[發明專利]一種基于3D卷積神經網絡的肺結節檢測裝置的建立方法

有效

• 申請號: 201810092248.3
• 申請日: 2018-01-30
• 公開（公告）號: CN108257128B
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 吳健;陸逸飛;林志文;應興德;余柏翰;陳為;葉德仕;吳福理;呂衛國;郝鵬翼;吳朝暉
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

本發明公開了一種基于3D卷積神經網絡的肺結節檢測裝置的建立方法，包括：建立訓練樣本；建立肺結節檢測網絡：所述肺結節分割網絡包括依次連接的卷積單元、64*64*64(32)殘差卷積單元A、32*32*32(64)殘差卷積單元B、16*16*16(64)殘差卷積單元C、8*8*8(64)殘差卷積單元D、16*16*16(64)殘差卷積單元E，殘差卷積單元E的輸出特征圖與殘差卷積單元C輸出特征圖按照通道拼接后輸入至殘差卷積單元F，殘差卷積單元F輸出特征圖與殘差卷積單元B輸出特征圖按照通道拼接后，輸入至RPN網絡以實現對輸入圖的肺結節檢測；訓練肺結節檢測網絡，獲得肺結節檢測裝置。

技術領域

本發明屬于圖像處理領域，具體涉及一種基于3D卷積神經網絡的肺結節檢測裝置的建立方法。

背景技術

現有采用深度學習算法檢測肺部CT圖中肺結節的方法很多，但是檢測精度不高。造成精度不高的主要原因為：

(1)檢測階段的召回率較低于某些特殊類型的肺結節，造成漏檢的情況，使得檢測精度不高。

(2)肺結節的尺寸不均衡，較小的肺結節容易被忽視。

基于上述兩個原因，使得采用深度學習算法檢測和分割出來的肺結節典型性和代表性不足。

因此，提高肺結節檢測的準確性和訓練網絡分割出更具代表性的結節成為了急需解決的問題。

發明內容

本發明的目的是提供一種基于3D卷積神經網絡的肺結節檢測裝置的建立方法。該方法建立的裝置能夠更加準確、快速地檢測和確定肺部CT中的肺結節的三維圖像。

為實現上述發明目的，本發明提供以下技術方案：

一種基于3D卷積神經網絡的肺結節檢測裝置的建立方法，所述建立方法包括：

建立訓練樣本：首先，將采集的三維肺部CT圖像裁剪成大量的立方體小塊，然后，采用數據增強方法處理立方體小塊，最后，采用難分負樣本挖掘方法對增強處理后的立方體小塊進行處理，獲得最難區分的2n個負樣本和n個正樣本組成訓練樣本集；

建立肺結節檢測網絡：所述肺結節分割網絡包括依次連接的128*128*128(24)卷積單元、64*64*64(32)殘差卷積單元A、32*32*32(64)殘差卷積單元B、16*16*16(64)殘差卷積單元C、8*8*8(64)殘差卷積單元D、16*16*16(64)殘差卷積單元E，16*16*16(64)殘差卷積單元E的輸出特征圖與16*16*16(64)殘差卷積單元C輸出特征圖按照通道拼接后輸入至32*32*32(64)殘差卷積單元F，32*32*32(64)殘差卷積單元F輸出特征圖與32*32*32(64)殘差卷積單元B輸出特征圖按照通道拼接后，輸入至RPN網絡以實現對輸入圖的肺結節檢測；

訓練肺結節檢測網絡：以2倍采樣頻率對訓練樣本集中的肺結節大于30mm的小塊進行采樣，以6倍采樣頻率對訓練樣集本中的肺結節大于40mm的小塊進行采樣，其他尺寸的肺結節以正常采樣頻率采樣，將采樣后的訓練樣本輸入到肺結節檢測網絡，以肺結節檢測網絡的預測輸出與真實輸出的誤差收斂為目標，對肺結節檢測網絡進行訓練，獲得肺結節檢測裝置。

本發明建立的肺結節檢測裝置的肺結節檢測效果準確，且計算開銷小。

其中，所述將采集的三維肺部CT圖像裁剪成大量的立方體小塊包括：

根據以下條件對三維肺部CT圖像進行裁剪：

條件一：70％立方體小塊中至少包含一個肺結節目標；

條件二：30％立方體小塊中從整個肺部中隨機選取；

若立方體小塊包含的區域超過了肺部，則用CT圖像中無意義值170填充非肺部區域；