[發明專利]基于三維殘差網絡的圖像檢測系統及方法

在審

• 申請號: 201810117477.6
• 申請日: 2018-02-06
• 公開（公告）號: CN108288271A
• 公開（公告）日: 2018-07-17
• 發明（設計）人: 沈耀;陳靜;過敏意
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/187
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

一種基于三維殘差網絡的圖像檢測系統及方法，包括：預處理模塊、網絡訓練模塊、候選圖生成模塊以及多維度殘差網絡識別模塊，本發明基于Faster?RCNN網絡的分割網絡實現候選結節的獲取，使用多維度的3D殘差網絡實現假陽性減少，為適應結節大小變化范圍廣的特發，設計了三種輸入大小的Resnet3D，并使用權重的方式組合三種網絡，獲得組合概率，實現利用CT圖像提高肺結節檢出率，減少假陽性結節。

技術領域

本發明涉及的是一種圖像處理領域的技術，具體是一種基于三維殘差網絡(Resnet3D)的圖像檢測系統及方法。

背景技術

傳統的統計機器學習方法通過提取圖像的紋理，顏色，灰度等預先定義好的圖像特征，在使用分類算法比如徑向支持向量機進行分類，傳統的方法在圖像處理方面已經比較成熟了，并取得了一定的成果，在進行CT圖像的預處理之后，檢測肺結節系統通常分為兩步，第一步獲取候選結節，檢測出CT圖像中存在結節的區域，此步驟會產生大量的假陽性結節，第二步是真假陽性的分類，從候選結節中篩選出陽性結節，減少假陽性結節的存在。與傳統的機器學習方法相比，深度學習不需要手動設置的特征提取器，并已經在許多視覺對象識別應用中顯示出優越的性能。

發明內容

本發明針對現有技術存在的上述不足，提出一種基于三維殘差網絡的圖像檢測系統及方法，基于Faster-RCNN網絡的分割網絡實現候選結節的獲取，使用多維度的3D殘差網絡實現假陽性減少，為適應結節大小變化范圍廣的特發，設計了三種輸入大小的Resnet3D，并使用權重的方式組合三種網絡，獲得組合概率，實現利用CT圖像提高肺結節檢出率，減少假陽性結節。

本發明是通過以下技術方案實現的：

本發明涉及一種基于三維殘差網絡的圖像檢測系統，包括：預處理模塊、候選結節選取模塊以及假陽性篩選模塊，其中：預處理模塊是對數據集進行整理和提取，基于Faster-RCNN的候選結節模塊使用預處理模塊的數據集，進行網絡模型訓練，生成候選結節，基于多維度殘差網絡的使用候選結節選取模塊得到的候選結節進行網絡訓練。

本發明涉及上述圖像檢測系統的檢測方法，其具體步驟如下：

步驟1)對CT圖像進行預處理，即對CT圖像依次進行重采樣、提取肺實質和CT圖像歸一化。

所述的重采樣是指：重采樣是為了實現圖像的像素間隔統一，采用1mm對應1個像素的統一像素間隔，獲取CT圖像的像素間隔信息，通過三維線性插值方式，根據不同CT圖像的像素間隔信息，對圖像進行相應縮放操作，實現所有圖像的像素間隔統一；

所述的提取肺實質是指：對肺部CT圖像進行二值分割，對圖像進行消除邊界，去除空氣成分，對二值化的圖像中的連通區域進行篩選，選出面積最大的兩塊連通區域作為肺葉的輪廓，對肺葉內部的空白區域進行填充，消除肺內氣泡的影響，保證肺內部組織能夠完整的保留下來，對肺部邊緣進行平滑處理，并保留邊緣部位，防止遺漏肺部邊緣的結節。

所述的CT圖像歸一化是指：重采樣之后的CT圖像的數值范圍是[-2000、3000]，其單位是亨氏單位，肺實質以及內部組織的數值范圍通常在[-1000，4000]亨氏單位之間，因此將數值小于-1000的設置為-1000，數值大于400的數值設置為400，接下來對CT圖像的每個像素值進行歸一化，計算第i張CT切片的均值為M_i，標準差為S_i，按照I_i＝(I_i-M_i)/S_i計算圖像的值，對每張圖像都進行歸一化。歸一化是為了避免結節信號強度的不一致，造成特征信息提取的不準確。

步驟2)訓練基于Faster-RCNN的分割網絡并實現結節的區域選取，然后使用圖像處理方法修正候選結節的區域，具體包括：

2.1)在訓練Faster-RCNN網絡時，使用優化后的損失函數進行反向傳播以避免由負樣本數量過多導致誤差函數被其主導；