[发明专利]基于神经网络的肺结节筛选方法

说明书

本发明公开了一种基于神经网络的肺结节筛选方法，属于神经网络及胸部肺肺结节筛查领域。本发明能够解决现有的技术由于提取X光中特征时存在有效性差，以及未能有效解决类别不平衡带来的训练问题，并且能够解决由于上述原因导致的所构建出的模型依旧难以真正用于临床的问题。为此，本发明包括：胸部图像数据的准备；主特征提取网络的构建与训练；交叉带权交叉熵函数的构建AUC性能指标的近似；在线的训练以及特殊情况下的处理；基于弱监督学习的胸部肺结节的定位。

技术领域

本发明涉及神经网络及胸部肺结节筛查领域，尤其涉及一种基于神经网络的肺结节筛选方法。

背景技术

胸片(胸部X-射线成像技术)是一种快速且伤害较小且可以生成胸部内部图像的技术，该技术被广泛用于各种胸部肺结节的筛查，包括心肌肥大、肺炎、肺癌等。临床中，即使是非常有经验的专家依旧需要认真的分析片中的成像，但是由于病患的巨大以及专业医生的稀缺以及地域分布的不均衡，这给广大的病患带来了困扰。通过深度神经网络的方法自动从X光图像中诊断胸部肺结节是一个非常有意义的辅助医疗方式，缓解医疗不均衡，提高临床诊断效率与准确性具有重要意义。

近年来，由于深度神经网络取得的巨大的成就，并成功应用于各个领域中，包括语音识别，图像识别，人脸检测，自然语言处理以及计算机辅助医疗等领域。在计算机辅助医疗领域，基于人工智的肺结节筛查以及乳腺癌的早筛技术已经日益走进临床实践。如今自动识别胸片中的肺结节也开始慢慢收到大家的关注。使用胸片对肺结节的筛查，相比较于CT，由于胸片的设备简单，出片快，辐射少等优势，一般广泛应用于肺部肺结节的初级诊断筛查中。

自2017年以来，美国国立卫生研究院(National Institutes of Health，NIH)在CVPR会议上公开了一个目前最大规模的胸片数据集，该数据集包含11212张X光片，涵盖了14中胸部肺结节，包括肺炎，肺癌，心肌肺大等肺结节。该数据集的发布吸引了很多学者的眼光，研究者与开发者慢慢的将注意力放到这一领域。但是由于X光片中肺结节特征的不明显以及14个类别样本不平衡的问题，给这一研究造成了一定的困扰。

目前大部分的方法都是通过改进训练与优化模型提升模型自动提取特征的能力。X.Wang，Y.Peng，L.Lu，M.Bagheri，和R.M.Summers在他们构建胸片的自动诊断算法中，使用一个通过ImageNet数据集与训练的50层残差卷积神经网络，训练并提取X光片中肺部肺结节的特征，取得了一定的效果。而后，X.Wang等人有发布了他们第二步的成果，在该项成果里面，他们介绍了一种基于多模态数据特征的方法，通过构建语言模型，建立图像到图像描述的文本生成模型，通过融合该语言模型根据图像生成的特征以及直接通过卷积神经网络提取的特征，一同对最终的诊断做出预测。P.Rajpurkar等人构建ChexNet模型来诊断胸片中的14种肺部肺结节，该方法通过建立121层稠密链接的卷积神经网络有效提取X光中暴露的肺结节特征，在14种病中的肺炎诊断取得了放射科医生的水平。因为公开的数据集，每一张X光片可能拥有不止一个肺结节，Y.Li，E.Poblenz，D.Dagunts，D.Bernard，和K.Lyman从这个角度出发，先通过一个161层的稠密链接的卷积神经网络构建编码器，在训练一个基于LSTM的解码网络推理不同标签之间的内在联系。QingjiGuan，Yaping Huang，Zhun Zhong，Zhedong Zheng，LiangZheng和YiYang基于注意力机制构建AG-CNN通过不同深度的卷积神经网络提取特征，并取得了有效的效果。

因此，现有的技术由于提取X光中特征的有效性问题，以及未能有效解决类别不平衡带来的训练问题，因此，所构建出的模型依旧难以真正用于临床。

发明内容

本发明的目的是提供一种基于神经网络的肺结节筛选方法，解决现有的技术由于提取X光中特征时存在有效性差，以及未能有效解决类别不平衡带来的训练问题，并且能够解决由于上述原因导致的所构建出的模型依旧难以真正用于临床的问题。