[發明專利]基于三維卷積神經網絡的肺結節檢測方法

有效

• 申請號: 201810891156.1
• 申請日: 2018-08-03
• 公開（公告）號: CN109102502B
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 李映;曹瑩;劉凌毅;汪亦文;王鵬
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06T7/155
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 劉新瓊

本發明涉及一種基于三維卷積神經網絡的肺結節檢測方法，采用了特征金字塔和注意力機制的網絡結構，融合了低層高分辨率的特征和高層抽象特征，并使得網絡集中注意于有目標的區域。采用了三維卷積神經網絡的檢測方法，端對端的進行肺結節檢測，降低了時間開銷，并且相較于傳統的方法提高了結節檢測的召回率和平均準確率。

技術領域

本發明屬于醫學圖像處理技術領域，涉及一種在肺部切片數據中檢測肺結節的方法，具體來說是一種基于三維卷積神經網絡的肺結節檢測方法。

背景技術

癌癥一直嚴重威脅著人類的生命健康，其中，由肺癌引發的死亡在所有癌癥發病及死亡中占首位。而肺癌的生存率與發現的時機很相關，肺癌中晚期時，治療費用高且效果不佳。早期的肺癌大多數無明顯癥狀，常常以肺結節形式表現。據報道，肺結節盡早地被發現并治療，肺癌的生存率會提高很多。因此，盡早的對肺結節進行檢測和診斷是提升患者生存幾率的關鍵。

CT圖像是醫生診斷肺部疾病的主要依據。目前，大部分針對CT數據的計算機輔助系統均采用了2D的特征，如邊緣形態，邊緣周長等。但是在2D特征中，肺部的血管、支氣管等組織與肺結節很相似，從而對結節的檢測產生了影響。而CT數據本質上就有3D的結構，是由一系列切片構成的，并且在3D空間中肺結節的形狀與球體相近，而血管和支氣管等組織會呈現延伸的形態，有著明顯的差異。因此，將3D特征應用在肺結節檢測中已經是CT圖像研究的主流。

近年來，隨著大數據和人工智能的發展，深度學習的研究不斷地深入，為圖像處理的相關領域也帶來了巨大的變革。醫療診斷也開始涉足這一領域，將大數據驅動的深度學習應用于肺結節診斷中，對于緩解醫療資源和醫患矛盾等均具有重大的意義。深度神經網絡可以從數據本身出發，主動學習到CT數據的抽象特征，比起手工提取的特征，可以更好的表征數據本身。也因此，基于卷積神經網絡(CNN)的技術也成為了肺結節檢測方法的主流。

傳統的檢測方法可以分為兩步，第一步，尋找待分類的疑似結節區域，主要目的是盡可能地找出包含所有結節的疑似區域，主要采用一些閾值法，分割算法等完成；第二步是對疑似結節的區域進行篩選，主要是建立一個分類器，對上一步的區域進行特征提取，接著將特征輸入分類器，由分類器鑒別是否是結節。基于深度學習的肺結節檢測最常見的是兩階段的方法，首先對原始CT圖像做候選檢測，提取候選目標；其次對候選目標進行二分類，并進行位置的回歸，如基于區域的卷積神經網絡(Region-based Convolutional NeuralNetwork，RCNN)系列的算法。但是RCNN系列的方法訓練比較耗時，為了滿足肺結節檢測系統的實時性和可用性，設計一個快速高效的肺結節檢測方法便具有很現實的意義。

發明內容

要解決的技術問題

為了克服傳統的基于2D手工特征的肺結節檢測方法沒有利用到CT數據本質是3D結構的性質，從而影響檢測召回率的問題。本發明替代了傳統的手工特征，采用深度神經網絡從3D肺部CT數據中學習更為抽象的特征。針對于RCNN系列的兩階段訓練耗時問題，本發明采用了一階段的檢測框架，提出了一種基于特征金字塔網絡(Feature PyramidNetwork，FPN)和注意力機制(Attention)的網絡結構。FPN的結構使得網絡既采用了低層高分辨率的特征，也采用了高層的抽象特征，而低層高分辨率的特征對于檢測小的肺結節很有幫助，高層的抽象特征對于檢測直徑大的結節有很好的幫助。注意力機制使得神經網絡可以專注于輸入中的特定部分，在肺結節檢測中，可以使得神經網絡對疑似結節的區域學習到更大的權重。將兩者結合起來，將預處理過的CT數據輸入定義好的網絡結構中，輸出檢測到的結節位置、直徑以及當前位置是結節的概率，計算出位置回歸和類別的損失，利用誤差的反向傳播算法對整個網絡的參數進行調整，這樣就得到了一個具有高召回率和平均準確率的肺結節檢測系統。

技術方案

一種基于三維卷積神經網絡的肺結節檢測方法，其特征在于步驟如下：

步驟1：對肺部CT數據進行預處理：