[发明专利]一种基于神经网络的肺癌筛查方法

权利要求书

1.一种基于神经网络的肺癌筛查方法，其特征在于包括以下步骤：

a)数据准备：准备多个肺部CT图像，肺部CT图像为三维图像，对肺部CT图像中的肺结节的位置进行标注，获取肺结节的病例特征；

b)数据预处理：将肺部区域从肺部CT图像中分割后形成肺部区域和背景区域，将肺部区域切割成多个固定大小的区域；

c)三维RPN网络模型的构建和训练：

c1、根据标注的肺结节的位置坐标，建立三维模型，三维模型中包括三维卷积层、三维池化层，三维模型使用深度残差网络结构，

c2、设置锚点，锚点的维度信息包括：是否为肺结节、肺结节中心的三维坐标、肺结节直径的预测输出，

c3、难分样本挖掘，设置负样本，负样本总量为N，使用模型判断难以与正样本区别的负样本，从中选取n个作为负样本集进行训练，

c4、确定学习误差，对设置的每一个锚点采用一个CrossEntropy分类学习误差和一个L2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)，IoU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IoU大于阈值0.5则认为是正样本，如果小于0.02则作为负样本，设定目标为肺结节的概率为y＝1,目标为背景区域的概率为y＝0，，所以分类的学习误差为

L_cls＝y(log(q))+(1-y)(log(1-q)).

目标的回归目标定义为

设定对应的预测结果为(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

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，IoU为体积的交比并，q为设定锚点的预测概率，

c5、网络训练，设置学习率为0.01，卷积权值使用高斯分布初始化，依次训练批次设置为24，学习迭代次数为100，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背景区域，使用回归误差对肺结节的中心坐标和直径进行回归学习，每个批次均更新一次参数，每次迭代学习后，模型判断肺结节检测结果的总误差大小，若当前误差小于上一个迭代误差，则保存当前模型，直到达到最大迭代次数；

d)根据步骤c，对训练适合不同分辨率的网络模型，构件结合策略；

e)根据步骤c或步骤d得到的模型，对三维CT图像进行肺结节检测，输出肺结节信息，包括肺结节中心点三维坐标以及肺结节的直径大小；

f)根据e得到的肺结节信息，构件基于注意力机制的定性模型。

2.根据权利要求1所述的肺癌筛查方法，其特征在于：步骤b中，将肺部区域从肺部CT图像中分割包括以下步骤：

b1、设定切割阈值；

b2、通过切割阈值对肺部CT二值化处理；

b3、使用清除边界、腐蚀、膨胀的至少一种；

b4、得到肺部区域和背景区域，将肺部区域规范化至0～255之间，将非肺部区域填充170的灰度值。

3.根据权利要求1所述的肺癌筛查方法，其特征在于：步骤b中，将肺部区域切割成多个固定大小的区域时，创建标签记录模型输入与输出之间的大小变化比例。

4.根据权利要求3所述的肺癌筛查方法，其特征在于：将肺部区域切割成多个固定大小的区域后，每一个训练样本内，保留一个正样本进行训练。

5.根据权利要求1所述的肺癌筛查方法，其特征在于：步骤c2中，锚点直径为5mm、20mm、80mm的任一。

6.根据权利要求1所述的肺癌筛查方法，其特征在于：步骤c3中N＝600，n＝2。