[发明专利]一种基于3DCNN的肺结节假阳性样本抑制方法

权利要求书

1.一种基于3DCNN的肺结节假阳性样本抑制方法，其特征在于，包括如下步骤：

a)从肺部CT影像序列数据中检测肺结节候选点坐标；

b)对原始的DICOM图像进行插值，得到插值后的3D原始图像数据；

c)对此前检测得到的候选点坐标，按照如上b)插值步骤进行相应处理，将其映射到插值后的3D原始图像数据上；

d)对于每个候选点，根据其转换后的坐标，从插值后的3D原始图像数据中切出3D数据，作为训练样本；

e)根据每个候选点的坐标，与原始图像中的标签进行对应，为步骤c)中切出的每一个3D数据贴上相应的标签；

f)使用准备好的3D数据训练3D CNN网络，3D CNN网络结构数为1；

g)使用训练得到的3D CNN模型对候选点进行假阳性抑制；

所述步骤f)中训练3D CNN模型时，其loss函数如下：

loss＝weighted_sparse_softmax_cross_entropy+l1_l2_regularizer

其中，weighted_sparse_softmax_cross_entropy为加权稀疏交叉熵损失函数，其通过如下方式构建：

对于原始的阳性样本，计算其标准的稀疏交叉熵损失函数得到损失值，并乘以一个权重，将所得乘积作为该样本的损失值；

对于其他样本，使用标准的稀疏交叉熵损失函数，计算其损失值；

对于任一batch的所有样本，将使用以上方法得到的加权损失值和不需加权的原始损失值求和，将其作为该batch最终的加权稀疏交叉熵损失函数值；

其中公式中的l1_l2_regularizer为对3D CNN模型中的各可训练参数，权值和偏差，添加L1和L2正则化项，以保证训练得到的参数的稀疏性，并保证其具有较小值，从而达到抑制模型过拟合的目的。

2.根据权利要求1所述的肺结节假阳性样本抑制方法，其特征在于，所述步骤b)中对原始DICOM图像进行插值，将Z方向的切片间隔插值为与X、Y方向的像素间隔相等，即在插值完成后，X、Y、Z三个方向的间隔相等。

3.根据权利要求1所述的肺结节假阳性样本抑制方法，其特征在于，所述步骤d)中，根据转换后的候选点坐标，从插值后的3D原始图像数据中切出3D数据，切出数据的长宽高，X、Y、Z方向，均为40像素，即数据大小为40×40×40；

随后对切出的数据进行如下处理：将小于-1000HU的数据置为-1000HU，将大于400HU的数据置为400HU，并将处理后的图像数据归一化到0到1之间；

如果候选点为阳性样本，则还需要对其进行数据扩充，扩充方式包括平移、缩放和旋转；

对每一个阳性样本扩充个数为阴性样本总数除以原始阳性样本个数，如果所除结果不是整数，则取最近的整数，以使得扩充后的阴阳性样本均衡。

4.根据权利要求1所述的肺结节假阳性样本抑制方法，其特征在于，所述步骤e)中，为每一个3D数据贴上相应的标签：如果候选点距任意一个结节的外接边框中心点的距离小于该结节的半径，则候选点的标签为1；否则，该候选点的标签为0。