[发明专利]一种基于3DCNN的肺结节假阳性样本抑制方法

说明书

本发明公开了一种基于3D CNN(Convolutional Neural Networks,卷积神经网络)的肺结节假阳性样本抑制方法，包括如下步骤：1)对肺部CT通过插值进行3D重建；2)根据待抑制的样本坐标，从重建数据中切出固定大小的立方块，将其归一化，并对阳性样本进行扩充，将阴阳性样本一起作为3D CNN的训练数据；3)使用训练样本训练3D CNN模型；4)训练模型时对标准的损失函数进行加权修正，对阴阳性样本分别赋予不同权值。循环迭代训练网络，最终得到3D CNN模型。本发明提供的基于3D CNN训练模型的方法，一方面有效利用肺部CT数据的三维特征，能够最大程度上反映样本信息；另一方面通过对模型训练时的损失函数进行加权，完美解决了真假样本不均衡的问题，因而能够训练出肺结节识别效果很好的模型。

技术领域

本发明属于医学影像的智能诊断领域，尤其涉及一种基于3DCNN的肺结节假阳性样本抑制方法。

背景技术

肺结节的检测对于肺部CT影像的处理十分关键，它是肺癌在早期状态的一种主要表现形式。而对于肺结节进行有效的早期检测和筛查能显著提高肺癌患者的五年存活率，因此具有十分重要的研究价值和意义。

虽然目前随着CT影像技术和各种新型诊断、检测手段的出现和发展，以及各种新型CT技术的出现，使得肺癌的诊断相比之前变得相对容易，但因为在早期发现癌症仍然不易，而且新型CT技术，如多排CT产生数量巨大的CT片子，会给影像科医生的阅片增加繁重负担，在高强度的工作下，造成漏诊率偏高；再者，即使医生给出了结果，但对初期恶性肿瘤的误诊率较高，常常使得病人疏于防范，仍然不能在早期发现肺癌病例，造成发现时已经很难治愈。

为了把影像科医生从繁重的阅片负担中解脱出来，众多科研人员先后研制了肺部影像计算机辅助诊断系统，即肺部CAD(Computer Aided Diagnosis，计算机辅助诊断)，辅助医生进行肺结节检测、肺结节良恶性判断等工作。

当前相关研究领域中基于肺部CT影像进行计算机辅助肺结节的自动检测系统一般包括两个关键步骤：

第一步是肺结节候选点检测，即通过一些阈值规则进行粗略的候选区域筛选，这些候选区域中，包含肺结节的则定义为阳性样本，否则定义为阴性样本或假阳性样本。

第二步是假阳性样本抑制，即通过训练一个合适的肺结节分类器，对正负样本进行分类，最终选择出真正包含结节的候选区。

通常情况下，由第一步检测得到的候选点中除了真实的阳性样本外，还会包含大量的假阳性样本，选用合适的技术方案对候选点中的假阳性样本进行抑制，是提高肺结节检测系统精度的重要步骤和手段。

目前的假阳性样本抑制方法多基于传统的图像处理方法，这些方法基于阳性样本和假阳性样本之间的区别，通过人工选择和设计的特征来设计分类器，对真假阳性样本进行分类，从而达到假阳性样本抑制的效果。但肺结节的真假阳性样本区分度十分不明显，人工选择和设计能够将其区分开来的特征任务复杂，往往需要具有丰富专业知识的研究者长达数年的研究，才能选择出符合任务需求的特征，建立分类器；而一旦任务发生了变化，已经选择和设计的特征失效，还需要根据新任务的特点选择和设计新的特征。如此研究，耗费大量的人力物力，还不能取得令人满意的效果。

深度学习是近年来随着各类研究中数据量的增大、计算机计算能力的增强以及人工神经网络模型中的一些关键技术的推演而由传统人工神经网络发展来的具有强大拟合和泛化能力的分析模型。因为其不需要研究者手动选择和设计特征，能够根据不同的具体应用自动对图像中的特征进行分析提取，深度学习在图像分析处理中获得了广泛应用，并取得了很大成功。比如在经典的ImageNet图像分类识别比赛中，深度学习如今已经具有统治地位，基于深度学习而开发的算法已经获得了超越人类水平的结果[1][2]。