[发明专利]一种基于CT图像的肺结节检测方法及系统

权利要求书

1.一种基于CT图像的肺结节检测方法，其特征在于，包含以下步骤：

(1)基于UNet网络的快速定位处理：利用训练完成的UNet模型对待处理的CT图像进行两次预测，以获得对应于CT图像中疑似肺结节的结节掩码区域；所述两次预测操作包括利用UNet模型进行的第一次预测及第二次预测，其中，第二次预测是以第一次预测的结果为中心进行的再次预测；

(2)基于DSSD网络的目标检测处理：对与所述步骤(1)中得到的所述结节掩码区域对应的图像块，利用训练完成的DSSD模型进行预测，以获得候选肺结节的检测结果；

(3)基于3DCNN的假阳性筛选处理：利用训练完成的3DCNN模型对所述步骤(2)中得到的候选肺结节进行筛选，以剔除其中的假阳性结节；

所述步骤(1)中，所述UNet模型具体是基于残差密集块的UNet网络训练得到，该网络包括六个残差密集块、三个二维的最大池化层、三个二维的上采样层、以及一个Sigmoid回归层，其中，输入的图像通过第一残差密集块得到第一中间结果，再通过第一最大池化层输送到第二残差密集块得到第二中间结果，再通过第二最大池化层输送到第三残差密集块得到第三中间结果，再通过第三最大池化层和第四上采样层得到的结果与所述第三中间结果拼接后输入至第四残差密集块得到第四中间结果，该第四中间结果与所述第二中间结果拼接后输入至第五残差密集块得到第五中间结果，该第五中间结果与所述第一中间结果拼接后输入至第六残差密集块再经Sigmoid回归层处理后即可得到最终的预测结果；

任意一个所述残差密集块均由六个密集块的堆叠和一个残差块的连接构成。

2.如权利要求1所述基于CT图像的肺结节检测方法，其特征在于，所述步骤(1)中，所述UNet模型是经过训练得到的；所述UNet模型的训练具体是先根据肺结节公开数据集使用基于边界的加权采样策略对正样本进行采样，然后使用随机采样策略对负样本进行采样，接着基于Hard Mining的思想利用这些正样本和负样本进行训练；

其中，所述基于边界的加权采样策略，具体是根据每个肺结节体素与肺结节边界体素的最小距离来分配相应的采样权重。

3.如权利要求2所述基于CT图像的肺结节检测方法，其特征在于，所述基于边界的加权采样策略，是以肺结节边界体素的个数为基准，确定肺结节类和非肺结节类体素的采样规模，再以各个肺结节类体素点为中心获取64×64×3的图像块作为正样本；然后，随机对非肺结节类进行采样，再以各个已采样的非肺结节类体素点为中心获取64×64×3的图像块作为负样本，从而利用这些正样本和负样本对基于UNet网络的定位模型进行训练。

4.如权利要求3所述基于CT图像的肺结节检测方法，其特征在于，所述基于边界的加权采样策略中，肺结节类体素点采样权重根据如下的式(1)获得：

其中，PW_k表示肺结节类中第k个体素的采样权重；N表示属于肺结节的体素的集合；E表示属于肺结节边界的体素集合；d(k,t)表示N中第k个体素与E中第t个体素之间的欧氏距离。