[發明專利]一種基于三維CT影像的肺結節檢測方法

在審

• 申請號: 202011455228.1
• 申請日: 2020-12-10
• 公開（公告）號: CN112634210A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 尹宏鵬;柴毅;湯鵬;李莉建;金邦;朱瑩瑩
• 申請（專利權）人: 重慶大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

本發明涉及一種基于三維CT影像的肺結節檢測方法，屬于圖像處理領域。該方法包括以下步驟：S1：構建數據集及其預處理；S2：搭建肺結節檢測訓練模型；S3：使用經過強化的CT圖像數據集訓練網絡模型；S4：使用訓練完成的網絡模型在測試集上進行預測。采用多種CT圖像數據增強方法和新型深度卷積神經網絡結構，充分利用三維肺部CT影像的空間信息，優化神經網絡參數規模，既保證了各尺寸等級肺結節檢測的查準率和查全率，也明顯提升了檢測效率，使得算法的實用性有了巨大提升。

技術領域

本發明屬于圖像處理領域，涉及一種基于三維CT影像的肺結節檢測方法。

背景技術

近年來深度學習在計算機視覺領域的巨大成功，吸引了大量研究者致力于探索基于深度神經網絡的早期肺癌診斷方法，其中深度卷積神經網絡已經在肺結節檢測相關研究中被廣泛運用。

目前，以基于深度卷積神經網絡為基礎的肺結節檢測方法已經有了較好的準確率，但是仍然普遍存在一些技術上的不足，從而限制了這些肺結節檢測方法在實際臨床診斷中的大規模應用。這些不足主要體現在以下幾個方面。

(1)部分肺結節檢測方法僅僅針對二維的肺部CT影像，雖然通過一些方法可以利用部分三維信息，但是仍然不充分，因此存在著漏檢誤檢率較高的問題；

(2)部分肺結節檢測方法雖然基于三維CT影像取得了較為優良的敏感度和特異度，但是由于其深度神經網絡結構復雜冗余，計算復雜度居高不下，檢測耗時較長，檢測效率存在不足；

(3)常規的目標檢測算法對肺結節多尺度信息利用不足，通常對較大尺寸的肺結節有著不錯的檢出率，對小結節的檢測性能卻不盡人意。

發明內容

有鑒于此，本發明的目的在于提供一種基于三維CT影像的肺結節檢測方法。采用多種CT圖像數據增強方法和新型深度卷積神經網絡結構，充分利用三維肺部CT影像的空間信息，優化神經網絡參數規模，既保證了各尺寸等級肺結節檢測的查準率和查全率，也明顯提升了檢測效率，使得算法的實用性有了巨大提升。

為達到上述目的，本發明提供如下技術方案：

一種基于三維CT影像的肺結節檢測方法，該方法包括以下步驟：

S1：構建數據集及其預處理；

S2：搭建肺結節檢測訓練模型；

S3：使用經過強化的CT圖像數據集訓練網絡模型；

S4：使用訓練完成的網絡模型在測試集上進行預測。

可選的，所述S1具體為：

數據集中.raw文件中的給出的是CT的X射線衰減值，單位為HU，按照空氣衰減值為-1000HU、骨骼衰減值為400HU為參考將衰減值截斷并換算成像素灰度值；

數據集中的.mhd文件中給出的是CT圖像的相關參數，利用.mhd文件中給出的offset和ElementSpacing參數換算標注文件中肺結節的三維坐標；

除通過對CT圖像進行翻轉和旋轉擴充數據集之外，還引入Mosaic數據增強方法，在訓練時將含有肺結節標注的4張CT圖像拼接在一起。

可選的，所述S2具體為：

檢測模型以CSPDarknet53作為骨干網絡BackBone搭建深度神經網絡，在原Darknet的殘差塊添加跨階段部分連接結構CSP；

網絡中對BackBone隱層輸入特征圖的各個通道使用DropBlock正則化方法以防止網絡過擬合；

網絡的特征金字塔環節使用SPP-block實現CT圖像多感受野特征提取以分離出更顯著的多尺度特征；