技术摘要：
本发明公开了一种基于肺部肿瘤影像划分样本空间下的集成ResNet‑NRC方法，包括如下步骤：收集同一肺部肿瘤的三种维度下的医学图像信息，即三模态数据集CT、PET、PET/CT；根据三模态数据集CT、PET、PET/CT划分出三个模态的样本特征空间；根据三个模态的样本特征空间构建  全部
背景技术：
医学影像学方法检查广泛应用于肺部肿瘤的诊断，其中包括X线成像、电子计算机 断层扫描(Computed  Tomography,CT)、正电子发射型计算机断层显像(Positron  Emission  Computed  Tomography,PET)及磁共振成像(Magnetic  Resonance  Imaging,MRI)等,PET主 要根据示踪剂来选择性地反映组织器官的代谢情况。从分子水平上反映人体组织的生理、 病理、生化及代谢等改变，适合于人体生理功能方面的研究。18F-FDG  PET/CT结合PET和CT  的优点，将解剖图像(CT)与功能代谢图像(PET)同机融合，既有精细的解剖结构又有丰富生 理、生化及分子功能信息。实现了高灵敏度、高特异性、高准确性。可用于肿瘤诊断、治疗及 预后随诊全过程。 集成学习技术由于与单分类器相比具有更高的准确性和良好的泛化能力而获得 广泛关注，通过生成多个模型并将其组合以获得最终的预测结果来解决问题，集成学习在 图像分类识别任务中具显著性的优势，目前基于集成学习的计算机辅助诊断技术(CAD)已 经广泛应用于各种疾病影像的识别过程中，引入计算机辅助技术对肺癌的早期发现与诊疗 有着重要的积极作用，它在辅助医生诊疗肺癌领域有着巨大的发展前景。 但是现有的集成学习方法无法满足对基分类器的精确度高和差异性大的条件，其 对于医学影像识别的特异性和灵敏度无法达标。 因此，如何提供一种具有较好的鲁棒性和泛化能力的基于肺部肿瘤影像划分样本 空间下的集成ResNet-NRC方法是本领域技术人员亟需解决的问题。
技术实现要素：
有鉴于此，本发明提供了一种基于肺部肿瘤影像划分样本空间下的集成  ResNet- NRC方法，通过建立多个同质且存在差异的个体学习器，整体分类性能优于单一个体分类 器，且特异性和灵敏度等各项评价指标也较高，该方法具有较好的鲁棒性和泛化能力。 为了实现上述目的，本发明提供如下技术方案： 一种基于肺部肿瘤影像划分样本空间下的集成ResNet-NRC方法，具体步骤如下： S1、收集同一肺部肿瘤的三种维度下的医学图像信息，即三模态数据集  CT、PET、 PET/CT； S2、根据三模态数据集CT、PET、PET/CT划分出三个模态的样本特征空间； S3、根据三个模态的样本特征空间构建三种模态的残差神经网络模型，即基分类 器； S4、采用相对多数投票法对三种基分类器进行组合，形成最终分类识别结果。 优选的，所述S1中三模态数据集CT、PET、PET/CT中每个数据集均包括阴性样本集 3 CN 111582330 A 说　明　书 2/9 页 和阳性样本集。 优选的，所述S2中还包括对三模态数据集进行ROI区域提取的步骤： S21、灰度图像转化，将加伪彩的PET/CT数据集影像转化为灰度图像； S22、ROI区域图像提取，从三模态数据集的全局灰度图像中根据临床标记提取局 部特征，即病灶区域对应的ROI区域图像，将ROI区域图像归一化； S23、构造不同的样本特征空间，三模态数据集中样本数量相同，提取局部特征得 到病灶的ROI区域图像得到与原始图像规模一样的集合  Sample-CT-ROI＝{Sample-CT- ROI，sample-PET-ROI，Sample-PET/CT-ROI}，其中，每个样本子集中，阴性样本和阳性样本 规模一样； S24、基于划分构造五折交叉实验数据集，在三个样本子集  Sample-CT-ROI， Sample-PET-ROI和Sample-PET/CT-ROI中，分别采用划分的算法，把每个样本子集的阴性样 本集和阳性样本集划分成均匀的5份，得到5 折交叉的样本划分集合。 优选的，所述S3具体包括： S31、采用迁移学习对残差神经网络ResNet-50进行预训练，并将预训练网络中的 参数作为网络中的初始化参数，ResNet-NRC＝Transfer  learning(ResNet-50,NRC)； S32、在三个样本子集Sample-CT-ROI，Sample-PET-ROI和  Sample-PET/CT-ROI中， 分别对ResNet-NRC网络进行再训练，得到基分类器，即： ResNet-NRC-CT＝ResNet-NRC(Sample-CT-ROI)； ResNet-NRC-PET＝ResNet-NRC(Sample-PET-ROI)； ResNet-NRC-PET/CT＝ResNet-NRC(Sample-PET/CT-ROI)。 本发明设计的一种基于肺部肿瘤影像划分样本空间下的集成ResNet-NRC  方法与 现有技术相比的优点在于： 第一，本发明使用迁移学习构造残差神经网络模型；第二，分别用CT，  PET和PET/ CT三个模态的数据集训练网络，提取全连接层的特征向量；第三，采用非负表示分类器 (NRC)对特征向量进行非负表示，利用残差相似度进行分类；第四，采用“相对多数投票法” 对三个模态NRC-ResNet分类器集成；最后，通过AlexNet和ResNet-50模型进行对比试验，本 发明集成NRC-ResNet  整体分类性能优于单一个体分类器，且分类精确度优，满足对基分类 器的精确度高和差异性大的条件，可有效解决高维数据的优化问题，特异性和灵敏度等各 项评价指标也较高，该方法具有较好的鲁棒性和泛化能力。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 提供的附图获得其他的附图。 图1为本发明提供的基于肺部肿瘤影像划分样本空间下的集成  ResNet-NRC方法 的流程图； 图2为本发明实施例提供的CT、PET、PET/CT原始图像； 图3为本发明实施例提供的肺部肿瘤ROI区域图像提取过程； 4 CN 111582330 A 说　明　书 3/9 页 图4为本发明实施例提供的肺部肿瘤图像ROI图像； 图5为本发明实施例提供的AlexNet与ResNet-50在物种不同指标下的折线图。