[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

说明书

本发明公开了一种基于深度卷积神经网络的CT肺结节检测方法，包括如下步骤：1)对CT图像预处理，使像素间隔统一，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。本发明提供的CT肺结节检测方法，充分发挥了深度学习的优势，可以更高效、更准确地在CT图像中自动检测肺部结节，且对医疗大数据有更强的适应能力。

技术领域

本发明涉及一种针对CT图像的肺结节检测方法，尤其涉及一种基于深度卷积神经网络的CT肺结节检测方法。

背景技术

肺癌是全球癌症相关死亡的主要原因，利用CT扫描对高风险人群进行检查是一种有效的发现早期肺癌的手段，而这样的人群数量庞大，影像科医师的工作量急剧增大，因此计算机辅助诊断就扮演了非常重要的角色。

当前，在CT图像里利用计算机辅助检测肺结节领域，基于传统的统计机器学习方法已经进行了大量研究工作，并取得了一定成果。检测步骤通常分为两步，第一步是推荐候选结节，检测出肺部CT图像中可能存在结节的区域，第二步是筛除假阳性结节，对第一步中检测得到的区域进行识别，判断其中的怀疑目标是否为结节，尽量减少假阳性结节，另外还可以判断结节是否发生癌变等。然而，基于传统统计机器学习的方法，在图像中提取预先定义的纹理形态特征，如面积、有效直径、梯度等，这些特征不足以来准确地表示结节的，导致检测出的假阳性肺结节数量仍然很多。

近年来，深度学习吸引了大量的研究兴趣，在众多领域取得了传统方法无法企及的成果。同样地，在医学图像分析领域中深度学习也被证明是最为有效的手段，目前主流的计算机辅助检测系统均是使用了深度学习的方法。Olaf Ronneberger等人于2015年提出了“U-Net:Convolutional Networks for Biomedical Image Segmentation”，该方法提出了一种基于卷积神经网络的医学图像分割方法，该方法应用在了多种医学图像分割任务上，如血管分割、细胞分割，均取得了不错效果。在肺结节检测方法方面，Setio等人于2016年提出了“Pulmonary Nodule Detection in CT Images:False Positive Reduction UsingMulti-ViewConvolutional Networks”，该方法将传统的方法与深度学习方法相结合，在推荐候选结节仍采用传统的方法，在筛除假阳性结节时设计了一种多视角的二维卷积神经网络，取得了不错的检测效果。Qi等人于2016年提出了“Multi-level Contextual 3D CNNsfor False Positive Reduction in Pulmonary Nodule Detection”，该方法提出了一种三维卷积神经网络来筛除假阳性结节，降低假阳性肺结节检出率。与二维卷积神经网络相比，三维的卷积神经神经网络能捕捉更多的空间信息，能提取更丰富的图像特征，一定程度上降低了假阳性肺结节的检出率。然而，该方法设计网络结构较浅，只有三层卷积层，需要训练多个尺度的网络模型进行融合。且该方法仍采用传统方法来推荐候选结节，未能充分利用深度学习的优势。本发明为进一步提高计算机辅助检测CT肺结节方法的准确性和鲁棒性，提出了一种基于深度卷积神经网络的方法来在CT图像中检测肺结节。

发明内容

本发明所关注的技术问题为：如何利用计算机在CT图像中自动、高效、准确地检测肺结节。

为解决上述技术问题，本发明提供了一种利用深度卷积神经网络来检测CT中肺结节的方法，它在推荐候选结节和筛除假阳性结节时均采用了深度学习的方法，充分发挥了深度学习方法的优势，并能在保证假阳性结节检出率更低的同时，保证对结节有较高的查全率。它具体包括以下步骤：

(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；