[发明专利]一种基于深度卷积神经网络的CT肺结节检测方法

权利要求书

1.一种基于深度卷积神经网络的CT肺结节检测方法，其特征在于，包括以下步骤：

(1)对CT图像预处理，使全部CT图像像素间隔统一，图像对比度统一；

(2)训练二维卷积神经网络U-net，预测肺结节分割图像，基于肺结节分割图像推荐候选结节；

(3)训练三维深度残差神经网络Resnet3D，预测肺结节的真假阳性概率，筛除假阳性结节；

步骤(3)具体方法如下：

1)数据准备与预处理

对筛除假阳性结节步骤的训练样本先采用步骤(2)的方法获得推荐候选结节后，根据推荐的结节中心将上述训练样本和所有测试样本均复制出CT图像的三维图像块，对训练样本根据专业医师在这些训练样本原始图像中标注的肺结节位置，对每一个三维图像块进行标注，区分真阳性结节及假阳性肺结节；对真阳性结节样本进行扩展；

2)网络结构构建

构建三维深度残差神经网络结构Resnet3D，该结构中采用三维卷积层、三维残差块、三维池化层；

3)网络模型训练

基于所构建的三维深度残差神经网络结构Resnet3D来训练真假阳性结节的分类器，得到三维深度残差神经网络Resnet3D的网络模型；

4)肺部结节预测

使用训练得到的网络模型预测测试样本的真假阳性结节概率，根据预先设定的概率阈值区分真假阳性结节，记录真阳性结节的位置坐标，从而得到每个CT图像中肺结节检测结果。

2.如权利要求1所述的基于深度卷积神经网络的CT肺结节检测方法，其特征在于，步骤(1)中具体包括如下步骤：

1)统一像素间隔

首先统计全部CT图像的像素间隔信息，结节的直径信息，制定统一的像素间隔，然后通过三维线性插值的方式来对原始CT图像进行缩放操作，使得所有CT图像的像素间隔统一；

2)统一CT图像对比度

计算第i幅CT图像的均值为Mean_i，标准差为Std_i；通过对CT图像中每个像素的像素值I_xyz按如下式(1)进行归一化，从而统一CT图像的对比度；

I_xyz＝(I_xyz-Mean_i)/Std_i (1)。

3.根据权利要求1所述的基于深度卷积神经网络的CT肺结节检测方法，其特征在于，步骤(2)中先生成推荐候选结节步骤训练样本的标准分割图像作为标签，对二维卷积神经网络U-net进行训练，获得二维卷积神经网络U-net的网络模型。

4.根据权利要求3所述的基于深度卷积神经网络的CT肺结节检测方法，其特征在于，步骤(2)中基于肺结节分割图像推荐候选结节，其具体方法如下：先根据二维卷积神经网络U-net的网络模型对测试样本进行预测获得肺结节分割图像，对肺结节分割图像进行二值化处理，区分像素是背景还是结节，对二值化分割图像采用形态学腐蚀操作降低噪声，并计算结节像素的三维连通区域的重心坐标，即为推荐的候选肺结节的中心，合并三维空间欧氏距离小于3cm的肺结节中心，避免同一肺结节的重复检测。

5.根据权利要求1所述的基于深度卷积神经网络的CT肺结节检测方法，其特征在于，步骤1)中对真阳性结节样本进行扩展采用随机对原样本的三维图像块作若干次的平移、缩放和水平旋转操作，得到若干个新的三维图像块，即新的真阳性结节图像块扩充训练数据。

6.根据权利要求1所述的基于深度卷积神经网络的CT肺结节检测方法，其特征在于，步骤2)中所述的三维池化层中采用PC池化层，所述的PC池化层是指同时对上一层的输出进行池化操作与裁切操作，并将池化操作与裁切操作的结果在通道维上连接起来，作为下一层的输入；所述的池化操作是指将输入降采样为原来1/8大小的最大池化，所述的裁切操作是在输入的特征图中截取出正中间的1/8部分。