[發明專利]一種基于卷積神經網絡的肺結節檢測方法

在審

• 申請號: 202011087517.0
• 申請日: 2020-10-13
• 公開（公告）號: CN112258461A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 肖志勇;錢寶鑫
• 申請（專利權）人: 江南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/194;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 劉秋彤;梅洪玉

一種基于卷積神經網絡的肺結節檢測方法，屬于深度學習圖像檢測領域。本發明提取完肺實質后，不僅可以有效提高神經網絡的對目標區域的關注，而且可以有效降低參數數量。在完成初步的候選結節檢測的步驟后，選取了靠近肺結節中心的目標區域做結節檢測，縮小了整體檢測的范圍，得到了比較準確的分類效果，提高了分類的性能。

技術領域

本發明屬于深度學習圖像檢測領域，涉及一種基于卷積神經網絡的肺結節檢測方法。

背景技術

早期的肺結節通常很小，沒有固定的形狀，因此肉眼難以辨別，當良性肺結節不斷發展成惡性肺結節，肺癌由此產生。現實中，通常通過肺部CT圖像來檢測肺結節。肺結節作為肺癌的早期表現，檢測肺結節對預測肺癌有重大的意義。然而，肺結節體積小，傳統的C影像肺結節檢測方法不僅步驟繁瑣、處理速度慢；臨床上肺結節檢測方法為醫師通過觀察肺部的CT圖像，來識別病人是否有肺結節，而通常一個病人的完整CT序列數量較多，工作量大，易被遺漏。因此，發明一種自動檢測肺結節的方法尤為重要。

隨著深度學習卷積神經網絡的不斷發展，越來越多的醫學疾病領域可以借助卷積神經網絡來研究，尤其是對于微小病灶的檢測與分割，卷積神經網絡有著更好地檢測分類效果。

發明內容

為了解決現有問題，檢測出體積較小，形狀不一的肺結節，并且從真陽性結節中篩選出假陽性結節，本發明提供一個基于卷積神經網絡的肺結節檢測方法，用于協助醫生進行肺部疾病診斷，實現更快、更準確地檢測患者肺部疾病。為了實現上述目的，本發明采用的技術方案：

一種基于卷積神經網絡的肺結節檢測方法，步驟包括：

第一步：分割出肺實質

1.1使用3D-Unet網絡對原CT圖像進行分割，得到肺實質三維圖像。1.2將得到的肺實質三維圖像按Z軸切分成二維切片圖像。

1.3將得到的二維切片圖像按照目標檢測中主流的VOC2007數據集格式制作成新的數據集。

第二步：構建肺結節檢測網絡

將得到的數據集送入到目標檢測網絡Faster R-CNN中，檢測出包含肺結節的區域，獲得候選結節，具體如下：

2.1將數據集中的圖片輸入特征提取網絡，進行主干特征的提取，

2.2利用區域生成網絡RPN，進行包圍框第一次修正，區分背景與肺結節。

2.3利用ROI Pooling層進行包圍框的二次修正，獲得候選肺結節。

第三步：構建肺結節分類網絡

3.1將含有候選肺結節的圖像通過計算坐標之間的歐氏距離將其合并，獲得較小的三維CT圖像。

3.2將此較小的三維圖像送入到3D卷積神經網絡進行肺結節假陽性的篩選。

第四步：模型訓練

將部分數據集作為訓練集送入到模型中，使用優化器更新參數，對網絡進行優化，對學習率進行自動調參，得到訓練完成的分類網絡。

第五步：模型預測與評估

將剩下的數據集作為測試集送入第四步已經訓練好的模型中測試，得出分類結果。

采用上述技術方案帶來的有益效果：

提取完肺實質后，不僅可以有效提高神經網絡的對目標區域的關注，而且可以有效降低參數數量。在完成初步的候選結節檢測的步驟后，選取了靠近肺結節中心的目標區域做結節檢測，縮小了整體檢測的范圍，得到了比較準確的分類效果，提高了分類的性能。

附圖說明

圖1為本發明的流程圖。