一种肺结节辅助检测方法技术

本发明专利技术涉及一种肺结节辅助检测方法，主要步骤包括S100获取数据集，该数据集包括N个患者的胸部扫描CT图像，每个患者有一系列胸部扫描CT图像；S200建立多尺度辅助检测模型，该模型由三个空洞率不同的U‑net网络和一个VGG神经网络组成，采用S100的数据，利用相关多任务联合损失函数对多尺度辅助检测模型的参数进行训练和优化；S300将待预测患者的一系列CT图像输入优化后的多尺度辅助检测模型，输出待预测患者的检测结果、分割结果和分类结果。本方法在肺结节多尺度统一表征的基础上，分析肺结节辅助检测多任务之间的“强相关”作用关系，实现多任务联合训练与优化，对肺结节辅助检测的敏感度和准确率的整体优化。

【技术实现步骤摘要】
一种肺结节辅助检测方法
本专利技术涉及肺结节辅助检测方法，尤其涉及一种基于多尺度的检测、分类、分割多任务协同的肺结节辅助检测方法。
技术介绍
肺结节筛查用于肺癌早期防控的形势依然严峻。患肺癌人数多，发病率高，医疗花费大。深度学习技术应用于医学影像以来，在肺癌防控强烈需求驱动下，肺结节计算机辅助筛查技术表现出深度学习、数据驱动、特征自学习、处理端到端等新特征。围绕肺结节检测、分割、分类、属性特征学习，设计肺结节辅助诊断构成为肺结节筛查技术的发展重点，涌现出一系列适用于医学影像分析的新型神经网络结构。深度学习人工智能技术辅助肺结节筛查为肺癌防控工作带来了新机遇。辅助筛查有助于节省大量医疗经费。据我国医院协会信息管理专业委员会的数据预测，在癌症方面，智能医疗技术可为我国节省诊疗与用药支出353亿美元，其中节省医保和民政救济支出152亿美元。肺结节辅助筛查有助于提升筛查效率和质量，改善供需矛盾。因此，无论是过去的发展期，还是现在的成熟期，肺结节辅助诊断推荐依然是一门热门的研究内容。现有的肺结节辅助诊断系统的诊断流程通常是肺结节检测、肺结节分割、肺结节属性提取以及分类，对于每一个任务都通过一个网络来进行处理，但是这样子的处理却忽略了每一个不同任务的内在联系。另一方面，每一个任务对应着一个网络，会导致肺结节辅助检测步骤较多，任何一环出现了问题都会导致最终的误差，误差在每个任务之间进行传递使得最终结果出现严重偏差，导致肺结节辅助检测的稳定性较差。肺结节辅助诊断系统的关键是肺结节诊断的准确性和稳定性。但现有的系统主要依据不同的任务需求进行单一建模，并将单一任务结果整合形成一套串行的肺结节诊断过程，这样的过程是繁琐的，没有考虑到检测、分类和分割三个任务在数据上共享特征和相互增强特性。
技术实现思路
针对现有技术存在的上述问题，本专利技术的要解决的技术问题是：现有单一尺度、单一任务的肺结节检测、分类、分割网络的冗余性以及效率低的问题。为解决上述技术问题，本专利技术采用如下技术方案：一种肺结节辅助检测方法，主要包括如下步骤：S100:获取数据集，该数据集包括N个患者的胸部扫描CT图像，每个患者有一系列胸部扫描CT图像；所述数据集中的每个CT图像由至少1位经验丰富的放射科医生为其标注结节信息，此结节信息包括每个结节勾画的轮廓信息、结节良恶性以及结节的各属性信息，并将结节信息保存在XML文件中；同时为每张胸部扫描CT图像打上标签，标签的种类为0或1；S200:建立多尺度辅助检测模型，该模型由三个空洞率不同的U-net网络和一个VGG神经网络组成，三个U-net网络并列设置，且三个U-net网络的中间一层共同连接VGG神经网络的输入层；将S100每个患者的一系胸部扫描CT图像分别输入三个U-net网络的输入层，利用相关多任务联合损失函数对多尺度辅助检测模型的参数进行训练和优化；S300:将待预测患者的一系列CT图像输入优化后的多尺度辅助检测模型，输出待预测患者的检测结果、分割结果和分类结果。作为改进，所述S200中的参数训练和参数优化方法为：设计相关多任务联合损失函数，并采用梯度下降法更新参数：Lzh＝αLsg+βLncs+γLcl(4)；其中，Lcl是肺结节分类损失函数，Lsg是肺结节分割损失函数，Lncs是肺结节目标检测损失函数。Lzh是肺结节加权求和的相关多任务联合损失函数；其中，B表示多尺度辅助检测模型训练的过程一次性放入图片的数量，表示通过多尺度辅助检测模型预测出来的像素的值，表示数据集中胸部扫描CT图像的像素值，ωi,j代表权重；I表示肺结节分类种类的数量，表示标签的种类,表示多尺度辅助检测模型预测出属于种类的概率，βi.j表示加权；Lcls表示选择出来的坐标框是不是标签表示的框,pi表示标签取值，表示多尺度辅助检测模型预测的属于边框的置信度概率值，Ncls代表分类的个数，Lreg表示多尺度辅助检测模型选择出来的边框与标签边框的对比；α，β和γ均为权值，ti＝{tx,ty,tw,th}，tx和ty分别表示为选择框中心点横纵坐标，tw和th分别表示为宽和高的偏置，Nreg表示个数表示多尺度辅助检测模型预测出来的边框的个数；作为改进，所述S200中多尺度辅助检测模型训练时的数据处理过程具体如下：S201:将所述S100中的每个患者的一系列胸部扫描CT图像同时输入三个U-net网络中进行第一次卷积，第一次卷积后每个U-net网络输出一个三维的数据块Ⅰ，该三个三维的数据块Ⅰ分别进入步骤S202和步骤S206进行处理；S202:所述第一次卷积后得到的三维的数据块Ⅰ首先进行中心池化，然后再进行Gabor卷积后，每个U-net网络输出一个三维的数据块Ⅱ，该三个三维的数据块Ⅱ分别进入步骤S203和步骤S206进行处理；S203:所述三个三维的数据块Ⅱ首先进行中心池化得到三个三维的数据块Ⅲ，该三个三维的数据块Ⅲ分别进入步骤S204和步骤S205进行处理；S204:所述三个三维的数据块Ⅲ依次经过两次卷积，并对两次卷积后的数据进行拉伸得到一个一维向量Ⅰ；S205：所述三个三维的数据块Ⅲ经过中心池化得到三个三维的数据块Ⅳ，所述三个三维的数据块Ⅳ分别进入步骤S208和步骤S206进行处理；S206：所述三个三维的数据块Ⅳ进行Gabor卷积后，再进行上采样得到三个三维的数据块Ⅵ，所述三个三维的数据块Ⅵ与所述三个三维的数据块Ⅱ进行叠加后，再进行上采样得到三个三维的数据块Ⅶ，所述三个三维的数据块Ⅶ与所述三个三维的数据块Ⅰ进行叠加得到每个患者一系列胸部扫描CT图像对应的特征图，利用所述特征图执行分割任务，执行步骤S207；S207：将所述S206中的特征图进行卷积得到三个三维数据块Ⅷ，并将所述三个三维数据块Ⅷ进行拉伸和拼接得到一个一维向量Ⅲ，将所述S206中的特征图进行卷积得到三个三维的数据块Ⅷ，将三个三维的数据块Ⅷ进行叠加得到分割结果，并输出分割结果，然后再将三个三维的数据块Ⅷ拉伸得到一维向量Ⅲ将所述一维向量Ⅲ输入S209；S208：所述三个三维的数据块Ⅳ进行Gabor卷积再将Gabor卷积后得到的三个数据块叠加得到一个三维的数据块Ⅹ，将所述三维数据块Ⅹ输入VGG神经网络，执行检测任务，并输出一个一维向量Ⅱ，所述一维向量Ⅱ作为检测结果输出，同时将所述一维向量Ⅱ输入步骤S209；S209：将所述一维向量Ⅱ和所述一维向量Ⅲ进行全连接得到一维向量Ⅳ，所述一维向量Ⅳ与所述一维向量Ⅰ进行叠加得到一个一维向量Ⅴ，所述一维向量Ⅴ作为分类结果，输出该分类结果。相对于现有技术，本专利技术至少具有如下优点：本专利技术在肺结节多尺度统一表征的基础上，分析肺结节辅助检测多任务之间的“强相关”作用关系，建立以肺结节检测、分类与实例分割为基本流程的多尺度多任务协同增强的深度学习网络模型，实现多任务联合训练与优化，对肺结节辅助检测的敏感度和准本文档来自技高网...

【技术保护点】
1.一种肺结节辅助检测方法，其特征在于，主要包括如下步骤：/nS100:获取数据集，该数据集包括N个患者的胸部扫描CT图像，每个患者有一系列胸部扫描CT图像；/n所述数据集中的每个CT图像由至少1位经验丰富的放射科医生为其标注结节信息，此结节信息包括每个结节勾画的轮廓信息、结节良恶性以及结节的各属性信息，并将结节信息保存在XML文件中；/n同时为每张胸部扫描CT图像打上标签，标签的种类为0或1；/nS200:建立多尺度辅助检测模型，该模型由三个空洞率不同的U-net网络和一个VGG神经网络组成，三个U-net网络并列设置，且三个U-net网络的中间一层共同连接VGG神经网络的输入层；/n将S100每个患者的一系胸部扫描CT图像分别输入三个U-net网络的输入层，利用相关多任务联合损失函数对多尺度辅助检测模型的参数进行训练和优化；/nS300:将待预测患者的一系列CT图像输入优化后的多尺度辅助检测模型，输出待预测患者的检测结果、分割结果和分类结果。/n

【技术特征摘要】
1.一种肺结节辅助检测方法，其特征在于，主要包括如下步骤：
S100:获取数据集，该数据集包括N个患者的胸部扫描CT图像，每个患者有一系列胸部扫描CT图像；
所述数据集中的每个CT图像由至少1位经验丰富的放射科医生为其标注结节信息，此结节信息包括每个结节勾画的轮廓信息、结节良恶性以及结节的各属性信息，并将结节信息保存在XML文件中；
同时为每张胸部扫描CT图像打上标签，标签的种类为0或1；
S200:建立多尺度辅助检测模型，该模型由三个空洞率不同的U-net网络和一个VGG神经网络组成，三个U-net网络并列设置，且三个U-net网络的中间一层共同连接VGG神经网络的输入层；
将S100每个患者的一系胸部扫描CT图像分别输入三个U-net网络的输入层，利用相关多任务联合损失函数对多尺度辅助检测模型的参数进行训练和优化；
S300:将待预测患者的一系列CT图像输入优化后的多尺度辅助检测模型，输出待预测患者的检测结果、分割结果和分类结果。


2.如权利要求1所述的肺结节辅助检测方法，其特征在于，所述S200中的参数训练和参数优化方法为：
设计相关多任务联合损失函数，并采用梯度下降法更新参数：









Lzh＝αLsg+βLncs+γLcl(4)；
其中，Lcl是肺结节分类损失函数，Lsg是肺结节分割损失函数，Lncs是肺结节目标检测损失函数。Lzh是肺结节加权求和的相关多任务联合损失函数；
其中，B表示多尺度辅助检测模型训练的过程一次性放入图片的数量，表示通过多尺度辅助检测模型预测出来的像素的值，表示数据集中胸部扫描CT图像的像素值，ωi,j代表权重；
I表示肺结节分类种类的数量，表示标签的种类,表示多尺度辅助检测模型预测出属于种类的概率，βi.j表示加权；
Lcls表示选择出来的坐标框是不是标签表示的框,pi表示标签取值，表示多尺度辅助检测模型预测的属于边框的置信度概率值，Ncls代表分类的个数，Lreg表示多尺度辅助检测模型选择出来的边框与标签边框的对比；
α，β和γ均为权值，ti＝{tx,ty,tw,th}，tx和ty分别表示为选择框中心点横纵坐标，tw和th分别表示为宽和高的偏置，Nreg表示个数表示多尺度辅助检测模型预测出来的边框的个数；




...

【专利技术属性】
技术研发人员：张小洪，张祥博，陈伟，刘晨，周宏，杨露，李雨聪，温浩，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50