一种基于CT影像的肺结节自动检测方法技术

本发明专利技术是一种基于CT影像的肺结节自动检测方法，包括以下步骤：步骤1：利用公开肺部数据集建立训练及测试样本集：包括读取CT数据集原始文件，将肺结节所在图像与其前后层相邻图像合成为一组三通道数据，对其进行伪彩色化处理，使用数据增强的方法扩展样本集；步骤2：建立肺结节检测网络：包括构建特征提取主干网络、多尺度特征层融合网络和候选框回归与预测网络；步骤3：利用训练样本对肺结节检测网络进行训练，得到训练好的检测模型；步骤4：在测试数据集中验证检测模型、检测肺结节位置。本发明专利技术利用训练样本对肺结节检测网络进行训练，得到训练好的检测模型，在保证总体检出率的前提下，降低假阳性，辅助医生提高诊断效率。

An automatic detection method of pulmonary nodules based on CT images

【技术实现步骤摘要】
一种基于CT影像的肺结节自动检测方法
本专利技术是一种基于CT影像的肺结节自动检测方法，涉及医学影像计算机辅助诊断领域。技术背景肺癌是全球范围内致死率较高的恶性疾病之一。2016年，世界癌症研究机构(IARC)统计显示，癌症患者的数量每年都在增加，肺癌在各种癌症中的占比高达85％左右，是占比最大的疾病。肺癌在早期临床表现不明显，并不能引起患者重视。当肺癌发展至晚期阶段，癌细胞扩散导致病人几乎无法挽救。早期肺癌主要表现为无症状的肺部小结节，因此，定期对肺部进行检查，可及早发现肺癌的发生，通过及时治疗可显著地降低肺癌死亡率。最常见的肺结节筛查方式是使用计算机断层扫描(CT)技术进行检测。放射科医师根据CT图像对疑似结节区域进行筛查。在现实条件下，尤其是薄层CT的广泛使用，诊断大量的CT图像会消耗医生大量的时间和精力。随着诊断病患数量的不断增多，医生的诊断效率也会下降。因此，利用计算机辅助诊断系统实现对肺结节的检测，有助于医生提高诊断效率、减轻工作负担，这在临床医学中有着迫切的需求。传统的医学图像肺结节检测算法通过对CT数据预处理、肺实质区域分割、提取候选区域、特征提取和肺结节目标的分类识别等流程实现对肺结节的检测。但是，人工提取形态学特征、纹理特征、局部特征存在局限性，并且方法流程繁琐，检测准确率低。自2012年Alexnet被提出以来，深度学习(深度卷积神经网络)技术在计算机视觉领域取得了压倒性的优势，实现了端到端的目标检测与分类。深度学习中的卷积网络结构具备自动学习样本特征的能力，可以充分利用图像中的高阶语义信息，减少人工特征的设计。在肺结节辅助检测领域，使用深度学习方法替代传统方法实现自动化和智能化的检测，具有良好的发展前景，并且已经得到广泛的关注。现有的深度学习肺结节检测算法中，主要存在以下不足：1)现有算法大部分在二维图像上进行肺结节检测，无法利用CT数据的空间信息，存在准确率较低和假阳性率较高的缺陷，限制了其在实际临床诊断中的应用。目前已有一些探索性研究，利用3D-CNN网络在三维CT序列中进行检测，但三维网络结构复杂，卷积核占用计算资源大、检测的计算速度效率低。2)基于深度卷积神经网络的目标检测算法框架来源于自然图像任务。现有肺结节检测算法并未结合医学先验知识对检测框架进行调整与优化。常见检测网络框架结构冗余，参数量大造成了网络训练周期长，模型无法小型化的缺陷。3)在肺结节检测网络训练过程中，非结节候选框的数量远多于结节和假阳性结节区域的候选框，候选框正负样本严重失衡。同时，现有网络损失函数并未充分考虑难分候选框的预测损失，导致了网络模型生成候选框准确度低、数量庞大的问题。
技术实现思路
本专利技术的目的是提供一种基于CT影像的肺结节自动检测方法，利用训练样本对肺结节检测网络进行训练，得到训练好的检测模型。本专利技术能够在保证总体检出率的前提下，降低假阳性，有助于减轻医生阅片压力，提高医生诊断效率。为实现本专利技术的目的所采用的技术方案是：一种基于CT影像的肺结节自动检测方法，其特征在于，包括以下步骤：步骤1：利用公开肺部数据集建立训练样本集；读取CT数据集原始文件，将肺结节所在图像与其前后层相邻图像合成为一组三通道数据，对其进行伪彩色化处理，最后使用数据增强的方法扩展样本集；步骤2：建立肺结节检测网络：包括构建特征提取主干网络、多尺度特征层融合网络和候选框回归与预测网络；步骤3：利用训练样本对肺结节检测网络进行训练，得到训练好的检测模型；步骤4：在测试数据集中验证检测模型、检测肺结节位置。本专利技术的有益效果是：1、将待检测CT图像与其相邻的前后序列图像三通道的伪彩色图像，充分利用了肺部CT的三维空间信息，提高了检测准确率，降低了假阳性。同时，与三维卷积神经网络(3D-CNN)方法相比，此种方式采用二维卷积神经网络(2D-CNN)处理序列化CT数据，并将检测结果映射到二维CT图像中。网络结构简单，内存消耗小，计算效率高。2、针对肺结节实际尺寸的分布情况，利用K-means方法重新调整了anchorbox的大小。将特征金字塔结构从三层缩减为两层，简化了目标检测框架的网络结构。3、针对正负样本比例严重失衡的问题。本文在候选框回归与分类网络中对边框的置信度损失使用局部关注损失(Focalloss)替换原有的交叉熵。通过引入调节因子与加权系数，该损失函数能够更好地帮助检测模型关注难分样本，解决正负样本不平衡的问题。附图说明为了使本专利技术的技术方案更加清晰，下面结合附图对本专利技术进行详细描述，其中：图1为肺结节检测算法流程图。图2为数据集三层CT数据伪彩色化图像。图3为检测框架骨干网络Darknet-53的网络结构图。图4为三层特征金字塔网络结构图。图5为尺度优化后的肺结节检测框架图。图6为边框回归与类别预测网络的结构图。图7a为肺实质图像检测结果之一。图7b为肺实质图像检测结果之二。具体实施方式为了使本专利技术的目的、技术方法及优点更加明显，下面结合图1-6、图7a、图7b及具体实施方式对本专利技术做进一步的详细说明。此处描述的具体实施方式仅用来解释本专利技术，并限定于本专利技术。本专利技术亦可通过其他具体实施方法进行应用。可根据相似需求背景，在不背离本专利技术思路下进行修饰或修改。本专利技术提出一种基于CT影像的肺结节自动检测方法，其流程图如图1所示，具体包括以下步骤：步骤1：建立训练样本集；具体包括以下步骤：步骤1.1：鉴于公开数据集中肺部CT信息由.mhd给出，具体CT数值数据存储在.raw文件中，即从ISBI的LUNA16开源数据集中的.mhd和.raw文件中获取肺部CT数据和CT图像信息；首先，需要从.mhd文件中获得CT的层厚Z毫米、在二维平面上单像素对应实际间距(X,Y)毫米，如：(X,Y,Z)＝(0.66402,0.66406,0.625)。CT数据在二维上的尺寸为512x512。由于CT图像采集层厚的不同，三维尺寸会呈现不同的数量。步骤1.2：本文选取肺窗-1000HU-400HU作为CT值的截断窗口，将CT值归一化到0-1的范围。高于400HU的CT值归一化后的数值为1，低于-1000HU的CT值归一化后的数值为0。步骤1.3：肺结节标注文件给出结节的质心坐标。结合步骤1.1中得到的单像素对应间距和层厚，确定肺结节在CT数据中的三维像素坐标和半径。步骤1.4：根据肺结节的三维像素坐标，将结节所在图像与其前后层相邻图像合成为一组三通道数据，然后进行伪彩色化处理，得到训练样本。如图2所示为一幅合成的伪彩色图像。步骤1.5：形变与调节亮度及对比度等图像增强方法会改变医学图像的病理学语义，进而造成增强后的CT图像与客观病理不符的现象。因此，本专利对训练样本仅使用旋转、翻转的数据增强方法。步骤2：建立肺结节检测网络，具体包括以下步骤：步骤2本文档来自技高网...

【技术保护点】
1.一种基于CT影像的肺结节自动检测方法，其特征在于，包括以下步骤：/n步骤1：利用公开肺部数据集建立训练样本集；读取CT数据集原始文件，将肺结节所在图像与其前后层相邻图像合成为一组三通道数据，对其进行伪彩色化处理，最后使用数据增强的方法扩展样本集；/n步骤2：建立肺结节检测网络：包括构建特征提取主干网络、多尺度特征层融合网络和候选框回归与预测网络；/n步骤3：利用训练样本对肺结节检测网络进行训练，得到训练好的检测模型；/n步骤4：在测试数据集中验证检测模型、检测肺结节位置。/n

【技术特征摘要】
1.一种基于CT影像的肺结节自动检测方法，其特征在于，包括以下步骤：
步骤1：利用公开肺部数据集建立训练样本集；读取CT数据集原始文件，将肺结节所在图像与其前后层相邻图像合成为一组三通道数据，对其进行伪彩色化处理，最后使用数据增强的方法扩展样本集；
步骤2：建立肺结节检测网络：包括构建特征提取主干网络、多尺度特征层融合网络和候选框回归与预测网络；
步骤3：利用训练样本对肺结节检测网络进行训练，得到训练好的检测模型；
步骤4：在测试数据集中验证检测模型、检测肺结节位置。


2.根据权利要求1所述的一种基于CT影像的肺结节自动检测方法，其特征在于，步骤1还包括如下步骤：
步骤1.1：从ISBI的LUNA16开源数据集中的.mhd和.raw文件中获取肺部CT数据和CT图像信息；
步骤1.2：选择肺窗窗口，对CT数据进行归一化处理；
步骤1.3：根据步骤1.1获取的CT图像信息，确定肺结节在CT数据中的三维像素坐标和半径；
步骤1.4：结合肺结节的坐标信息，将肺结节所在图像与其前后层相邻图像合成为一组三通道数据，然后对三通道数据进行RGB伪彩色化，得到训练样本集；
步骤1.5：使用旋转或翻转的方法对训练样本集进行数据增强。


3.根据权利要求1所述的一种基于CT影像的肺结节自动检测方法，其特征在于，步骤2还包括如下步骤：
步骤2.1：以Darknet-53网络作为骨干网络进行特征提取，自底向上产生三种尺度特征图，分别为特征图Ⅰ、特征图II、特征图Ⅲ；特征图I～III的尺寸依次减半；
步骤2.2：采用特征金字塔自顶向下地对特征图进行卷积操作，并利用上采样操作得到高分辨率的特征图，分别记为特征图Ⅳ、特征图Ⅴ、特征图Ⅵ；
步骤2.3：将特征图Ⅰ、特征图II、特征图Ⅲ与特征图Ⅳ、特征图Ⅴ、特征图Ⅵ分别在特征金字塔层Ⅰ、特征金字塔层II、特征金字塔层Ⅲ上进行拼接，生成三种尺度的新特征图；
步骤2.4在步骤2.3的基础上，根据肺结节实际尺寸范围，对网络结构进行尺度优化，使...

【专利技术属性】
技术研发人员：付冲，马宏峰，徐森，
申请(专利权)人：付冲，马宏峰，
类型：发明
国别省市：辽宁;21