基于三维卷积神经网络的肺结节检测方法技术

本发明专利技术涉及一种基于三维卷积神经网络的肺结节检测方法，采用了特征金字塔和注意力机制的网络结构，融合了低层高分辨率的特征和高层抽象特征，并使得网络集中注意于有目标的区域。采用了三维卷积神经网络的检测方法，端对端的进行肺结节检测，降低了时间开销，并且相较于传统的方法提高了结节检测的召回率和平均准确率。

【技术实现步骤摘要】
基于三维卷积神经网络的肺结节检测方法
本专利技术属于医学图像处理
，涉及一种在肺部切片数据中检测肺结节的方法，具体来说是一种基于三维卷积神经网络的肺结节检测方法。
技术介绍
癌症一直严重威胁着人类的生命健康，其中，由肺癌引发的死亡在所有癌症发病及死亡中占首位。而肺癌的生存率与发现的时机很相关，肺癌中晚期时，治疗费用高且效果不佳。早期的肺癌大多数无明显症状，常常以肺结节形式表现。据报道，肺结节尽早地被发现并治疗，肺癌的生存率会提高很多。因此，尽早的对肺结节进行检测和诊断是提升患者生存几率的关键。CT图像是医生诊断肺部疾病的主要依据。目前，大部分针对CT数据的计算机辅助系统均采用了2D的特征，如边缘形态，边缘周长等。但是在2D特征中，肺部的血管、支气管等组织与肺结节很相似，从而对结节的检测产生了影响。而CT数据本质上就有3D的结构，是由一系列切片构成的，并且在3D空间中肺结节的形状与球体相近，而血管和支气管等组织会呈现延伸的形态，有着明显的差异。因此，将3D特征应用在肺结节检测中已经是CT图像研究的主流。近年来，随着大数据和人工智能的发展，深度学习的研究不断地深入，为图像处理的相关本文档来自技高网...

【技术保护点】
1.一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤如下：步骤1：对肺部CT数据进行预处理：采用下述公式将结节从图像坐标体系转换为病人坐标体系：

【技术特征摘要】
1.一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤如下：步骤1：对肺部CT数据进行预处理：采用下述公式将结节从图像坐标体系转换为病人坐标体系：其中，origin和spacing分别为图像坐标体系中的原点和间距，center表示要转换的位置点，center'表示转换之后的位置点；对每组数据循环每一个切片，使用阈值法以及连通区域标记得到肺实质区域的标记图；接着采用形态学的凸包和膨胀操作修复肺实质的外轮廓和内部轮廓，得到肺部的掩码，从而得到肺实质区域；接着重采样数据，将病人坐标体系中的三个面上的切片间距均调整为1mmⅹ1mmⅹ1mm，并将亨氏值规范化至0～255的范围内，得到肺分割的预处理结果；所述的三个面为横断面、冠状面、矢状面；步骤2：利用定义好的网络结构在训练集上进行训练，确定一组最优的参数：对训练数据进行过采样、裁剪、数据增强，所述的数据增强有水平翻转和旋转操作；在输入给网络之前再将0～255的数值范围进行归一化；本发明针对于输入图像块，会预测出20ⅹ20ⅹ20个位置，每个位置有4个anchor；anchor大小是根据统计分析得来的；处理训练数据标签时，判断如果一个anchor与任意一个标签的IOU大于0.5则认为是结节，并将置信度标记为1；如果一个anchor与任意一个标签的IOU小于0.02，则认为其不是结节，并将置信度设置为-1；IOU大于0.02小于0.5的位置均设置为0，不参与训练；在训练数据与标签均处理完成后，将训练数据输入网络中，进行前向传播：首先输入数据，经过预处理块提取特征，预处理块是由一个卷积层，批规范化层和激活函数Relu6组成；接着将输出结果输入至两个并行的残差块和注意力模块中，残差块主要是为提取特征，注意力模块会给出一个概率分布，最终将两个结果结合起来；设残差块的输出为T，注意力模块的输出为M，则最终的输出为(1+M)×T，可以看出，如果权重M为0，则输出为T，如果M变大，则输出会被加强；接着将输出结果传入下一层的下采样模块，这一层的作用是降低特征的分辨率，采用步长为2的卷积层实现；在特征图的分辨率为10×10×10大小时进行上采样操作，采用反卷积实现，再将结果与前面得到的位置信息以及下采样结果进行连接，最后再经过卷积、dropout得到最终的输出；得到网络前向传播的输出后，计算其与真实标签之间的误差；由于样本位置中多数为负样本，为了解决样本类别不平衡...

【专利技术属性】
技术研发人员：李映，曹莹，刘凌毅，汪亦文，王鹏，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61