The invention provides a classification method of benign and malignant pulmonary nodules based on 3D convolution neural network and depth learning. The specific steps are as follows: S1: acquiring the CT sequence images of the user's lungs, extracting the 3D images of the region of interest where the pulmonary nodules are located; S2: standardizing the 3D images and obtaining multiple 3D cube samples of the same size; S3: Reproduce the training sample set proportionally and enhance it; S4: Input the enhanced training sample set into the preset depth neural network model, and use BCE loss function to train in depth to get the trained new depth neural network model; S5: Draw the ROC curve according to the results of the test sample set, and RO. C curve characteristics and ACU values determine the best threshold for the trained new neural network model for the classification of benign and malignant pulmonary nodules. The invention can realize accurate classification of pulmonary nodules, help doctors quickly identify the types of pulmonary nodules, save time and ensure that doctors still have high accuracy in long-term work.
【技术实现步骤摘要】
基于3D卷积神经网络与深度学习的肺结节良恶性分类方法
本专利技术涉及医学影像和人工智能领域,是一种基于3D卷积神经网络和深度学习的肺结节良恶性分类方法。
技术介绍
肺癌是中国发病率和死亡率最高的疾病,近30年肺癌死亡率增长465%。其中很大的原因是75%的癌症患者都是在中晚期才确诊,即便在发达国家里,肺癌是所有恶性肿瘤中最常见最致命的一种。肿瘤的早期诊断及检测对于患者的治疗和愈后具有非常重要的临床意义。所有的早期干预措施都必须在明确病变性质和程度的基础上进行,而影像学检查是发现病变、对病变进行定性定量分析、预测疾病的关键。一组1.25毫米层厚的CT会有200-300张层面图像,面对产生的大量CT图像,如果能够运用人工智能技术帮助医生给出一定的辅助诊断,在节约人力的同时,还能够减少因为过度疲劳造成的漏诊。因此,利用深度学习技术对医学图像进行处理和研究,能为医生提供有用的参考信息,辅助医院及时地对肺部疾病做出准确地诊断,使得漏诊情况得以改善,进一步提高CT在肺部疾病筛查中的价值。卷积神经网络是深度学习技术中极具代表的网络结构之一,在图像处理领域取得了很大的成功,在国际标准的ImageNet数据集上,许多成功的模型都是基于CNN(ConstitutionalNeuralNetworks,卷积神经网络)的。CNN相较于传统的图像处理算法的优点之一在于,避免了对图像复杂的前期预处理过程(提取人工特征等),可以直接输入原始图像。
技术实现思路
本专利技术提供了一种基于3D卷积神经网络与深度学习的肺结节良恶性分类方法,其可以准确地对肺结节3D区域图像块进行分类并提高肺结节良 ...
【技术保护点】
1.一种基于3D卷积神经网络与深度学习的肺结节良恶性分类方法,其特征在于包括以下步骤:S1:获取用户的肺部CT序列影像,利用医生标记的肺结节位置信息提取出肺结节所在感兴趣区域的3D影像;S2:对不同大小的肺结节3D影像进行标准化,得到多个大小相同的3D正方体样本块;S3:对训练样本集进行复制,并且对复制后的训练样本集进行增强处理;S4:将增强后的训练样本集输入预设的深度神经网络模型,利用BCE损失函数对预设的深度神经网络模型进行深度训练,得到训练好的新深度神经网络模型;S5:将测试样本集输入训练好的深度神经网络模型中,并且根据测试样本集的结果,绘制受试者工作特征曲线,由受试者工作特征曲线特性和曲线所覆盖的区域面积值确定最佳阈值,用于训练好的深度神经网络模型对于肺结节良恶性的分类。
【技术特征摘要】
1.一种基于3D卷积神经网络与深度学习的肺结节良恶性分类方法,其特征在于包括以下步骤:S1:获取用户的肺部CT序列影像,利用医生标记的肺结节位置信息提取出肺结节所在感兴趣区域的3D影像;S2:对不同大小的肺结节3D影像进行标准化,得到多个大小相同的3D正方体样本块;S3:对训练样本集进行复制,并且对复制后的训练样本集进行增强处理;S4:将增强后的训练样本集输入预设的深度神经网络模型,利用BCE损失函数对预设的深度神经网络模型进行深度训练,得到训练好的新深度神经网络模型;S5:将测试样本集输入训练好的深度神经网络模型中,并且根据测试样本集的结果,绘制受试者工作特征曲线,由受试者工作特征曲线特性和曲线所覆盖的区域面积值确定最佳阈值,用于训练好的深度神经网络模型对于肺结节良恶性的分类。2.根据权利要求1所述的基于3D卷积神经网络与深度学习的肺结节良恶性分类方法,其特征在于,S2步骤还包括:按照预定的比例随机提取测试样本集和训练样本集。3.根据权利要求1所述的基于3D卷积神经网络与深度学习的肺结节良恶性分类方法,其特征在于,S3步骤还包括:统计训练样本集中良恶性的比例情况,对训练样本集中的良恶性样本进行反比例的复制,从而保证训练样本集中良恶性样本在输入预设的深度神经网络模型之前达到大致上相同的数...
【专利技术属性】
技术研发人员:唐雯,张荣国,王少康,陈宽,
申请(专利权)人:北京推想科技有限公司,
类型:发明
国别省市:北京,11
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。