[发明专利]一种基于深度学习的CT图肺结节检测方法

摘要

本发明公开了一种基于深度学习的CT图肺结节检测方法，包括：S01：获得肺部CT图像，并转换为DICOM格式的图像；S02：获取图像的病人信息及CT图的长和宽及图片像素之间的间隔；同时对图像的CT值进行归一化预处理；S03：对步骤S02预处理完成的CT图像进行肺容积分割，只保留肺部的图像；S04：对图像进行候选结节检测，使用U‑net卷积神经网络，找到候选结节的位置，输出一张带有候选结节位置标记的二维图像；S05：在获取到候选结节之后，将候选结节送入消除假阳性的分类器进行二次检测。本发明通过实现肺部结节自动检测，减少了肺结节标注需要大量医疗资源的问题，为肺癌病人提前发现了治疗，降低死亡率的机会。

主权项

1.一种基于深度学习的CT图肺结节检测方法，其特征在于：包括以下步骤：S01：获得肺部CT图像，并转换为DICOM格式的图像；S02：获取转换为DICOM格式的图像的格式数据中的病人信息及CT图的长和宽及图片像素之间的间隔；同时对图像的CT值进行归一化预处理，并对一定范围以外的图像CT值都统一为端点值；S03：对步骤S02预处理完成的CT图像进行肺容积分割，只保留肺部的图像；S04：对图像进行候选结节检测，使用U‑net卷积神经网络，找到候选结节的位置，输出一张带有候选结节位置标记的二维图像；S05：在获取到候选结节之后，将候选结节送入消除假阳性的分类器进行二次检测；其中步骤S04包括以下子步骤：S041：输入一组大小为128*128、有32层的肺容积分割完成的图像；S042：进行卷积核为2*2的最大池化，将原始图像转换成特征图大小为64*64，数量为32层的图像；S043：再进行2*2的最大池化，将64*64*32的图像转换成特征图大小为32*32、数量为32层的图像；同时又为了增加特征图的数量，此处使用了两种不同的卷积核，最终特征图的数量变为32*2＝64，即得到了特征图大小为32*32，数量为64的图像；S044：再进行2*2的最大池化，将32*32*64的图像转换成特征图大小为16*16，数量为64层的图像；S045：再进行2*2的最大池化，将16*16*64的图像转换成特征图大小为8*8，数量为64层的图像；S046：进行2*2的反卷积，将8*8*64的图像转换成特征图大小为16*16，数量为64层的图像；S047：进行2*2的反卷积，将16*16*64的图像转换成特征图大小为32*32，数量为64的层；S048：为了增加特征图的数量便于检测肺结节，将步骤S047与步骤S043中得到的层拼接起来，得到特征图大小为32*32，数量为64+64＝128层的图像；最终输出四维数据(p，z，y，x)，其中p为是肺结节的概率，zyx是结节中心的三维坐标；S049：将坐标映射回原图，用肉眼查看是否正确；步骤S05包括以下子步骤：S051：输入多组大小为60*40、有7层的原始图像，并依次执行步骤S052～S058的步骤；S052：每张图像提取rgb3个通道信息，其中三个通道的信息可以直接对每层分别操作获取，得到特征图的大小为60*40、数量为21的图像；S053：对3个通道的图像分别使用大小为7*7*3的3D卷积核进行卷积操作，同时此处为了增加特征图的数量，采用了两种不同的3D卷积核，最终得到特征图的大小为54*34，数量为15*2的图像；7*7表示空间维度，3表示时间维度，也就是说每次操作3层图像；其中，得到特征图的大小为54*34的原因是：60*40的原始图像经过7*7的卷积操作，((60‑7)+1)*((40‑7)+1)＝54*34，得到了54*34的图像；而特征图的数量为15*2的原因是：原始数量为21，每次操作3帧图像，且为了增加特征图的数量用了两种不同的3D卷积核，(((7‑3)+1)*3)*2＝15*2，所以得到数量为15*2的图像；S054：再对图像使用大小为2*2的降采样操作，降低空间分辨率，降采样之后的特征图数量不变为15*2，图像大小变为(54/2)*(34/2)＝27*17；S055：再对图像分别使用大小为7*6*3的3D卷积核进行卷积操作，得到特征图的大小为21*12、数量为9*6的图像；同样为了增加特征图的数量，采用了三种不同的卷积核分别对两组特征图进行卷积操作；其中，得到特征图的大小为54*34的原因是：27*17的图像经过7*7的卷积操作,((27‑7)+1)*((17‑6)+1)＝54*34；而在步骤S053中可知，r通道特征图数量＝g通道特征图数量＝b通道特征图数量＝(7‑3)+1)＝5；因此此时对一组图像进行7*6*3卷积操作，每次操作3层图像，(5‑3)+1＝3，则特征图数量为3*3＝9，而一共有2*3＝6组，则此时的特征图数量为9*6；S056：再对图像使用大小为3*3的最大池化降采样操作，降采样之后得到特征图的大小为(21/3)*(12/3)＝7*4，数量为9*6的图像；S057：在此阶段，r、g、b通道数量为3，所以时间维度的尺寸已相对较小，仅在该层的空间维度上执行卷积操作，再对图像使用卷积核大小为7*4的卷积操作得到特征图的大小为1*1、数量为128的图像，其中128为经验值；S058：最后进行全连接操作，得到3个通道所有的信息，组合起来得到最终的特征描述，将这些特征值拿去训练得到一个模型；S059：将步骤S04中得到的候选结节输入该模型，进行二次检测，来输出判断识别的结果。