技术摘要：
本发明提供的多特征融合辅助检测肺部磨玻璃影结节系统，处理器被配置用于调用程序指令，执行以下方法：获取待检测医学图像；所述待检测医学图像包括HRCT图像；设定纹理特征为手工提取特征；利用预设的特征提取方法提取待检测医学图像中的手工提取特征；构建深度学习神  全部
背景技术：
肺磨玻璃影(ground-glass  opacity，GGO)是一种非特异性的影像学表现，在高分 辨率CT图像(High  resolution  CT，HRCT)上表现为肺内密度轻度增加，但其内的支气管及 肺血管仍可显示。GGO可见于良性疾病，如炎症、出血或肺间质纤维化；也可见于恶性肿瘤， 如肺腺癌；还可见于癌前病变，如不典型瘤样增生(AAH)、原位腺癌(AIS)等。近年来，随着 HRCT的广泛应用，GGO的检出率明显增高。肺磨玻璃影也称为“磨玻璃影结节”。 肺部疾病早期检测、诊断和疾病治疗方案等见证了医学图像的重要性，例如，计算 机断层扫描(CT)、磁共振(MR)、正电子发射断层扫描(PET)、超声、X射线等。肺磨玻璃影检测 诊断主要依赖HRCT图像进行诊别，在临床上，对于医学图像的理解大多数是由诸如放射科 医师和内科专家此类的医学专家来完成的。而许多医学专家由于工作强度大，导致疲劳而 忽视了细微的病变。另外，医学专家阅片和诊断是一个主观判断的过程，会受到医生的专业 水平和阅片经验的影响，不同地区的鉴定机构，设备不同，诊断结论也各有差异，这就导致 误诊和漏诊在各地也屡有发生。
技术实现要素：
针对现有技术中的缺陷，本发明提供一种多特征融合辅助检测肺部磨玻璃影结节 系统及介质，克服现有医学专家阅片和诊断方法带来的误诊和漏诊的问题。 第一方面，一种多特征融合辅助检测肺部磨玻璃影结节系统，包括处理器和存储 器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程 序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下方法： 获取待检测医学图像；所述待检测医学图像包括HRCT图像； 设定纹理特征为手工提取特征； 利用预设的特征提取方法提取待检测医学图像中的手工提取特征； 构建深度学习神经网络，对深度学习神经网络进行训练； 将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中 的深度学习特征； 将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学 图像的检测结果。 优选地，所述特征提取方法包括灰度共生矩阵方法。 优选地，所述纹理特征包括能量、逆差矩、对比度和相关性； 其中，所述能量反映了图像灰度均匀程度和纹理粗细度，所述逆差矩用于评估图 像局部的纹理变化大小，所述对比度用于评估局部图像变化，所述相关性用于评估图像灰 4 CN 111598871 A 说　明　书 2/7 页 度对相邻像素或指定点的线性依赖性。 优选地，所述深度学习神经网络包括N个固定卷积层、M个微调卷积层和K个全连接 层，其中N、M和K大于等于1； 深度学习神经网络首先将所述待检测医学图像或预设的训练图像传输给固定卷 积层，提取待检测医学图像或训练图像的自然图像特征；再将该自然图像特征传输给微调 卷积层，提取自然图像特征中的医学图像特征；最后将该医学图像特征传输给全连接层，以 获得待检测医学图像或训练图像的深度学习特征。 优选地，所述固定卷积层中卷积单元的权重固定，通过对自然图像集进行学习获 得；所述微调卷积层中卷积单元的权重采用反向传播算法进行更新。 优选地，所述处理器被配置用于调用所述程序指令，具体执行以下方法： 构建融合模型； 将待检测医学图像的手工提取特征和深度学习特征传输给所述融合模型，定义融 合模型的输出为所述待检测医学图像的检测结果。 优选地，所述融合模型由若干个分类器的输出值进行加权后得到；其中，分类器的 输出值误差越小，该分类器的权重越大；分类器的输出值误差越大，该分类器的权重越小。 第二方面，一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所 述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下方 法： 获取待检测医学图像；所述待检测医学图像包括HRCT图像； 设定纹理特征为手工提取特征； 利用预设的特征提取方法提取待检测医学图像中的手工提取特征； 构建深度学习神经网络，对深度学习神经网络进行训练； 将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中 的深度学习特征； 将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学 图像的检测结果。 优选地，所述深度学习神经网络包括N个固定卷积层、M个微调卷积层和K个全连接 层，其中N、M和K大于等于1； 深度学习神经网络首先将所述待检测医学图像或预设的训练图像传输给固定卷 积层，提取待检测医学图像或训练图像的自然图像特征；再将该自然图像特征传输给微调 卷积层，提取自然图像特征中的医学图像特征；最后将该医学图像特征传输给全连接层，以 获得待检测医学图像或训练图像的深度学习特征。 优选地，所述固定卷积层中卷积单元的权重固定，通过对自然图像集进行学习获 得；所述微调卷积层中卷积单元的权重采用反向传播算法进行更新。 由上述技术方案可知，本发明提供的多特征融合辅助检测肺部磨玻璃影结节系统 及介质，克服现有医学专家阅片和诊断方法带来的误诊和漏诊的问题。 附图说明 为了更清楚地说明本发明