[发明专利]CT图像自动检测方法与系统

权利要求书

1.基于迭代自组织分析算法改进的Faster R-CNN及Focal Loss改进的三维卷积神经网络的CT图像中目标自动检测方法，其特征在于，包括以下步骤：

步骤1、构建CT影像中的目标检测训练集。该步骤包括CT影像的采集及图像预处理。其中，CT影像的采集产物包括完整的CT影像序列和每张CT影像中目标物体的类别、位置标注。图像预处理包括但不限于图像分割、归一化等操作。图像分割指将CT影像中易于检出的无关区域去除。如肺部CT图像中，通常将亨氏单位(Hounsfield Unit,HU)值在[-1200,600]区间的CT图像区域认定为肺实质区域，将其他区域认定为背景区域舍去。归一化指将每张图像的像素值映射到[0,1]区间内，该预处理方法能够优化深度学习方法的训练过程。

步骤2、构建目标检测网络，使用目标检测训练集中的单张CT图像训练网络参数，实现目标区域提取网络。为解决目标尺寸变化大的问题，提高网络对不同尺寸目标的适应程度，所构建的目标检测网络为使用迭代自组织分析算法改进的Faster R-CNN网络。该网络包括建议区域生成网络及目标分类网络，两个网络共享一组用于提取图像特征的卷积层。本步骤具体包括：

步骤2.1将单张CT图像输入一组卷积层提取图像特征。

步骤2.2将利用迭代自组织分析算法处理训练集。迭代自组织分析算法根据训练集内样本尺寸与形状分布进行聚类，产生一组生成建议区域的参数，该参数包括生成建议区域的大小、生成建议区域的形状。

步骤2.3生成建议区域网络。建议区域生成网络包括建议区域生成、建议区域分类及建议区域回归三个模块。生成建议区域模块使用迭代自组织分析算法产生的参数，在最后一层卷积层产生的图像特征的每一个点上生成建议区域。

对每一生成的建议区域，建议区域分类模块使用分类器预测该建议区域是否包含目标物体，给出建议区域包含目标物体的概率，即预测值。建议区域包含目标物体的真实值指的是，若建议区域中包含目标物体，则真实值为1；反之为0。建议区域分类模块通过计算预测值与建议区域包含目标物体的真实值之间的第一类损失。

对每一生成的建议区域，建议区域回归模块使用回归器预测包含目标物体的建议区域的坐标。建议区域回归模块通过计算建议区域坐标与训练集中各目标坐标的贴合程度，计算二者坐标之间的第二类损失。

步骤2.4目标分类网络。对包含目标的建议区域，目标分类网络将该建议区域映射到图像特征，形成在图像特征上的检测区域，并将该检测区域映射到相同长度的向量，通过目标位置回归模块与目标分类模块进行进一步分类。

对每一个映射成的向量，目标分类模块使用分类器预测该向量所属的类别，该类别包括训练集中定义的各类别及背景。目标分类模块分别给出向量属于每个类别的概率，即输出为长度为类别数目的预测值。目标分类模块的真实值指的是，若向量属于某一类别，则在标签中该类别的值为1，其他类别的值为0。目标分类模块通过计算预测值与真实值之间的第三类损失。

对每一个映射成的向量，目标位置回归模块使用回归器预测该向量中对应目标的位置坐标。目标位置回归模块通过计算预测坐标与真实目标的坐标的贴合程度，计算二者坐标之间的第四类损失。

步骤2.5损失与参数更新。结合步骤2.3,2.4中计算的四类损失，形成目标区域提取网络的损失函数。通过最优化该损失函数，更新目标区域提取网络的参数。不断使用CT图像中的目标检测训练集中训练样本，通过步骤2.1-2.5进行参数更新，直至损失函数值达到最优，得到训练完毕的目标区域提取网络。

步骤3.构建假阳性目标去除网络。将步骤2中训练使用的CT图像经过步骤2形成检测区域。将检测区域所在CT图像与相邻CT图像拼接构成三维序列，从三维序列中取出检测区域形成三维图像块，作为该网络的训练样本。分别将误检区域作为训练负样本，正确检测区域作为正样本，送入三维卷积神经网络提取三维图像特征。提取的图像特征经过全连接层得到目标的预测值，即目标是真实目标的概率。该概率值与目标的真实值计算损失，通过优化损失函数更新全连接层与三维卷积神经网络中的参数，实现假阳性目标去除网络。由于目标区域提取网络的输出结果中存在正样本过少、负样本过多所导致的样本不平衡问题，所构建假阳性目标去除网络采用损失函数Focal Loss进行训练。

步骤4.目标区域提取网络及假阳性目标去除网络均训练完毕后，可用于CT图像中目标的检测。检测时，待检CT影像经过目标区域提取网络，提取出目标区域提取网络输出的检测区域，其中包含正确检测区域与大量误检区域；检测区域与相邻CT影像拼接构成三维图像块；三维图像块送入假阳性目标去除网络中去除误检区域，得到待检目标所在区域及类别。