一种基于深度学习3D目标检测的肺部CT图像识别方法技术

本发明专利技术涉及一种基于深度学习3D目标检测的肺部CT图像识别方法，包括以下步骤：S1：CT图像预处理；S2：生成图像样本，构建设定尺寸数据块的训练集；S3：构建3D目标检测模型；S4：训练3D目标检测模型；S5：利用训练好的3D目标检测模型，检测得到待识别物的坐标和尺寸，与现有技术相比，本发明专利技术具有假阳性率低、对数据噪音容忍性好且模型鲁棒性强等优点。

A lung CT image recognition method based on deep learning 3D target detection

【技术实现步骤摘要】
一种基于深度学习3D目标检测的肺部CT图像识别方法
本专利技术涉及计算机图像处理
，尤其是涉及一种基于深度学习3D目标检测的肺部CT图像识别方法。
技术介绍
随着大数据时代的到来，各医院中产生了海量的肺部CT图像数据，对这些肺部CT图像的筛查处理，可以实现对肺部异常的检测识别，以肺结节的检测为例，检测肺结节可以辅助早期肺癌的发现，利用医院数据库中的肺部CT图像数据，可以通过基于深度学习的图像处理，筛查出结果为阳性的CT图像，通过筛查，可以确定哪些样本需要采取其他医疗手段进行后续肺癌的确诊及治疗。传统肺部CT图像识别算法的候选区提取算法有几类，一类是基于阈值简单寻找图像中所有高CT值区域，但是由于肺部包含大量血管、气管等其他组织，这种做法会大大提高候选区数量，从而降低算法整体的效率和准确率，另一类方法基于待识别物的形态学特征，但是这类方法往往会漏检具有非常规形状的待识别物，以肺结节检测为例，虽然大部分肺结节为圆形，但仍会存在具有空洞、毛刺、磨玻璃结构的肺结节，且这类结节具有比较高的恶性风险，所以这样的漏检必须避免。第三种方法是基于深本文档来自技高网...

【技术保护点】
1.一种基于深度学习3D目标检测的肺部CT图像识别方法，其特征在于，包括以下步骤：/nS1：CT图像预处理；/nS2：生成图像样本，构建设定尺寸数据块的训练集；/nS3：构建3D目标检测模型；/nS4：训练3D目标检测模型；/nS5：利用训练好的3D目标检测模型，识别CT图像中是否存在待识别物，若存在，则输出待识别物的坐标和尺寸。/n

【技术特征摘要】
1.一种基于深度学习3D目标检测的肺部CT图像识别方法，其特征在于，包括以下步骤：
S1：CT图像预处理；
S2：生成图像样本，构建设定尺寸数据块的训练集；
S3：构建3D目标检测模型；
S4：训练3D目标检测模型；
S5：利用训练好的3D目标检测模型，识别CT图像中是否存在待识别物，若存在，则输出待识别物的坐标和尺寸。


2.根据权利要求1所述的一种基于深度学习3D目标检测的肺部CT图像识别方法，其特征在于，所述的步骤S2具体包括：
S201：提取预处理过后的CT图像；
S202：以待识别物为中心，在平面上选取设定尺寸大小，在厚度上选取设定层数；
S203：将超过肺部区域部分的骨质HU值补全为180，图像样本；
S204：选取80％的正样本和20％负样本，所述的正样本为至少包含一个待识别物的图像样本，所述的空样本为正常的图像样本；
S205：对包含不同尺寸的待识别物图像样本，按照相同的比例进行采样，得到数据块，并进行归一化操作，得到包含设定尺寸数据块的训练集。


3.根据权利要求1所述的一种基于深度学习3D目标检测的肺部CT图像识别方法，其特征在于，所述的步骤S3具体包括：
S301：构建编码器中的widegroupattentionblock聚合块；
S302：构建编码器；
S303：构建解码器；
S304：构建filterRPN模块；
S305：构建RPN模块。


4.根据权利要求3所述的一种基于深度学习3D目标检测的肺部CT图像识别方法，其特征在于，所述的widegroupattentionblock聚合块中，各分组之间采用不同的膨胀卷积率。


5.根据权利要求3所述的一种基于深度学习3D目标检测的肺部CT图像识别方法，其特征在于，所述的解码器和编码器之间的侧连接为级联。


6.根据权利要求3所述的一种基于深度学习3D目标检测的肺部CT图像识别方法，其特征在于，所述的步骤S4具体包括：
S401：生成filterRPN模块的标签值，以待识别物位置为圆心，并以待识别物直径的0.8倍为半径，在3D层面构建一个球体，球内像素点设为1，球外像素点设为0。
S402：构建损失函数；
S403：预训练设定轮次后，使用步骤S302中构建的编码器进行训练；
S404：训练达到设定轮次后，计算最后设定个数轮次的参...

【专利技术属性】
技术研发人员：张文强，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31