[发明专利]基于新型Faster R-CNN的胰腺CT图像中的囊性肿瘤检测方法

说明书

一种基于新型Faster R‑CNN的胰腺CT图像中的囊性肿瘤检测方法，首先构建Faster R‑CNN网络结构，对网络结构中最后输出前的全连接层换成新的网络结构，该网络结构融合了残差网络和密集网络的优点，然后构建其结构，最后得到建议区域和区域类别。本发明通过将新的网络结构，使检测的精度得到提升；帮助医生快速确定病灶区域，加快诊断速度。

技术领域

本发明属于图像检测技术领域，主要涉及一种基于改进卷积神经网络的胰腺CT图像中囊性肿瘤的检测方法。

背景技术

通常的，病人在进行手术前，需要进行一系列的检查，其中通过计算机断层扫描(CT)成像来观察器官和病变是一种不可或缺的方法。但通过医生肉眼去观察和寻找CT图像中是否存在病变区域将会耗费大量的时间。随着深度学习的发展，深度学习在目标检测领域的应用十分广泛，如基于区域卷积神经网络目标检测(R-CNN)、基于快速区域卷积神经网络目标检测(Fast R-CNN)等。

存在的技术缺陷为：对胰腺囊性肿瘤检测的时候出现大量的漏检和误检导致检测的精度低。

发明内容

为了克服已有目标检测方法在胰腺囊性肿瘤检测是出现的漏检和误检的问题，本发明提供了一种检测精度较好的基于新型Faster R-CNN的胰腺CT图像中的囊性肿瘤检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于新型Faster R-CNN的胰腺CT图像中的囊性肿瘤检测方法，包括如下步骤：

1)输入胰腺囊性肿瘤的CT图像；

2)将胰腺囊性肿瘤CT图像通过卷积、池化操作进行特征提取得到特征图；

3)对于得到特征图进行分流操作，一方面输入到建议区域网络 RPN结构中，RPN网络用来生成建议区域，该网络通过Softmax分类器来判断所给的9个锚(anchors)属于前景还是背景，利用建议区域回归对anchors进行修正，获得精确的建议区域；另一方面，直接输入到下一层感兴趣区域池化层(ROI pooling)；

4)提取建议区域的特征图，此处的特征图根据3)的RPN网络的输出和2)的特征图综合提取得到；

5)将上一步得到的特征图输入到构建的新的网络结构中，该网络结构包含了残差网络和密集网络；

残差网络中的残差块运用了一种短连接的方式：

x_l＝F(x_l-1)+x_l-1

其中x_l表示的是网络第层的输出，F(·)表示的是上一层网络到下一层网络经历的操作，如：卷积、批标准化、池化等；

密集网络采用了密集连接的方法使得每一层的输出都包含了前面所有层的输出；

x_l＝H_l([x₀,x₁,…,x_l-1])

其中x_l表示的是网络第层的输出，H(·)表示的是卷积操作和池化操作，若该网络有l层，最后一层的输出就有个连接；

新的RD网络结构块在这两者的基础上得到

y_l＝H([G(y_l-2)+y_l-2,G(y_l-1)+y_l-1])

其中y_l表示的是网络第层的输出，H(·)、G(·)表示的是卷积操作和池化操作；