一种基于深度学习的CT图肺结节检测方法技术

本发明专利技术公开了一种基于深度学习的CT图肺结节检测方法，包括：S01：获得肺部CT图像，并转换为DICOM格式的图像；S02：获取图像的病人信息及CT图的长和宽及图片像素之间的间隔；同时对图像的CT值进行归一化预处理；S03：对步骤S02预处理完成的CT图像进行肺容积分割，只保留肺部的图像；S04：对图像进行候选结节检测，使用U‑net卷积神经网络，找到候选结节的位置，输出一张带有候选结节位置标记的二维图像；S05：在获取到候选结节之后，将候选结节送入消除假阳性的分类器进行二次检测。本发明专利技术通过实现肺部结节自动检测，减少了肺结节标注需要大量医疗资源的问题，为肺癌病人提前发现了治疗，降低死亡率的机会。

A CT lung nodule detection method based on deep learning

The invention discloses a method for detecting pulmonary nodules in CT images based on depth learning, which includes: S01: acquiring CT images of the lungs and converting them into DICOM format images; S02: acquiring patient information of the images, the length and width of the CT images and the interval between pixels of the images; normalizing the CT values of the images; S03: _pre-processing the CT values of the images; 02 Preprocessing of CT images for lung volume segmentation, only preserve the image of the lung; S04: Candidate nodule detection of the image, using the U_net convolution neural network to find the location of the candidate nodules, output a two-dimensional image with the candidate nodule location marker; S05: After obtaining the candidate nodules, the candidate nodules will be detected. Two false positive classifiers were sent to the classifier. By realizing the automatic detection of pulmonary nodules, the invention reduces the problem that the labeling of pulmonary nodules requires a large amount of medical resources, and provides the opportunity for the lung cancer patients to discover the treatment ahead of time and reduce the mortality rate.

【技术实现步骤摘要】
一种基于深度学习的CT图肺结节检测方法
本专利技术涉及一种基于深度学习的CT图肺结节检测方法。
技术介绍
随着人口数量、肺部医疗需求的不断增加，迫切需要在肺部医疗方面加快结节检测速度与质量。传统的肺部结节检测主要靠的是进行CT扫描之后人工筛选，即使是具有丰富经验的医生在进行结节筛选的时候也需要大量的时间。绝大多数临床诊断肺癌病例已多为晚期，失去手术治疗机会，肺癌预后极差。得益于人工智能技术的发展，各类行业中的原本需要大量人工的任务效率都得到的提升。其中人工智能技术中的深度卷积神经网络在物体检测与分割方面有着出色的表现。物体检测指的是应用特殊的深度神经网络模型得到物体在图片中的位置并得到一固定面积的框将物体包含于内。而物体分割指的是在一张图片中不仅仅找出物体的位置并且用紧贴物体的轮廓的图形将图体圈出来。实施对肺结节的检测的目的是改善肺癌生存，提前进行治疗，降低肺癌死亡率，但是此项工作需要医生投入大量的精力，效率较低，若对每个病人都进行筛查则耗费大量的医疗资源，且依赖医生的主观判断，多个医生对同一个病人的CT图进行判定可能有不同的结果。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于深度学习的CT图肺结节检测方法，能自动根据肺部的CT图像进行检测，减少医生的负担。本专利技术的目的是通过以下技术方案来实现的：一种基于深度学习的CT图肺结节检测方法，包括以下步骤：S01：获得肺部CT图像，并转换为DICOM格式的图像；S02：获取转换为DICOM格式的图像的格式数据中的病人信息及CT图的长和宽及图片像素之间的间隔；同时对图像的CT值进行归一化预处理，并对一定范围以外的图像CT值都统一为端点值；S03：对步骤S02预处理完成的CT图像进行肺容积分割，只保留肺部的图像；S04：对图像进行候选结节检测，使用U-net卷积神经网络，找到候选结节的位置，输出一张带有候选结节位置标记的二维图像；S05：在获取到候选结节之后，将候选结节送入消除假阳性的分类器进行二次检测；其中步骤S04包括以下子步骤：S041：输入一组大小为128*128、有32层的肺容积分割完成的图像；S042：进行卷积核为2*2的最大池化，将原始图像转换成特征图大小为64*64，数量为32层的图像；S043：再进行2*2的最大池化，将64*64*32的图像转换成特征图大小为32*32、数量为32层的图像；同时又为了增加特征图的数量，此处使用了两种不同的卷积核，最终特征图的数量变为32*2＝64，即得到了特征图大小为32*32，数量为64的图像；S044：再进行2*2的最大池化，将32*32*64的图像转换成特征图大小为16*16，数量为64层的图像；S045：再进行2*2的最大池化，将16*16*64的图像转换成特征图大小为8*8，数量为64层的图像；S046：进行2*2的反卷积，将8*8*64的图像转换成特征图大小为16*16，数量为64层的图像；S047：进行2*2的反卷积，将16*16*64的图像转换成特征图大小为32*32，数量为64的层；S048：为了增加特征图的数量便于检测肺结节，将步骤S047与步骤S043中得到的层拼接起来，得到特征图大小为32*32，数量为64+64＝128层的图像；最终输出四维数据(p，z，y，x)，其中p为是肺结节的概率，zyx是结节中心的三维坐标；S049：将坐标映射回原图，用肉眼查看是否正确；步骤S05包括以下子步骤：S051：输入多组大小为60*40、有7层的原始图像，并依次执行步骤S052～S058的步骤；S052：每张图像提取rgb3个通道信息，其中三个通道的信息可以直接对每层分别操作获取，得到特征图的大小为60*40、数量为21的图像；S053：对3个通道的图像分别使用大小为7*7*3的3D卷积核进行卷积操作，同时此处为了增加特征图的数量，采用了两种不同的3D卷积核，最终得到特征图的大小为54*34，数量为15*2的图像；7*7表示空间维度，3表示时间维度，也就是说每次操作3层图像；其中，得到特征图的大小为54*34的原因是：60*40的原始图像经过7*7的卷积操作，((60-7)+1)*((40-7)+1)＝54*34，得到了54*34的图像；而特征图的数量为15*2的原因是：原始数量为21，每次操作3帧图像，且为了增加特征图的数量用了两种不同的3D卷积核，(((7-3)+1)*3)*2＝15*2，所以得到数量为15*2的图像；S054：再对图像使用大小为2*2的降采样操作，降低空间分辨率，降采样之后的特征图数量不变为15*2，图像大小变为(54/2)*(34/2)＝27*17；S055：再对图像分别使用大小为7*6*3的3D卷积核进行卷积操作，得到特征图的大小为21*12、数量为9*6的图像；同样为了增加特征图的数量，采用了三种不同的卷积核分别对两组特征图进行卷积操作；其中，得到特征图的大小为54*34的原因是：27*17的图像经过7*7的卷积操作,((27-7)+1)*((17-6)+1)＝54*34；而在步骤S053中可知，r通道特征图数量＝g通道特征图数量＝b通道特征图数量＝(7-3)+1)＝5；因此此时对一组图像进行7*6*3卷积操作，每次操作3层图像，(5-3)+1＝3，则特征图数量为3*3＝9，而一共有2*3＝6组，则此时的特征图数量为9*6；S056：再对图像使用大小为3*3的最大池化降采样操作，降采样之后得到特征图的大小为(21/3)*(12/3)＝7*4，数量为9*6的图像；S057：在此阶段，r、g、b通道数量为3，所以时间维度的尺寸已相对较小，仅在该层的空间维度上执行卷积操作，再对图像使用卷积核大小为7*4的卷积操作得到特征图的大小为1*1、数量为128的图像，其中128为经验值；S058：最后进行全连接操作，得到3个通道所有的信息，组合起来得到最终的特征描述，将这些特征值拿去训练得到一个模型；S059：将步骤S04中得到的候选结节输入该模型，进行二次检测，来输出判断识别的结果。进一步地，步骤S01包括：获得肺部CT图像后，调用SimpleITK库中的ReadImage函数对图像进行读取，并使用GetArrayFromImage函数得到像素值图像，得到图像的像素值，保存在numpy数组中。进一步地，所述的对图像的CT值进行归一化预处理，并对一定范围以外的图像CT值都统一为端点值包括：对图像进行归一化，将图像CT值的范围从[-1000,400]归一化为[0,1]；同时400以上的CT值都统一成400，使每一个像素都可以平等权重。进一步地，步骤S03中所述的肺容积分割包括：(1)根据图形学对图像中的像素进行标注，使相邻的在同一区域的像素有相同的标记；在标注的过程中由于实际影像没有严格的区域划分，导致存在一些很小的区域，参考周围区域的标记将小区域融合进其他的面积较大的区域；(2)保留左右肺叶，对外部的区域阈值填充：分别以阈值3和4产生两个掩膜，然后处理这两个掩膜，具体过程为：计算掩膜中的每个点的值的和，如果和大于零对掩膜进行形态学处理计算其凸包；接着如果凸包中的值之和大于1.5倍的原来掩膜中的值的和，就用形态学处理过后的掩膜替换掉原来的掩膜，否则认为这个掩膜刚好盖住本文档来自技高网...

【技术保护点】
1.一种基于深度学习的CT图肺结节检测方法，其特征在于：包括以下步骤：S01：获得肺部CT图像，并转换为DICOM格式的图像；S02：获取转换为DICOM格式的图像的格式数据中的病人信息及CT图的长和宽及图片像素之间的间隔；同时对图像的CT值进行归一化预处理，并对一定范围以外的图像CT值都统一为端点值；S03：对步骤S02预处理完成的CT图像进行肺容积分割，只保留肺部的图像；S04：对图像进行候选结节检测，使用U‑net卷积神经网络，找到候选结节的位置，输出一张带有候选结节位置标记的二维图像；S05：在获取到候选结节之后，将候选结节送入消除假阳性的分类器进行二次检测；其中步骤S04包括以下子步骤：S041：输入一组大小为128*128、有32层的肺容积分割完成的图像；S042：进行卷积核为2*2的最大池化，将原始图像转换成特征图大小为64*64，数量为32层的图像；S043：再进行2*2的最大池化，将64*64*32的图像转换成特征图大小为32*32、数量为32层的图像；同时又为了增加特征图的数量，此处使用了两种不同的卷积核，最终特征图的数量变为32*2＝64，即得到了特征图大小为32*32，数量为64的图像；S044：再进行2*2的最大池化，将32*32*64的图像转换成特征图大小为16*16，数量为64层的图像；S045：再进行2*2的最大池化，将16*16*64的图像转换成特征图大小为8*8，数量为64层的图像；S046：进行2*2的反卷积，将8*8*64的图像转换成特征图大小为16*16，数量为64层的图像；S047：进行2*2的反卷积，将16*16*64的图像转换成特征图大小为32*32，数量为64的层；S048：为了增加特征图的数量便于检测肺结节，将步骤S047与步骤S043中得到的层拼接起来，得到特征图大小为32*32，数量为64+64＝128层的图像；最终输出四维数据(p，z，y，x)，其中p为是肺结节的概率，zyx是结节中心的三维坐标；S049：将坐标映射回原图，用肉眼查看是否正确；步骤S05包括以下子步骤：S051：输入多组大小为60*40、有7层的原始图像，并依次执行步骤S052～S058的步骤；S052：每张图像提取rgb3个通道信息，其中三个通道的信息可以直接对每层分别操作获取，得到特征图的大小为60*40、数量为21的图像；S053：对3个通道的图像分别使用大小为7*7*3的3D卷积核进行卷积操作，同时此处为了增加特征图的数量，采用了两种不同的3D卷积核，最终得到特征图的大小为54*34，数量为15*2的图像；7*7表示空间维度，3表示时间维度，也就是说每次操作3层图像；其中，得到特征图的大小为54*34的原因是：60*40的原始图像经过7*7的卷积操作，((60‑7)+1)*((40‑7)+1)＝54*34，得到了54*34的图像；而特征图的数量为15*2的原因是：原始数量为21，每次操作3帧图像，且为了增加特征图的数量用了两种不同的3D卷积核，(((7‑3)+1)*3)*2＝15*2，所以得到数量为15*2的图像；S054：再对图像使用大小为2*2的降采样操作，降低空间分辨率，降采样之后的特征图数量不变为15*2，图像大小变为(54/2)*(34/2)＝27*17；S055：再对图像分别使用大小为7*6*3的3D卷积核进行卷积操作，得到特征图的大小为21*12、数量为9*6的图像；同样为了增加特征图的数量，采用了三种不同的卷积核分别对两组特征图进行卷积操作；其中，得到特征图的大小为54*34的原因是：27*17的图像经过7*7的卷积操作,((27‑7)+1)*((17‑6)+1)＝54*34；而在步骤S053中可知，r通道特征图数量＝g通道特征图数量＝b通道特征图数量＝(7‑3)+1)＝5；因此此时对一组图像进行7*6*3卷积操作，每次操作3层图像，(5‑3)+1＝3，则特征图数量为3*3＝9，而一共有2*3＝6组，则此时的特征图数量为9*6；S056：再对图像使用大小为3*3的最大池化降采样操作，降采样之后得到特征图的大小为(21/3)*(12/3)＝7*4，数量为9*6的图像；S057：在此阶段，r、g、b通道数量为3，所以时间维度的尺寸已相对较小，仅在该层的空间维度上执行卷积操作，再对图像使用卷积核大小为7*4的卷积操作得到特征图的大小为1*1、数量为128的图像，其中128为经验值；S058：最后进行全连接操作，得到3个通道所有的信息，组合起来得到最终的特征描述，将这些特征值拿去训练得到一个模型；S059：将步骤S04中得到的候选结节输入该模型，进行二次检测，来输出判断识别的结果。...

【技术特征摘要】
1.一种基于深度学习的CT图肺结节检测方法，其特征在于：包括以下步骤：S01：获得肺部CT图像，并转换为DICOM格式的图像；S02：获取转换为DICOM格式的图像的格式数据中的病人信息及CT图的长和宽及图片像素之间的间隔；同时对图像的CT值进行归一化预处理，并对一定范围以外的图像CT值都统一为端点值；S03：对步骤S02预处理完成的CT图像进行肺容积分割，只保留肺部的图像；S04：对图像进行候选结节检测，使用U-net卷积神经网络，找到候选结节的位置，输出一张带有候选结节位置标记的二维图像；S05：在获取到候选结节之后，将候选结节送入消除假阳性的分类器进行二次检测；其中步骤S04包括以下子步骤：S041：输入一组大小为128*128、有32层的肺容积分割完成的图像；S042：进行卷积核为2*2的最大池化，将原始图像转换成特征图大小为64*64，数量为32层的图像；S043：再进行2*2的最大池化，将64*64*32的图像转换成特征图大小为32*32、数量为32层的图像；同时又为了增加特征图的数量，此处使用了两种不同的卷积核，最终特征图的数量变为32*2＝64，即得到了特征图大小为32*32，数量为64的图像；S044：再进行2*2的最大池化，将32*32*64的图像转换成特征图大小为16*16，数量为64层的图像；S045：再进行2*2的最大池化，将16*16*64的图像转换成特征图大小为8*8，数量为64层的图像；S046：进行2*2的反卷积，将8*8*64的图像转换成特征图大小为16*16，数量为64层的图像；S047：进行2*2的反卷积，将16*16*64的图像转换成特征图大小为32*32，数量为64的层；S048：为了增加特征图的数量便于检测肺结节，将步骤S047与步骤S043中得到的层拼接起来，得到特征图大小为32*32，数量为64+64＝128层的图像；最终输出四维数据(p，z，y，x)，其中p为是肺结节的概率，zyx是结节中心的三维坐标；S049：将坐标映射回原图，用肉眼查看是否正确；步骤S05包括以下子步骤：S051：输入多组大小为60*40、有7层的原始图像，并依次执行步骤S052～S058的步骤；S052：每张图像提取rgb3个通道信息，其中三个通道的信息可以直接对每层分别操作获取，得到特征图的大小为60*40、数量为21的图像；S053：对3个通道的图像分别使用大小为7*7*3的3D卷积核进行卷积操作，同时此处为了增加特征图的数量，采用了两种不同的3D卷积核，最终得到特征图的大小为54*34，数量为15*2的图像；7*7表示空间维度，3表示时间维度，也就是说每次操作3层图像；其中，得到特征图的大小为54*34的原因是：60*40的原始图像经过7*7的卷积操作，((60-7)+1)*((40-7)+1)＝54*34，得到了54*34的图像；而特征图的数量为15*2的原因是：原始数量为21，每次操作3帧图像，且为了增加特征图的数量用了两种不同的3D卷积核，(((7-3)+1)*3)*2＝15*2，所以得到数量为15*2的图像；S054：再对图像使用大小为2*2的降采样操作，降低空间分辨率，降采样之后的特征图数量不变为15*2，图像大小变为(54/2)*(34/2)＝27*17；S055：再对图像分别使用大小为7*6*3的3D卷积核进行卷积操作，得到特征图的大...

【专利技术属性】
技术研发人员：张雪，朱安婕，郑德生，臧宇航，吉普照，
申请(专利权)人：四川元匠科技有限公司，
类型：发明
国别省市：四川,51