[发明专利]基于Mask-RCNN神经网络的肺结节分割装置的建立方法

权利要求书

1.一种基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，所述建立方法包括：

建立训练样本：首先，将采集的三维肺部CT图像裁剪成大量的立方体小块，然后，采用数据增强方法处理立方体小块，最后，采用难分负样本挖掘方法对增强处理后的立方体小块进行处理，获得最难区分的2n个负样本和n个正样本组成训练样本集；

建立肺结节分割网络：所述肺结节分割网络包括依次连接的输入层、第一最大池化层、64*64*64卷积层、第二最大池化层、32*32*32稠密块层、第三最大池化层、16*16*16稠密块层，16*16*16稠密块层输出的16*16*16特征图经过上采样与32*32*32稠密块层输出的32*32*32特征图进行特征融合，特征融合后的32*32*32特征图经POL池化层后，输入到RPN网络，实现对32*32*32特征图的肺结节预测和分割；

其中，16*16*16稠密块层的结构与32*32*32稠密块层的结构相同，包括依次连接的特征提取组A、B、C、D，每个特征提取组均包括依次连接的BN层、RELU函数、CONV层、BN层、RELU函数、CONV层，每个特征提取组的输出除了作为与其相邻的特征提取组的输入外，还连接到其后的所有特征提取组的输出，使最后一个特征提取组的输出融合了所有特征提取组的所有输出；

对于特征提取组A，特征提取组A的输出除了作为特征提取组B的输入外，还连接到特征提取组B、C、D的输出；对于特征提取组B，特征提取组B的输出除了作为特征提取组C的输入外，还连接到特征提取组C、D的输出；对于特征提取组C，特征提取组C的输出除了作为特征提取组D的输入外，还连接到特征提取组D的输出；

训练肺结节分割网络：以2倍采样频率对训练样本集中的肺结节大于30mm的小块进行采样，以6倍采样频率对训练样集本中的肺结节大于40mm的小块进行采样，其他尺寸的肺结节以正常采样频率采样，将采样后的训练样本输入到肺结节分割网络，以肺结节分割网络的预测输出与真实输出的误差收敛为目标，对肺结节分割网络进行训练，获得肺结节分割装置。

2.如权利要求1所述的基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，所述将采集的三维肺部CT图像裁剪成大量的立方体小块包括：

根据以下条件对三维肺部CT图像进行裁剪：

条件一：70％立方体小块中至少包含一个肺结节目标；

条件二：30％立方体小块中从整个肺部中随机选取；

若立方体小块包含的区域超过了肺部，则用CT图像中无意义值170填充非肺部区域；

以肺结节区域的像素作为正样本，其他区域的像素作为负样本。

3.如权利要求2所述的基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，采用难分负样本挖掘方法对增强处理后的立方体小块进行处理，获得最难区分的2n个负样本和n个正样本组成训练样本集包括：

首先，采用肺结节分割网络对增强处理后的立方体小块进行计算，输出每个像素的分类置信度，分类置信度越接近1，表示立方体小块中含有肺结节的概率越高，分类置信度越接近0，表示立方体小块中不含有肺结节的概率越高；

然后，计算分类置信度与真值标签之差的绝对值，该绝对值越大，表示该负样本越难被网络区分；

最后，选择最难以被区分的2n个负样本和n个正样本组成训练样本集。

4.如权利要求1所述的基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，所述RPN网络的损失函数为交叉熵损失函数。

5.如权利要求4所述的基于Mask-RCNN神经网络的肺结节分割装置的建立方法，其特征在于，交叉熵损失函数的收敛条件为：连续3个epoch的交叉熵损失函数C的平均值均低于前一个epoch的损失函数值。