一种基于卷积神经网络的肺结节假阳性筛选方法技术

本发明专利技术公开了一种基于卷积神经网络的肺结节假阳性筛选方法，包括：(1)获得肺结节检测模型输出的肺结节检测结果；(2)对肺结节检测结果进行标记生成样本；(3)根据样本和原始肺部CT图像构建数据集合；(4)将数据集合中的每个数据对的坐标x进行8个方向的随机偏移，偏移尺度为0.5X；(5)对数据集合中的每个数据对，根据样本对原始肺部CT图像进行裁剪，获得不同尺寸的训练样本，并对训练样本进行增广处理；(6)构建卷积神经网络；(7)利用3中尺寸的训练样本对卷积神经网路进行训练，获得三个肺结节假阳性筛选模型；(8)利用肺结节假阳性筛选模型对待测样本进行预测，输出预测结果。

【技术实现步骤摘要】
一种基于卷积神经网络的肺结节假阳性筛选方法
本专利技术属于图像处理领域，具体涉及一种基于卷积神经网络的肺结节假阳性筛选方法。
技术介绍
深度学习方法在图像处理领域取得了巨大的成就，这也为医疗图像数据应用深度学习技术识别特征部位提供了可能。目前，以深度学习为基础的CAD(computeraideddiagnosis)系统，在识别并分割CT图像中的器官、特征区域等方面具有广泛的应用。现有的机器学习方法对肺部CT图像的肺结节识别结果中，包含较大比例的假阳性结果，即将不具备肺结节特征的区域预测为肺结节阳性，导致降低检测结果准确率的降低。
技术实现思路
本专利技术的专利技术目的是提供一种基于卷积神经网络的肺结节假阳性筛选方法，该方法能够将肺结节假阳性筛选出来，提升肺结节特征区域预测的准确性。为实现上述专利技术目的，本专利技术提供以下技术方案：一种基于卷积神经网络的肺结节假阳性筛选方法，包括以下步骤：(1)肺结节检测模型输出的肺结节检测结果(坐标x，直径r，概率p)，每个检测结果对应一个真实标签(坐标X，直径R)；(2)对肺结节检测结果进行标记生成样本(坐标x，直径r，标签Y)；(3)将样本(坐标x，直径r，标签Y)与原始肺部CT图像进行组合，形成数据对(坐标x，直径r，标签Y，原始肺部CT图像)，组成数据集合；(4)将数据集合中的每个数据对的坐标x进行8个方向的随机偏移，偏移尺度为0.5X；(5)对于数据集合中的每个数据对，根据坐标x，直径r，从原始肺部CT图像中以坐标x为中心，裁剪出尺寸分别为32*32*32、64*64*64、96*96*96的CT切片，作为训练样本，并对训练样本进行增广处理；(6)构建卷积神经网络，所述卷积神经网络包括依次连接的5个卷积层、1个池化层、1个全连接层以及SoftMax函数层；(7)利用尺寸为32*32*32的训练样本对卷积神经网络进行训练，获得第一肺结节假阳性筛选模型；利用尺寸为64*64*64的训练样本对卷积神经网络进行训练，获得第二肺结节假阳性筛选模型；利用尺寸为96*96*96的训练样本对卷积神经网络进行训练，获得第三肺结节假阳性筛选模型；(8)将待测肺部CT图像分别裁剪为32*32*32、64*64*64、96*96*96尺寸的CT切片，分别将不同尺寸的CT切片输入到与尺寸对应的第一肺结节假阳性筛选模型、第二肺结节假阳性筛选模型以及第三肺结节假阳性筛选模型，得到第一预测结果、第二预测结果以及第三预测结果，对三个预测结果求平均值，获得最终预测结果。其中，步骤(2)的具体步骤为：(2-1)去掉概率p＜0.7的肺结节检测结果；(2-2)对于每一个概率p≥0.7的肺结节检测结果，若坐标x与坐标X的距离＜2R，则该肺结节检测结果为正样本，否则为负样本。步骤(2)的具体步骤为：(2-1’)将真实标签对应的肺结节检测结果作为正样本；(2-2’)对于每一个概率p≥0.7的肺结节检测结果，若坐标x与坐标X的距离≥2R，则该肺结节检测结果为负样本。具体地，正负样本比例为3:1。具体地，所述对训练样本进行增广处理包括：对训练样本进行随机反转、随机旋转、以及随机缩中一种或多种处理。与现有技术相比，本专利技术具有的有益效果为：利用多个尺度的输入信息，获得更加丰富的结节特征，综合每个模型的分类结果，使最终的假阳性筛选结果召回率更高。附图说明图1是实施例提供的基于卷积神经网络的肺结节假阳性筛选方法的流程示意图；图2是实施例提供的肺结节检测模型的结构示意图；图3是实施例提供的残差单元I的结构示意图；图4是实施例提供的残差单元II的结构示意图；图5是实施例提供的卷积神经网络的结构示意图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。图1是实施例提供的基于卷积神经网络的肺结节假阳性筛选方法的流程示意图。如图1所示，本实施例提供的肺结节假阳性筛选方法包括以下步骤：S101，获得肺结节检测模型输出的肺结节检测结果(坐标x，直径r，概率p)。每个检测结果对应一个真实标签(坐标X，直径R)；肺结节检测模型可以为现有的任何形式的模型，只要能够对肺结节进行检测，输出检测结果(坐标x，直径r，概率p)就可以。本实施例中，采用的肺结节检测模型如图2所示，包括所述肺结节分割网络包括依次连接的128*128*24卷积单元201、64*64*32残差卷积单元202、32*32*64残差卷积单元203、16*16*64残差卷积单元204、8*8*64残差卷积单元205、16*16*64残差卷积单元206，16*16*64残差卷积单元206的输出特征图与16*16*64残差卷积单元204输出特征图按照通道拼接后输入至32*32*64残差卷积单元207，32*32*64残差卷积单元207输出特征图与32*32*64残差卷积单元203输出特征图按照通道拼接后，输入至RPN网络208以实现对输入图的肺结节检测。128*128*24卷积单元201与所有的残差卷积单元均用于对输入图进行特征提取。图2中，R代表拼接操作，即32*32*64残差卷积单元207输出特征图与32*32*64残差卷积单元203输出特征图按照通道进行拼接操作。64*64*32残差卷积单元202中包含三个依次连接的32维输入的残差单元I，如图3所示，每个残差单元I包括依次连接的32维输入、8维输出、卷积核为1×1的卷积层，8维输入、8维输出、卷积核为3×3的卷积层，8维输入、32维输出、卷积核为1×1的卷积层，每个卷积层均用于特征提取，三个卷积层级联的输出特征图和输入特征图间相加后，再经过RELU函数激活。32*32*64残差卷积单元203、16*16*64残差卷积单元204、8*8*64残差卷积单元205均包括三个依次连接的64维输入的残差单元II。如图4所示，每个残差单元II包括依次连接的64维输入、16维输出、卷积核为1×1的卷积层，16维输入、16维输出、卷积核为3×3的卷积层，16维输入、64维输出、卷积核为1×1的卷积层，每个卷积层均用于特征提取，三个卷积层级联的输出特征图和输入特征图间相加后，再经过RELU函数激活。16*16*64残差卷积单元206和32*32*64残差卷积单元207均包括两个依次连接的64维输入的残差单元II。上述形如m*m*n均表示输入和输入图片尺寸为m*m，通道数为n。例如：128*128*24卷积单元表示输入和输出图片尺寸为128*128，通道数为24。RPN(RegionProposalNetworks)网络208为区域建议网络，由2个连续的卷积层构成，用于提取针对目标问题的高置信度区域。RPN网络208用于对输入的特征图进行计算，输出矩形目标建议框的集合以及每个建议框的预测得分。对于本实施例，RPN网络208对输入的肺结节特征图进行计算，输出预测的肺结节坐标，直径以及概率，实现对输入图片的分类和回归。每个检测结果对应一个真实标签(坐标X，直径R)是原始CT图像的真实标签，是训练肺结节检测模型所需的真实输出。S102，对肺结节检测结果进行标记生成样本(坐标x，直径r，标签Y)。具体地，使用两种方法生成样本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的肺结节假阳性筛选方法，包括以下步骤：(1)获得肺结节检测模型输出的肺结节检测结果(坐标x，直径r，概率p)，每个检测结果对应一个真实标签(坐标X，直径R)；(2)对肺结节检测结果进行标记生成样本(坐标x，直径r，标签Y)；(3)将样本(坐标x，直径r，标签Y)与原始肺部CT图像进行组合，形成数据对(坐标x，直径r，标签Y，原始肺部CT图像)，组成数据集合；(4)将数据集合中的每个数据对的坐标x进行8个方向的随机偏移，偏移尺度为0.5X；(5)对于数据集合中的每个数据对，根据坐标x，直径r，从原始肺部CT图像中以坐标x为中心，裁剪出尺寸分别为32*32*32、64*64*64、96*96*96的CT切片，作为训练样本，并对训练样本进行增广处理；(6)构建卷积神经网络，所述卷积神经网络包括依次连接的5个卷积层、1个全局平均池化层、1个全连接层以及SoftMax函数层；(7)利用尺寸为32*32*32的训练样本对卷积神经网络进行训练，获得第一肺结节假阳性筛选模型；利用尺寸为64*64*64的训练样本对卷积神经网络进行训练，获得第二肺结节假阳性筛选模型；利用尺寸为96*96*96的训练样本对卷积神经网络进行训练，获得第三肺结节假阳性筛选模型；(8)将待测肺部CT图像分别裁剪为32*32*32、64*64*64、96*96*96尺寸的CT切片，分别将不同尺寸的CT切片输入到与尺寸对应的第一肺结节假阳性筛选模型、第二肺结节假阳性筛选模型以及第三肺结节假阳性筛选模型，得到第一预测结果、第二预测结果以及第三预测结果，对三个预测结果求平均值，获得最终预测结果。...

【技术特征摘要】
1.一种基于卷积神经网络的肺结节假阳性筛选方法，包括以下步骤：(1)获得肺结节检测模型输出的肺结节检测结果(坐标x，直径r，概率p)，每个检测结果对应一个真实标签(坐标X，直径R)；(2)对肺结节检测结果进行标记生成样本(坐标x，直径r，标签Y)；(3)将样本(坐标x，直径r，标签Y)与原始肺部CT图像进行组合，形成数据对(坐标x，直径r，标签Y，原始肺部CT图像)，组成数据集合；(4)将数据集合中的每个数据对的坐标x进行8个方向的随机偏移，偏移尺度为0.5X；(5)对于数据集合中的每个数据对，根据坐标x，直径r，从原始肺部CT图像中以坐标x为中心，裁剪出尺寸分别为32*32*32、64*64*64、96*96*96的CT切片，作为训练样本，并对训练样本进行增广处理；(6)构建卷积神经网络，所述卷积神经网络包括依次连接的5个卷积层、1个全局平均池化层、1个全连接层以及SoftMax函数层；(7)利用尺寸为32*32*32的训练样本对卷积神经网络进行训练，获得第一肺结节假阳性筛选模型；利用尺寸为64*64*64的训练样本对卷积神经网络进行训练，获得第二肺结节假阳性筛选模型；利用尺寸为96*96*96的训练样本对卷积神经网络进行训练，获得第三肺结节假阳性筛选模型；(8)将待测肺部CT图像分别裁剪为32*32*32、64*64*64、96*96*96尺寸的CT切片，分别将不同尺寸的CT切片输入到与尺寸对应的第一肺结节假阳性筛选模型、第二肺结节假阳性筛选模型以及第三肺结节假阳性筛选模型，得到第一预测结果、第二预测结果以及第三预测结果，对三个预测结果求平均值，获得最终预测结果。2.如权利要求1所述的基于卷积神经网络的肺结节假阳性筛选方法，其特征在于，步骤(2)的具体步骤为：(2-1)去掉概率p＜0.7的肺结节检测结果；(2-2)对...

【专利技术属性】
技术研发人员：吴健，林志文，陆逸飞，应兴德，刘雪晨，陈为，叶德仕，吕卫国，郝鹏翼，吴福理，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33