[發明專利]一種肺結節CT圖像檢測方法和系統

在審

• 申請號: 202010466463.2
• 申請日: 2020-05-28
• 公開（公告）號: CN111899212A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 王士昭
• 申請（專利權）人: 江蘇君英天達人工智能研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 陳月菊

1.一種肺結節CT圖像檢測方法，其特征在于，所述檢測方法包括：

S1，數據準備：對獲取的數據集進行擴大處理后，手動標注數據集；

S2，生成候選結節檢測網絡：

S21，將基礎網絡修改為resnet-50，去除FC全連接層和分類器，保留剩余的基礎網絡結構作為Faster R-CNN特征提取層，以分別提取得到ResNet_3f特征、ResNet_4d特征和ResNet_5c特征；

S22，在ResNet_3f特征層、ResNet_4d特征層和ResNet_5c特征層之后各自設置一層反卷積層，用于對提取得到的ResNet_3f特征圖、ResNet_4d特征圖和ResNet_5c特征圖進行反卷積處理；

S23，構建三個具有不同錨定框的候選區域生成網絡，一一對應地連接在三個反卷積層之后，用于同時提取得到低層特征和高層特征；

S24，構建互相連接的感興趣區域池化層和分類器，將三個候選區域生成網絡的輸出作為感興趣區域池化層的輸入，完成具有多尺度檢測功能的候選結節檢測網絡的構建；

S3，對生成的候選結節檢測網絡進行調參處理：采用ImageNet圖像初始化權值，采用梯度下降法更新權值；

S4，采用步驟S1中的數據集對調參處理后的候選結節檢測網絡進行訓練；

S5，選取最優的dropout和batchsize值，引入負樣本挖掘技術以優化數據集。

2.根據權利要求1所述的肺結節CT圖像檢測方法，其特征在于，步驟S1中，所述數據準備的過程包括以下步驟：

S11，從國際公開數據庫中獲取一定量的CT圖像作為訓練數據并生成初始數據集，每個訓練數據上的結節均有結節形態描述和主觀結節特征評分；

S12，按照結節尺寸將結節分為大結節、中等結節和小結節；

S13，將標記為大結節的CT圖像的上下兩張CT圖像加入初始數據集，將標記為中等結節的CT圖像的上下一張CT圖像加入初始數據集，以對初始數據集進行擴大處理，生成最終的數據集。

3.根據權利要求1所述的肺結節CT圖像檢測方法，其特征在于，步驟S21中，所述FasterR-CNN特征提取層采用VOC2007數據格式，包含三個文件：以xml格式存儲的肺結節位置信息；用于分配數據集的訓練、驗證和測試比例的txt文檔；采用LabelImg標注且以xml格式存儲的一定量的CT圖像。

4.根據權利要求1所述的肺結節CT圖像檢測方法，其特征在于，步驟S21中，所述FasterR-CNN特征提取層的輸入圖像尺寸為512*512。

5.根據權利要求1所述的肺結節CT圖像檢測方法，其特征在于，步驟S23中，所述構建三個具有不同錨定框的候選區域生成網絡是指：

針對ResNet_3f特征層，構建尺度為(2,4,8)、長寬比為(1:1)的錨定框；

針對ResNet_4f特征層，構建尺度為(4,8,16)、長寬比為(1:1)的錨定框；

針對ResNet_5f特征層，構建尺度為(8,16,32)、長寬比為(1:1)的錨定框。

6.根據權利要求1所述的肺結節CT圖像檢測方法，其特征在于，步驟S3中，所述采用梯度下降法更新權值的過程包括以下四個階段：RPN第一階段、Faster R-CNN第一階段、RPN第二階段和Faster R-CNN第二階段。