一种基于双路三维卷积神经网络的肺结节检测方法技术

本发明专利技术提供了一种基于双路三维卷积神经网络的肺结节检测方法，其发明专利技术内容主要包括：(1)对肺部CT数据进行预处理，得到候选肺结节数据；(2)对预处理数据进行数据增强，得到样本数据集；(3)将样本数据集按照比例划分为训练集和测试集，将训练集利用定义的双路三维卷积神经网络结构进行训练，再将测试集输入训练后的网络模型中检测，输出肺结节检测结果。本发明专利技术是通过将CT肺部影像自动分割后，提取肺结节区域并利用双路三维卷积的神经网络建模，对候选肺结节区域进行检测，并且相较于其他方法提高了结节检测的召回率和平均准确率。高了结节检测的召回率和平均准确率。

【技术实现步骤摘要】
一种基于双路三维卷积神经网络的肺结节检测方法


[0001]本专利技术属于医学图像处理
，具体涉及一种基于双路三维卷积神经网络的肺结节检测方法。

技术介绍

[0002]肺癌是中国发病率和死亡率都很高的一种常见的致命性恶性肿瘤。大部分的肺癌患者被发现时已经处于中晚期，这给治疗带来了极大的困难。局限于现有临床医疗水平，目前公认的应对肺癌最好的解决办法仍然是在肺癌早期迅速发现并尽早治疗。早期的肺癌大多数无明显症状，常常以肺结节的形式表现。肺结节的及早发现和治疗能极大提高肺癌患者的生存率，而CT医学图像是医生诊断肺结节的主要依据。传统的诊断模式是医生通过CT影像对肺结节进行分析和辨别。但是由于病人的CT影像通常包括200
‑
300张的影像层面图像，人工发现和分析肺结节费时费力，而且易因疲劳等因素产生漏诊。近年来，由于深度学习在图像识别中的广泛应用，采用卷积神经网络模型对肺结节可以进行快速的定位和分割，大大加快了辅助临床应用。
[0003]随着深度学习在图像处理领域的发展，大数据驱动的深度学习应用于肺结节诊断中，对于缓解医疗资源有重大意义。神经网络可以从数据本身出发，主动学习CT数据的抽象特征，比起手工提取特定特征更能表征数据本身。因此，基于卷积神经网络(CNN)的技术也成为了肺结节检测方法的主流。目前，大部分的神经网络模型识别肺结节一般采用图像的识别方法，将每张CT图像作为单独的图像即通过网络模型提取CT图像中的2D特征作为肺结节检测的依据。但是在2D特征中，肺部的血管、支气管等组织和肺结节很相似，从而不利于肺结节的检测。而CT数据本质上有3D的结构，是由一系列切片构成的，并且在3D空间中肺结节的形状与球体相近，而血管和支气管等组织会呈现树状结构，有明显区别。因此，将3D特征应用在肺结节检测中逐渐成为CT图像研究的主流。
[0004]传统的肺结节检测方法可以分为两步：第一步，寻找疑似结节区域，主要目的是尽可能地找出所有包含结节的疑似区域，主要采用阈值法和分割算法完成；第二步，对疑似区域进行筛选，主要步骤是建立分类器对待筛选区域进行特征提取，然后将特征输入分类器，由分类器鉴别是否是结节。而基于深度学习的肺结节检测最常见的是两阶段的方法，首先对原始CT图像做候选检测，提取候选目标；其次对候选目标进行二分类，并进行位置的回归，如基于区域的卷积神经网络(Region
‑
based Convolutional Neural Network，RCNN)系列的算法。不过，这种方式下也存在肺结节假阳性比较多等问题，较多的假阳性增加了医生判断肺结节的时间和准确性。所以，为了提高检测系统的可用性，降低假阳性，设计一个快速高效的肺结节检测方法具有现实意义。

技术实现思路

[0005]有鉴于此，本公开实例提供了一种基于双路三维卷积神经网络的肺结节检测方法，该方法采用双路神经网络从3D肺部CT数据中学习隐含的特征。针对RCNN系列假阳性高
的问题，本专利技术提出了一种基于MobileNet v2和密集连接网络(DenseNet)的双路网络结构。MobileNet v2的结构使得网络通过不同维度进行特征提取，同时使用深度可分离卷积降低卷积的时间和空间复杂度，能将不同尺寸的肺结节较好识别。密集连接网络使得网络能更好的进行特征重用，提高了训练的效率。将两个网络结合起来，将预处理过并进行数据增强的CT数据输入定义好的网络结构，输出检测到的节点位置、直径和是否是节点的概率，通过计算分类和回归损失，利用反向传播算法对整个网络的参数进行更新，这样就得到了一个具有高召回率和平均准确率的肺结节检测系统。
[0006]主要包括以下步骤：
[0007]1.对肺部CT数据进行预处理，得到候选肺结节数据
[0008]CT图像中给定的标签是相对整个图像的坐标，单位是毫米，采用如下公示将图像坐标体系转化为体素坐标体系：
[0009][0010]其中，worldCoord和origin分别为图像坐标系中的坐标值和原点，spacing为图像坐标系中的原点，voxelCoord表示体素坐标。
[0011]对于每组数据每个CT切片，通过掩码求边界，并统一分辨率；接着对数据进行归一化，范围是0～255；然后对掩码进行膨胀操作，修复肺实质内外轮廓以及降噪；最后转换城体素坐标后对数据进行存储，以方便网络模型的后续训练。
[0012]2.对预处理数据进行数据增强，得到样本数据集。
[0013]为了增强网络模型的泛化能力，对用于训练模型的数据进行增强是必要的。同时由于CT图像数据过大，考虑到训练模型的复杂性所以将整个图像数据切分成大小固定的正方体作为网络模型的输入。在此基础上，数据的增强主要包括以下子步骤：
[0014]1)预处理后肺部数据形成长方体块，填充为正方体后，在一定比例内缩放翻转；
[0015]2)根据CT影像中肺结节位置切割固定大小的正方体制作训练样本。样本分为两部分，第一部分，样本中肺结节在正方体随机位置；第二部分肺结节大致在中心，部分样本经过缩小或放大肺结节后恢复样本大小。
[0016]3)训练集合中对应样本根据肺结节直径设置数量，对大节点进行过采样。
[0017]通过采样、旋转、裁剪和缩放等操作将数据进行增强，有利于提高网络的性能，降低模型训练难度。
[0018]3.将样本数据集按照比例划分为训练集和测试集，将训练集利用定义的双路三维卷积神经网络结构进行训练，再将测试集输入训练后的网络模型中检测，输出肺结节检测结果。
[0019]本网络是基于3D双路径块和U
‑
net编码器解码器结构设计了一个3D Faster R
‑
CNN来有效的学习潜在特征。首先，输入的数据经过一个卷积层、批规范化层和激活函数LeakyReLU，增加特征图的数量准备进行特征提取。接着数据进入特征提取网络，数据输入连续进入四个双路径块(DP Block)，之后的输出结果进行一次上采样、批规范化和激活函数ReLU后输出结果和DP Block3经过拼接操作后进入第五个双路径块DP Block5，之后再经过一次上采样、批规范化和激活函数ReLU，将当前输出结果、DP Block2的输出结果和标签数据坐标拼接后作为DP Block6的输入，最后的输出经过Dropout层得到最后肺结节的预测
结果。Dropout层是为了防止网络模型出现过拟合。
[0020]其中，每个DP Block均是由两部分卷积构成，第一部分是一个类似ResNet的残差块和DenseNet的融合结构。一般残差块内部输入经过压缩通道数量之后卷积，最后恢复通道后与该层输入求和作为残差块的输出。本方法的Block内部，类残差部分不将通道数降低，反而提高了通道数量，通过深度可分离卷积方式提取隐含特征，之后将恢复通道数设置为Block的输入通道数和特征图递增数量K的和。第二部分中，仅使用DenseNet结果进行特征提取，中间卷积仍采用深度可分离卷积方式。在每个双路径块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双路三维卷积神经网络的肺结节检测方法，其特征在于，包括如下步骤：(1)对肺部CT数据进行预处理，得到候选肺结节数据；(2)对预处理数据进行数据增强，得到样本数据集；(3)将样本数据集按照比例划分为训练集和测试集，将训练集利用定义的双路三维卷积神经网络结构进行训练，再将测试集输入训练后的网络模型中检测，输出肺结节检测结果。2.根据权利要求1所述的一种基于双路三维卷积神经网络的肺结节检测方法，其特征在于，步骤(1)中包括，先将原始CT数据进行预处理，所述预处理是将原始CT数据进行包括统一分辨率、CT均衡处理、去噪、重采样、坐标转换及像素间距的处理。3.根据权利要求1所述的一种基于双路三维卷积神经网络的肺结节检测方法，其特征在于，步骤(2)中数据增强具体包括以下子步骤：(1)预处理的肺部数据形成长方体数据块，填充为正方体后，在一定比例内缩放和翻转；(2)根据CT影像中肺结节位置按...

【专利技术属性】
技术研发人员：王树林，王晓杰，
申请(专利权)人：湖南大学，
类型：发明
国别省市：