本发明实施例涉及机器视觉，尤其涉及一种基于resnet的肺腺癌ct影像脉管浸润分类方法。
背景技术：
1、肺部ct影像是多种肺部疾病检查的主要手段之一，在传统医疗方面，观察肺腺癌ct影像判断是否发生脉管浸润通常由医生进行判别，此类方式要求医生需要具有丰富的临床经验，且带有较强的主观性，在对于微小肿瘤进行判断时误差也较为明显，导致在ct影像中对肺腺癌是否发生脉管浸润进行分类的精准度不高。
技术实现思路
1、本发明实施例提供了一种基于resnet的肺腺癌ct影像脉管浸润分类方法，能够在ct影像中提高对肺腺癌是否发生脉管浸润的分类精准度。
2、第一方面，本发明实施例提供了一种基于resnet的肺腺癌ct影像脉管浸润分类方法，包括：
3、获取肺腺癌ct图像；
4、对所述肺腺癌ct图像的病灶区域进行半自动分割，勾画出病灶位置，其中，所述肺腺癌ct图像为层面图像；
5、对勾画出病灶位置的肺腺癌ct图像进行resample重采样，得到训练数据；
6、采用训练数据对分类模型进行训练，得到训练好的所述分类模型，并保存最优的权重参数，其中，所述分类模型为resnet-101深度学习网络；
7、将目标肺腺癌ct图像输入至训练好的所述分类模型，得到肺腺癌脉管浸润分类结果。
8、在一些实施例中，所述resnet-101深度学习网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和全连接层，
9、所述第一卷积层使用7×7的卷积核，步长为2,填充为3，卷积后经过批量归一化和relu操作，最后经过3×3最大池化，得到第一层输出结果；
10、所述第二卷积层首先使用1×1的卷积核，64通道，卷积后经过批量归一化和relu操作，然后使用3×3的卷积核，64通道，卷积后经过批量归一化和relu操作，再使用1×1的卷积核，256通道，卷积后经过批量归一化操作，将此操作的结果与第一层输出结果进行相加，最后进行relu操作，循环3次，得到第二层输出结果；
11、所述第三卷积层首先使用1×1的卷积核，128通道，卷积后经过批量归一化和relu操作，然后使用3×3的卷积核，128通道，卷积后经过批量归一化和relu操作，再使用1×1的卷积核，512通道，卷积后经过批量归一化操作，将此操作的结果与第二层输出结果进行相加，最后进行relu操作，循环4次，得到第三层输出结果；
12、所述第四卷积层首先使用1×1的卷积核，256通道，卷积后经过批量归一化和relu操作，然后使用3×3的卷积核，256通道，卷积后经过批量归一化和relu操作，再使用1×1的卷积核，1024通道，卷积后经过批量归一化操作，将此操作的结果与第三层输出结果进行相加，最后进行relu操作，循环23次，得到第四层输出结果；
13、所述第五卷积层首先使用1×1的卷积核，512通道，卷积后经过批量归一化和relu操作，然后使用3×3的卷积核，512通道，卷积后经过批量归一化和relu操作，再使用1×1的卷积核，2048通道，卷积后经过批量归一化操作，将此操作的结果与第四层输出结果进行相加，最后进行relu操作，循环3次，得到第五层输出结果。
14、在一些实施例中，所述对勾画出病灶位置的肺腺癌ct图像进行resample重采样，包括：
15、将勾画出病灶位置的肺腺癌ct图像统一为1*1*1体素；
16、裁剪出含有病灶位置的mask层，对mask层进行线性插值；
17、将病灶位置统一为48层，将肺腺癌ct图像分辨率裁剪为128*128。
18、在一些实施例中，所述采用训练数据对分类模型进行训练，得到训练好的所述分类模型，并保存最优的权重参数，包括：
19、对训练数据进行数据增强；
20、将层数为48、图像大小为128*128的ct图像作为resnet-101深度学习网络的输入进行特征提取；
21、基于focal-loss损失函数计算损失，反向传播调整网络整体参数，进行模型训练，得到训练好的所述分类模型，保存最优的权重参数。
22、在一些实施例中，所述对训练数据进行数据增强，包括：
23、对训练数据分别进行左右偏移15°、30°，并分别进行保存，以增加数据样本量。
24、在一些实施例中，所述方法还包括：
25、基于分类性能指标对所述分类模型进行评价。
26、在一些实施例中，所述分类性能指标包括：
27、准确率；
28、召回率；
29、特异性。
30、第二方面，本发明实施例还提供了一种基于resnet的肺腺癌ct影像脉管浸润分类装置，所述装置包括：
31、获取模块，用于获取肺腺癌ct图像；
32、分割模块，用于对所述肺腺癌ct图像的病灶区域进行半自动分割，勾画出病灶位置，其中，所述肺腺癌ct图像为层面图像；
33、采样模块，用于对勾画出病灶位置的肺腺癌ct图像进行resample重采样，得到训练数据；
34、训练模块，用于采用训练数据对分类模型进行训练，得到训练好的所述分类模型，并保存最优的权重参数，其中，所述分类模型为resnet-101深度学习网络；
35、分类模块，用于将目标肺腺癌ct图像输入至训练好的所述分类模型，得到肺腺癌脉管浸润分类结果。
36、第三方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的基于resnet的肺腺癌ct影像脉管浸润分类方法。
37、第四方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的基于resnet的肺腺癌ct影像脉管浸润分类方法。
38、根据本发明实施例提供的基于resnet的肺腺癌ct影像脉管浸润分类方法，其中，基于resnet的肺腺癌ct影像脉管浸润分类方法包括：获取肺腺癌ct图像；对肺腺癌ct图像的病灶区域进行半自动分割，勾画出病灶位置，其中，肺腺癌ct图像为层面图像；对勾画出病灶位置的肺腺癌ct图像进行resample重采样，得到训练数据；采用训练数据对分类模型进行训练，得到训练好的分类模型，并保存最优的权重参数，其中，分类模型为resnet-101深度学习网络；将目标肺腺癌ct图像输入至训练好的分类模型，得到肺腺癌脉管浸润分类结果。基于此，本发明使用半自动分割将肺腺癌病人ct图像病灶区域进行分割，并使用3d效果进行展示，数据上的精确标注能提升分类系统的准确性，在肺腺癌脉管浸润分类任务中能提供更好的性能。基于resnet-101的深度学习分类算法，可以训练深度较深的神经网络，其残差操作避免了在深层次网络中经常出现的梯度消失问题。从医院获取的医疗数据，大多是小样本数据集，含有的数据相比于其他行业来说数量较少，并且在已发生浸润和未发生浸润之间的数据数量差异很大。resnet-101在样本数据较少的情况有较快的训练速度，相比于其他神经网络，它可以训练更深层次的结构，意味着能够提取不同级别的特征越丰富，在图像分类任务中，resnet-101通过不断增加网络深度可以来提高分类精度；在数据不平衡以及小样本数据的情况下，本发明展现出了优秀的图像分类能力。因此，本发明的基于resnet的肺腺癌ct影像脉管浸润分类方法能够在ct影像中提高对肺腺癌是否发生脉管浸润的分类精准度。
1.一种基于resnet的肺腺癌ct影像脉管浸润分类方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述resnet-101深度学习网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和全连接层，
3.根据权利要求1所述的方法，其特征在于，所述对勾画出病灶位置的肺腺癌ct图像进行resample重采样，包括：
4.根据权利要求1所述的方法，其特征在于，所述采用训练数据对分类模型进行训练，得到训练好的所述分类模型，并保存最优的权重参数，包括：
5.根据权利要求4所述的方法，其特征在于，所述对训练数据进行数据增强，包括：
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述分类性能指标包括：
8.一种基于resnet的肺腺癌ct影像脉管浸润分类装置，其特征在于，所述装置包括：
9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于resnet的肺腺癌ct影像脉管浸润分类方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至7任意一项所述的基于resnet的肺腺癌ct影像脉管浸润分类方法。
