一种基于新型神经网络模型的CT影像肺结节良恶性分类方法技术

本发明专利技术公开了一种基于新型神经网络模型的CT影像肺结节良恶性分类方法，包括训练过程和测试过程；所述训练过程包括步骤一，预处理原始影像，重设体素间距为(1,1,1)，并转换为体素坐标；步骤二，从CT影像中截取三维正负样本；步骤三，设定最大值和最小值，对样本数据进行标准化；步骤四，构建新型神经网络模型；步骤五，设定训练超参数，以小批量的形式，导入数据训练模型；步骤六，模型训练充分后，保存模型；本发明专利技术提供的CT影像肺结节良恶性分类方法，准确率较高，可以准确地对肺结节的良恶性进行分类。

【技术实现步骤摘要】
一种基于新型神经网络模型的CT影像肺结节良恶性分类方法
本专利技术涉及医学图像分析领域及机器学习领域，尤其涉一种基于新型神经网络模型的CT影像肺结节良恶性分类方法。
技术介绍
随着空气质量的恶化、二手烟危害的加深等原因，肺癌已成为世界范围内发病率及死亡率最高的恶性肿瘤之一，早期诊断和治疗对于获得最佳治疗效果尤为重要。目前，计算机断层扫描成像(ComputedTomography,CT)是多种模态医学成像中最能够凸显肺部疾病征象的影像学手段，而肺癌最常见的早期形态为肺结节(LungNodules)，此阶段是进行肺癌治疗的最佳时期。对于肺部CT，一次能产生上百张影片，医生需要阅读这些影片确定病灶诊断病情，但是影片数量大，需要花费大量时间仔细查看，不仅导致诊断医生的工作强度大幅增加，而且由于影像中干扰噪声的存在，容易造成一定几率的误诊、漏诊。根据肺结节在CT影像上出现的位置和表现形式不同,又可以细分为孤立型肺结节、粘连血管型肺结节、枯连肺壁型肺结节、毛玻璃型肺结节和空洞型肺结节。对肺结节的良恶性分类，这个问题在各个方面都相较自然图像分类更加困难，导致传统及一般深度学习方法难以在这一任务上达到较高的准确度。一些传统方法还需要人工标注肺结节特征进行模型的训练，以达到对其进行良恶性分类的目的，而人工标注不仅效率低、代价高，而且会遗漏许多影像信息，造成特征不全，进一步降低传统方法的准确率。
技术实现思路
为了克服当前在医学图像领域存在的对较小尺寸样例比如肺结节的分类、检测准确率较低不足的缺陷，本专利技术提供了一个具有良好表现的新型神经网络模型和基于该新型神经网络模型的CT影像肺结节良恶性分类方法，以更准确地对小尺寸样例比如肺结节的良恶性进行分类。本专利技术给出一种具有新型结构的三维卷积神经网络，并将其运用在肺结节的良恶性分类问题上。针对三维影像的输入，我们首先对其进行两种特征提取方式，中心减半切割与残差卷积池化，得到原始特征与编码特征，然后再分别对原始特征与编码特征进行上述的两种特征提取方式，并且在对编码特征进行残差卷积池化特征提取前，会将原始特征与编码特征在通道数上进行融合，如此又分别得到了两种特征，我们又分别对上面的四个特征进行两种特征提取，并在残差卷积池化时，对已经提取完毕的特征进行通道上的融合，最后得到八个特征。我们将这八个特征在通道上进行融合，然后对其进行残差卷积池化得到一个最终的特征，送入线性整流函数进行激活然后进行均值池化，最后送入全连接层，得到分类结果。为实现上述目的，本专利技术采用以下技术方案：本专利技术提供一种基于新型神经网络模型的CT影像肺结节良恶性分类方法，包括训练过程和测试过程；其中，所述训练过程包括步骤：步骤一，对原始CT影像预处理，包括将体素间距转换为(1,1,1),转换世界坐标为体素坐标；步骤二，提取CT影像中以恶性肺结节为中心的立方体样本，尺寸为64*64*64，作为正样本；再提取CT影像中以良性肺结节为中心的立方体样本，尺寸为64*64*64，作为负样本；步骤三，选取合适的HU值作为标准化范围，对每个样本进行标准化处理，处理后每个样本的数值变化区间为[0,1]；步骤四，构建新型神经网络模型；步骤五，设定模型超参数，所述模型超参数包括优化方法、批次数量、迭代轮次、归零概率、通道增长率、噪声大小、偏移量，以小批次的形式将数据进行增强并导入模型训练；步骤六，模型训练充分后，选取测试精度较高的模型，导出并保存模型参数。进一步地，在所述的用于CT影像肺结节良恶性分类方法中，步骤三中，数据标准化处理的方式为x＝(x-min)/(max-min)，然后将多于1的设置为1，少于0的设置为0。进一步地，在所述的用于CT影像肺结节良恶性分类方法中，步骤四中，所述新型神经网络模型的网络架构主要由8个卷积池化模块，7个中心减半切割模块，以及1个池化全连接模块组成；其中，每个所述卷积池化模块内的顺序为1个批正则化层、线性整流层、1*1*1三维卷积层，一个批正则化层、线性整流层、3*3*3三维卷积层，一个激活单元：批正则化层、线性整流层、3*3*3三维卷积层，一个最大池化层组成；所述池化全连接模块由一个线性整流层，一个平均池化层，一个全连接层顺序结构组成。进一优选地，在所述的用于CT影像肺结节良恶性分类方法中，步骤四中，所述新型神经网络模型的构建方法，包括如下步骤：步骤401，样本经过切割模块提取特征，其中切割模块将输入样本的中心部分截取出来，其尺寸为原来的一半；步骤402，样本经过卷积池化块提取特征，其中卷积池化块为一个残差卷积模块，包含批正则化层、激活函数、三维卷积层及最大池化层；步骤403，将步骤401所得特征再次进行步骤401操作提取特征；步骤404，将步骤401所得特征再次进行步骤402操作提取特征；步骤405，将步骤402所得特征再次进行步骤401操作提取特征；步骤406，将步骤401、步骤402所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；步骤407，将步骤403所得特征再次进行步骤401操作提取特征；步骤408，将步骤403所得特征再次进行步骤402操作提取特征；步骤409，将步骤404所得特征再次进行步骤401操作提取特征；步骤410，将步骤403、步骤404所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；步骤411，将步骤405所得特征再次进行步骤401操作提取特征；步骤412，将步骤403、步骤404、步骤405所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；步骤413，将步骤406所得特征再次进行步骤41操作提取特征；步骤414，将步骤403、步骤404、步骤405、步骤406所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；步骤415，将步骤407至步骤414所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；步骤416，将步骤415所得特征进行线性整流激活，然后做平均池化得到最终特征；步骤417，将步骤416所得特征通过全连接层得到最终分类结果。进一步地，在所述的用于CT影像肺结节良恶性分类方法中，步骤五中，将数据进行增强的方式为x＝x+noise，将x的长宽高增大，增大部分使用随机数值填充，再随机地切割回原来的尺寸，以达到对样本进行随机平移的目的，再将样本进行三个维度上的随机翻转。进一步地，在所述的用于CT影像肺结节良恶性分类方法中，步骤五中，模型采用分批训练的方式，每一个轮次会分批在数据上优化模型，每个轮次结束后，在测试集上进行一次测试得到测试精度，损失函数为FocalLoss；利用Adamax优化器对模型进行优化，当给定的训练轮次结束后，模型将停止训练，每一轮次的模型参数都会被保存下来。本专利技术采用上述技术方案，与现有技术相比，具有如下技术效果：1、网络使用了类似DenseNet但又异于DenseNet的特征传递方式，这种方式使得网络能始终在各个尺度对特征图进行特征提取，不论是较低级的局部特征还是较高级的抽象语义特征都会参与到特征的编码过程中，避免了在多次特征编码后，网络中处于较后位置的卷积层产生退化的现象；2、模型中不断地对各个特征图进行中本文档来自技高网...

【技术保护点】
1.一种基于新型神经网络模型的CT影像肺结节良恶性分类方法，其特征在于，包括训练过程和测试过程；其中，所述训练过程包括步骤：步骤一，对原始CT影像预处理，包括将体素间距转换为(1,1,1)，转换世界坐标为体素坐标；步骤二，提取CT影像中以恶性肺结节为中心的立方体样本，尺寸为64*64*64，作为正样本；再提取CT影像中以良性肺结节为中心的立方体样本，尺寸为64*64*64，作为负样本；步骤三，选取合适的HU值作为标准化范围，对每个样本进行标准化处理，处理后每个样本的数值变化区间为[0,1]；步骤四，构建新型神经网络模型；步骤五，设定所述新型神经网络模型的超参数，所述超参数包括优化方法、批次数量、迭代轮次、归零概率、通道增长率、噪声大小、偏移量，以小批次的形式将数据进行增强并导入模型训练；步骤六，模型训练充分后，选取测试精度较高的模型，导出并保存模型参数。

【技术特征摘要】
1.一种基于新型神经网络模型的CT影像肺结节良恶性分类方法，其特征在于，包括训练过程和测试过程；其中，所述训练过程包括步骤：步骤一，对原始CT影像预处理，包括将体素间距转换为(1,1,1)，转换世界坐标为体素坐标；步骤二，提取CT影像中以恶性肺结节为中心的立方体样本，尺寸为64*64*64，作为正样本；再提取CT影像中以良性肺结节为中心的立方体样本，尺寸为64*64*64，作为负样本；步骤三，选取合适的HU值作为标准化范围，对每个样本进行标准化处理，处理后每个样本的数值变化区间为[0,1]；步骤四，构建新型神经网络模型；步骤五，设定所述新型神经网络模型的超参数，所述超参数包括优化方法、批次数量、迭代轮次、归零概率、通道增长率、噪声大小、偏移量，以小批次的形式将数据进行增强并导入模型训练；步骤六，模型训练充分后，选取测试精度较高的模型，导出并保存模型参数。2.根据权利要求1所述的CT影像肺结节良恶性分类方法，其特征在于，步骤三中，数据标准化处理的方式为x＝(x-min)/(max-min)，然后将多于1的设置为1，少于0的设置为0。3.根据权利要求1所述的CT影像肺结节良恶性分类方法，其特征在于，步骤四中，所述新型神经网络模型的网络架构主要由8个卷积池化模块，7个中心减半切割模块，以及1个池化全连接模块组成；其中，每个所述卷积池化模块内的顺序为1个批正则化层、线性整流层、1*1*1三维卷积层，一个批正则化层、线性整流层、3*3*3三维卷积层，一个激活单元：批正则化层、线性整流层、3*3*3三维卷积层，一个最大池化层组成；所述池化全连接模块由一个线性整流层，一个平均池化层，一个全连接层顺序结构组成。4.根据权利要求1或3所述的CT影像肺结节良恶性分类方法，其特征在于，步骤四中，所述新型神经网络模型的构建方法，包括如下步骤：步骤401，样本经过切割模块提取特征，其中切割模块将输入样本的中心部分截取出来，其尺寸为原来的一半；步骤402，样本经过卷积池化块提取特征，其中卷积池化为一个残差卷积模块，包含批正则化层、激活函数、三维卷积层及最大池化层；步骤403，将步...

【专利技术属性】
技术研发人员：张鹏，徐欣楠，姜格宁，张雷，
申请(专利权)人：上海市肺科医院，
类型：发明
国别省市：上海,31