[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

说明书

本发明公开了一种基于3D卷积神经网络的肺结节检测装置的建立方法，包括：建立训练样本；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，残差卷积单元E的输出特征图与残差卷积单元C输出特征图按照通道拼接后输入至残差卷积单元F，残差卷积单元F输出特征图与残差卷积单元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，获得肺结节检测装置。

技术领域

本发明属于图像处理领域，具体涉及一种基于3D卷积神经网络的肺结节检测装置的建立方法。

背景技术

现有采用深度学习算法检测肺部CT图中肺结节的方法很多，但是检测精度不高。造成精度不高的主要原因为：

(1)检测阶段的召回率较低于某些特殊类型的肺结节，造成漏检的情况，使得检测精度不高。

(2)肺结节的尺寸不均衡，较小的肺结节容易被忽视。

基于上述两个原因，使得采用深度学习算法检测和分割出来的肺结节典型性和代表性不足。

因此，提高肺结节检测的准确性和训练网络分割出更具代表性的结节成为了急需解决的问题。

发明内容

本发明的目的是提供一种基于3D卷积神经网络的肺结节检测装置的建立方法。该方法建立的装置能够更加准确、快速地检测和确定肺部CT中的肺结节的三维图像。

为实现上述发明目的，本发明提供以下技术方案：

一种基于3D卷积神经网络的肺结节检测装置的建立方法，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。

本发明建立的肺结节检测装置的肺结节检测效果准确，且计算开销小。

其中，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；