[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

说明书

本发明公开了一种基于神经网络的计算机辅助肺结节自动分割方法，属于肺结节自动分割领域。本发明包括：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；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；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目标函数；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。通过本发明的上述方法，能够实现更好地肺结节分割效果，适用于实际临床中的肺结节分割任务。

技术领域

本发明涉及肺结节自动分割领域，特别涉及一种基于神经网络的计算机辅助肺结节自动分割方法。

背景技术

肺癌是全球癌症死亡率最高的一种恶性肿瘤疾病，IA期的肺癌患者，五年生存率可达到90%以上，而一旦肺癌发生转移，IV期肺癌的五年生存率迅速下降到5%。低剂量螺旋计算机断层扫描（CT）可以筛查出可治愈的早期肺癌，因此CT也成为目前最主要的肺癌筛查手段。随着越来越多的人做CT检查，医生读片的负担也越来越重；其次，根据CT图像的特点，医生也仅能通过自己主观印象和经验来联系起连续层面图像的信息，从而建立起主观的肺部组织以及肺结节的位置信息和空间特征，对临床经验不足的医生，这种方式会降低病灶性质分析的准确性；另外，根据肺癌诊断指南，对于早期发现的直径较小磨玻璃结节，要求患者定期进行随访，目前医生对肺结节的体积仅仅是根据经验进行粗略估计，如何做到肺结节病灶区域倍增时间以及实性成分占比的精准的自动计算，也是临床亟待解决的问题。因此，本研究通过机器学习的方法，自动分割出三维CT图像中的肺结节ROI区域，除了对肺结节进行精准的三维重建分析外，也满足了临床医生的实际需求。

肺结节自动分割方法在最近的几年也有广泛的研究，这些方法可以分为基于统计学习的传统肺结节分割方法和基于深度学习的肺结节分割方法。

基于传统的机器学习的肺结节方法，可以对肺结节区域进行粗略的估计和分割，取得一些初步效果。Messay et al. 结合灰度值的阈值和形态特征处理来进行候选肺结节的分割，其平均重合值仅有63%；Kubota et al. 采用区域增长的方法来区分肺结节病灶和背景区域；Keshani et al.采用支持向量机分类器自动检测出CT中的肺结节位置，并自动提取出肺结节的轮廓。

深度学习近几年在自然图像识别的各项任务中都取得了飞速的进步，2012年，AlexNet在ImageNet数据集上将错误率降低到16.4%，深度神经网络得到广泛应用。2014年，VGGNet使用19层深度网络将错误率降到7.3%。GoogleNet提出Inception的结构，通过使用多层Inception结构，采用多个层级的误差函数进一步提高了识别率。2015年，ResNet提出在传统卷积网络上增加一个捷径连接结构，该结构能够减少模型训练过程中的梯度消失。最终一个152层的ResNet将ImageNet的识别率降低到3.57%。由于二维卷积神经网络在包含空间信息的三维数据中表现的空间特征提取的局限性，研究者提出采用三维卷积神经网络应用在三维数据中，从而在三维目标识别任务中取得巨大进步。

现有方法中，研究者也有将深度学习方法应用于肺结节分割任务中：Tong et al.提出在U-Net分割网络中加入残差连接，有效的提升了肺结节分割的效果；Chen et al. 在编码器和解码器之间加入 ASPP模块，使得网络模型能够应对肺结节大小和肺结节上下文空间信息的变化，在不同大小的肺结节的分割效果上都保持鲁棒性；另外，为了提取三维肺结节的空间信息，Wang et al. 从一个三维的肺结节的立方体取得多个二维图像，每个二维图像作为一个二维卷积网络的输入，然后将多个二维子网络集成，以此方式提取三维数据的空间特征。

实际上，肺结节病灶本身及其边缘、密度、纹理等特征，以及肺结节周围的解剖学环境有着很大的变化，某些组织（血管，肺实质以外的实性组织）也有着相似的灰度值和特征，对于有血管集束和胸膜牵拉的肺结节，基于传统机器学习的肺结节分割方法难以精准分割出这样的肺结节的区域。因此，传统机器学习方法很难在复杂的实际应用场景中取得满意的效果。