一种基于3DCNN的肺结节假阳性样本抑制方法技术

本发明专利技术公开了一种基于3D CNN (Convolutional Neural Networks,卷积神经网络)的肺结节假阳性样本抑制方法，包括如下步骤：1) 对肺部CT通过插值进行3D重建；2) 根据待抑制的样本坐标，从重建数据中切出固定大小的立方块，将其归一化，并对阳性样本进行扩充，将阴阳性样本一起作为3D CNN的训练数据；3) 使用训练样本训练3D CNN模型；4) 训练模型时对标准的损失函数进行加权修正，对阴阳性样本分别赋予不同权值。循环迭代训练网络，最终得到3D CNN模型。本发明专利技术提供的基于3D CNN训练模型的方法，一方面有效利用肺部CT数据的三维特征，能够最大程度上反映样本信息；另一方面通过对模型训练时的损失函数进行加权，完美解决了真假样本不均衡的问题，因而能够训练出肺结节识别效果很好的模型。

A false positive sample suppression method for pulmonary nodules based on 3DCNN

The invention discloses a 3D CNN based on (Convolutional Neural Networks, convolutional neural network) of lung nodules of false positive samples suppression method comprises the following steps: 1) of lung CT 3D reconstruction by interpolation; 2) according to the sample coordinate to be inhibited, cut from the reconstruction of data cube a fixed size block, the normalized, and the positive samples were expanded, the Yin and Yang of sample as the training data 3D CNN; 3) using training samples to train the 3D CNN model; 4) training model of the standard weighted loss function is built, each with a different sample of yin and Yang weight. Iterative training network, 3D CNN model is obtained. Methods 3D CNN training based on the model provided by the invention, on the one hand the effective use of three-dimensional features of pulmonary CT data can reflect the sample information, the maximum extent; on the other hand through the weighted loss function of model training, the perfect solution to the problem of imbalance between true and false samples, so as to train pulmonary nodules recognition effect good model.

【技术实现步骤摘要】
一种基于3DCNN的肺结节假阳性样本抑制方法
本专利技术属于医学影像的智能诊断领域，尤其涉及一种基于3DCNN的肺结节假阳性样本抑制方法。
技术介绍
肺结节的检测对于肺部CT影像的处理十分关键，它是肺癌在早期状态的一种主要表现形式。而对于肺结节进行有效的早期检测和筛查能显著提高肺癌患者的五年存活率，因此具有十分重要的研究价值和意义。虽然目前随着CT影像技术和各种新型诊断、检测手段的出现和发展，以及各种新型CT技术的出现，使得肺癌的诊断相比之前变得相对容易，但因为在早期发现癌症仍然不易，而且新型CT技术，如多排CT产生数量巨大的CT片子，会给影像科医生的阅片增加繁重负担，在高强度的工作下，造成漏诊率偏高；再者，即使医生给出了结果，但对初期恶性肿瘤的误诊率较高，常常使得病人疏于防范，仍然不能在早期发现肺癌病例，造成发现时已经很难治愈。为了把影像科医生从繁重的阅片负担中解脱出来，众多科研人员先后研制了肺部影像计算机辅助诊断系统，即肺部CAD(ComputerAidedDiagnosis，计算机辅助诊断)，辅助医生进行肺结节检测、肺结节良恶性判断等工作。当前相关研究领域中基于肺部CT影像进行本文档来自技高网...

【技术保护点】
一种基于3DCNN的肺结节假阳性样本抑制方法，其特征在于，包括如下步骤：a)从肺部CT影像序列数据中检测肺结节候选点坐标；b)对原始的DICOM图像进行插值，得到插值后的3D原始图像数据；c)对此前检测得到的候选点坐标,按照如上b) 插值步骤进行相应处理，将其映射到插值后的3D原始图像数据上；d)对于每个候选点，根据其转换后的坐标，从插值后的3D原始图像数据中切出3D数据，作为训练样本；e)根据每个候选点的坐标，与原始图像中的标签（label）进行对应，为步骤c) 中切出的每一个3D数据贴上相应的label；f)使用准备好的3D数据训练3D CNN网络；g)使用训练得到的3D CNN模型对候选...

【技术特征摘要】
1.一种基于3DCNN的肺结节假阳性样本抑制方法，其特征在于，包括如下步骤：a)从肺部CT影像序列数据中检测肺结节候选点坐标；b)对原始的DICOM图像进行插值，得到插值后的3D原始图像数据；c)对此前检测得到的候选点坐标,按照如上b)插值步骤进行相应处理，将其映射到插值后的3D原始图像数据上；d)对于每个候选点，根据其转换后的坐标，从插值后的3D原始图像数据中切出3D数据，作为训练样本；e)根据每个候选点的坐标，与原始图像中的标签（label）进行对应，为步骤c)中切出的每一个3D数据贴上相应的label；f)使用准备好的3D数据训练3DCNN网络；g)使用训练得到的3DCNN模型对候选点进行假阳性抑制。2.根据权利要求1所述的肺结节假阳性样本抑制方法，其特征在于，所述步骤b)中对原始DICOM图像进行插值，将Z方向的切片间隔（spacing）插值为与X、Y方向的像素间隔相等，即在插值完成后，X、Y、Z三个方向的间隔相等。3.根据权利要求1所述的肺结节假阳性样本抑制方法，其特征在于，所述步骤d)中，根据转换后的候选点坐标，从插值后的3D原始图像数据中切出3D数据，切出数据的长宽高（X、Y、Z方向）均为40像素，即数据大小为40×40×40；随后对切出的数据进行如下处理：将小于-1000HU的数据置为-1000HU，将大于400HU的数据置为400HU，并将处理后的图像数据归一化到0到1之间；如果候选点为阳性样本，则还需要对其进行数据扩充（augmentation），扩充方式包括平移、缩放和旋转等；对每一个阳性样本扩充个数大约为阴性样本总数除以原始阳性样本个数（如果所除结果不是整数，则取最近的整数），以使得扩充后的阴阳性样本均衡。4.根据权利要求1所述的肺结节假阳性样本抑制方法，其特征在于，所述步骤e)中，为每一个3D数据贴上相应的label：如果候选点距任意一个结节的外接边框（boundingbox）中心点的距离小于该结节的半径，则候选点的label为1；否则，该候选点的label为0。5.根据权利要求1所述的肺结节假阳性样本抑制方法，其特征在于，所述步骤f)中，使用准备好的3D数据训练3DCNN网络，网络结构如下：输入为40×40×40大小的3D数据，逐步通过以下网络层进行处理：卷积层1：16个大小为3×3×3的...

【专利技术属性】
技术研发人员：孔海洋，程国华，季红丽，
申请(专利权)人：杭州健培科技有限公司，
类型：发明
国别省市：浙江,33