[发明专利]一种基于卷积神经网络的肺栓塞检测系统

权利要求书

1.一种基于卷积神经网络的肺栓塞检测系统，其特征在于，所述系统包括候选区域提取网络、3D仿射变换网络和假阳预测筛查网络，其中：

所述候选区域提取网络是一个使用了带有跳跃连接的自动编码解码的全卷积网络，其通过引入锚点来保证准确地检测不同大小的候选区域，通过所述候选区域提取网络对待检测计算机断层扫描肺血管造影图像进行候选区域提取，得到多个不同大小的假阳性候选区域；训练所述候选区域提取网络的目标函数为：其中分类损失函数L_cls是二类交叉熵损失，回归损失函数L_reg为平滑L1损失函数，N_cls表示每次迭代的批样本数的大小，N_reg表示的是每次迭代中标签为正的锚点的数量，λ是权重系数i代表每个批次中的第i个锚点，p_i和表示某个锚点包含肺栓塞的概率和真实值标签t_i和表示预测的位置相对锚点的偏差，与真实值中肺栓塞相对锚点的偏差，包含四个值：(x,y,z,d)表示候选区域中心的预测坐标或者它的真实值坐标和边长，(x_a,y_a,z_a,d_a)表示的是锚点的坐标和边长；

所述3D仿射变换网络，用于从多个不同大小的假阳性候选区域中产生血管对齐的、大小固定的立方体并取出它们三个正交层；所述3D仿射变换网络从原始的CTPA和对应的特征图中截取出候选区域C_ori和C_feat，设置一个预设阈值对原图进行二值化，并对于C_ori使用主成分分析来求出三个对应的特征向量(v₁,v₂,v₃)和他们对应的特征值λ₁≥λ₂≥λ₃，特征向量v₁代表的就是血管延伸的方向，v₂和v₃代表的是血管横截面上两个正交的方向，并利用特征向量(v₁,v₂,v₃)对C_feat进行变换得到血管对齐的特征图C′_feat；把血管对齐的特征图C′_feat输入到3D感兴趣区域采样层，将不同大小的C′_feat进行采样，获得一个固定大小的特征图来用于假阳预测筛查；

所述假阳预测筛查网络，将所述3D仿射变换网络得到的三个正交层作为一张待检测计算机断层扫描肺血管造影图像的三个通道，输入到一个包含2个全连接层的2D分类网络进行假阳预测筛查，如果一个候选区域的中心落在了某个栓子中，就认为它是正类，反之认为它是负类。

2.如权利要求1所述的基于卷积神经网络的肺栓塞检测系统，其特征在于，所述全卷积网络使用带有跳跃连接的自动编码解码网络，其中编码器的最开始是两个3D卷积层和一个最大池化层，然后使用了四个残差模块，在解码器中，使用了两个反卷积层和两个残差模块对特征图进行上采样，在编码器的最后两个残差模块和其对应的解码器中残差模块之间使用了跳跃连接。

3.如权利要求1或2所述的基于卷积神经网络的肺栓塞检测系统，其特征在于，在输入候选区域提取网络之前，把整个计算机断层扫描肺血管造影CTPA分为大小为96×96×96的重叠的立方体，重叠区域为32体素值，所述立方体通过所述候选区域提取网络生成候选特征图。

4.如权利要求3所述的基于卷积神经网络的肺栓塞检测系统，其特征在于，将每个立方体的位置信息封装为[3,24,24,24]的四维向量，与最后一层残差层输入在第一维度上进行连接，形成尺寸为[131,24,24,24]的特征图，输入到最后一层网络中，得到3D全卷积神经网络的最后输出特征图，尺寸为[128,24,24,24]。