[发明专利]一种检测肺结节的系统及方法

权利要求书

1.一种检测肺结节的系统，其特征在于，包括：

图像预处理模块，用于对原始三维CT图像进行预处理，获取标准CT图像；

三维RPN网络模型，用于从所述图像预处理模块输出的标准CT图像中检测出第一候选肺结节；

三维胶囊网络模型，用于对所述三维RPN网络模型输出的第一候选肺结节进行假阳性肺结节筛查，获取肺结节检测结果；

筛选模块，用于采用NMS算法对所述三维RPN网络模型输出的第一候选肺结节进行筛选，获取第二候选肺结节；所述三维胶囊网络模型用于对所述筛选模块输出的第二候选肺结节进行假阳性肺结节筛查，获取肺结节检测结果；

所述三维RPN网络模型为三维18层残差神经网络；所述三维18层残差神经网络包括：三维卷积层，三维池化层，捷径连接层；所述三维卷积层输出的最后一层的特征映射大小为32×32×32；所述三维18层残差神经网络的锚点为球体，所述锚点的尺度用于描述肺结节的直径；所述锚点的尺度包括：6mm，20mm，36mm；

三维18层残差神经网络训练模块，用于对所述三维18层残差神经网络进行训练；所述对所述三维18层残差神经网络进行训练包括：从预设的标准CT图像中选取第一正样本和第一负样本；设置所述三维18层残差神经网络的输入参数；设置所述三维18层残差神经网络的分类学习误差和回归学习误差，所述分类学习误差用于判断每一个所述锚点是否为肺结节，所述回归学习误差用于对所述分类学习误差判断出的肺结节的信息进行回归学习；根据所述第一正样本和第一负样本、所述三维18层残差神经网络的输入参数、所述分类学习误差和回归学习误差，采用BP反馈传播算法，对所述三维18层残差神经网络进行训练；

三维RPN网络模型的训练分为以下几个步骤：

a)难分样本挖掘：网络训练使用的第一正样本为标定的肺结节，第一负样本为除开这些标定位置的其他与标定位置不重叠的坐标位置,使用在线的负样本筛选机制:通过先设置一个第一负样本总量N，然后使用三维RPN网络模型判断哪些第一负样本不能与第一正样本区分，然后从中选取n个作为负样本集进行训练，设置N＝600，n＝2；

b)网络输入：网络的训练数据为标定的肺结节和计算得到的肺结节中心点位置与肺结节直径；训练三维RPN网络阶段将标准CT图像固定为128×128×128的大小；标准CT图像在输入到网络之前，图像将先经过裁剪，翻转，平移，缩放进行数据增广，然后每一例标准CT图像都输入到三维RPN网络中得到64个32×32×32的特征映射；

c)Cross Entropy分类学习误差和L1-norm回归学习误差：对设置的每一个锚点采用一个Cross Entropy分类学习误差和一个L1-norm回归学习误差；设定一个计算所得的目标信息为元组(g_x,g_y,g_z,g_d)以及一个锚点的位置信息为元组(a_x,a_y,a_z,a_d)，其中下标x,y,z分别表示三维CT图像的三个维度，下标d代表直径的大小，单位为mm,体积的交并比被用来衡量一个锚点位置是否为肺结节,如果一个锚点位置坐标和任何一个目标的交并比大于阈值0.5，则认为是正样本，如果小于阈值0.02则作为负样本，其他的锚点训练时不提供学习误差；设定目标为肺结节的概率为p＝1，目标为肺部背景的概率为p＝0；设定锚点的预测概率为q，分类学习误差为:

L_cls＝p log(q)+(1-p)log(1-q)

目标的回归目标定义为:

对应的预测结果为(m'_x,m'_y,m'_z,m'_d)；回归学习误差定义为:

其中,L1-norm误差函数为:

网络整体的学习误差为:

L_total＝L_cls+L_reg；

d)网络训练：网络设置学习率为0.01，学习率每经过20个学习迭代之后衰减十倍；卷积权值使用高斯分布初始化；一次训练批次设置为24，学习迭代次数为100；网络训练采用BP反馈传播算法，同时使用分类误差区分当前锚点是肺结节还是肺部背景，使用回归误差对肺结节的中心坐标和直径进行回归学习；网络学习针对每个批次更新一次参数，每一次迭代学习之后，模型判断肺结节检测结果的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前模型，然后继续训练，直到达到最大迭代次数。