一种基于深度学习的CT图像肺结节快速筛查方法技术

本发明专利技术提供了一种基于深度学习的CT图像肺结节快速筛查方法，涉及CT图像处理技术领域，包括CT图像的预处理、分类模型的构建、分类网络的训练数据准备、分类网络的测试数据准备并预测、分割模型的数据准备和分割模型的构建；其中构建至少一个二分类网络，分类网络输入是三维图像，输出是包含肺结节的概率。分类网络的训练数据是将图像切割成小尺寸图像；分类网络预测时，需要将切割后的图像输入至分类网络中进行预测，根据该阈值筛选图像，去除包含结节的概率小于该阈值的切割后的图像；测试数据是最后一个网络中包含肺结节概率较大的图像。而分割模型输出是肺结节的mask。本发明专利技术可以提高肺结节的检出率，同时减少检出肺结节所花费的时间。

A rapid lung nodule screening method based on deep learning in CT images

【技术实现步骤摘要】
一种基于深度学习的CT图像肺结节快速筛查方法
本专利技术涉及一种基于深度学习的CT图像肺结节快速筛查方法，属于CT图像处理

技术介绍
肺癌是常见的恶性肿瘤，因此早期发现和治疗至关重要，判断肺部是否存在肺结节是早期预防肺癌的有效方法。如果所有的CT图像都是由医生进行筛查是否存在肺结节，那医生的工作量就会很大，而且很容易导致漏诊或误诊。计算机辅助诊断系统可以利用机器学习的方法对肺部CT图像进行处理，最终对肺部CT图像中的肺结节进行筛查。这样不仅可以大大地减轻医生的阅片压力，也可以为医生提供判别肺结节的意见，对肺癌的诊断有着重要的意义。目前的CT图像中肺结节的自动识别和检测技术中，主要是利用卷积神经网络来提取图像的特征，从而检测出图像中的肺结节。但是肺部区域包含很多类似结节的生理结构，比如肺部血管，而且肺结节的大小、形状和类型又有很多种，所以肺结节检测结果中假阳性较高。现在一般的肺结节筛查方法充分利用了分割效果较好的Unet网络和特征提取效果较好的ResNet，分割网络Unet在肺结节筛查中主要是计算出疑似结节的掩膜(mask)，进而判断结节的具体位置，而分类网络ResNet是提取图像中某个区域的特征，进行判断是否包含肺结节。现在常用方法的具体过程为：首先将三维CT图像切割为小尺寸的图像，然后用分割网络计算疑似结节的mask，从而确定了结节的具体位置，然后再以疑似结节为中心切割为小尺寸图像，利用分类网络(一个二分类网络)，判断该小尺寸图像中是否存在结节，即去除假阳性结节。但上述方法主要存在以下问题：(1)分割网络需要对整个图像进行随机切割，如果切割后的图像尺寸比较大，就会导致网络参数比较多，训练比较慢；如果切割后的图像尺寸比较小，就需要对更多的小尺寸图像进行预测，大大加长检出时间，导致时间浪费。(2)如果切割后的图像比较大，而结节的比较小，利用分割网络就无法准确给出结节的mask，而且会导致分割模型训练起来比较慢。换而言之，现有技术先利用分割网络找出所有疑似肺结节，再利用一个二分类网络去除假阳性结节。导致分割网络需要处理较大尺寸的图像，而且肺结节占比较小，标记的肺结节mask不太准确。而且利用分割网络找出所有疑似肺结节，会存在大量的假阳性结节。基于此，做出本申请。
技术实现思路
为了解决现有技术中存在的上述缺陷，本专利技术提供了一种基于深度学习的CT图像肺结节快速筛查方法，可以提高肺结节的检出率，同时减少检出肺结节所花费的时间。为了实现上述目的，充分利用分类网络的特性，找出包含结节概率比较大的区域，本专利技术采取的技术方案具体如下：(1)CT图像的预处理：原始的肺部CT图像都是三维图像，首先，根据肺部窗宽和窗位对所有的三维CT图像进行归一化。(2)分类模型的构建：分类网络主要是判别给定区域包含肺结节的概率，所以要构建一个二分类网络，输入是三维的图像，输出是包含肺结节的概率，分类模型可以采用效果比较好的ResNet、Vgg和Inception等网络。为了逐步筛选出包含肺结节的区域，本专利技术可以利用多个分类网络。(3)分类网络的训练数据准备：训练数据有结节的具体信息，可以根据结节的位置，切割出正样本数据和负样本数据。包含肺结节的小尺寸三维图像作为正样本，不包含肺结节的小尺寸三维图像作为负样本。每个分类网络的训练图像尺寸都不一样，具体切割图像的尺寸，要根据分类网络的个数去设置。(4)分类网络的测试数据准备并预测：第一个分类网络的测试数据是将整个三维CT图像切割为小尺寸图像，直接可以利用分类网络进行预测，计算出小尺寸图像有肺结节的概率。后面的分类网络输入图像，是对上一个网络测试结果中包含肺结节概率大于阈值的图像进一步切割得到的，保证每个分类网络的测试数据尺寸要与训练时候保持一致。分类网络针对不同尺寸的图像进行训练和预测，最终确定了整个图像中包含肺结节概率较大的区域。虽然分类网络能找出包含肺结节概率较大的区域，但是无法给出肺结节在该区域中的具体位置信息，所以需要分割模型，计算出区域内肺结节的mask，进而得到肺结节的位置信息。分割模型的具体过程如下：(6)分割模型的数据准备：训练数据是包含肺结节的图像，尺寸与最后一个分类网络输入图像的尺寸一致，图像包含由专家标记的肺结节的mask作为标签。测试数据是最后一个网络中包含肺结节概率较大的图像。(7)分割模型的构建：分割模型主要是用来标记区域内肺结节的mask，从而给出肺结节的位置信息，所以要构建一个输入数据是三维图像的分割模型，输出是肺结节的mask，可以采用Unet、nnUnet和ResUnet等网络。本专利技术的原理：本专利技术基于深度学习方法，充分利用分割网络和分类网络的特性，首先，利用多个分类网络筛选出整个CT图像中含有肺结节概率大于某一阈值的小区域，然后，再利用分割网络标记出小区域内肺结节的mask，从而得到整个图像的肺结节位置。分类网络中用来筛选区域的阈值要根据具体的预测结果设定，为了不遗漏肺结节，阈值要逐渐增大。本专利技术的有益技术效果：(1)由于利用多个分类网络筛选有肺结节的区域，提高了肺结节的检出率，同时也降低了假阳性率。(2)由于整个CT图像中肺结节区域占整个图像的比率较小，通过分类网络可以快速过滤掉包含肺结节概率较小的区域，主要分析包含肺结节概率较大的区域，从而提高了肺结节的筛查效率。(3)由于分割网络处理的图像尺寸比较小(肺结节区域占整个图像的比率较小)，可以更加精确标记肺结节。附图说明图1为本实施例一种基于深度学习的CT图像肺结节快速筛查方法的流程图；图2为本专利技术分类网络ResNet的结构图；图3为本专利技术的分割网络Unet的结构图；图4为本专利技术的肺结节筛查方法预测示意图。具体实施方式为了使本专利技术的技术手段及其所能达到的技术效果，能够更清楚更完善的披露，兹提供了以下实施例，并结合附图作如下详细说明：本专利技术在此提出了一种基于深度学习的CT图像肺结节快速筛查方法，系统主要有两部分构成：利用多个分类网络找出包含肺结节概率较高的区域，利用分割网络计算出肺结节的mask，进而确定肺结节的具体位置。为了能清晰地描述本专利技术，下述所描述的实施例中，只采用了两个分类模型，但是本专利技术不限于只使用两个分类模型。图1是本专利技术提出的一种基于深度学习的CT图像肺结节快速筛查方法中，只采用了两个分类模型的整体工作流程示意图，下面结合流程示意图对本专利技术的具体实施过程进行详细说明。步骤S101：图像数据预处理预处理主要是对图像数据进行相应的变换，原始地肺部CT图像都是100-600层的512×512大小的图像，根据窗宽和窗位对图像进行归一化，把图像的体素值都转到[0,1]，为了提高模型的泛化能力，在训练数据中进行数据增强。步骤S102：准备分类模型一的数据因为原始CT图像的尺寸比较大，不能全部输入到模型中进行训练，而且对于体积比较小的肺结节在大尺寸图本文档来自技高网...

【技术保护点】
1.一种基于深度学习的CT图像肺结节快速筛查方法，包括如下步骤：/n（1）CT图像的预处理：根据窗宽和窗位对原始三维图像进行归一化；/n（2）分类模型的构建：构建至少一个二分类网络，输入是三维图像，输出是包含肺结节的概率；/n（3）分类网络的训练数据准备：训练数据包含结节的具体信息，将图像切割成小尺寸图像；/n（4）分类网络的测试数据准备并预测：将切割后的图像输入至分类网络中进行预测，给定阈值，根据该阈值筛选图像，去除包含结节的概率小于该阈值的切割后的图像；/n（5）分割模型的数据准备：训练数据包含肺结节的图像，尺寸与最后一个分类网络输入图像的尺寸一致，图像包含肺结节的mask作为标签；测试数据是最后一个网络中包含肺结节概率较大的图像；/n（6）分割模型的构建：构建一个输入是三维图像，输出是肺结节的mask的分割模型。/n

【技术特征摘要】
1.一种基于深度学习的CT图像肺结节快速筛查方法，包括如下步骤：
（1）CT图像的预处理：根据窗宽和窗位对原始三维图像进行归一化；
（2）分类模型的构建：构建至少一个二分类网络，输入是三维图像，输出是包含肺结节的概率；
（3）分类网络的训练数据准备：训练数据包含结节的具体信息，将图像切割成小尺寸图像；
（4）分类网络的测试数据准备并预测：将切割后的图像输入至分类网络中进行预测，给定阈值，根据该阈值筛选图像，去除包含结节的概率小于该阈值的切割后的图像；
（5）分割模型的数据准备：训练数据包含肺结节的图像，尺寸与最后一个分类网络输入图像的尺寸一致，图像包含肺结节的mask作为标签；测试数据是最后一个网络中包含肺结节概率较大的图像；
（6）分割模型的构建：构建一个输入是三维图像，输出是肺结节的mask的分割模型。


2.如权利要求1所述的一种基于深度学习的CT图像肺结节快速筛查方法，其特征在于：...

【专利技术属性】
技术研发人员：李辉，叶宏伟，
申请(专利权)人：浙江明峰智能医疗科技有限公司，
类型：发明
国别省市：浙江;33