[发明专利]基于Mask-RCNN神经网络的肺结节分割装置的建立方法

说明书

本发明公开了一种基于Mask‑RCNN神经网络的肺结节分割装置的建立方法，包括：建立训练样本：对采集的三维肺部CT图像依次进行裁剪、数据增强以及难分负样本挖掘处理，获得训练样本集；建立肺结节分割网络：网络包括依次连接的输入层、第一最大池化层、64*64*64卷积层、第二最大池化层、32*32*32稠密块层、第三最大池化层、16*16*16稠密块层，16*16*16稠密块层输出的特征图经过上采样与32*32*32稠密块层输出的特征图进行特征融合，特征融合后的特征图经POL池化层后，输入到RPN网络；训练肺结节分割网络：利用训练样本对肺结节分割网络进行训练，获得肺结节分割装置。

技术领域

本发明属于图像处理领域，具体涉及一种基于Mask-RCNN神经网络的肺结节分割装置的建立方法。

背景技术

现有采用深度学习算法检测肺部CT图中肺结节的方法很多，但是检测精度不高。造成精度不高的主要原因为：

(1)检测阶段的召回率较低于某些特殊类型的肺结节，造成漏检的情况，使得检测精度不高。

(2)肺结节的尺寸不均衡，较小的肺结节容易被忽视。

基于上述两个原因，使得采用深度学习算法检测和分割出来的肺结节典型性和代表性不足。

因此，提高肺结节检测的准确性和训练网络分割出更具代表性的结节成为了急需解决的问题。

发明内容

本发明的目的是提供一种基于Mask-RCNN神经网络的肺结节分割装置的建立方法。该方法建立的装置能够更加准确、快速地检测和确定肺部 CT中的肺结节的三维图像。

为实现上述发明目的，本发明具有有益效果为：

一种基于Mask-RCNN神经网络的肺结节分割装置的建立方法，所述建立方法包括：

建立训练样本：首先，将采集的三维肺部CT图像裁剪成大量的立方体小块，然后，采用数据增强方法处理立方体小块，最后，采用难分负样本挖掘方法对增强处理后的立方体小块进行处理，获得最难区分的2n个负样本和n个正样本组成训练样本集；

建立肺结节分割网络：所述肺结节分割网络包括依次连接的输入层、第一最大池化层、64*64*64卷积层、第二最大池化层、32*32*32稠密块层、第三最大池化层、16*16*16稠密块层，16*16*16稠密块层输出的 16*16*16特征图经过上采样与32*32*32稠密块层输出的32*32*32特征图进行特征融合，特征融合后的32*32*32特征图经POL池化层后，输入到RPN网络，实现对32*32*32特征图的肺结节预测和分割；

训练肺结节分割网络：以2倍采样频率对训练样本集中的肺结节大于 30mm的小块进行采样，以6倍采样频率对训练样集本中的肺结节大于 40mm的小块进行采样，其他尺寸的肺结节以正常采样频率采样，将采样后的训练样本输入到肺结节分割网络，以肺结节分割网络的预测输出与真实输出的误差收敛为目标，对肺结节分割网络进行训练，获得肺结节分割装置。

本发明在Mask-RCNN神经网络的基础上进行改进，建立肺结节分割网络，该网格能够丰富地提取训练样本中的肺结节特征，进而能够提升对肺结节的预测准确度。

其中，所述将采集的三维肺部CT图像裁剪成大量的立方体小块包括：

根据以下条件对三维肺部CT图像进行裁剪：

条件一：70％立方体小块中至少包含一个肺结节目标；

条件二：30％立方体小块中从整个肺部中随机选取；

若立方体小块包含的区域超过了肺部，则用CT图像中无意义值170 填充非肺部区域；

以肺结节区域的像素作为正样本，其他区域的像素作为负样本。