一种基于多任务学习的肺结节假阳性筛查方法技术

一种基于多任务学习的肺结节假阳性筛查方法，包括以下步骤：步骤1、通过CT探测仪获取待检测肺部的初始CT图像，对该三维的初始CT图像进行预处理，得到标准CT影像；步骤2、对标准CT影像进行切片处理，将固定大小的CT切片输入到候选结节检测模型中，获取候选结节；步骤3、将步骤2中获取的候选结节进行阳性结节和假阳性结节标注，并输入到多任务模型中，获得候选结节的良恶性分类以及重建的输入图像；特点是利用计算机辅助检测是利用数字图像、计算机视觉、模式识别等交叉技术，帮助医生完成辅助诊断的工作。借助计算机辅助诊断技术能够快速准确的从CT影像中检测出疑似结节区域，不仅能够减少医生的工作量，同时能够提高阅片的准确率和效率。

【技术实现步骤摘要】
一种基于多任务学习的肺结节假阳性筛查方法
本专利技术涉及肺结节筛查领域，具体涉及一种基于多任务学习的肺结节假阳性筛查方法。
技术介绍
肺癌是目前世界上发病率和死亡率最高的疾病之一，并且随着工业化的进程，以及环境污染等问题不断加剧，肺癌的发病率和死亡率仍在持续上升。相对于其它的癌症，肺癌的生物学特性十分复杂，肺癌早期症状轻微，发病时间短，因此在初期不易被发现，一旦确诊为肺癌中晚期，患者就会错失治疗的最佳时期，而肺癌的早期诊断和治疗通常能够大幅的提高患者的生存率。肺癌早期是以肺结节的形式存在的，伴随着医学影像技术的不断发展，可以从CT影像中清晰的观测到肺部病变组织的位置、形状等特征，而要对肺结节做出明确的诊断，必须进行精细地检查以及全面的分析，若仅通过医生进行人工检查需要消耗大量的时间和精力，巨大的CT影像阅片量使医生的工作强度大幅度上升，且极易引起疲劳，进而导致阅读效率和质量下降，造成一定几率的误诊、漏诊等情况，并且医生在肺结节的诊断中具有一定的主观性。目前现有的肺结节自动检测系统大都是利用传统的机器学习方法以及二维图像的方式，该方式实际操作过程较为复杂，且由于CT序列图像具有三维性质，利用二维CT影像进行检测，通常会遗失一些肺部的空间上下文信息，不同切片上产生的结果不同，也容易导致检测的误差。因此为了提高阅片速度，减轻医生的工作量，提高诊断的客观性，需要一种可有效提高肺结节诊断准确率以及效率的方法。
技术实现思路
本专利技术所要解决的技术问题是：提供一种可有效提高肺结节检查准确率、检测效率且可有效降低医生工作量的基于多任务学习的肺结节假阳性筛查方法。本专利技术解决上述技术问题所采用的技术方案为：一种基于多任务学习的肺结节假阳性筛查方法，具体包括以下步骤：步骤1、通过CT探测仪获取待检测肺部的初始CT图像，对该三维的初始CT图像进行预处理，得到标准CT影像；步骤2、对标准CT影像进行切片处理，将固定大小的CT切片输入到候选结节检测模型中，获取候选结节；步骤3、将步骤2中获取的候选结节进行阳性结节和假阳性结节标注，并输入到多任务模型中，获得候选结节的良恶性分类以及重建的输入图像。更进一步地，步骤1中对三维CT图像进行预处理包括：将肺部影像的HU值截取到区间[-1000,400]，其中CT影像分辨率为1mm，对HU值进行二值化处理得到二值图像，0限定图像像素值为[0，1]之间，获得标准CT影像。更进一步地，步骤2所述的候选结节检测模型通过三维卷积神经网络构建，从标准CT影像中裁剪出尺寸为64*64*64的三维CT切片，并将三维CT切片输入到候选结节检测模型中获得候选结节位置。更进一步地，步骤3中所述的多任务模型包含两个分支：主分支与次分支；所述主分支用于肺结节分类，所述次分支用于图像重构。更进一步地，所述的多任务模型依次间隔排列的卷积层和池化层，所述的卷积层、池化层数量均为3个，所述的主分支包括依次设置的用于候选结节分类的两个全连接层和一个Sigmoid输出层，两个全连接层设置在最后一个池化层的后方；次分支包括依次间隔排列设置的用于重构出和输入图像尺寸相同图像的反池化层和反卷积层，其中反池化层、反卷积层的数量均为3个，所述的次分支设置在最后一个池化层的后方步骤1中，在对初始CT图像进行预处理时主要包含CT影像预处理和数据标注两部分。在预处理时，对收集到的初始CT图像采用三维图像处理方法，使用线性插值统一CT影像的分辨率，并将图像像素归一化，获得适合于输入到神经网络的标准CT影像；数据标注是影像科医生手动完成的，对初始CT图像中的肺结节进行标注，作为训练候选结节检测模型时的标签。在标注结节位置时，使用一个矩形框将结节标注出来，分别记录矩形框的中心点坐标以及宽和高，用做肺结节检测金标准。对结节的良恶性进行标注时，医生根据经验分别标注该结节的良恶性，良性结节标注为0，恶性结节标注为1，用做假阳性筛查的金标准。步骤2中，候选结节检测模型是一个基于二维标准FasterR-CNN网络并将其中二维结构扩展为三维结构的三维FasterR-CNN网络。该候选结节检测模型主要包含输入模块，位置检测模块（RPN检测网络），以及一个输出模块（包含回归层和分类层，其中回归层输出的时肺结节的位置，分类层输出的是肺结节的类型）三个部分。利用三维FasterR-CNN网络构建起候选结节检测模型，从标准CT影像中截取固定大小的三维切片进行训练，由于正样本数量较少，在训练前使用上采样方法以及图像旋转，变换的方法，平衡正负样本的数量。所述三维FasterR-CNN网络的参数包含：输入模型的三维CT切片的大小为64*64*64，模型训练的迭代次数为100，每次迭代的批次为32，学习率为0.01。在确定肺结节位置信息时，还利用极大值抑制（NMS）方法计算不同区域之间的交并比（IoU），保留检测结果中分数最高的窗口，去除冗余的检测框获得最优果。步骤3中肺结节的筛查包含：将步骤2中检测出来的候选结节输入到预先构建的多任务模型中，其中和步骤1中恶性结节的交并比大于0.5的结节视为阳性（恶性）结节，其余为假阳性结节。多任务模型输出结果为该结节是阳性（即性）结节的概率，输出值越大，该结节是恶性结节的概率越大，同时模型还能够重构输入图像。本专利技术使用的多任务模型包含良恶性结节分类和输入图像重构两个分支，其中良恶性结节分类为主分支，输入图像重构作为辅助分支。设置多任务模型的分类误差和重构误差以及优化器，通过梯度下降以及反向传播来优化误差，优化分类误差用于判断每个锚点是否是恶性肺结节，优化重构误差用于重构输入图像。图像重构任务不仅能够帮助主分支任务优化误差，而且能够增加网络的可解释性，是网络能过够更好的学习到恶性结节的特性。与现有技术相比，本专利技术的优点是使用了三维CT影像信息，以及多任务学习方法，并且本专利技术中是将一个固定大小的三维CT切片输入到候选结节检测模型和假阳性筛查模型中，减小了计算资源提高了计算速度，使得检测准确且高效。且本专利技术中使用的是三维FasterR-CNN网络模型和三维多任务模型都能够提取三维图像的深层特征，尤其适合处理基于三维CT图像的肺结节检测。此外，本专利技术首次提出使用多任务模型用于肺结节假阳性筛查中，提高了假阳性结节筛查的灵敏度。本专利技术中使用的候选结节检测模型是FasterR-CNN检测网络，由于肺部CT是扫描图像，具有三维结构，因此肺结节也是三维的结构，应该保持其三维特征，这样有利于结节的检测的结果的准确性。如果只从二维角度出发，在某些切片中肺结节的二维特征可能并不明显，容易被漏检。因此本专利技术将FasterR-CNN网络改为适用于三维图像的三维FasterR-CNN检测网络，不仅可以在候选结节中进行假阳性筛除，还可以输入图像的重构。计算机辅助检测是利用数字图像、计算机视觉、模式识别等交叉技术，帮助医生完成辅助诊断的工作。借助计算机辅助诊断技术能够快速准确的从CT影像中检测出疑似结节区域，不仅能够减少医生的工作量，同时能够提高阅片的准确率和效率。其主本文档来自技高网...

【技术保护点】
1.一种基于多任务学习的肺结节假阳性筛查方法，其特征在于，包括以下步骤：/n步骤1、通过CT探测仪获取待检测肺部的初始CT图像，对该三维的初始CT图像进行预处理，得到标准CT影像；/n步骤2、对标准CT影像进行切片处理，将固定大小的CT切片输入到候选结节检测模型中，获取候选结节；/n步骤3、将步骤2中获取的候选结节进行阳性结节和假阳性结节标注，并输入到多任务模型中，获得候选结节的良恶性分类以及重建的输入图像。/n

【技术特征摘要】
1.一种基于多任务学习的肺结节假阳性筛查方法，其特征在于，包括以下步骤：
步骤1、通过CT探测仪获取待检测肺部的初始CT图像，对该三维的初始CT图像进行预处理，得到标准CT影像；
步骤2、对标准CT影像进行切片处理，将固定大小的CT切片输入到候选结节检测模型中，获取候选结节；
步骤3、将步骤2中获取的候选结节进行阳性结节和假阳性结节标注，并输入到多任务模型中，获得候选结节的良恶性分类以及重建的输入图像。


2.根据权利要求1所述的一种基于多任务学习的肺结节假阳性筛查方法，其特征在于，步骤1中对三维CT图像进行预处理包括：将肺部影像的HU值截取到区间[-1000,400]，其中CT影像分辨率为1mm，对HU值进行二值化处理得到二值图像，限定图像像素值为[0，1]之间，获得标准CT影像。


3.根据权利要求1所述的一种基于多任务学习的肺结节假阳性筛查方法，其特征在于，步骤2所述的...

【专利技术属性】
技术研发人员：李劲鹏，翟鹏华，陶娅玲，
申请(专利权)人：中国科学院大学宁波华美医院，
类型：发明
国别省市：浙江;33