[发明专利]一种基于深度学习方法的肺结节自动检测方法

权利要求书

1.一种基于深度学习方法的肺结节自动检测方法，其特征在于：按下述步骤完成，

a、预处理：采集若干患者的经过脱敏处理的CT文件，构成数据集，数据集中一位患者对应一份CT文件；将每位患者对应的CT文件制成包含有100～600张切片的CT文件；每张所述的切片的像素间距为1*1*1mm、大小为512*512像素；

b、肺部区域图像提取：将每位患者的CT文件基于亨氏单位值来进行像素值的二值化处理，以分隔得到肺部区域的mask图，再根据mask图提取肺部区域图像；

c、肺结节检测：训练U-Net卷积神经网络用于肺部区域图像肺结节检测，得到U-Net训练模型；

d、降低假阳性率：训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点，得到检测模型；得到检测模型后，即能用检测模型对患者CT文件进行肺结节自动检测；

步骤b中，所述的二值化处理，是将CT文件中像素值大于-320亨氏单位位置的像素值置为0，像素值小于或等于-320亨氏单位位置像素值置为255；

步骤c中，所述的U-Net卷积神经网络，是全卷积神经网络；所述的全卷积神经网络包括有一个收缩路径和一个扩展路径；所述的收缩路径包括有8个卷积核大小为3*3的卷积和4个大小为2*2、步长为2的最大化池化层；所述的收缩路径每经过两次卷积后，经过一个线性调整单元，然后池化一次进行下采样；所述的扩展路径包括有4个卷积核大小为2*2的上卷积、8个卷积核大小为3*3的卷积和1个卷积核大小为1*1的卷积；所述的扩展路径每经过一次上卷积后，经过两次卷积，然后经过一个线性调整单元；所述的全卷积神经网络共有23个卷积层；

步骤c中，所述的训练U-Net卷积神经网络用于肺部区域图像肺结节检测，得到U-Net训练模型的训练方法，包括下述步骤：

c1、数据预处理：从数据集中提取患者的id号，构成seriesuids.csv文件；标记CT文件中结节位置及结节直径，提取结节位置的X、Y、Z坐标和结节直径数据与患者id号构成annotations.csv文件；所述的seriesuids.csv文件、annotations.csv文件和数据集作为训练U-Net卷积神经网络的输入文件；

c2、批标准化：在U-Net卷积神经网络每一输入层前加一个做归一化处理的归一化层；

c3、数据增强：U-Net卷积神经网络数据增强的参数包括有X轴旋转-20～20°、缩放比例0.9～1.1、平移-3～3像素、高斯噪声的标准差0.05；

c4、距离合并：将彼此相隔很近的结节位置用这些结节位置的平均值代替；

c5、参数调整：对U-Net卷积神经网络的参数进行调整，具体调整如下：

学习率：当训练步数小于20000时，学习率为0.01；当训练步数大于等于20000时，为0.001；

优化器：MomentumOptimizer；

训练批量：128；

批标准化：真；

c6、输出：训练结束后，得到U-Net训练模型，U-Net训练模型能在输入文件中的图像上识别出候选结节并标识出其位置坐标，继而得到输出图像；

步骤c6所述的输出图像的每张切片的大小是324*324像素；

步骤d中，所述的深度残差网络，是宽度为6、一个卷积组中block的个数为5和共有31个卷积层的深度残差网络；

步骤d中，所述的训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点，得到检测模型的训练方法，包括下述步骤：

d1、数据预处理：提取U-Net训练模型中的候选结节位置坐标和结节标记与患者的id号构成candidates.csv文件；所述的candidates.csv文件、seriesuids.csv文件和annotations.csv文件作为训练深度残差网络的输入文件；

d2、根据candidates.csv文件中的候选结节位置坐标，切割一个以候选结节坐标为正中心的正方体，所述的正方体的边长为64像素；切割一个以候选结节坐标为正中心的正方体前，将candidates.csv文件构成的样本分为正、负样本两个不相交集合；每次训练批量数据时，分别从正、负样本中随机选择同等数量的数据，再混合随机选择出来的数据，之后再切割一个以候选结节坐标为正中心的正方体输入到深度残差网络中进行训练；

d3、将正方体的数据输入到深度残差网络中进行训练，得到训练参数；

d4、利用训练参数，预测未训练的测试集数据，生成部分预测概率文件；

d5、进行十折交叉验证，预测全部候选结节位置的概率，生成全部预测概率文件，得到检测模型；得到检测模型后，对检测模型进行数据增强和参数调整；所述的数据增强的参数包括有X、Y轴翻转，旋转-20～20°，缩放比例0.9～1.1和平移-3～3像素；所述的参数调整如下：

学习率：当训练步数小于10000时，学习率为0.01；当训练步数大于等于10000，小于30000时，为0.001；当训练步数大于等于30000时，为0.0001；

优化器：MomentumOptimizer；

训练批量：72；

批标准化：真。