【技术实现步骤摘要】
一种基于NAS-FPN的肺结节检测方法
[0001] 本专利技术涉及一种肺结节检测方法,特别是基于NAS-FPN的肺结节检测方法,是深度学习中神经网络架构自动搜索技术(Neural Architecture Search,NAS)和一种特征提取金字塔网络(Feature Pyramid Network,FPN)的结合,不同于现在手动设计肺结节检测网络的检测方式,该方法通过一种可以自动搜索扩展的特征金字塔结构(NAS-FPN),用自主学习、自动搜索的方式自动学习出一种肺结节检测网络完成结节检测任务,可以用于更精准的肺CT影像的肺结节检测,并且有效的降低假阳性结节,为肺部计算机辅助诊断系统提供更加精准、可靠的结节图像。
技术介绍
[0002]肺癌是发病率和死亡率增长最快,对人体健康和生命威胁最大的恶性肿瘤之一。肺结节的诊断对于提高肺癌患者的存活率有着重要的作用。尤其是早期的肺癌CT检查,能及时发现并准确判断肺结节,有助于延长肺癌患者的生存时间,并且大幅度降低肺癌的死亡率。然而肺结节筛查工作量大,易遗漏。影像科医生需要阅读大量的肺部CT图像找出结节并作出临床诊断。为了减少医师的工作量并且提高结节诊断的效率,在临床工作中,已经开始使用计算机辅助诊断技术。
[0003]随着电脑硬件的高速发展,在医学领域中,计算机辅助医学诊断的方法更是已经成为医学影像、诊断放射、计算机科学中的重要领域,其中比传统的方法更加优秀的深度学习进入到医学领域后,已经取得了不少优异的成果,但结节数据集相比于自然图像数据集拥有更加复杂的不规则形状、 ...
【技术保护点】
【技术特征摘要】
1.一种基于NAS-FPN的肺结节检测方法,其特征在于:深度学习中神经网络架构自动搜索技术(Neural Architecture Search,NAS)和特征提取金字塔网络(Feature Pyramid Network,FPN)的结合,不同于现在手动设计肺结节检测网络的检测方式,该方法通过一种可以自动搜索扩展的特征金字塔结构(NAS-FPN),用自主学习、自动搜索的方式自动学习出一种肺结节检测网络完成结节检测任务,可以用于更精准的肺CT影像的肺结节检测,并且有效的降低假阳性结节,为肺部计算机辅助诊断系统提供更加精准、可靠的结节图像;本发明提出的检测框架由三部分组成,特征提取部分(Resnet部分),NAS-FPN部分(Resnet部分层特征),FCN部分(分类和回归);首先,先用自下而上Resnet50做特征提取,多个FPN组合构成NAS-FPN,构成自上而下横向连接;自底而上的路径通常是特征提取的卷积网络,自底而上,空间分辨率递减,检测更多的高层结构,网络层语义相应增加,所以一般情况下,低层的分辨率高,但是语义值不够高,目标检测时,不使用这些层,而自上而下的路径,基于语义丰富层构建的分辨率较高的层,尽管重建语义足够丰富,但是经过这些下采样和上采样过程,目标位置就不再准确了,因此在重建层和相应的特征映射间增加横向连接,可以帮助检测器更好的预测位置,并且同时起到了跳跃连接的作用;用NAS自动搜索FPN的NAS-FPN结节检测方法,使FPN网络能够的检测到图像的小结节并确定结节位置,改变了手动设计检测网路的局面,得到更为精准的检测结果通过强化学习控制器在给定的空间搜索出最优的模型框架,由于不知道FPN的跨连接情况,我们设计的针对肺结节检测的NAS-FPN检测网络采用递归神经网络RNN为控制器,用于构建不同的连接,控制器通过子模型在搜索空间中的准确度作为评价标准来更新参数。2.根据权利要求1所述的一种基于NAS-FPN的肺结节检测方法,其特征在于:一种基于NAS-FPN的肺结节检测方法的具体包括以下步骤:Step 1:为NAS-FPN模型设置所使用的特征提取网络,用该特征提取网络对肺CT图像进行特征提取,建立自底而上的金字塔特征层;Step 2:为步骤一提取的金字塔结构建立横向特征层连接,用循环神经网络(RNN)建立NAS的控制器把并用准确度作为奖励方式,通过NAS自动控制横向扩展金字塔结构的数量,直至检测的网络的准确度不在增加,控制器自动停止网络的搜索学习;Step 3:用FCN网路对检测到的肺结节的候选框进行最终的筛选,在原始图像上进行结节定位,并输出最终的检测结果;所述Step 1中的具体过程如下:Step 1.1:NAS-FPN模型选取用的特征提取网络,并应于肺CT图像上进行特征提取Step1.1.1:选择ResNet-50 为特征提取网络;Step1.1.2:按照特征图提取顺序建立自底而上的特征提取网络;Step1.1.3:对特征网络进行筛选抽样,抽取一部分特征层用于横向连接,为下面的步骤做准备;Step 1.2:特征提取的数据集来自Luna16数据集,数据集在训练之前进行预处理,预处理的步骤在下面会进行介绍所述Step 2中的具体过程如下:Step 2.1:首先对数据集进行预处...
【专利技术属性】
技术研发人员:王昕,王伟博,韩优佳,刘爽,周长才,
申请(专利权)人:长春工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。