[发明专利]一种基于三维残差神经网络的CT影像肺结节检测方法

说明书

一种基于三维残差卷积神经网络的CT影像肺结节检测方法，包括训练过程和测试过程；训练过程包括步骤一，预处理原始影像，重设体素间距为(1,1,1)，并转换为体素坐标；步骤二，从CT影像中截取三维正负样本；步骤三，设定最大值和最小值，对样本数据进行标准化；步骤四，构建三维卷积神经网络；步骤五，设定训练超参数，以mini‑batch的形式，导入数据训练模型；步骤六，模型训练充分后，保存模型；检测过程包括步骤七，对测试CT进行预处理后，以滑块形式逐个采样并导入模型计算，选取置信度高的样本后，再利用非极大值抑制算法删除重复样本。本发明准确率较高，可以分析出影像中是否含有结节以及结节在影像中的具体位置。

技术领域

本发明涉及医学图像分析领域及机器学习领域，特别涉及一种应用于CT影像肺结节检测方法，属于基于深度学习的医学影像分析领域。

背景技术

随着空气质量的恶化、二手烟危害的加深等原因，肺癌已成为世界范围内发病率及死亡率最高的恶性肿瘤，早期诊断和治疗对于病情的控制尤为重要。目前，计算机断层扫描成像(Computed Tomography,CT)是多种模态医学成像中最能够凸显肺部疾病征象的影像学手段，而肺癌最常见的早期形态为肺结节(Lung Nodules)，此阶段是进行肺癌治疗的最佳时期。

对于肺部CT，一次能产生上百张影片，医生需要阅读这些影片确定病灶诊断病情，但是影片数量大，需要花费大量时间去巧细查看，不仅导致诊断医生的工作强度大幅攀升，而且由于影像中干扰噪声的存在，容易造成一定几率的误诊、漏诊。根据肺结节在CT影像上出现的位置和表现形式不同,又可以细分为孤立型肺结节、粘连血管型肺结节、枯连肺壁型肺结节、毛玻璃型肺结节和空洞型肺结节。传统计算机辅助诊断(Computer AidedDiagnosis,CAD)方法多采用肺实质分割后，采集二维结节切片，再利用人工标注结节特征进行模型的训练，从而检测结节，但存在诸多问题：一是肺结节生长位置复杂，肺实质分割仅对孤立型肺结节有较好的效果，容易遗漏更复杂的胸膜粘附型和血管粘附型肺结节。二是结节在二维平面中样征信息不全，传统模型易将微结节与肺部血管等结构混淆，造成准确率下降。此外，人工标注特征不仅效率低、代价高，而且会遗漏许多影像信息，造成特征不全，进一步降低结节检测的准确率。

发明内容

为了克服已有CT影像肺结节检测方式的准确率较低的不足，本发明提供了一种准确率较高的基于三维残差神经网络的CT影像肺结节检测方法，可以分析出影像中是否含有结节以及结节在影像中的具体位置。

本发明解决其技术问题所采用的技术方案是：

一种基于三维残差卷积神经网络的CT影像肺结节检测方法，所述检测方法包括训练过程和测试过程，

所述训练过程包括步骤一至步骤六，

步骤一，对原始CT影像预处理，包括将体素间距转换为(1,1,1)，转换世界坐标为体素坐标；

步骤二，截取CT影像中完全包含肺结节的立方体样本，尺寸为32*32*32，作为正样本；再截取完全不包含结节的同样尺寸样本，作为负样本；

步骤三，根据样本的HU值统计分布，选取合适的HU值作为标准化范围，其中选取最小值为空气HU值-1000，将数据标准化为[0,1]；

步骤四，构建三维卷积神经网络模型；

步骤五，设定模型超参数，所述模型超参数包括优化器、batch_size、epoch数量、每个epoch中batch的数量，以mini-batch的形式将数据导入模型训练；

步骤六，模型训练充分收敛后，保存并导出模型结构及权重参数；

所述检测过程包括步骤七：

步骤七，对测试CT影像进行检测，过程如下：