一种基于自校正卷积与通道注意力机制的肺结节检测方法技术

本发明专利技术公开了一种基于自校正卷积与通道注意力机制的肺结节检测方法，该检测方法建立集成了u

【技术实现步骤摘要】
一种基于自校正卷积与通道注意力机制的肺结节检测方法


[0001]本专利技术属于医疗图像处理
，具体是一种基于自校正卷积与通道注意力机制的肺结节检测方法。

技术介绍

[0002]肺癌是我国常见的恶性肿瘤之一，死亡率高居所有恶性肿瘤之首。肺结节是肺癌的早期形态，因此使用低剂量计算机断层扫描(computed tomography，CT)技术尽早检测肺结节，能在很大程度上帮助发现早期肺癌。然而，由于CT是断层图像，通常一个病例的全肺CT包含200-500张图像。要从如此多图像中识别微小的肺部结节并分辨是良性病变还是恶性肿瘤或是其它的肺部病变，对影像诊断医师的体力及脑力都是巨大的挑战。因此为了减少医师的工作量并且提高肺结节诊断的效率，在临床工作中，开始使用一些计算机辅助诊断(computer aided detection，CAD)技术。
[0003]由于传统的计算机辅助诊断技术存在很多问题，如缺少统一的分割算法并且分割效果不够精准，结节检测结果假阳性高，对于微小结节容易漏检，无法进行自我学习。但是，基于深度学习的计算机辅助诊断技术，不仅可以提高读片的速度和准确度，而且可以进行自我学习，从而不断地优化读片的效果，因此基于深度学习的计算机辅助诊断技术现已被越来越多地应用于肺结节的诊断中。
[0004]由于临床标记的肺结节图像数据少，算机断层扫描(CT)影像中肺结节尺寸变化较大、尺寸小且不规则等特点，深度学习技术还存在一定的局限性，肺结节检测中存在的检测敏感度较低，且存在大量假阳性的问题都有待解决。
>
技术实现思路

[0005]本专利技术目的在于克服现有技术所存在的不足，提供了一种基于自校正卷积与通道注意力机制的肺结节检测方法，该检测方法对不同尺度、不同形态的肺结节均具有良好的识别效果，同时也可以准确识别出各种假阳性结节，同时，针对LUNA16数据集正负样本失衡问题，引入DR Loss作为本算法的分类损失函数，将分类问题转换为排序问题，从而平衡数据集中的正负样本。
[0006]本专利技术涉及到的基础原理：
[0007]1.SC Conv模块：SC Conv将一个标准卷积拆成四个小卷积进行特征提取，大幅的提升了输出特征的感受野，可做到仅考虑空域位置的信息，避免考虑不感兴趣的区域信息，同时还可以编码多尺度特征信息，增加了特征的信息提取能力，考虑到了通道间的信息和局部信息的增强。自校准卷积模块的优势在于空间上的每一个点都有附近区域的信息和通道上的交互信息，同时也避免了整个全局信息中无关区域的干扰。滤波器集合K的形状(C,C,k
h
,k
w
)，将其均匀的拆分成四份。拆分后的滤波器集合称之为首先，将输入X均匀划分为{X1，X2}，分别经过不同的处理操作；然后，将X1送入到第一分支(该分支为自矫正分支)，将X2送入第二分支(该分支为常规卷积变换分支)；最后，将处理后的特征拼接作为输
出。在自矫正分支，对于输入X1依次对其进行均值下采样Down、卷积特征变换K2、双线性上采样U
P
，采样率设为r，然后再与输入相加通过sigmoid函数σ得到空域层面的注意力特征图，并将所得空域注意力图与经过卷积特征变换K3的X1进行融合。该过程可以描述为：
[0008]最后将前面所得特征Y
’1采用K4进行特征变换Y1＝F4(Y
’1)＝Y
’1*K4得到该分支的输出。
[0009]2.ECA模块：ECA可以通过大小为k的快速一维卷积来有效地实现，有多个相邻位置参与一个通道的注意预测。ECA结构主要包含三个部分：首先，利用全局平均池化操作将输入各特征通道压缩成一个具有全局响应的实数，输出维度与输入特征图的数目相同，这一步骤被称为挤压操作,，将H
×
W
×
C的输入转换成1
×1×
C的输出；其次，自适应地判断卷积核大小k，然后执行1D卷积，后面跟着一个Sigmoid函数来学习通道注意力，实现激励操作；最后，将得到的特征权重值加权到输入的特征通道上，从而实现特征图的重标定，完成scale操作。内核大小k通过通道维数C确定：
[0010]式中：|t|
odd
表示最近的奇数t，γ＝2，b＝1。
[0011]3.DR Loss将分类问题转化为置信度排序问题，选取正负样本中最具代表性的样本来参与排序，以此解决不平衡问题。DR Loss分类损失函数定义为：式中：分别代表正样本和负样本的置信度；为了确保正样本和负样本能够分开，设置γ＝0.5；为了平滑整个曲线，加入了逻辑斯谛回归损失(logistic Loss)：L用于控制损失函数的平滑性，此处设置为6。
[0012]本专利技术解决所述技术问题的技术方案是，设计一种基于自校正卷积与通道注意力机制的肺结节检测方法，该检测方法包括如下步骤：
[0013]S1：对LUNA16数据集中的图像数据进行预处理，然后将经过预处理的图像数据集划分为训练集、验证集和测试集，比例设置为6：1：3，根据比例随机选择归入三个数据集中；
[0014]S2：建立集成自校正卷积模块与有效通道注意力模块的肺结节检测网络；
[0015]S3：利用训练集对S3中构建的肺结节检测网络进行训练，根据损失函数，训练检测网络模型的参数，得到训练好的检测网络模型；然后将验证集输入到训练好的检测网络模型，检验检测网络模型的性能；
[0016]S4：将测试集输入到S3中的训练好的检测网络模型中，得到肺结节位置检测结果。
[0017]与现有技术相比，本专利技术有益效果在于：本专利技术检测方法建立集成了u-net型的编码器-解码器网络的肺结节检测网络，编码器逐渐减少池化层的空间维度，解码器逐步修复物体的细节和空间维度，并在编码器和解码器之间建立跳跃连接，帮助解码器更好地修复目标的细节。损失函数的值由分类损失和回归损失两部分组成，解决了LUNA16数据集正例样本(真结节)与负例样本(假阳性结节)的数量比失衡的问题。本专利技术检测方法可以对各种
不同尺度、不同形态的肺结节均具有良好的识别效果，同时也可以准确识别出各种假阳性结节，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，解决不同尺度、不同形态的肺结节识别困难的问题。
附图说明
[0018]图1为本专利技术检测方法一种实施例的步骤流程图；
[0019]图2为本专利技术检测方法一种实施例的肺结节检测方法示意图；
[0020]图3为本专利技术检测方法一种实施例的ECA-SC模块结构示意图；
[0021]图4为本专利技术检测方法一种实施例的基于ECA-SC模块的肺结节检测网络结构示意图；
[0022]图5为采用本专利技术检测方法得到的同一个肺中的结节切片可视化结果示例(图中白色矩形框圈住的区域为检测出的肺结节)。
具体实施方式
[0023]以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自校正卷积与通道注意力机制的肺结节检测方法，其特征在于，该检测方法包括以下步骤：S1：对LUNA16数据集中的图像数据进行预处理，然后将经过预处理的图像数据集划分为训练集、验证集和测试集，比例设置为6：1：3，根据比例随机选择归入三个数据集中；S2：建立集成自校正卷积模块与有效通道注意力模块的肺结节检测网络；所述肺结节检测网络基于ECA-SC模块，所述ECA-SC模块包括一个SC Conv模块和一个ECA模块，输入X通过SC Conv模块处理后再通过ECA模块处理，然后将输入X与ECA模块的输出采用残差学习方式进行连接并通过Relu激活函数,将通过激活函数后的结果作为ECA-SC模块的输出；所述肺结节检测网络包括：网络预处理单元、第一组ECA-SC模块、第一最大池化层、第二组ECA-SC模块、第二最大池化层、第三组ECA-SC模块、第三最大池化层、第四组ECA-SC模块、第四最大池化层、第一反卷积层、第五组ECA-SC模块、第二反卷积层、第六组ECA-SC模块、第一组1
×1×
1卷积单元与dropout层、第二组1
×1×
1卷积单元；所述网络预处理单元为两个3
×3×
3、步长为1的卷积层，检测网络的输入为96
×
96
×
96的立方体，里面包含已标记的结节；检测网络的输入经过网络预处理单元处理后得到第一输出特征，第一输出特征依次经过第一组ECA-SC模块、第一最大池化层处理后得到第二输出特征；第二输出特征依次经过第二组ECA-SC模块、第二最大池化层处理后得到第三输出特征，第三输出特征依次经过第三组ECA-SC模块、第三最大池化层处理后得到第四输出特征；第四输出特征依次经过第四组ECA-SC模块、第四最大池化层处理后得到第五输出特征，第五输出特征经过第一反卷积层处理并与第四输出特征进行特征串联之后得到第六输出特征，第六输出特征依次经过第五组ECA-SC模块、第二反卷积层处理之后与第三输出特征进行特征串联后得到第七输出特征；第七输出特征经过第六组ECA-SC模块处理后，得到第八输出特征；第八输出特征依次经过第一组1
×1×
1卷积单元与dropout层、第二组1
×1×
1卷积单元处理后，得到检测网络的输出；S3：利用训练集对S3中构建的肺结节检测网络进行训练，根据损失函数，训练检测网络模型的参数，得到训练好的检测网络模型；然后将验证集输入到训练好的检测网络模型，测试检测网络模型的性能；S4：将测试集输入到S3中的训练好的检测网络模型中，得到肺结节位置检测结果。2.根据权利要求1所述的一种基于自校正卷积与通道注意力机制的肺结节检测方法，其特征在于，所述S1中的预处理包括以下四个分步骤：S11:加载LUNA16数据集中的图像数据和掩码，掩码是与CT图像同样大小的三维图像，区别在于掩码只有两种值，3和4，3代表左肺，4代表右肺；S12:采用阈值化方法求取掩码的边界，即非零部分的边缘；所述阈值化方法采取的阈值为-600，过滤水、空气，剩下的部分进行膨胀处理，将肺部内部的小孔洞填上；掩码经过上述处理，生成mask；S13：将LUNA16数据集中的图像数据截取至-1200～600，此范围外的图像数据置为-1200或600，然后再归一化至0～255，之后再对每张图像数据加载mask；S14：读取每张图像数据的标签信息，将标签信息中的世界坐标转换为体素坐标，然后对其应用新的分辨率，将加载mask之后的带有体素坐标的并应用了新分辨率的图像数据以.npy格式存储，即得经过预处理的图像数据集。
3.根据权利要求1所述的一种基于自校正卷积与通道注意力机制的肺结节检测方法，其特征在于，所述每一组ECA-SC模块均包含两个ECA-SC模块，两个ECA-SC模块之间为串联连接，将第一个ECA-SC模块的输出作为第二...

【专利技术属性】
技术研发人员：袁金丽，赵琳琳，郭志涛，苏逸，卢成刚，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：