[发明专利]基于深度学习的医学图像肺结节检测方法

摘要

本发明公开了一种基于深度学习的医学图像肺结节检测方法，主要解决现有技术由于提取的有效医学图像数据量不足而导致检测精度低的问题。其实现方案为1)获取医学图像；2)在医学图像中引入高斯噪声，扩充数据样本集；3)构建新的特征提取网络；4)用新的特征提取网络，结合现有的区域建议网络和分类网络，获得检测模型；5)利用扩充数据样本集对检测模型进行训练；6)用训练好的检测模型进行肺结节检测。本发明构建的新的特征提取网络，减轻了网络过拟合的程度，提高了对医学图像肺结节的检测精度，可用于计算机辅助诊断系统。

主权项

一种基于深度学习的医学图像肺结节检测方法，包括：(1)从肺部图像数据库联盟LIDC的原始数据集随机选取100个病例的图像，通过读取原始数据集的XML格式注释文件，提取出肺结节坐标信息，并用病例图像和肺结节坐标信息组成样本数据集；(2)引入高斯噪声，扩充样本数据集：对样本数据集进行数据扩充，即对数据样本进行缩放和裁剪，并对所有样本进行复制，在复制后的数据样本中加入高斯噪声，组成扩充后的样本数据集；(3)构建新的共享特征的特征提取网络：(3a)从牛津大学计算机视觉组VGGNet‑16网络中选择其前12层卷积层作为特征提取的第一部分网络；(3b)在第一部分网络之后增加第二部分网络，组成共享特征的新的特征提取网络，该第二部分网络由7层新卷积网络组成，且第二层新卷积层(22)的输出与第四层新卷积层(24)的输入连接，第三层新卷积层(23)的输出与第五层新卷积层(25)的输入连接，第五层新卷积层(25)的输出与第六层新卷积层(26)的输入连接，且将第一层新卷积层(21)的输出、第四层新卷积层(24)的输出、和第六层新卷积层(26)的输出相连接，组成第七层新拼接层(27)。(3c)将第一部分网络第12层的输出分别与第二部分网络中的第一层新卷积层(21)的输入、第二层新卷积层(22)的输入、第三层新卷积层(24)的输入连接，组成共享特征的新的特征提取网络。(4)根据步骤3获得的新的特征提取网络，结合Faster‑RCNN模型现有的区域建议网络和分类网络，获得检测模型：将新的特征提取网络的第二部分网络的第七层新拼接层(27)的输出分别与区域建议网络中的第一层卷积层的输入和分类网络中第一层感兴趣区域池化层的输入相连接；将区域建议网络中的第一层卷积层的输出与分类网络中第一层感兴趣区域池化层的输入连接，组成检测模型；(5)训练检测模型：检测模型中的区域建议网络和分类网络使用特征提取网络中每层相同的特征参数，通过交替优化的方法调整区域建议网络和分类网络中每一层的权重参数，得到训练好的新检测模型；(6)肺结节检测：用训练好的检测模型对测试数据集中每张医学图像进行测试，得到每张医学图像中的肺结节检测结果。