基于低数据需求的肺气肿影像处理方法及系统技术方案

本发明专利技术提供了一种基于低数据需求的肺气肿影像处理方法及系统，包括：步骤M1：准备标注好肺气肿病灶阴阳性的肺部CT影片，为一组医学数字成像和通信文件；步骤M2：对准备的肺部CT影片进行预处理,由一组医学数字成像和通信文件得到三维数组；步骤M3：搭建深度卷积神经网络架构，通过三维数据训练深度卷积神经网络，以深度卷积神经网络判断肺气肿影像；本发明专利技术会自动从带有肺气肿阴阳性标注的胸部CT中学习所需特征并进行影像处理阴阳性判断。相比于常见的CT深度神经网络影像处理辅助诊断技术，这个技术避开了3D模型占用大量内存并在层厚较厚的CT上表现不佳的问题，也避开了2D模型无法全面利用三维空间信息的局限，充分利用了层与层之间的空间关系。

Image processing method and system of emphysema based on low data requirement

【技术实现步骤摘要】
基于低数据需求的肺气肿影像处理方法及系统
本专利技术涉及医学影像领域，具体地，涉及一种基于低数据需求的肺气肿影像处理方法、系统及介质，尤其涉及基于低数据需求的高速轻量胸部CT图像肺气肿影像处理方法、系统及介质，用弱标记医学影像数据训练的基于深度卷积神经网络自动处理在胸部CT影像的方式及其训练方式。
技术介绍
CT影像所属的3D医学影像大类，其对于目前以深度神经网络为基础的计算机辅助诊断模型来说，最大的挑战在于其影像数据在长宽和层深三个维度上每个像素所代表的物理空间距离(spacing)高度不统一(anisotropic)，通常层维度上每个像素代表了长宽维度上数倍的距离，这对计算机在处理影像体积时感知空间距离造成了很大的挑战。经对现有技术检索检查，目前的技术在处理这个问题中有如下几种做法：一种做法是通过对图像在层深轴上的上采样来统一三个维度上的spacing。这种做法在AutomaticsegmentationofMRbrainimageswithaconvolutionalneuralnetwork[arXiv:1704.03295[cs.CV]]中有记录。另一种，也有研究人员因为这个问题在3D医学影像上放弃了使用3D网络，转而使用2D网络，并通过对2D网络在每一层上输出的合并，得到所需要的在整体3D影像上的结果。这种做法在AccuratePulmonaryNoduleDetectioninComputedTomographyImagesUsingDeepConvolutionalNeuralNetworks[arXiv:1706.04303[cs.CV]]中使用的ObjectDetection网络上有采用。对图像上采样的方法只有在长宽和层深维度空间信息密度差距较小的时候管用。当二者差距巨大时，图像上采样添加的大多是冗余的信息，不但对提升模型表现没有帮助，还会无端增加显存占用和计算成本。放弃3D神经网络转而采用纯2D神经网络这类做法不能很好的利用三维空间的所有信息，尤其是不同层之间的关系，往往需要牺牲模型性能或用复杂的后续处理方法来改善性能。譬如在上文中，研究人员采用了在2D结果上二次用较为简单的3D假阳性检测网络来利用三维空间信息。这使神经网络架构更为复杂，训练更耗时费力，显存占用量显著上升，并且模型推理速度大幅下降。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于低数据需求的肺气肿影像处理方法及系统。根据本专利技术提供的一种基于低数据需求的肺气肿影像处理方法，包括：步骤M1：准备标注好肺气肿病灶阴阳性的肺部CT影片，为一组医学数字成像和通信文件；步骤M2：对准备的肺部CT影片进行预处理,由一组医学数字成像和通信文件得到三维数组；步骤M3：搭建深度卷积神经网络架构，通过三维数据训练深度卷积神经网络，以深度卷积神经网络判断肺气肿影像。优选地，所述步骤M2包括：步骤M2.1：将肺部CT影片根据医学数字成像和通信文件内尺度信息统一调整为预设像素，每个CT序列调整后肺部CT影片层数保持不变，将CT序列文件信息读取为肺部CT影片三维数组；步骤M2.2：将肺部CT影片三维数组通过使用在阅片时所用的影像窗位，突出识别肺气肿像素灰度值；步骤M2.3：将突出识别肺气肿像素灰度值分别除以预设值进行归一化，使每一个像素灰度值大小都在0到1之间，得到处理后的肺部CT影片；步骤M2.4：将处理后的肺部CT影片进行包括拉伸、旋转和翻转的任意一种或多种的处理，增加训练数据的数量。优选地，所述步骤M3包括：步骤M3.1：通过三维数据训练不断学习改进版AlexNet网络编码器和深度卷积神经网络架构；步骤M3.2：使用训练后的改进版AlexNet网络编码器为CT序列中每一层的影像编码，得到通道数为预设值的特征张量；步骤M3.3：将通道数为预设值的特征张量经过按照肺气肿影像病种定制的训练后的深度卷积神经网络架构，最终输出处理后的肺气肿阴阳性判断结果；所述改进版AlexNet网络编码器包括：改进版AlexNet网络编码器具有多个卷积层，是在ImageNet数据集上进行过预训练；对于改进版AlexNet网络编码器的神经网络，每个卷积层后都有一层ReLU层对特征张量进行非线性处理；所述ReLU层的公式为：f(x)＝max(0，x)，其中：x表示待处理的特征张量；对于第1卷积层、第2卷积层，特征张量经过ReLU层处理后还会经过卷积核尺寸为预设值，卷积步长为预设值的MaxPool层进行处理；MaxPool层的公式表述为：当X为m×n矩阵，卷积核尺寸为p，r＝(0，1，2…p-1)，yij＝max(xi+r，j+r)其中i≤m-p，j≤n-p；其中，X表示特征张量；m表示特征张量第一个维度大小；n表示特征张量第二个维度大小；p表示卷积核大小，为MaxPool层的参数；r表示卷积核尺寸内的枚举变量，遍历从0到p-1；y表示结果张量中的元素；下标i表示结果张量第一个维度；下标j表示结果张量第二个维度；下标r表示：卷积核尺寸内的枚举变量，遍历从0到p-1。优选地，所述步骤M3.1包括：步骤M3.1.1：使用加权交叉熵函数计算损失函数，其函数公式为：ln＝-wn[yn*logxn+(1-yn)*log(1-xn)]其中，ln表示：损失值；wn表述：损失权重；yn表示：CT影像阴阳性标注值向量；xn表示：模型阴阳性预测值向量；下标n表示：n个输入影像；在训练过程中，对每个训练集中的阴性或阳性样本的判断计算损失函数结果时，我们将取1减去对应阴阳性在整个训练集中占比为权重来通过损失函数进行损失计算，即：假设数据集中有P个阳性样本，N个阴性样本，那么阳性样本的损失权重为N/(N+P)，阴性样本的损失权重为P/(N+P)；步骤M3.1.2：使用Adam优化算法作为损失函数的优化算法来不断学习改进版AlexNet编码器和深度卷积神经网络架构中每一层参数；步骤M3.1.3：对所有参数使用L2权重衰减规则化；实现L2权重衰减即在计算损失函数时加上其中λ权重我们取值为预设值；n表示：批次训练样本的数量；表示：模型权重；步骤M3.1.4：改进版AlexNet网络编码器和深度卷积神经网络架构共同训练预设数个循环，采用稳定期减小学习率策略，实现对学习率的动态调整。优选地，所述步骤M3.3包括：步骤M3.3.1：以通道数为预设值的特征张量的第一维度和第二维度为轴进行全局平均池化，对于每一个特征维度取全局平均，使CT影像每一层经过深度卷积神经网络架构编码后的特征张量的尺寸统一为预设值；步骤M3.3.2：令整个CT影像的特征向量通过以层深为轴的全局最大值池化层来获取一个尺寸为预设值的特征向量；因为使用全局最大值池提取层深为轴的特征向量上的最大值，只要有一层CT影像显示出了典型肺气肿的特征，就做出精确的判断。根据本发本文档来自技高网...

【技术保护点】
1.一种基于低数据需求的肺气肿影像处理方法，其特征在于，包括：/n步骤M1：准备标注好肺气肿病灶阴阳性的肺部CT影片为一组医学数字成像和通信文件；/n步骤M2：对准备的肺部CT影片进行预处理得到训练三维数组；/n步骤M3：搭建深度卷积神经网络架构，通过三维数据训练深度卷积神经网络，以深度卷积神经网络判断肺气肿影像。/n

【技术特征摘要】
1.一种基于低数据需求的肺气肿影像处理方法，其特征在于，包括：
步骤M1：准备标注好肺气肿病灶阴阳性的肺部CT影片为一组医学数字成像和通信文件；
步骤M2：对准备的肺部CT影片进行预处理得到训练三维数组；
步骤M3：搭建深度卷积神经网络架构，通过三维数据训练深度卷积神经网络，以深度卷积神经网络判断肺气肿影像。


2.根据权利要求1所述的一种基于低数据需求的肺气肿影像处理方法，其特征在于，所述步骤M2包括：
步骤M2.1：将肺部CT影片根据医学数字成像和通信文件内尺度信息统一调整为预设像素，每个CT序列调整后肺部CT影片层数保持不变，将CT序列文件信息读取为肺部CT影片三维数组；
步骤M2.2：将肺部CT影片三维数组通过使用在阅片时所用的影像窗位，突出识别肺气肿像素灰度值；
步骤M2.3：将突出识别肺气肿像素灰度值分别除以预设值进行归一化，使每一个像素灰度值大小都在0到1之间，得到处理后的肺部CT影片；
步骤M2.4：将处理后的肺部CT影片进行包括拉伸、旋转和翻转的任意一种或多种的处理，增加训练三维数组的数量。


3.根据权利要求1所述的一种基于低数据需求的肺气肿影像处理方法，其特征在于，所述步骤M3包括：
步骤M3.1：通过三维数据训练不断学习改进版AlexNet网络编码器和深度卷积神经网络架构；
步骤M3.2：使用训练后的改进版AlexNet网络编码器为CT序列中每一层的影像编码，得到通道数为预设值的特征张量；
步骤M3.3：将通道数为预设值的特征张量经过按照肺气肿影像病种定制的训练后的深度卷积神经网络架构，最终输出处理后的肺气肿阴阳性判断结果；
所述改进版AlexNet网络编码器包括：
改进版AlexNet网络编码器具有多个卷积层，是在ImageNet数据集上进行过预训练；
对于改进版AlexNet网络编码器的神经网络，每个卷积层后都有一层ReLU层对特征张量进行非线性处理；
所述ReLU层的公式为：
f(x)＝max(0，x)，其中：x表示待处理的特征张量；
对于第1卷积层、第2卷积层，特征张量经过ReLU层处理后还会经过卷积核尺寸为预设值，卷积步长为预设值的MaxPool层进行处理；
MaxPool层的公式表述为：
当X为m×n矩阵，卷积核尺寸为p，r＝(0，1，2…p-1)，yij＝max(xi+r，j+r)其中i≤m-p，j≤n-p；
其中，X表示特征张量；m表示特征张量第一个维度大小；n表示特征张量第二个维度大小；p表示卷积核大小，为MaxPool层的参数；r表示卷积核尺寸内的枚举变量，遍历从0到p-1；y表示结果张量中的元素；下标i表示结果张量第一个维度；下标j表示结果张量第二个维度；下标r表示：卷积核尺寸内的枚举变量，遍历从0到p-1。


4.根据权利要求3所述的一种基于低数据需求的肺气肿影像处理方法，其特征在于，所述步骤M3.1包括：
步骤M3.1.1：使用加权交叉熵函数计算损失函数，其函数公式为：
ln＝-wn[yn*logxn+(1-yn)*log(1-xn)]
其中，ln表示：损失值；wn表述：损失权重；yn表示：CT影像阴阳性标注值向量；xn表示：模型阴阳性预测值向量；下标n表示：n个输入影像；
在训练过程中，对每个训练集中的阴性或阳性样本的判断计算损失函数结果时，我们将取1减去对应阴阳性在整个训练集中占比为权重来通过损失函数进行损失计算，即：假设数据集中有P个阳性样本，N个阴性样本，那么阳性样本的损失权重为N/(N+P)，阴性样本的损失权重为P/(N+P)；
步骤M3.1.2：使用Adam优化算法作为损失函数的优化算法来不断学习改进版AlexNet编码器和深度卷积神经网络架构中每一层参数；
步骤M3.1.3：对所有参数使用L2权重衰减规则化；实现L2权重衰减即在计算损失函数时加上其中λ权重我们取值为预设值；n表示：批次训练样本的数量；表示：模型权重；
步骤M3.1.4：改进版AlexNet网络编码器和深度卷积神经网络架构共同训练预设数个循环，采用稳定期减小学习率策略，实现对学习率的动态调整。


5.根据权利要求3所述的一种基于低数据需求的肺气肿影像处理方法，其特征在于，所述步骤M3.3包括：
步骤M3.3.1：以通道数为预设值的特征张量的第一维度和第二维度为轴进行全局平均池化，对于每一个特征维度取全局平均，使CT影像每一层经过深度卷积神经网络架构编码后的特征张量的尺寸统一为预设值；
步骤M3.3.2：令整个CT影像的特征向量通过以层深为轴的全局最大值池化层来获取一个尺寸为预设值的特征向量；因为使用全局最大值池提取层深为轴的特征向量上的最大值，只要有一层CT影像显示出了典型肺气肿的特征，就做出精确的判断。

【专利技术属性】
技术研发人员：党康，张腾骥，王子龙，丁晓伟，
申请(专利权)人：上海体素信息科技有限公司，
类型：发明
国别省市：上海;31