[发明专利]基于三维卷积神经网络的肺结节检测方法

摘要

本发明涉及一种基于三维卷积神经网络的肺结节检测方法，采用了特征金字塔和注意力机制的网络结构，融合了低层高分辨率的特征和高层抽象特征，并使得网络集中注意于有目标的区域。采用了三维卷积神经网络的检测方法，端对端的进行肺结节检测，降低了时间开销，并且相较于传统的方法提高了结节检测的召回率和平均准确率。

主权项

1.一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤如下：步骤1：对肺部CT数据进行预处理：采用下述公式将结节从图像坐标体系转换为病人坐标体系：其中，origin和spacing分别为图像坐标体系中的原点和间距，center表示要转换的位置点，center'表示转换之后的位置点；对每组数据循环每一个切片，使用阈值法以及连通区域标记得到肺实质区域的标记图；接着采用形态学的凸包和膨胀操作修复肺实质的外轮廓和内部轮廓，得到肺部的掩码，从而得到肺实质区域；接着重采样数据，将病人坐标体系中的三个面上的切片间距均调整为1mmⅹ1mmⅹ1mm，并将亨氏值规范化至0～255的范围内，得到肺分割的预处理结果；所述的三个面为横断面、冠状面、矢状面；步骤2：利用定义好的网络结构在训练集上进行训练，确定一组最优的参数：对训练数据进行过采样、裁剪、数据增强，所述的数据增强有水平翻转和旋转操作；在输入给网络之前再将0～255的数值范围进行归一化；本发明针对于输入图像块，会预测出20ⅹ20ⅹ20个位置，每个位置有4个anchor；anchor大小是根据统计分析得来的；处理训练数据标签时，判断如果一个anchor与任意一个标签的IOU大于0.5则认为是结节，并将置信度标记为1；如果一个anchor与任意一个标签的IOU小于0.02，则认为其不是结节，并将置信度设置为‑1；IOU大于0.02小于0.5的位置均设置为0，不参与训练；在训练数据与标签均处理完成后，将训练数据输入网络中，进行前向传播：首先输入数据，经过预处理块提取特征，预处理块是由一个卷积层，批规范化层和激活函数Relu6组成；接着将输出结果输入至两个并行的残差块和注意力模块中，残差块主要是为提取特征，注意力模块会给出一个概率分布，最终将两个结果结合起来；设残差块的输出为T，注意力模块的输出为M，则最终的输出为(1+M)×T，可以看出，如果权重M为0，则输出为T，如果M变大，则输出会被加强；接着将输出结果传入下一层的下采样模块，这一层的作用是降低特征的分辨率，采用步长为2的卷积层实现；在特征图的分辨率为10×10×10大小时进行上采样操作，采用反卷积实现，再将结果与前面得到的位置信息以及下采样结果进行连接，最后再经过卷积、dropout得到最终的输出；得到网络前向传播的输出后，计算其与真实标签之间的误差；由于样本位置中多数为负样本，为了解决样本类别不平衡以及易分样本的问题，采用了在线难分负样本挖掘；即将正负anchor分开计算损失，所有正的anchor全部参与损失的计算；对负的anchor，根据其是结节的概率排序，取出前k个负的anchor来计算损失，在这里k设置为正anchor数目的2倍；即只有所有正样本和2倍数目的难分负样本会参与损失的计算；这里的损失是多任务的损失，一部分是分类的损失，另一部分是位置回归的损失，当然只有正的anchor才有回归的损失；分类损失采用焦点损失，让损失聚焦于难分的anchor，对正的anchor，损失计算公式如下：FL+(pt)＝‑αt(1‑pt)γlog(pt)其中αt、γ是两个超参数，αt是为了控制正负anchor的比重，本发明中将其设置为0.25，γ设置为2；pt代表当前anchor是结节的概率；对于负的anchor，损失的计算公式如下：FL‑(pt)＝‑(1‑αt)ptγlog(1‑pt)回归损失采用Smooth L1，对于x,y,z,d的回归均采用如下计算方式：整体损失函数为分类损失与回归损失之和；计算出损失之后，采用反向传播算法来更新网络参数，反复迭代多次，直至损失函数值减小，网络收敛到局部最优或是达到一定的迭代次数时停止训练，则找到了一组最优的网络参数；步骤3：利用训练好的网络参数在测试集上进行预测：对于一组测试病例数据，在进行了步骤1的预处理之后，对数据进行了切分，将一组数据切分为多个小的立方体块，然后将小的立方体块输入步骤2训练好的网络来提取特征并预测输出，得到每个立方块的输出后再将结果合并起来得到最终的预测结果：预测的位置x,y,z和直径d以及当前位置是结节的置信度p；先采用阈值法，根据置信度p，以及预测的结节直径d进行初筛，再采用非极大值抑制NMS去掉多余的位置；最后，再对预测得到的位置x,y,z进行坐标的转换：coord'＝coord×spacing+origin其中，coord是要转换的位置坐标，coord'是转换后的位置坐标，得到最终结果。