[发明专利]基于3D卷积神经网络与深度学习的肺结节良恶性分类方法

权利要求书

1.一种基于3D卷积神经网络与深度学习的肺结节分类建模方法，其特征在于包括以下步骤：

S1：获取用户的肺部CT序列影像，利用医生标记的肺结节位置信息提取出肺结节所在感兴趣区域的3D影像；

S2：对不同大小的肺结节3D影像进行标准化，得到多个大小相同的3D正方体样本块；

S3：对训练样本集进行复制，并且对复制后的训练样本集进行增强处理；

S4：将增强后的训练样本集输入预设的深度神经网络模型，利用BCE损失函数对预设的深度神经网络模型进行深度训练，得到训练好的新深度神经网络模型；

S5：将测试样本集输入训练好的深度神经网络模型中，并且根据测试样本集的结果，绘制受试者工作特征曲线，由受试者工作特征曲线特性和曲线所覆盖的区域面积值确定最佳阈值；

其中，在S4步骤中的预定的深度神经网络模型是基于深度残差网络和U型结构网络两者的组合，利用了3D卷积和3D逆卷积两者结合，提取不同层次上的3D特征，对提取的3D特征进行全连接的分类网络操作。

2.根据权利要求1所述的基于3D卷积神经网络与深度学习的肺结节分类建模方法，其特征在于，S2步骤还包括：

按照预定的比例随机提取测试样本集和训练样本集。

3.根据权利要求1所述的基于3D卷积神经网络与深度学习的肺结节分类建模方法，其特征在于，S3步骤还包括：

统计训练样本集中良恶性的比例情况，对训练样本集中的良恶性样本进行反比例的复制，从而保证训练样本集中良恶性样本在输入预设的深度神经网络模型之前达到大致上相同的数量。

4.根据权利要求1所述的基于3D卷积神经网络与深度学习的肺结节分类建模方法，其特征在于，S3步骤还包括：

对复制后的训练样本集进行增强处理包括随机选取旋转、翻折、放大、缩小和交换变化中的二至五种，并对复制后的训练样本集进行变换，从而得到更多更加随机的样本以供使用。

5.根据权利要求1所述的基于3D卷积神经网络与深度学习的肺结节分类建模方法，其特征在于，在S4步骤：

利用如下的BCE损失函数作为损失函数：

Ln＝-Wn×[Yn×logXn+(1-Yn)×log(1-Xn)]

其中，Wn为权重，Xn为预测类别，Yn为真实类别，Ln为损失值大小；

利用随机梯度下降优化方法来优化预定的深度神经网络。

6.根据权利要求1所述的基于3D卷积神经网络与深度学习的肺结节分类建模方法，其特征在于，在S5步骤：

利用绘制的受试者工作特征曲线，得到一系列假正类率值和真正类率值，当得到真正类率与假正类率之差最大时，选取当前阈值为最佳阈值来评定测试样本。

7.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-6中任一项所述的方法。

8.一种基于3D卷积神经网络与深度学习的肺结节分类建模装置，其特征在于包括以下模块：

获取模块：获取用户的肺部CT序列影像，利用医生标记的肺结节位置信息提取出肺结节所在感兴趣区域的3D影像；

标准化模块：对不同大小的肺结节3D影像进行标准化，得到多个大小相同的3D正方体样本块；

增强处理模块：对训练样本集进行复制，并且对复制后的训练样本集进行增强处理；

训练模块：将增强后的训练样本集输入预设的深度神经网络模型，利用BCE损失函数对预设的深度神经网络模型进行深度训练，得到训练好的新深度神经网络模型；

测试模块：将测试样本集输入训练好的深度神经网络模型中，并且根据测试样本集的结果，绘制受试者工作特征曲线，由受试者工作特征曲线特性和曲线所覆盖的区域面积值确定最佳阈值；

其中，在训练模块，预定的深度神经网络模型是基于深度残差网络和U型结构网络两者的组合，利用了3D卷积和3D逆卷积两者结合，提取不同层次上的3D特征，对提取的3D特征进行全连接的分类网络操作。