[發明專利]一種基于深度卷積神經網絡的肺部結節自動檢測方法

在審

• 申請號: 201710765376.5
• 申請日: 2017-08-30
• 公開（公告）號: CN107578405A
• 公開（公告）日: 2018-01-12
• 發明（設計）人: 王學磊;劉璟丹;王鵬
• 申請（專利權）人: 北京網醫智捷科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 成都行之專利代理事務所(普通合伙)51220
• 代理人: 溫利平,陳靚靚

1.一種基于深度卷積神經網絡的肺部結節自動檢測方法，其特征在于，包括以下方法：

S1：收集一定數量的尺寸大小為5×20×20的肺部局部CT影像作為訓練集，其中包含正常的肺部組織，也包含了含有結節的異常肺部組織，包含正常肺部組織的CT影像類別記作‘0’，含有結節的異常肺部組織CT影像類別記作‘1’；

對訓練集中的所有CT影像進行歸一化處理，得到歸一化的CT影像，歸一化處理可以采用如下公式表示：

norm(x)=x-xminxmax-xmin]]>

其中，x為CT影像中的像素點像素值，norm(x)表示歸一化后的像素值，x_min為CT影像像素點中的最小像素；值，x_max為CT影像像素點中的最大像素值；

S2：構建深度卷積神經網絡：

第1層為卷積層(記作C1層)，使用96個大小為3×9×9的卷積核，對輸入的肺部局部CT影像以步長為1做卷積；

第2層為池化層(記作M1層)，對C1層輸入到M1層的數據以步長為2、非重疊的做1×2×2的最大池化操作；

第3層為卷積層(記作C2層)，使用256個大小為2×4×4的卷積核，對M1層輸入到C2層的數據以步長為1做卷積；

第4層為池化層(記作M2層)，對C2層輸入到M4層的數據以步長為2，非重疊的做2×2×2的最大池化操作；

第5層為卷積層(記作C3層)，使用384個大小為1×3×3的卷積核，對M2層輸入到C3層的數據以步長為1做卷積；

第6層為卷積層(記作C4層)，使用384個大小為1×3×3的卷積核，對C3層輸入到C4層的數據以步長為1做卷積；

第7層為卷積層(記作C5層)，使用256個大小為1×3×3的卷積核，對C4層輸入到C5層的數據以步長為1做卷積；

C1、C2、C3、C4、C5層中，均采用修正線性單元ReLu作為激活函數：

ReLu(y)=12(y+|y|)]]>

其中，y表示激活函數的輸入，ReLu(y)表示激活函數的輸出。

第8層為池化層(記作M3層)，對C5層輸入到M3層的數據以步長為2，非重疊的做1×2×2的最大池化操作；

第9層為全連接層(記作FC1層)，共有1096個神經元，每個神經元與M3層輸出數據和7個參數進行全連接，7個參數中的前3個值為輸入深度卷積神經網絡的CT影像相對于整個CT圖像和三個軸的感受野位置信息、后4個值代表DICOM圖像信息，即切片厚度，在一個平面內x軸、y軸的軸間距、圖像定位信息；

第10層為全連接層(記作FC2層)，共有1096個神經元，每個神經元與FC1層輸出的數據進行全連接；FC1層、FC2層采用tanh函數作為激活函數：

tanh(z)=ez-e-zez+e-z]]>

其中，z表示激活函數的輸入，tanh(z)表示激活函數的輸出；

第11層為全連接層(記作FC3層)，共有2個神經元，每個神經元與FC2層輸出的1096維數據進行全連接；FC3層的輸出數據為一個2維大小的向量，分別表示屬于類別0的概率和屬于類別1的概率；FC3層采用sigmoid函數作為激活函數：

sigmoid(p)=11+e-p]]>

其中，p表示激活函數的輸入，sigmoid(p)表示激活函數的輸出；

S3：采用步驟S1獲取肺部結節訓練集中的每個肺部局部CT影像作為輸入，對應類別作為期望輸出，對步驟S2構建的深度卷積神經網絡進行訓練，得到訓練好的深度卷積神經網絡；

S4：對于待檢測的肺部CT影像，采用5×20×20大小的滑動窗口在該影像中滑動每次滑動得到的肺部局部CT影像均輸入步驟S3訓練得到的深度卷積神經網絡中得到其輸出值，將該輸出值作為此次滑動得到的肺部局部CT影像中各個體素的得分，每個體素的最終得分為滑動窗口滑動過程中該體素所有得分的平均值，如果某個體素的最終得分大于預設的體素判定閾值H，則該體素為結節體素，否則不為結節體素；對肺部CT影像中檢測出的結節體素進行連通域分析，從而得到肺部結節的位置和邊界。

2.根據權利要求1所述的肺部結節自動檢測方法，其特征在于，所述閾值H采用以下方法設置：

初始化閾值a，收集若干肺部CT影像，對其中的肺部結節進行標注，然后將這些肺部CT影像按照步驟S4的檢測方法進行肺部結節檢測，在檢測時以閾值a作為體素判定閾值H，按照預先標注的肺部結節對檢測結果進行評價，如果達到預設的指標要求，則增大閾值a，再次進行檢測，直到無法達到預設的指標要求，則以最近一次達到預設指標要求的閾值a作為待選閾值A；如果未達到預設的指標要求，則減小閾值a，再次進行檢測，直到達到預設的指標要求，以當前的閾值a作為待選閾值A；當待選閾值A大于0.7，則體素判定閾值H的取值范圍為(0.7,A]，否則體素判定閾值H＝0.7。