基于2D卷积神经网络的肺结节检测方法技术

本发明专利技术公开了一种基于2D卷积神经网络的肺结节检测方法，该方法通过疑似肺结节检测与降低假阳性的方式来提高检测精度；同时，整个检测过程可以自动完成，也加快了快肺结节的检测效率。

Lung nodule detection based on 2D convolution neural network

The invention discloses a method for detecting pulmonary nodules based on 2D convolution neural network, which improves the detection accuracy by detecting suspected pulmonary nodules and reducing false positive; meanwhile, the whole detection process can be automatically completed, and the detection efficiency of fast pulmonary nodules can be accelerated.

【技术实现步骤摘要】
基于2D卷积神经网络的肺结节检测方法
本专利技术涉及智能医学影像分析
，尤其涉及一种基于2D卷积神经网络的肺结节检测方法。
技术介绍
肺部CT图像为三维图像，每个图像包含一系列胸腔的多个轴向切片。每个三维图像由不同数量的二维图像组成。其二维图像数量可以基于不同因素变化，比如扫描机器、被扫描用户。由于现有肺结节检测方法为了结合CT图像的三维属性，通常基于3D卷积神经网络进行肺结节检测，其处理过程较复杂，占用资源也较多，并且由于每个CT的切片厚度并不一定相同，统一的3D卷积处理方法并不适用。
技术实现思路
本专利技术的目的是提供一种基于2D卷积神经网络的肺结节检测方法，可以加快肺结节的检测效率，并提高检测的精度。本专利技术的目的是通过以下技术方案实现的：一种基于2D卷积神经网络的肺结节检测方法，包括：对训练集中每一CT图像，根据标注的结节位置，提取过结节中心的切片图像、以及其上下相邻两个切片图像；针对每一种切片图像，训练一个疑似肺结节检测模型：首先，输入至特征提取网络，通过判断是否是结节的二分类输出以及边界框预测，获得结节的建议区域；然后，将获得的建议区域输入到RoIpooling层进行特征图的尺寸标准化处理；最后，通过两个全连接层输出至分类概率预测层与边界框预测层；对于训练数据中正负样本做预处理来平衡正负样本的比例，之后，还利用预筛选模型对于预处理后的负样本进行分类，筛选出分类错误的负样本；再利用预处理与筛选后的训练数据来训练出三个弱分类模型；在检测过程中，利用训练好的三个疑似肺结节检测模型对待检测CT图像进行检测，获得的疑似结节的分类概率和其边界框，再利用训练好的三个弱分类模型，进行分类，对三个弱分类模型的分类结果进行多数投票选出最终的分类结果。由上述本专利技术提供的技术方案可以看出，通过疑似结节检测与降低假阳性的方式来提高检测精度；同时，2D卷积不会受切片厚度的影响，计算过程简单，整个检测过程可以自动完成，也加快了快肺结节的检测效率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为本专利技术实施例提供的一种基于2D卷积神经网络的肺结节检测方法的流程图；图2为本专利技术实施例提供的疑似结节检测模型图；图3为本专利技术实施例提供的七种比例的先验边界框示意图；图4为本专利技术实施例提供的对正负样本做预处理的流程图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。本专利技术实施例提供一种基于2D卷积神经网络的肺结节检测方法，如图1所示，其主要包括：1、训练疑似肺结节检测模型。对训练集中每一CT图像，根据标注的结节位置，提取过结节中心的切片图像、以及其上下相邻两个切片图像；针对每一种切片图像，训练一个疑似肺结节检测模型(共训练出三个疑似肺结节检测模型)：首先，输入至特征提取网络，通过判断是否是结节的二分类输出以及边界框预测，获得结节的建议区域；然后，将获得的建议区域输入到RoIpooling层进行特征图的尺寸标准化处理；最后，通过两个全连接层输出至分类概率预测层与边界框预测层；该过程最终获得的是疑似结节的分类概率和其边界框。具体来说，对一个CT图像提取切片后，将切片输入上述提到的疑似肺结节检测模型，然后得到大量的疑似结节在该切片中的位置和概率，由于这一步得到的疑似结节较多，其中包含许多与真正结节相似的假结节，需要经过后续假阳性降低方法来对上述得到的疑似结节进行分类，从而减少预测错误的疑似结节数量。2、训练三个弱分类模型。对上述疑似肺结节检测模型预测得到的疑似结节，本专利技术实施例提出假阳性降低方法进行进一步分类，尽可能的去除预测错误的疑似结节。首先训练分类模型之前，需要对于训练数据中正负样本做预处理来平衡正负样本的比例，之后，利用预筛选模型对于预处理后的负样本进行分类，筛选出分类错误的负样本；再利用预处理后的正样本、筛选出的分类错误的负样本来训练出三个弱分类模型；3、在检测过程中，利用训练好的三个疑似肺结节检测模型对待检测CT图像进行检测，获得的疑似结节的分类概率和其边界框，再利用训练好的三个弱分类模型，进行分类，对三个弱分类模型的分类结果进行多数投票选出最终的分类结果。本专利技术实施例上述方案主要包括：训练阶段与检测阶段，其中训练阶段主要包括疑似肺结节检测与假阳性降低两个部分，下面针对这两个阶段做详细说明。一、训练阶段。1、疑似肺结节检测模型。如图2所示，为疑似肺结节检测的模型图，其过程如下：1)对训练集中每一CT图像，根据标注的结节位置，提取过结节中心的切片图像、以及其上下相邻两个切片图像，针对每一种切片图像训练一个疑似肺结节检测模型，测试过程中每个切片输入三个模型得到疑似结节。图1所示的模型图是针对一种切片图像而言，另外两种切片图像执行过程相同，从而获得三个疑似肺结节检测模型。我们是用这三个疑似肺结节检测模型进行肺结节检测，检测的时候也是利用与训练时相同的方式，选取待检测CT图像的三种切片图像，然后分别输入到三个疑似肺结节检测模型进行肺结节检测，最后获得分类概率预测结果与边框预测结果，然后，根据这些结果确定是否为肺结节。本专利技术实施例中，已有数据集中包含2N个子集，每次从中选出2N-1个子集作为训练集来训练特征提取网络，剩余的1个子集作为测试集，采用交叉验证的方式，由于共进行2N次测试，每次选用1个子集做测试得到其结果，所以最后合并2N次测试结果，也就是取并集，从而得到全部子集的测试结果。示例性的，已有数据集可以为LUNA16中的数据，其包含10个子集，我们进行交叉验证，每次取出9个子集来训练网络，1个子集做测试，最后合并十次测试的结果。2)将切片图像输入至特征提取网络。本专利技术实施例中，所述特征提取网络可为VGG16网络；其包含有若干卷积层，最后一个卷积层之后设有一反卷积层，从而扩大特征图的大小。3)将第三卷积层与反卷积层分别连接一个区域建议网络，利用这两个区域建议网络，来获得结节的建议区域：每一个区域建议网络等效于使用一个m×m的滑动窗口在相应的第三卷积层或反卷积层产生的特征图上进行滑动，也就是使用一个卷积核大小为m×m的卷积层对特征图进行卷积运算。在每个滑动窗口位置，进行M种尺度的先验边界框的预测，即对每个滑动窗口位置预测M个区域，每个区域连接到两个输出层，第一个输出层为分类层用于判断是否是结节的二分类输出，第二个输出层回归层，用于预测边界框相对于先验边界框的四个坐标的偏置。如图3所示，假设M种尺度为12×12,18×18,27×27,36×36,51×51,75×75和120×120，即对每个滑动窗口位置预测7个区域，则分类层有7*2＝14个输出单元，回归层有7*4＝28个输出单元。最终通过判断是否是肺结节的二分类输出以及边界框预测，取肺结果预测为结节，也就是二分类输出中结节概率大于阈值的，并取出其相应的边界框，从本文档来自技高网...

【技术保护点】
1.一种基于2D卷积神经网络的肺结节检测方法，其特征在于，包括：对训练集中每一CT图像，根据标注的结节位置，提取过结节中心的切片图像、以及其上下相邻两个切片图像；针对每一种切片图像，训练一个疑似肺结节检测模型：首先，输入至特征提取网络，通过判断是否是结节的二分类输出以及边界框预测，获得结节的建议区域；然后，将获得的建议区域输入到RoI pooling层进行特征图的尺寸标准化处理；最后，通过两个全连接层输出至分类概率预测层与边界框预测层；对于训练数据中正负样本做预处理来平衡正负样本的比例，之后，还利用预筛选模型对于预处理后的负样本进行分类，筛选出分类错误的负样本；再利用预处理与筛选后的训练数据来训练出三个弱分类模型；在检测过程中，利用训练好的三个疑似肺结节检测模型对待检测CT图像进行检测，获得的疑似结节的分类概率和其边界框，再利用训练好的三个弱分类模型，进行分类，对三个弱分类模型的分类结果进行多数投票选出最终的分类结果。

【技术特征摘要】
1.一种基于2D卷积神经网络的肺结节检测方法，其特征在于，包括：对训练集中每一CT图像，根据标注的结节位置，提取过结节中心的切片图像、以及其上下相邻两个切片图像；针对每一种切片图像，训练一个疑似肺结节检测模型：首先，输入至特征提取网络，通过判断是否是结节的二分类输出以及边界框预测，获得结节的建议区域；然后，将获得的建议区域输入到RoIpooling层进行特征图的尺寸标准化处理；最后，通过两个全连接层输出至分类概率预测层与边界框预测层；对于训练数据中正负样本做预处理来平衡正负样本的比例，之后，还利用预筛选模型对于预处理后的负样本进行分类，筛选出分类错误的负样本；再利用预处理与筛选后的训练数据来训练出三个弱分类模型；在检测过程中，利用训练好的三个疑似肺结节检测模型对待检测CT图像进行检测，获得的疑似结节的分类概率和其边界框，再利用训练好的三个弱分类模型，进行分类，对三个弱分类模型的分类结果进行多数投票选出最终的分类结果。2.根据权利要求1所述的一种基于2D卷积神经网络的肺结节检测方法，其特征在于，在训练疑似肺结节检测模型时，获取包含包含2N个子集的数据集，每次从中选出2N-1个子集作为训练集来训练特征提取网络，剩余的1个子集作为测试集，采用交叉验证的方式，最后合并2N次测试结果；训练三个弱分类模型时，获取包含10个子集的数据集，每次选出1个子集作为测试数据，其他9子集划分为3组数据作为训练数据。3.根据权利要求1所述的一种基于2D卷积神经网络的肺结节检测方法，其特征在于，所述特征提取网络为VGG16网络；其包含有若干卷积层，最后一个卷积层之后设有一反卷积层；将第三卷积层与反卷积层分别连接一个区域建议网络，利用这两个区域建议网络，来获得结节的建议区域：每一个区域建议网络等效于使用一个m×m的滑动窗口在相应的第三卷积层或反卷积层产生的特征图上进行滑动，在每个滑动窗口位置，进行M种尺度的先验边界框的预测，即对每个滑动窗口位置预测M个区域，每个区域连接到两个输出层，第一个输出层是判断是否是结节的二分类输出，第二个输出层是预测边界框相对于先验边界框的四个坐标的偏置。4.根据权利要求1所述的一种基于2D卷积神经网络的肺结节检测方法，其特征在于，将获得的建议区域输入到RoIpooling层进行特征图的尺寸标准化处理包括：RoIpooling层首先截取建议区域在反卷积层对应的特征图上的区域，然后对截取的区域进行Maxpooling，从而对尺寸大小不一样的建议区域，产生固定大小的特征图输出。5.根据权利要求...

【专利技术属性】
技术研发人员：谢洪涛，张勇东，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34