[发明专利]基于3D残差网络的肺结节图像分类方法

说明书

本发明结合了3D卷积神经网络和残差网络的优点，针对肺结节检测的现状，公开了基于3D残差网络的肺结节图像分类方法。步骤1：肺部CT图像数据预处理；步骤2：运用数据集训练3D残差网络；步骤3：通过训练好的3D残差网络进行肺结节识别与分类。本发明充分利用了肺部CT图像的空间特征，利用残差网络可以加深网络深度获得更好的分类性能，准确率高，操作简单，提升工作效率。

技术领域

本发明属于计算机辅助检测领域，特别涉及基于3D残差网络的肺结节图像分类方法。

背景技术

肺癌是世界范围内死亡率最高的癌症，肺癌的生存率与首次诊断时的疾病阶段高度相关，诊断发现早期肺癌会大大提高患者的生存几率。但是早期肺癌多无明显症状，NLST实验指出使用小剂量的扫描CT来进行高危肺癌筛选相比于胸部X射线筛选更为有效，可以把七年死亡率降低20％。但大量的扫描CT需要放射医师进行分析诊断，但CT影像中肺结节，种类繁多，结构各异，体积较小，尺寸和位置千变万化，且不同的周边环境使得不同种类的肺结节变得更加多元化，一些假阳性候选肺结节与真实结节有相似的形态，容易与肺内气管，血管等组织粘连混淆，所以放射医师很难高效的用肉眼检测出早期肺癌结节。

随着深度学习技术的不断成熟以及深度卷积网络在图像领域的巨大成功，将卷积神经网络应用于CT图像肺结节的检测中，取得了大量的研究成果，基于深度学习的肺结节检测方法取得了更好的性能，神经网络自主学习的高效特征，能够更有效区分真实结节和非结节，在提高检测率，降低阳性率方面获得了较好的效果。在此基础上，研究者们提出了多种肺部肿瘤结节计算机辅助检测系统(CAD)用于辅助放射医师进行肺部肿瘤结节检测，CAD系统的功能为根据输入的扫描CT，自动检测出该CT中所有疑似的肿瘤结节，并给出每个结节的阳性概率。放射医师可以根据CAD的检测结果，快速定位高概率的疑似结节，结合其他临床指标进行诊断。CAD系统提高了早期肿瘤结节检出概率，同时有效减少了放射医师诊断单个 CT所耗费的时间。

典型的肺部肿瘤结节计算机辅助检测(CAD)系统由候选结节检测阶段和肺结节识别与分类两阶段组成。肺结节识别与分类是CAD系统的第二阶段，这一阶段的工作是对前一阶段候选结节检测部分生成的候选结节集进行肺结节识别与分类。该阶段具体的工作是针对候选结节检测阶段生成的候选结节集，对候选结节集中的每个候选结节进行分类，最终给出该候选结节是阳性结节的概率，概率值为(0,1)之间，概率越大表明该候选结节是阳性结节的可能性越大。肺结节识别与分类阶段是一个CAD系统的分类输出部分，这一阶段的性能表现对整个CAD系统起决定性作用。

3D卷积神经网络是基于2D卷积神经网络的基础上发展而得，在2D卷积神经网络中，使用2D卷积核来进行2D特征的提取映射。3D卷积神经网络与2D卷积神经网络不同，其卷积核是3D的，卷积操作也是3D的，可以提取数据的空间特征。

残差网络(Residual Network)由ILSVRC2015的胜利者，何恺明等提出。现在的深度网络通常具有较深的卷积层数，较多的参数，但如果简单地增加深度，会导致梯度弥散或梯度爆炸。对于该问题的解决方法是正则化初始化和中间的正则化层(BatchNormalization)，这样的话可以训练几十层的网络，然而当网络层数达到一定的数目以后，网络的性能就会饱和，再增加网络的深度其性能就会开始退化，但是这种退化并不是由过拟合引起的，因为训练精度和测试精度都在下降，这说明当网络变得很深以后，深度网络就变得难以训练了。ResNet 的出现其实就是为了解决网络深度变深以后的梯度消失和性能退化问题。