[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

说明书

本发明提供了一种基于3D卷积神经网络与深度学习的肺结节良恶性分类方法，具体步骤为：S1：获取用户的肺部CT序列影像，提取出肺结节所在感兴趣区域的3D影像；S2：对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：对训练样本集按比例进行复制，并且进行增强处理；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损失函数进行深度训练，得到训练好的新深度神经网络模型；S5：根据测试样本集的结果绘制ROC曲线，由ROC曲线特性和AUC值确定最佳阈值，用于训练好的新神经网络模型对于肺结节良恶性的分类。本发明可以实现对肺结节的准确分类，帮助医生快速识别肺结节种类，节约时间并保证医生长时间工作依然有极高的准确率。

技术领域

本发明涉及医学影像和人工智能领域，是一种基于3D卷积神经网络和深度学习的肺结节良恶性分类方法。

背景技术

肺癌是中国发病率和死亡率最高的疾病，近30年肺癌死亡率增长465％。其中很大的原因是75％的癌症患者都是在中晚期才确诊，即便在发达国家里，肺癌是所有恶性肿瘤中最常见最致命的一种。肿瘤的早期诊断及检测对于患者的治疗和愈后具有非常重要的临床意义。所有的早期干预措施都必须在明确病变性质和程度的基础上进行，而影像学检查是发现病变、对病变进行定性定量分析、预测疾病的关键。一组1.25毫米层厚的CT会有200-300张层面图像，面对产生的大量CT图像，如果能够运用人工智能技术帮助医生给出一定的辅助诊断，在节约人力的同时，还能够减少因为过度疲劳造成的漏诊。因此，利用深度学习技术对医学图像进行处理和研究，能为医生提供有用的参考信息，辅助医院及时地对肺部疾病做出准确地诊断，使得漏诊情况得以改善，进一步提高CT在肺部疾病筛查中的价值。

卷积神经网络是深度学习技术中极具代表的网络结构之一，在图像处理领域取得了很大的成功，在国际标准的ImageNet数据集上，许多成功的模型都是基于CNN(Constitutional Neural Networks，卷积神经网络)的。CNN相较于传统的图像处理算法的优点之一在于，避免了对图像复杂的前期预处理过程(提取人工特征等)，可以直接输入原始图像。

发明内容

本发明提供了一种基于3D卷积神经网络与深度学习的肺结节良恶性分类方法，其可以准确地对肺结节3D区域图像块进行分类并提高肺结节良恶性判断的准确度。

一种基于3D卷积神经网络与深度学习的肺结节良恶性分类方法，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ROC曲线，由ROC曲线特性和AUC值确定最佳阈值，用于训练好的深度神经网络模型对于肺结节良恶性的分类。

优选地，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。

优选地，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。

优选地，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。