結(jié)節(jié)，則第一行的像素值設(shè)置為255；如訓(xùn)練圖像存在結(jié)節(jié)，則第一行的像素值設(shè)置為0(灰度的取值范圍為0～255)。

同時(shí)，稀疏自編碼是一種可以學(xué)習(xí)輸入數(shù)據(jù)非線性特征的自編碼網(wǎng)絡(luò)。從結(jié)構(gòu)上來(lái)說(shuō)，稀疏自編碼是在一般神經(jīng)網(wǎng)絡(luò)中加上稀疏限制的特殊三層神經(jīng)網(wǎng)絡(luò)。為了學(xué)習(xí)到更加復(fù)雜和穩(wěn)定的特征，稀疏自編碼通過多層排列構(gòu)成深度棧式結(jié)構(gòu)，結(jié)構(gòu)如圖4所示。其最大特點(diǎn)就是輸入層結(jié)點(diǎn)數(shù)(不包括bias結(jié)點(diǎn))和輸出層結(jié)點(diǎn)數(shù)相同，而隱含層結(jié)點(diǎn)數(shù)少于輸入層和輸出層結(jié)點(diǎn)數(shù)。稀疏自編碼可以將輸入數(shù)據(jù)中的潛在特征進(jìn)行較好的低維表示。

c、結(jié)合重要臨床信息改進(jìn)稀疏自編碼

在稀疏自編碼學(xué)習(xí)過程中，去除了一些關(guān)聯(lián)度不大的影響因素，為網(wǎng)絡(luò)添加一些肺部疾病治療中重要的臨床診斷信息。構(gòu)建一個(gè)全面的肺部病灶的相關(guān)表征，把潛在的重要因素考慮進(jìn)去，構(gòu)建包含盡可能少又能全面表征結(jié)節(jié)特征的改進(jìn)稀疏自編碼網(wǎng)絡(luò)結(jié)構(gòu)。針對(duì)肺結(jié)節(jié)的病變特征提取出一組以形狀特征為主的特征向量，以增加特征向量表征結(jié)節(jié)區(qū)域的精確程度，進(jìn)而增加后期對(duì)肺結(jié)節(jié)檢測(cè)的準(zhǔn)確率。

c1對(duì)已進(jìn)行局部感受野特征分類的圖像進(jìn)行深層自編碼:

稀疏自編碼的結(jié)構(gòu)和訓(xùn)練方式與bp神經(jīng)網(wǎng)絡(luò)相似，假設(shè)訓(xùn)練集為{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),…,(x^(m),y^(m))}，共m個(gè)訓(xùn)練樣本。稀疏自編碼損失函數(shù)定義為：

式中第一項(xiàng)為均方誤差重構(gòu)項(xiàng)，第二項(xiàng)為稀疏懲罰項(xiàng)。λ為延遲系數(shù)，β是稀疏懲罰項(xiàng)的懲罰系數(shù)，ρ是稀疏性參數(shù)，是隱含層j神經(jīng)元的平均激活值。是以和ρ分別為均值的兩個(gè)伯努利隨機(jī)變量之間的相對(duì)熵。具體計(jì)算公式如下：

c2、對(duì)自編碼網(wǎng)絡(luò)中的最小化損失函數(shù)進(jìn)行重構(gòu):

已知從尺寸為k的數(shù)據(jù)集中選取一組輸入向量通過網(wǎng)絡(luò)學(xué)習(xí)得到關(guān)于輸入新的表示y^k。網(wǎng)絡(luò)中通過最小化損失函數(shù)學(xué)習(xí)重構(gòu)網(wǎng)絡(luò)的輸入向量。重構(gòu)的損失函數(shù)計(jì)算公式如下：

其中稱為編碼過程，g(y^k)＝w^ty^k稱為解碼過程。f為輸出層特定組件組成的激活函數(shù)。

將肺部ct圖像中結(jié)節(jié)邊界粗糙度t^exp作為圖像對(duì)象邊界平滑程度的量化表征，并用于深度框架目標(biāo)函數(shù)的重寫。

邊界粗糙度計(jì)算以徑向距離r(n)為基礎(chǔ)。徑向距離r(n)指各像素點(diǎn)(x(n),y(n))到質(zhì)心的距離。將其量化的過程如下：

首先，將r(n)劃分成若干連續(xù)的長(zhǎng)度相等的邊界段，其中n指肺結(jié)節(jié)邊界輪廓像素點(diǎn)的個(gè)數(shù)。每段長(zhǎng)度為l，經(jīng)過實(shí)驗(yàn)可得度量肺結(jié)節(jié)病理特征精確度的l值為5。然后，計(jì)算每段內(nèi)相鄰像素間徑向距離的差值，并求出同一段內(nèi)徑向距離差值和r(j)。最后，計(jì)算所有邊界段徑向距離差值和的平均值，將肺結(jié)節(jié)的邊界粗糙度作為結(jié)節(jié)形狀表示時(shí)的參數(shù)。具體公式如下：

同時(shí)給數(shù)據(jù)集中每個(gè)樣本都賦一個(gè)年齡權(quán)值。年齡權(quán)值參數(shù)t^age定義如下：

其中，sage為4個(gè)年齡段(25，50，75，100)。由于年齡的分類是相互獨(dú)立的，故年齡值由給定樣本的參數(shù)決定。并對(duì)數(shù)據(jù)集中每個(gè)病患的所處環(huán)境參數(shù)t^env(輕度0，中度0.5，重度1)和吸煙狀況t^smk(否0，是1)分別賦值。

在編碼過程中加入四個(gè)softmax層來(lái)表達(dá)對(duì)存在的疑似區(qū)域是否為肺結(jié)節(jié)的預(yù)測(cè)：

假設(shè)我們需要kexp個(gè)形狀表示的標(biāo)簽，d^exp為kexp維多項(xiàng)分布。上面所求的邊界粗糙度作為第k個(gè)結(jié)節(jié)形狀的標(biāo)簽信息，交叉熵誤差函數(shù)定義為

同樣，其他影響因素相關(guān)參數(shù)的交叉熵誤差函數(shù)與公式(9)相同。最后的半監(jiān)督自編碼目標(biāo)函數(shù)加上這四個(gè)交叉熵一起應(yīng)用在整個(gè)訓(xùn)練集上，具體計(jì)算如下。參數(shù)λ1、λ2、λ3、λ4和λ5控制不同誤差項(xiàng)的權(quán)重，總和為1。

實(shí)驗(yàn)結(jié)果

本發(fā)明方法所使用的實(shí)驗(yàn)數(shù)據(jù)來(lái)自于山西某醫(yī)院影像數(shù)據(jù)中心，圖像中共有結(jié)節(jié)2810個(gè)(最大直徑范圍為：1.6～23mm，平均最大直徑為5.1mm)。該醫(yī)院使用設(shè)備為美國(guó)通用公司的discoveryst16，ct采集參數(shù)為150ma、140kv，層厚3.75mm，ct圖像大小為512×512。該方法的實(shí)驗(yàn)環(huán)境為matlab2012b，處理器intel(r)core(tm)i7，主頻3.40ghz，內(nèi)存8gb。為了公平比較，數(shù)據(jù)集作為不同方法的輸入，采用5折交叉驗(yàn)證方法進(jìn)行訓(xùn)練(已與醫(yī)院簽署數(shù)據(jù)隱私處理相關(guān)協(xié)議)。

樣本塊大小對(duì)算法性能的影響

在其它參數(shù)條件設(shè)置相同的情況下，不同大小樣本塊對(duì)檢測(cè)性能的影響。如圖6所示，(a)和(b)分別為5*5和30*30大小樣本塊的局部特征效果圖。可以明顯看出，在一定范圍內(nèi)，當(dāng)樣本塊較大時(shí)，提取得到的局部特征更為清晰。

圖7折線圖表示不同大小樣本塊對(duì)檢測(cè)率的影響。曲線分別表示樣本塊大小為16*16，32*32，48*48，64*64，128*128所對(duì)應(yīng)的檢測(cè)率曲線。從圖中可以看到，在一定范圍內(nèi)，提取樣本塊越大，其檢測(cè)率也相對(duì)較高。其中64*64的樣本塊檢測(cè)率明顯優(yōu)于其它樣本塊大小的。

與其他深度學(xué)習(xí)模型的比較

所有進(jìn)行對(duì)比的模型都是由單層模型堆疊，并且網(wǎng)絡(luò)均處于最優(yōu)分類性能，實(shí)驗(yàn)結(jié)果見表1.實(shí)驗(yàn)結(jié)果表明，我們提出的lrf-ssae自編碼模型獲得了88.81±1.33％準(zhǔn)確性，87.38±2.19％敏感度和85.25±2.70％特異性，檢測(cè)率可達(dá)96.64％。在訓(xùn)練時(shí)間和檢測(cè)性能上都超過其他方法。

表1不同深度框架檢測(cè)性能的比較

不同臨床信息的添加對(duì)檢測(cè)性能的影響

為了進(jìn)一步闡明所提方法在結(jié)節(jié)檢測(cè)方面的有效性，本發(fā)明分別對(duì)融合不同臨床信息網(wǎng)絡(luò)模型與我們方法進(jìn)行比較如圖8所示。實(shí)驗(yàn)表明，本發(fā)明所提方法在隱含層結(jié)點(diǎn)數(shù)900，樣本大小64*64時(shí)，效果最優(yōu)。

應(yīng)當(dāng)理解的是，對(duì)本領(lǐng)域普通技術(shù)人員來(lái)說(shuō)，可以根據(jù)上述說(shuō)明加以改進(jìn)或變換，而所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。