[发明专利]一种基于深度学习的CT图肺结节检测方法

权利要求书

1.一种基于深度学习的CT图肺结节检测方法，其特征在于：包括以下步骤：

S01：获得肺部CT图像，并转换为DICOM格式的图像；

S02：获取转换为DICOM格式的图像的格式数据中的病人信息及CT图的长和宽及图片像素之间的间隔；同时对图像的CT值进行归一化预处理，并对一定范围以外的图像CT值都统一为端点值；所述的对图像的CT值进行归一化预处理，并对一定范围以外的图像CT值都统一为端点值包括：对图像进行归一化，将图像CT值的范围从[-1000,400]归一化为[0,1]；同时400以上的CT值都统一成400，使每一个像素都可以平等权重；

S03：对步骤S02预处理完成的CT图像进行肺容积分割，只保留肺部的图像；步骤S03中所述的肺容积分割包括：

(1)根据图形学对图像中的像素进行标注，使相邻的在同一区域的像素有相同的标记；在标注的过程中由于实际影像没有严格的区域划分，导致存在一些很小的区域，参考周围区域的标记将小区域融合进其他的面积较大的区域；

(2)保留左右肺叶，对外部的区域阈值填充：分别以阈值3和4产生两个掩膜，然后处理这两个掩膜，具体过程为：计算掩膜中的每个点的值的和，如果和大于零对掩膜进行形态学处理计算其凸包；接着如果凸包中的值之和大于1.5倍的原来掩膜中的值的和，就用形态学处理过后的掩膜替换掉原来的掩膜，否则认为这个掩膜刚好盖住肺部所述掩膜不变；对于掩膜之外的区域，即肺部外的区域用170的阈值进行填充，掩膜内不属于肺部的区域也使用170的阈值进行填充；

(3)进行数据重采样，先获得DICOM格式数据的坐标中心、像素间距,再通过插值把图像的分辨率统一起来，即将原始图像转换为1mm*1mm*1mm的分辨率；在转换分辨率的时候使用最临近插值法；

(4)按uint8类型、灰度图重新保存图片；

(5)将CT图从世界坐标转换成体素坐标，保存原来的坐标信息；进行世界坐标转化的同时，还需要根据肺部区域，将用于训练神经网络的标注数据也转换成体素坐标；其中，转换坐标的时候使用了开始读取的间距和坐标原点的信息；

S04：对图像进行候选结节检测，使用U-net卷积神经网络，找到候选结节的位置，输出一张带有候选结节位置标记的二维图像；

S05：在获取到候选结节之后，将候选结节送入消除假阳性的分类器进行二次检测；

其中步骤S04包括以下子步骤：

S041：输入一组大小为128*128、有32层的肺容积分割完成的图像；

S042：进行卷积核为2*2的最大池化，将原始图像转换成特征图大小为64*64，数量为32层的图像；

S043：再进行2*2的最大池化，将64*64*32的图像转换成特征图大小为32*32、数量为32层的图像；同时又为了增加特征图的数量，此处使用了两种不同的卷积核，最终特征图的数量变为32*2＝64，即得到了特征图大小为32*32，数量为64的图像；

S044：再进行2*2的最大池化，将32*32*64的图像转换成特征图大小为16*16，数量为64层的图像；

S045：再进行2*2的最大池化，将16*16*64的图像转换成特征图大小为8*8，数量为64层的图像；

S046：进行2*2的反卷积，将8*8*64的图像转换成特征图大小为16*16，数量为64层的图像；

S047：进行2*2的反卷积，将16*16*64的图像转换成特征图大小为32*32，数量为64的层；

S048：为了增加特征图的数量便于检测肺结节，将步骤S047与步骤S043中得到的层拼接起来，得到特征图大小为32*32，数量为64+64＝128层的图像；最终输出四维数据(p，z，y，x)，其中p为是肺结节的概率，zyx是结节中心的三维坐标；

S049：将坐标映射回原图，用肉眼查看是否正确；

步骤S05包括以下子步骤：

S051：输入多组大小为60*40、有7层的原始图像，并依次执行步骤S052～S058的步骤；

S052：每张图像提取rgb3个通道信息，其中三个通道的信息可以直接对每层分别操作获取，得到特征图的大小为60*40、数量为21的图像；

S053：对3个通道的图像分别使用大小为7*7*3的3D卷积核进行卷积操作，同时此处为了增加特征图的数量，采用了两种不同的3D卷积核，最终得到特征图的大小为54*34，数量为15*2的图像；7*7表示空间维度，3表示时间维度，也就是说每次操作3层图像；

其中，得到特征图的大小为54*34的原因是：60*40的原始图像经过7*7的卷积操作，((60-7)+1)*((40-7)+1)＝54*34，得到了54*34的图像；而特征图的数量为15*2的原因是：原始数量为21，每次操作3帧图像，且为了增加特征图的数量用了两种不同的3D卷积核，(((7-3)+1)*3)*2＝15*2，所以得到数量为15*2的图像；

S054：再对图像使用大小为2*2的降采样操作，降低空间分辨率，降采样之后的特征图数量不变为15*2，图像大小变为(54/2)*(34/2)＝27*17；

S055：再对图像分别使用大小为7*6*3的3D卷积核进行卷积操作，得到特征图的大小为21*12、数量为9*6的图像；同样为了增加特征图的数量，采用了三种不同的卷积核分别对两组特征图进行卷积操作；

其中，得到特征图的大小为21*12的原因是：27*17的图像经过7*6的卷积操作,((27-7)+1)*((17-6)+1)＝21*12；

而在步骤S053中可知，r通道特征图数量＝g通道特征图数量＝b通道特征图数量＝(7-3)+1)＝5；因此此时对一组图像进行7*6*3卷积操作，每次操作3层图像，(5-3)+1＝3，则特征图数量为3*3＝9，而一共有2*3＝6组，则此时的特征图数量为9*6；

S056：再对图像使用大小为3*3的最大池化降采样操作，降采样之后得到特征图的大小为(21/3)*(12/3)＝7*4，数量为9*6的图像；

S057：在此阶段，r、g、b通道数量为3，仅在该层的空间维度上执行卷积操作，再对图像使用卷积核大小为7*4的卷积操作得到特征图的大小为1*1、数量为128的图像，其中128为经验值；

S058：最后进行全连接操作，得到3个通道所有的信息，组合起来得到最终的特征描述，将这些特征值拿去训练得到一个模型；

S059：将步骤S04中得到的候选结节输入该模型，进行二次检测，来输出判断识别的结果。