[发明专利]一种基于3D卷积神经网络的肺结节检测装置的建立方法

权利要求书

1.一种基于3D卷积神经网络的肺结节检测装置的建立方法，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；

建立肺结节检测网络：所述肺结节分割网络包括依次连接的128*128*128(24)卷积单元、64*64*64(32)残差卷积单元A、32*32*32(64)残差卷积单元B、16*16*16(64)残差卷积单元C、8*8*8(64)残差卷积单元D、16*16*16(64)残差卷积单元E，16*16*16(64)残差卷积单元E的输出特征图与16*16*16(64)残差卷积单元C输出特征图按照通道拼接后输入至32*32*32(64)残差卷积单元F，32*32*32(64)残差卷积单元F输出特征图与32*32*32(64)残差卷积单元B输出特征图按照通道拼接后，输入至RPN网络以实现对输入图的肺结节检测；

训练肺结节检测网络：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检测网络，以肺结节检测网络的预测输出与真实输出的误差收敛为目标，对肺结节检测网络进行训练，获得肺结节检测装置；

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，采用肺结节检测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。

2.如权利要求1所述的基于3D卷积神经网络的肺结节检测装置的建立方法，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1所述的基于3D卷积神经网络的肺结节检测装置的建立方法，其特征在于，所述64*64*64(32)残差卷积单元A中包含三个依次连接的32维输入的残差单元I；

每个残差单元I包括依次连接的32维输入、8维输出、卷积核为1×1的卷积层，8维输入、8维输出、卷积核为3×3的卷积层，8维输入、32维输出、卷积核为1×1的卷积层，每个卷积层均用于特征提取，三个卷积层级联的输出特征图和输入特征图间相加后，再经过RELU函数激活。

4.如权利要求1所述的基于3D卷积神经网络的肺结节检测装置的建立方法，其特征在于，所述32*32*32(64)残差卷积单元B、16*16*16(64)残差卷积单元C、8*8*8(64)残差卷积单元D均包括三个依次连接的64维输入的残差单元II；

每个残差单元II包括依次连接的64维输入、16维输出、卷积核为1×1的卷积层，16维输入、16维输出、卷积核为3×3的卷积层，16维输入、64维输出、卷积核为1×1的卷积层，每个卷积层均用于特征提取，三个卷积层级联的输出特征图和输入特征图间相加后，再经过RELU函数激活。