An image detection system based on Three-dimensional residual network, including: preprocessing module, network training module, candidate graph generation module and multi dimension residual network recognition module, the invention is based on the segmentation network of Faster RCNN network to obtain the candidate nodules, and uses a multi dimension 3D residual network to realize false positive. Three types of Resnet3D were designed to adapt to the wide variety of nodules, and three kinds of networks were combined with weight. The combination probability was obtained. The detection rate of lung nodules was improved by using CT image and the false positive nodules were reduced.
【技术实现步骤摘要】
基于三维残差网络的图像检测系统及方法
本专利技术涉及的是一种图像处理领域的技术,具体是一种基于三维残差网络(Resnet3D)的图像检测系统及方法。
技术介绍
传统的统计机器学习方法通过提取图像的纹理,颜色,灰度等预先定义好的图像特征,在使用分类算法比如径向支持向量机进行分类,传统的方法在图像处理方面已经比较成熟了,并取得了一定的成果,在进行CT图像的预处理之后,检测肺结节系统通常分为两步,第一步获取候选结节,检测出CT图像中存在结节的区域,此步骤会产生大量的假阳性结节,第二步是真假阳性的分类,从候选结节中筛选出阳性结节,减少假阳性结节的存在。与传统的机器学习方法相比,深度学习不需要手动设置的特征提取器,并已经在许多视觉对象识别应用中显示出优越的性能。
技术实现思路
本专利技术针对现有技术存在的上述不足,提出一种基于三维残差网络的图像检测系统及方法,基于Faster-RCNN网络的分割网络实现候选结节的获取,使用多维度的3D残差网络实现假阳性减少,为适应结节大小变化范围广的特发,设计了三种输入大小的Resnet3D,并使用权重的方式组合三种网络,获得组合概率,实现利用CT图像提高肺结节检出率,减少假阳性结节。本专利技术是通过以下技术方案实现的:本专利技术涉及一种基于三维残差网络的图像检测系统,包括:预处理模块、候选结节选取模块以及假阳性筛选模块,其中:预处理模块是对数据集进行整理和提取,基于Faster-RCNN的候选结节模块使用预处理模块的数据集,进行网络模型训练,生成候选结节,基于多维度残差网络的使用候选结节选取模块得到的候选结节进行网络训练。本专利技术涉 ...
【技术保护点】
1.一种基于三维残差网络的图像检测系统,其特征在于,包括:预处理模块、候选结节选取模块以及假阳性筛选模块,其中:预处理模块是对数据集进行整理和提取,基于Faster‑RCNN的候选结节模块使用预处理模块的数据集,进行网络模型训练,生成候选结节,基于多维度残差网络的使用候选结节选取模块得到的候选结节进行网络训练。
【技术特征摘要】
1.一种基于三维残差网络的图像检测系统,其特征在于,包括:预处理模块、候选结节选取模块以及假阳性筛选模块,其中:预处理模块是对数据集进行整理和提取,基于Faster-RCNN的候选结节模块使用预处理模块的数据集,进行网络模型训练,生成候选结节,基于多维度残差网络的使用候选结节选取模块得到的候选结节进行网络训练。2.根据权利要求1所述系统的图像检测方法,其特征在于,具体步骤包括:步骤1)对CT图像进行预处理,即对CT图像依次进行重采样、提取肺实质和CT图像归一化;步骤2)训练基于Faster-RCNN的分割网络并实现结节的区域选取,然后使用图像处理方法修正候选结节的区域;步骤3)采用正负样本集训练三维残差网络Resnet,进行候选结节的假阳性筛选。3.根据权利要求2所述的方法,其特征是,所述的重采样是指:采用1mm对应1个像素的统一像素间隔,获取CT图像的像素间隔信息,通过三维线性插值方式,根据不同CT图像的像素间隔信息,对图像进行相应缩放操作,实现所有图像的像素间隔统一。4.根据权利要求2所述的方法,其特征是,所述的提取肺实质是指:对肺部CT图像进行二值分割,对图像进行消除边界,去除空气成分,对二值化的图像中的连通区域进行筛选,选出面积最大的两块连通区域作为肺叶的轮廓,对肺叶内部的空白区域进行填充,对肺部边缘进行平滑处理并保留边缘部位。5.根据权利要求2所述的方法,其特征是,所述的CT图像归一化是指:将重采样之后的CT图像的数值小于-1000的设置为-1000,数值大于400的数值设置为400,接下来对CT图像的每个像素值进行归一化,计算第i张CT切片的均值为Mi,标准差为Si,按照Ii=(Ii-Mi)/Si计算图像的值,对每张图像都进行归一化。6.根据权利要求2所述的方法,其特征是,所述的步骤2具体包括:2.1)在训练Faster-RCNN网络时,使用优化后的损失函数进行反向传播;2.2)将整张图片输入基于Faster-RCNN的卷积网络...
【专利技术属性】
技术研发人员:沈耀,陈静,过敏意,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。