[发明专利]基于神经网络的计算机辅助肺结节自动分割方法

权利要求书

1.基于神经网络的计算机辅助肺结节自动分割方法，其特征在于，包括如下步骤：

步骤1、准备原始CT图像数据，并对用来训练的肺结节数据进行病灶区域的标定；

步骤2、对原始CT图像数据进行预处理，并对肺结节的空间区域进行截取；

步骤3、构建并训练基于三维残差网络的自编码-解码器和空间金字塔池化结构的分割模型和基于Dice系数的肺结节分割目标函数；

步骤4、使用训练好的模型对检测任务重肺结节进行分割，输出对肺结节病灶区域预测的结果。

2.根据权利要求1所述的基于神经网络的计算机辅助肺结节自动分割方法，其特征在于，步骤1中，在准备原始CT图像数据时，从数据系统导出，导出的数据包含有2000个肺结节的数据。

3.根据权利要求1所述的基于神经网络的计算机辅助肺结节自动分割方法，其特征在于，步骤1中，在对用来训练的肺结节数据进行病灶区域的标定时，采用半自动的方法：对于每一例的CT图像数据，首先使用肺结节自动检测模型检测到肺结节的位置，然后对此检测到的肺结节的区域进行人工勾画，并对模型检测的肺结节进行审核，然后对肺结节表现的影像特征进行交叉标定，每一例CT图像都包含着肺结节的空间位置、直径、以及标定的肺结节病灶区域。

4.根据权利要求2所述的基于神经网络的计算机辅助肺结节自动分割方法，其特征在于，步骤2中，对原始CT图像数据进行预处理具体是指：通过三维样条差值和数值归一化的手段预处理原始CT图像数据，来得到一致的CT体数据；

对肺结节的空间区域进行截取，具体是指：对于每一例CT图像数据，从半自动标注结果中获得的肺结节的位置以及尺寸信息，由位置和尺寸信息，计算出结节的中心点的像素坐标；然后，根据中心点的位置，直接从经过预处理的原始CT图像中截取出64*64*64像素的肺结节数据，以确保肺结节全部都存在于截取出64*64*64像素形成的小立方体中；对于截取区域的边界超出了CT图像的边界的数据，以0值来填充越界的部分，以确保结节的中心在截取图像数据的中心；对于标定的数据存在问题的CT图像，将进行重新标定。

5.根据权利要求1所述的基于神经网络的计算机辅助肺结节自动分割方法，其特征在于，步骤3中，所述分割模型的网络结构包括三维残差自编码-解码器的网络结构和基于空洞卷积的金字塔池化结构；

所述三维残差自编码-解码器的网络结构中，采用U-Net的分割模型结构作为自编码-解码器，使得模型能够将高维的肺结节图像数据编码到低维的特征空间，并能够将特征空间的信息重建为肺结节的分割mask图；

所述基于空洞卷积的金字塔池化结构中，在编码器与解码器之间，采用四个具有不同采样率的并行的空洞卷积层，提取编码特征图的多尺度特征，这些特征经过混合后，交给解码器进行分割结果图重建，得到最终的分割mask图。

6.根据权利要求1或4所述的基于神经网络的计算机辅助肺结节自动分割方法，其特征在于，步骤3中，训练所述分割模型时，其具体步骤为：

步骤301、将取得的64*64*64大小的包含整个肺结节的立方体图像，根据肺结节的直径大小并且在每个坐标都扩展8个像素位置，截取出相应的肺结节数据直接输入网络；

步骤302、选择基于Dice系数的肺结节分割目标函数；

步骤303、进行网络训练。

7.根据权利要求6所述的基于神经网络的计算机辅助肺结节自动分割方法，其特征在于，步骤302中，选择基于Dice系数的肺结节分割目标函数时：

首先，任务采用Dice系数作为评价指标，其定义为：

；

其中，A和B分别表示两个轮廓区域所包含的点集，用来评价给定的标签结果和模型的预测结果的一致性；

其次，直接优化该评价指标，指导网络模型进行训练，这个目标函数称为Dice Loss，其定义为：

；

其中，与分别表示标签特征图和预测特征图，表示标签特征图与预测特征图之间像素级的对位相乘，N为训练数据的数量，表示平滑系数，用来避免分母为0的情况，n表示数据样本的索引。