[發明專利]一種基于3DCNN的肺結節假陽性樣本抑制方法

有效

• 申請號: 201710411683.3
• 申請日: 2017-06-05
• 公開（公告）號: CN107154043B
• 公開（公告）日: 2020-03-24
• 發明（設計）人: 孔海洋;程國華;季紅麗
• 申請（專利權）人: 杭州健培科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T3/40
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于3DCNN的肺結節假陽性樣本抑制方法，其特征在于，包括如下步驟：

a)從肺部CT影像序列數據中檢測肺結節候選點坐標；

b)對原始的DICOM圖像進行插值，得到插值后的3D原始圖像數據；

c)對此前檢測得到的候選點坐標，按照如上b)插值步驟進行相應處理，將其映射到插值后的3D原始圖像數據上；

d)對于每個候選點，根據其轉換后的坐標，從插值后的3D原始圖像數據中切出3D數據，作為訓練樣本；

e)根據每個候選點的坐標，與原始圖像中的標簽進行對應，為步驟c)中切出的每一個3D數據貼上相應的標簽；

f)使用準備好的3D數據訓練3D CNN網絡，3D CNN網絡結構數為1；

g)使用訓練得到的3D CNN模型對候選點進行假陽性抑制；

所述步驟f)中訓練3D CNN模型時，其loss函數如下：

loss＝weighted_sparse_softmax_cross_entropy+l1_l2_regularizer

其中，weighted_sparse_softmax_cross_entropy為加權稀疏交叉熵損失函數，其通過如下方式構建：

對于原始的陽性樣本，計算其標準的稀疏交叉熵損失函數得到損失值，并乘以一個權重，將所得乘積作為該樣本的損失值；

對于其他樣本，使用標準的稀疏交叉熵損失函數，計算其損失值；

對于任一batch的所有樣本，將使用以上方法得到的加權損失值和不需加權的原始損失值求和，將其作為該batch最終的加權稀疏交叉熵損失函數值；

其中公式中的l1_l2_regularizer為對3D CNN模型中的各可訓練參數，權值和偏差，添加L1和L2正則化項，以保證訓練得到的參數的稀疏性，并保證其具有較小值，從而達到抑制模型過擬合的目的。

2.根據權利要求1所述的肺結節假陽性樣本抑制方法，其特征在于，所述步驟b)中對原始DICOM圖像進行插值，將Z方向的切片間隔插值為與X、Y方向的像素間隔相等，即在插值完成后，X、Y、Z三個方向的間隔相等。

3.根據權利要求1所述的肺結節假陽性樣本抑制方法，其特征在于，所述步驟d)中，根據轉換后的候選點坐標，從插值后的3D原始圖像數據中切出3D數據，切出數據的長寬高，X、Y、Z方向，均為40像素，即數據大小為40×40×40；

隨后對切出的數據進行如下處理：將小于-1000HU的數據置為-1000HU，將大于400HU的數據置為400HU，并將處理后的圖像數據歸一化到0到1之間；

如果候選點為陽性樣本，則還需要對其進行數據擴充，擴充方式包括平移、縮放和旋轉；

對每一個陽性樣本擴充個數為陰性樣本總數除以原始陽性樣本個數，如果所除結果不是整數，則取最近的整數，以使得擴充后的陰陽性樣本均衡。

4.根據權利要求1所述的肺結節假陽性樣本抑制方法，其特征在于，所述步驟e)中，為每一個3D數據貼上相應的標簽：如果候選點距任意一個結節的外接邊框中心點的距離小于該結節的半徑，則候選點的標簽為1；否則，該候選點的標簽為0。