[发明专利]一种基于三维深度学习网络的肺结节良恶性预测方法

权利要求书

1.一种基于三维深度学习网络的肺结节良恶性预测方法，其特征在于，包括以下步骤：

S1将肺部CT图像进行灰度重建和层厚重建；

S2按肺结节区域的中心O和直径D大小将3D肺结节数据提取并存储，边界超出图像范围或标注不规范图像做筛除处理；

S3通过B样条插值算法生成对应的三个分辨率的数据；

S4将步骤S3中数据进行标准化和样本扩充后作为训练网络输入；

S5构建多分辨3D双通路压缩激励网络；

S6采用随机梯度下降法将步骤S4中的数据对应输入网络进行训练和迭代求解；

S7进行分类准确率验证；

所述多分辨3D双通路压缩激励网络由双通路压缩激励单元堆叠所构建，其结构与参数见表1，其中密集连接通路基本通道为32，递增为16，压缩激励模块中维度缩减比设置为4，尾端分类比例系数为λ₁＝0.5,λ₂＝0.3,λ₃＝0.2，尾端分类各自的概率P₁、P₂、P₃由下式给出：

式中，给定N对输入样本和真实标签值的对应{(D₁,y₁),...,(D_N,y_N)}，D_j为第j个输入样本，y_j为D_j对应的真实标签，则为网络预测的结果，k为类别数，η_i为第i个分辨率网络的参数，计算完三个分辨率网络各自的预测概率P_i后，在尾端按比例系数λ₁、λ₂、λ₃进行概率融合得到融合概率P_f，如下所示：

表1多分辨3D双通路压缩激励网络详细结构

表1中，C代表卷积层，DPSE-C代表双通路压缩激励模块中的卷积层，FC代表全连接层，通道数中相加项前者为残差连接通路通道数，后者为密集连接通路通道数。

2.根据权利要求1所述的肺结节良恶性预测方法，其特征在于，所述步骤S1中采用读入DICOM格式肺部CT图像训练样本T₁和测试样本T₂并转换为uint16类型，将其灰度重建为[-1000,400]HU，层厚采用最近邻插值法重建为1mm。

3.根据权利要求1所述的肺结节良恶性预测方法，其特征在于，所述步骤S2中人工确定训练样本T₁和测试样本T₂中肺结节的中心O、直径D大小，并根据直径D将肺结节分为三个分辨率，若3mm≤D≤14mm为低分辨率，对应的像素提取窗口为20*20*20；14mm＜D≤21mm为中分辨率，对应的像素提取窗口为30*30*30；21mm＜D≤30mm为高分辨率，对应的像素提取窗口为45*45*45。

4.根据权利要求1所述的肺结节良恶性预测方法，其特征在于，所述步骤S3是以O为中心，将训练样本T₁和测试样本T₂肺结节中心按像素提取窗口进行3D图像提取并通过B样条插值生成其余两个分辨率的3D图像并对应保存，形成输入数据。

5.根据权利要求1所述的肺结节良恶性预测方法，其特征在于，所述步骤S4中，输入数据进行0-1标准化，将训练样本T₁中的数据采用X轴，Y轴，Z轴旋转和2像素点随机平移进行数据扩充，旋转角度为[90°,180°,270°]三种特殊角度。

6.根据权利要求1所述的肺结节良恶性预测方法，其特征在于，S6中网络参数初始化采用He初始化，学习率设置为0.005并每过300轮迭代降低30％，网络批量batchsize大小采用8，损失函数选取交叉熵损失函数，根据准确率收敛趋势和迭代轮数判断算法是否收敛，若未收敛直至收敛后保存网络参数。