[发明专利]基于2D卷积神经网络的肺结节检测方法

权利要求书

1.一种基于2D卷积神经网络的肺结节检测方法，其特征在于，包括：

对训练集中每一CT图像，根据标注的结节位置，提取过结节中心的切片图像、以及其上下相邻两个切片图像；针对每一种切片图像，训练一个疑似肺结节检测模型：首先，输入至特征提取网络，通过判断是否是结节的二分类输出以及边界框预测，获得结节的建议区域；然后，将获得的建议区域输入到RoI pooling层进行特征图的尺寸标准化处理；最后，通过两个全连接层输出至分类概率预测层与边界框预测层；

对于训练数据中正负样本做预处理来平衡正负样本的比例，之后，还利用预筛选模型对于预处理后的负样本进行分类，筛选出分类错误的负样本；再利用预处理与筛选后的训练数据来训练出三个弱分类模型；其中，对训练数据中正负样本做预处理的方式如下：对于正样本中的真肺结节，根据肺结节的位置信息(x,y,z)，切取以(x,y,z)为立体中心的块，并对块中不同方向进行结节切片并翻转作为正样本增广；对于负样本中的假结节根据标注的结节位置，仅提取过结节中心的切片图像；

在检测过程中，利用训练好的三个疑似肺结节检测模型对待检测CT图像进行检测，获得的疑似结节的分类概率和其边界框，再利用训练好的三个弱分类模型，进行分类，对三个弱分类模型的分类结果进行多数投票选出最终的分类结果。

2.根据权利要求1所述的一种基于2D卷积神经网络的肺结节检测方法，其特征在于，

在训练疑似肺结节检测模型时，获取包含包含2N个子集的数据集，每次从中选出2N-1个子集作为训练集来训练特征提取网络，剩余的1个子集作为测试集，采用交叉验证的方式，最后合并2N次测试结果；

训练三个弱分类模型时，获取包含10个子集的数据集，每次选出1个子集作为测试数据，其他9子集划分为3组数据作为训练数据。

3.根据权利要求1所述的一种基于2D卷积神经网络的肺结节检测方法，其特征在于，所述特征提取网络为VGG16网络；其包含有若干卷积层，最后一个卷积层之后设有一反卷积层；

将第三卷积层与反卷积层分别连接一个区域建议网络，利用这两个区域建议网络，来获得结节的建议区域：每一个区域建议网络等效于使用一个m×m的滑动窗口在相应的第三卷积层或反卷积层产生的特征图上进行滑动，在每个滑动窗口位置，进行M种尺度的先验边界框的预测，即对每个滑动窗口位置预测M个区域，每个区域连接到两个输出层，第一个输出层是判断是否是结节的二分类输出，第二个输出层是预测边界框相对于先验边界框的四个坐标的偏置。

4.根据权利要求1所述的一种基于2D卷积神经网络的肺结节检测方法，其特征在于，将获得的建议区域输入到RoI pooling层进行特征图的尺寸标准化处理包括：

RoI pooling层首先截取建议区域在反卷积层对应的特征图上的区域，然后对截取的区域进行Max pooling，从而对尺寸大小不一样的建议区域，产生固定大小的特征图输出。

5.根据权利要求1-4任一项所述的一种基于2D卷积神经网络的肺结节检测方法，其特征在于，

模型参数初始化采用ImageNet上预训练的VGG16，然后对模型参数进行更新，用于更新该模型参数的损失函数定义为：

其中，L₁为最终肺结节检测产生的损失，L₂为区域建议网络的产生的损失；p_i表示第i个建议区域为结节的概率，t_i表示第i个建议区域对应的边界框坐标偏置向量；和是训练样本的真实标签和坐标；和表示特征提取网络中第k个区域建议网络输出的坐标偏置向量与否是结节的二分类输出结果；分别表示第j个先验边界框预测的是否为肺结节的二分类输出结果和真实标签，分别表示第j个先验边界框预测的坐标偏置向量和真实的坐标偏置；L_cls表示分类产生的损失，λ表示平衡因子，L_reg表示边界框回归的损失，N_cls表示参与分类计算的样本数量，N_reg表示参与边界框回归计算的样本数量。