[发明专利]CT图像自动检测方法与系统

说明书

本发明提出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图像自动检测方法，属于图像数据处理领域。本发明使用深度学习方法，提出一种CT影像中的目标检测方法。该方法包括两部分：目标区域提取网络及假阳性目标去除网络。其中，目标区域提取网络为Faster R‑CNN模型。假阳性目标去除网络为三维卷积神经网络模型。为适应待检测目标在尺寸上的多样性，本发明在Faster R‑CNN中引入迭代自组织分析算法(ISODATA)。为解决在去除假阳性目标的过程中存在的正负样本不均问题，本发明在三维卷积神经网络中引入损失函数Focal Loss。

技术领域

本发明提出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图像自动目标检测方法，属于图像数据处理(G06T)领域。

背景技术

CT成像技术是指CT设备使用X射线对目标物体进行扫描，由探测器接收X射线并转化为可见光后，将可见光转化为电信号，再由模拟/数字转换器转为数字，输入计算机处理的技术。CT图像被应用在医学检查、工业检测、安保检测等各类行业。其中，CT影像中的目标检测是一项重要任务。在医学上，CT影像中病灶区域的检测为多种疾病诊断的前置步骤。在工业上，目标检测常用于从CT影像中检测气孔、夹杂、针孔、缩孔、分层等各种常见缺陷。在安保方面，CT影像中的目标检测方法还被广泛应用于安保、航空运输、港湾运输、大型货物集装箱案件装置等的检测中。

现有的CT影像中的目标检测方法主要通过有人工检测、基于统计机器学习的检测方法和基于深度学习的检测方法。然而，现有的检测方法具有以下缺陷：(1)人工检测方法主要凭借相关人员对目标物体的检测经验，人工阅片效率低，人力、物力消耗大，检测结果不稳定。(2)基于统计机器学习的检测方法通常使用形状、密度、大小等人工设计的低层次特征，难以应对目标物体在物理形态及空间位置的多样性，因此检测效率低。(3)现有的基于深度学习的检测方法虽然取得了较高检测效果，但是考虑到目标物体的大小适配、训练过程中正负样本平衡的问题，依旧有较大改进空间。

发明内容

针对上述提到的问题，本发明使用深度学习方法，提出一种CT影像中的目标检测方法。该方法包括两部分：目标区域提取网络及假阳性目标去除网络。其中，目标区域提取网络为

其中，y表示样本真实值，表示样本预测值，α是[0,1]区间内的权重因子，γ是权衡难易样本的可调参数。

根据本申请的第一方面，提出的CT图像检测方法的检测步骤如下：

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。