[发明专利]一种基于神经网络的肺癌筛查方法

说明书

本发明公开一种基于神经网络的肺癌筛查方法，包括：数据准备，该阶段主要完成数据从医院数据系统导入以及数据的标定；数据预处理，该阶段对数据进行预处理，肺部区域的分割；三维RPN网络的构建，训练，使用采集的数据和标定结果训练RPN网络；训练适合不同分辨率的网络，构建结合策略；使用训练好的模型对输入的三维CT图像进行肺结节检测，输出预测的肺结节信息，包括中心点三维坐标以及肺结节的直径大小；通过第5步给出的中心点的三维坐标以及直径大小，构建基于注意力机制的神经网络，对肺结节的性质进行判定。本发明从检测采用对三维输入直接进行候选结节的检测，这一方法使得候选检测更全面可靠。

技术领域

本发明涉及疾病判断的深度学习领域，尤其涉及一种基于神经网络的肺癌筛查方法。

背景技术

针对肺结节的辅助诊断在最近几年已经被广泛研究，这些研究大多数集中在肺结节的检查方面，真正的着眼于肺结节的定性任务却鲜有研究。目前典型的肺癌筛查方法包括两个步骤：(1)肺结节的检测；(2)结节的定性分析。肺癌的临床表现皆是肺结节，肺结节的特性反应其是否是癌症的程度，本发明的第一步对肺癌的筛查尤其关键，这为肺癌的筛查奠定了一定的基础；结节的定性分析是本发明的第二步骤，该步骤将对癌症的诊断起关键作用，会给临床癌症的早期筛查带了巨大帮助。

现有的肺癌筛查方法，在肺结节的检测部分要么是基于传统的特征设计方法，这些方法提取的特征不仅设计起来十分繁琐，而且所提取的特征的有效性也难以保证；基于神经网络的方法，可以使用神经网络自动地从CT影像中学习肺结节的本质特征，这些方法考虑到了肺结节的尺寸信息，CT影像的上下文背景信息，但是实际的临床中，病人所拍的CT片子包含了不同层厚的CT片子，之前的研究并没有研究从不同分辨率CT中检测肺结节的算法，本发明研究了一种针对不同CT分辨率的算法，来检测肺结节；在肺结节的定性方面，之前的方法都是基于卷积神经网络的应用，或者基于了一些简单的特征维度，鉴别肺结节的良恶性，本发明基于注意力机制，使得神经网络可以将学习的特征聚焦到某些特定的影响组学特征上，进而有效地鉴别肺结节的性质。

发明内容

本发明旨在提供一种基于神经网络的肺癌筛查方法，同时构建了一种基于注意力机制的深度神经网络模型，综合多种影像组学特性，进而有效的判定结节的良恶性，准确地进行肺癌的早期筛查。

本发明所使用的检测、定性模型仅需要两个阶段，检测准确，效率高。

本发明基于区域的以及基于注意力机制的三维卷积神经网络模型都可以提取深层次的本质特征，适合处理三维的CT数据，并基于提取的有效特征检测肺结节以及对结节的性质进行鉴定。

本发明提出的多分辨率的模型可以检测不同层厚CT中的肺结节，首次将注意力机制运用于肺结节定性中，提高模型的对肺结节性质的判别能力。

为达到上述目的，本发明是采用以下技术方案实现的：

本发明公开一种基于神经网络的肺癌筛查方法，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，