一种3D双路径神经网络及基于该网络的肺部结节检测方法技术

本发明专利技术公开了一种3D双路径神经网络，所述3D双路径神经网络的整体框架是类U‑net结构的，且所述3D双路径神经网络中的连接均为双路径连接结构。本发明专利技术还公开了基于3D双路径神经网络的肺部结节检测方法，其特征在于，包括以下步骤：构建前述的3D双路径神经网络；将预处理后的训练集中的医学图像数据输入所述3D双路径神经网络，以对所述3D双路径神经网络进行训练，直至各指标达到预期效果；将待处理的医学图像数据输入到所述3D双路径神经网络，得到检测结果。本发明专利技术提出的3D双路径神经网络及基于该网络模型的肺部结节检测方法，可减轻对肺结节训练数据的要求，提高对医学图像肺结节的检测精度，并可用于计算机辅助诊断系统。

A 3D dual path neural network and its application in pulmonary nodule detection

The invention discloses a 3D dual path neural network. The overall framework of the 3D dual path neural network is u \u2011 net like structure, and the connections in the 3D dual path neural network are all dual path connection structures. The invention also discloses a lung nodule detection method based on a 3D dual path neural network, which is characterized in that the following steps are included: constructing the aforementioned 3D dual path neural network; inputting the medical image data of the pre-processed training set into the 3D dual path neural network to train the 3D dual path neural network until all indexes reach the expected effect; processing The medical image data of is input to the 3D dual path neural network, and the detection result is obtained. The 3D dual path neural network and the lung nodule detection method based on the network model can reduce the requirements for lung nodule training data, improve the detection accuracy of the medical image lung nodule, and can be used in the computer-aided diagnosis system.

【技术实现步骤摘要】
一种3D双路径神经网络及基于该网络的肺部结节检测方法
本专利技术涉及医学图像处理领域，尤其涉及一种3D双路径神经网络及基于该网络模型的肺部结节检测方法。
技术介绍
临床上，把肺实质内小于等于3cm的病灶(需除外肺不张和肿大的淋巴结)称为结节，大于3cm的病灶称为肿块，而小于1cm的结节称为小结节，小于5mm的结节称为微小结节，之所以这样定义是因为大于3cm的病灶多为恶性，而更小的病灶可能是良性或恶性，结节的大小与结节的良、恶性具有相关性。肺结节是肺癌的早期形态，随着时间的推移部分肺结节发生恶性病变(血管粘连、体积变大等)转化为肺癌，严重威胁着人类的健康。在世界范围内，肺癌死亡是最常见的导致死亡的原因之一。在我国，肺癌是死亡率和发病率最高的恶性肿瘤。目前手术仍是唯一可以根治肺癌的治疗方法。早期的肺癌是没有任何症状的，中国大部分的肺癌病人一发现就是晚期，失去了手术治疗的机会，因此只能依靠体检来早期发现肺癌，肺部小结节如果确诊为早期肺癌的，进行手术切除，5年生存率可达到80％以上。针对肺癌的检查共有四类：影像学检查、支气管镜检查、痰检、血清和其它体液的生化标志检查，胸部X线和CT检查是诊断胸部疾病最常用的手段。到目前为止，研究结果显示只有CT检查能降低肺癌死亡率，美国大型随机对照试验已证实采用低剂量CT进行肺癌检查能降低肺癌死亡率。肺结节是一种常见的肺部疾病，其病因复杂，临床表现缺乏特异性，因此医生诊断有一定难度，近年来，随着螺旋CT的日益普及与发展，结节病变的检出率明显提高，小于2mm的肺小结节都能被发现，加大了医生诊断的难度，同时也给患者是否接受治疗带来了一定的困扰。加之，对于肺部CT图像，一次能产生上百张DICOM格式的图片，医生需要阅读这些图片确定病灶诊断病情，但是图片数量大，需要花费大量时间去仔细查看，而且随着目前的医学影像技术的不断发展和改进、临床需求的增加，医学影像数据增大的趋势依然非常明显，这导致诊断医生的工作强度大幅度攀升，引起这些医学工作者的疲劳，进而引起他们对医学困像的阅读效率和质量下降，造成一定几率的误诊、漏诊。以上
技术介绍
内容的公开仅用于辅助理解本专利技术的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。
技术实现思路
为解决上述技术问题，本专利技术提出一种3D双路径神经网络及基于该网络模型的肺部结节检测方法，可减轻对肺结节训练数据的要求，提高对医学图像肺结节的检测精度，并可用于计算机辅助诊断系统。为了达到上述目的，本专利技术采用以下技术方案：本专利技术公开了一种3D双路径神经网络，所述3D双路径神经网络的整体框架是类U-net结构的，且所述3D双路径神经网络中的连接均为双路径连接结构。优选地，其中的双路径连接结构是通过在3D卷积神经网络中结合残差学习和密集连接而形成的。优选地，其中的双路径连接结构具体表述为：y＝G(x[：d],F(x)[：d],F(x)[d：]+x[d：])其中，y是双路径连接结构的特征映射，G为ReLU激活函数，F是卷积层函数，x是双路径连接结构的输入，且F(x)[d：]用于残差学习，F(x)[：d]用于密集连接，d是决定采用新特征的数量的超参数。本专利技术还公开了一种基于3D双路径神经网络的肺部结节检测方法，包括以下步骤：S1：构建上述的3D双路径神经网络；S2：将预处理后的训练集中的医学图像数据输入所述3D双路径神经网络，以对所述3D双路径神经网络进行训练，直至各指标达到预期效果；S3：将待处理的医学图像数据输入到所述3D双路径神经网络，得到检测结果。优选地，步骤S2中的所述训练集包括胸部的医学图像数据和对应的诊断结果病变标注信息，其中诊断结果病变标注信息包括非结节病灶、结节直径小于3mm、结节直径大于或等于3mm三类。优选地，步骤S2中的预处理具体包括：对训练集中的医学图像数据将世界坐标变换为体素坐标以统一间距，提取出完整的肺部区域的二值图像以获取一个将整个肺部区域都包围的最小立方体并得到肺部的边界区域；然后减小边界的像素信息对结节检测的影响，并去除无关区域对结节的检测以及运算速度的影响，最后处理标注信息。优选地，所述得到肺部区域的边界区域包括将肺部的左右部分分别进行膨胀处理，得到整个肺部区域都进行膨胀处理后的图像，然后将其和肺部掩膜进行异或操作得到肺部的边界区域；进一步地，膨胀处理包括：对医学图像数据的每一个切片都先判断是否存在肺部区域，如果存在，则先进行凸包操作：若经过凸包操作后像素值为1的像素点大于原始像素点数目的1.5倍，将去除凸包操作结果，保留原图，否则保留凸包操作后的二值图；如果切片中没有肺部区域，则不进行任何操作。优选地，所述减小边界的像素信息对结节检测的影响包括将医学图像数据中的像素值的范围处理缩小到0至255之间，将不属于膨胀处理后的肺部掩膜区域的地方的像素值设定为170；进一步地，所述去除无关区域对结节的检测以及运算速度的影响包括：对医学图像数据进行双线性差值上采样操作以进行预定范围的扩充，然后从扩充后的图像中截取预定大小的子立方体块。优选地，所述处理标注信息包括：首先进行坐标系的转换，对结节的标注信息根据扩充后的结节范围对结节的初始坐标进行转换，保留结节的直径信息和原始标注信息的大小。优选地，步骤S2中在将医学图像数据输入所述3D双路径神经网络之前还对医学图像数据进行平衡，进一步地，平衡步骤包括：将结节直径d在2.5mm<d<10mm范围内的标注信息保留a份，10mm<d<20mm范围内的结节信息保留b份，d>20mm范围内的结节信息保留c份，然后将重新扩充后的结节标注信息存储起来，其中a、b、c均为正整数，且a＜b≤c；进一步地，a＝1，b＝2、3、4或5，c＝5、6、7、8或9。与现有技术相比，本专利技术的有益效果在于：本专利技术提出的3D双路径神经网络的网络框架采用类U-net型结构，连接均为双路径连接结构，其中3D模块有助于对肺部的医疗图像数据综合分析、提取特征，双路径连接结构既有助于特征的重复利用，也容易利用新特征的优势，类U-net型结构使不同尺度的特征得到了融合，从而使得该3D双路径神经网络易于实现，训练模型的计算量相对较小，对用于训练的计算机设备要求较低；并进一步在应用于肺部结节检测时相对于其他同等参数量的模型对肺部小结节检测的精度更高；通过该3D双路径神经网络，减轻了对肺结节训练数据的要求，提高了对医学图像肺结节的检测精度，可用于计算机辅助诊断系统；从而解决了传统计算机视觉领域对医学图像分析的缺陷和对医生专业知识的高要求。附图说明图1是本专利技术优选实施例的双路径连接结构的连接示意图；图2是本专利技术一具体实施例的D双路径神经网络的各层的结构示意图；图3是一个样本所包含的CT切片示意图；图4是本专利技术具体实例中采用3DDPN26网络本文档来自技高网...

【技术保护点】
1.一种3D双路径神经网络，其特征在于，所述3D双路径神经网络的整体框架是类U-net结构的，且所述3D双路径神经网络中的连接均为双路径连接结构。/n

【技术特征摘要】
1.一种3D双路径神经网络，其特征在于，所述3D双路径神经网络的整体框架是类U-net结构的，且所述3D双路径神经网络中的连接均为双路径连接结构。


2.根据权利要求1所述的3D双路径神经网络，其特征在于，其中的双路径连接结构是通过在3D卷积神经网络中结合残差学习和密集连接而形成的。


3.根据权利要求2所述的3D双路径神经网络，其特征在于，其中的双路径连接结构具体表述为：
y＝G(x[：d],F(x)[：d],F(x)[d：]+x[d：])
其中，y是双路径连接结构的特征映射，G为ReLU激活函数，F是卷积层函数，x是双路径连接结构的输入，且F(x)[d：]用于残差学习，F(x)[：d]用于密集连接，d是决定采用新特征的数量的超参数。


4.一种基于3D双路径神经网络的肺部结节检测方法，其特征在于，包括以下步骤：
S1：构建权利要求1至3任一项所述的3D双路径神经网络；
S2：将预处理后的训练集中的医学图像数据输入所述3D双路径神经网络，以对所述3D双路径神经网络进行训练，直至各指标达到预期效果；
S3：将待处理的医学图像数据输入到所述3D双路径神经网络，得到检测结果。


5.根据权利要求4所述的肺部结节检测方法，其特征在于，步骤S2中的所述训练集包括胸部的医学图像数据和对应的诊断结果病变标注信息，其中诊断结果病变标注信息包括非结节病灶、结节直径小于3mm、结节直径大于或等于3mm三类。


6.根据权利要求4所述的肺部结节检测方法，其特征在于，步骤S2中的预处理具体包括：对训练集中的医学图像数据将世界坐标变换为体素坐标以统一间距，提取出完整的肺部区域的二值图像以获取一个将整个肺部区域都包围的最小立方体并得到肺部的边界区域；然后减小边界的像素信息对结节检测的影响，并去除无关区域对结节的检测以及运算速度的...

【专利技术属性】
技术研发人员：王好谦，张皓，戴琼海，张永兵，
申请(专利权)人：深圳市未来媒体技术研究院，
类型：发明
国别省市：广东;44