基于神经网络的肺结节筛选方法技术

本发明专利技术公开了一种基于神经网络的肺结节筛选方法，属于神经网络及胸部肺肺结节筛查领域。本发明专利技术能够解决现有的技术由于提取X光中特征时存在有效性差，以及未能有效解决类别不平衡带来的训练问题，并且能够解决由于上述原因导致的所构建出的模型依旧难以真正用于临床的问题。为此，本发明专利技术包括：胸部图像数据的准备；主特征提取网络的构建与训练；交叉带权交叉熵函数的构建AUC性能指标的近似；在线的训练以及特殊情况下的处理；基于弱监督学习的胸部肺结节的定位。部肺结节的定位。部肺结节的定位。

【技术实现步骤摘要】
基于神经网络的肺结节筛选方法


[0001]本专利技术涉及神经网络及胸部肺结节筛查领域，尤其涉及一种基于神经网络的肺结节筛选方法。

技术介绍

[0002]胸片(胸部X
‑
射线成像技术)是一种快速且伤害较小且可以生成胸部内部图像的技术，该技术被广泛用于各种胸部肺结节的筛查，包括心肌肥大、肺炎、肺癌等。临床中，即使是非常有经验的专家依旧需要认真的分析片中的成像，但是由于病患的巨大以及专业医生的稀缺以及地域分布的不均衡，这给广大的病患带来了困扰。通过深度神经网络的方法自动从X光图像中诊断胸部肺结节是一个非常有意义的辅助医疗方式，缓解医疗不均衡，提高临床诊断效率与准确性具有重要意义。
[0003]近年来，由于深度神经网络取得的巨大的成就，并成功应用于各个领域中，包括语音识别，图像识别，人脸检测，自然语言处理以及计算机辅助医疗等领域。在计算机辅助医疗领域，基于人工智的肺结节筛查以及乳腺癌的早筛技术已经日益走进临床实践。如今自动识别胸片中的肺结节也开始慢慢收到大家的关注。使用胸片对肺结节的筛查，相比较于CT，由于胸片的设备简单，出片本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络的肺结节筛选方法，其特征在于，包括如下步骤：步骤1、胸部图像数据的准备；步骤2、主特征提取网络的构建与训练；步骤3、交叉带权交叉熵函数的构建；步骤4、AUC性能指标的近似；步骤5、在线的训练以及特殊情况下的处理；步骤6、基于弱监督学习的胸部肺结节的定位。2.根据权利要求1所述的基于神经网络的肺结节筛选方法，其特征在于，步骤1中，所述胸部图像数据为NIH公开的112120张胸部X光影像数据，包含14种肺结节，其中，每张胸部X光影像数据的原始图像大小为1024*1024。3.根据权利要求1所述的基于神经网络的肺结节筛选方法，其特征在于，步骤2中，使用InceptionV3模型，将InceptionV3模型中最后一层1000个神经元的全连接层替换为包含14个神经元的全连接层，并将其作为构建的主特征提取网络。4.根据权利要求2或3所述的基于神经网络的肺结节筛选方法，其特征在于，在训练主特征提取网络之前：将原始图像修改为299*299的大小；以及，将原始图像转换成三通道的灰度图，且三个通道的灰度图对应的灰度值相同；以及，对原始图像进行增广处理。5.根据权利要求3所述的基于神经网络的肺结节筛选方法，其特征在于，主特征提取网络每一次的预测，网络输出一个14维度向量，向量中为1的位置，表示对应的肺结节是存在的。6.根据权利要求3所述的基于神经网络的肺结节筛选方法，其特征在于，步骤3中，主特征提取网络在训练过程中，通过构建一种交叉带权交叉熵函数来平衡正负样本所产生的误差，具体方法如下：差，具体方法如下：差，具体方法如下：其中，x代表输入样本，f(x)为输入样本x通过现有模型resnet、inception、densenet或Alexnet的输出，在多类别分类任务中，T表示训练batch中样本的数目，c是一个正整数，表示样本x所属类别，K表示包含疾病的类别总数为14；|P|和|N|分别代表训练batch中的正样本与负样本的数目，α
N
和α
P
分别代表负样本与正样本在一个训练batch中所占有的比例，α
N
和α
P
分别加到交叉熵函数的两项中，α
N<...

【专利技术属性】
技术研发人员：章毅，王成弟，郭际香，李为民，徐修远，邵俊，张海仙，李经纬，周尧，宋璐佳，
申请(专利权)人：四川大学，
类型：发明
国别省市：