一种基于改进的FasterR-CNN框架的CT图像肺结节检测方法与流程

本发明涉及一种ct图像的肺结节检测方法，尤其涉及一种基于改进的fasterr-cnn框架的ct图像肺结节检测方法，属于肺结节检测
技术领域：
。
背景技术：
x射线计算机断层成像(x-raycomputertomography，ct)技术是通过对物体进行射线投影测量而获取物体精确而无损的横截面衰减信息的成像技术，是目前常规有效的临床医学诊断工具之一，为临床医生的诊断和预防提供丰富的三维人体器官组织信息，已成为医学成像领域内不可或缺的检查诊断方法。肺癌是各种癌症中死亡率最高的癌症，其中男性患肺癌的死亡率是13％、女性是19.5％。大约70％的病人都是在肺癌晚期才诊断出来，而这种情况下的5年存活率仅仅在大约16％左右。然而，如果在肺癌的早期就能诊断出结果，那么五年的存活率能够达到70％。肺结节便是肺癌的早期形式，这也使得肺结节的检测非常重要。ct图像具有精度高，使用广泛的特点，所以胸部的ct图片便是肺结节检测的常用手段。肺部ct图像的解释是一项非常具有挑战性的任务。肺部有很多复杂的组织结构，同时这些组织的灰度值相近，这些都使得肺结节的检测困难，尤其是有很多肺结节的直径非常小，大小只有几个毫米，更容易漏检。即使是有经验的放射科医生也较难区分肺部ct中的血管与直径较小的肺结节，同时人的判断还会受到主观因素所影响。传统的肺结节检测一般包括如下步骤：(1)ct图像的预处理，(2)肺实质分割，(3)候选结节检测，以及(4)候选结节假阳性剔除。其中ct图像预处理阶段，一般仅仅使用几何学特征以及纹理特征。对于肺实质分割阶段，一般是结合阈值法以及形态学的方法分割出肺实质。对于候选结节检测阶段，一般使用阈值法，统计和匹配模型以及联合多种算法的方法检测候选结节。候选结节假阳性剔除阶段常常结合不同的特征(灰度值的特征、形状特征以及纹理特征)，使用基于人工设计的方法、支持向量机(supportvectormachine，svm)、基于线性判别分析(lineardiscriminantanalysis，lda)的分类器、基于决策树(decisiontree)的分类方法等特征分类器筛选假阳性。传统的肺结节检测方法对只能检测出大的结节，而对于尺寸较小的结节，常常发生漏检。技术实现要素：发明目的：针对现有技术中存在的问题，本发明提供了一种ct图像肺结节检测方法，该方法更适合小尺寸肺结节的检测。技术方案：本发明采用如下技术方案：一种基于改进的fasterr-cnn框架的ct图像肺结节检测方法，包括步骤：(1)采集肺结节症状病人的胸部的ct图像，并标注肺结节位置，作为训练样本集；(2)构建候选结节检测网络，用训练样本集训练所述候选结节检测网络，确定网络参数，得到候选结节检测模型；(3)构建候选结节假阳性剔除分类网络，用训练样本集训练所述候选结节假阳性剔除分类网络，得到候选结节假阳性剔除分类网络模型；(4)将待检测的ct图像输入候选结节检测模型中，得到候选结节的位置；将所述候选结节的位置输入候选结节假阳性剔除分类网络模型中，剔除假阳性，得到肺结节检测结果。所述候选结节检测网络为基于区域的快速卷积神经网络fasterr-cnn模型，所述fasterr-cnn模型包括多个卷积层和一个反卷积层。所述候选结节假阳性剔除分类网络为vgg-16结构网络。所述训练样本采用相邻的三个切片合成为一张图像作为一个样本。所述步骤(3)包括：根据训练样本集中样本标注的肺结节位置，训练肺结节和非肺结节的分类网络，得到候选结节假阳性剔除分类网络模型。有益效果：与现有技术相比，本发明公开的基于改进的fasterr-cnn框架的ct图像肺结节检测方法具有以下优点：1、在fasterr-cnn模型的卷积层后增加反卷积层，能够起到放大之前网络提取到的特征的作用，更适合小尺寸肺结节的检测；2、由于深度学习对高维度特征的学习能力很强，在不影响敏感度以及假阳性的同时，本发明公开的方法省略了传统肺结节检测中肺实质分割步骤，从而简化的检测流程；3、采用获取候选结节和候选结节假阳性剔除两个阶段进行检测，有利于提升检测效果，同时训练的两个阶段大部分都在gpu中进行，训练速度也有保证。附图说明图1为本发明中样本集中样本示例图；图2为本发明中候选结节检测模型的结构示意图；图3为本发明中假阳性剔除阶段训练数据的肺结节类别预处理示意图；图4为本发明中假阳性剔除阶段训练数据的非肺结节类别预处理示意图；图5为本发明实施例中检测阶段候选结节检测结果图示；图6为本发明实施例中检测阶段假阳性剔除之后的结果图示。具体实施方式下面结合附图和具体实施方式，进一步阐明本发明。一种基于改进的fasterr-cnn框架的ct图像肺结节检测方法，包括步骤：步骤1、采集肺结节症状病人的胸部的ct图像，并标注肺结节位置，作为训练样本集；本实施例中采用肺部医学影像数据库联盟(thelungimagedatabaseconsortium，lidc)公开的数据集，此数据集中包含了1018个病例，同时每个病例有相对应的富有经验的放射科医生(一般是三个或者是四个放射科医生)给出的诊断信息。在处理数据集中的样本时，对于每一个病人的ct图片，先对三个维度同时插值到1mm×1mm×1mm；由于[-1200,600]hu是观察肺部的较为合适的范围，选取[-1200,600]hu区间映射到[0,255]像素；接着选取相邻的三个切片，将对应像素上的灰度值相加，合成为一张图像作为一个样本，如图1所示。每个切片是单通道，自然图像是三通道，叠加三层切片的灰度值组成三通道图像，这样做的好处是充分利用了相邻三个切片间的信息。是对应位置上三个切片灰度值的叠加。步骤2、构建候选结节检测网络，用训练样本集训练所述候选结节检测网络，确定网络参数，得到候选结节检测模型；所述候选结节检测网络为基于区域的快速卷积神经网络fasterr-cnn模型，所述fasterr-cnn模型包括多个卷积层和一个反卷积层。假设卷积层的输入图片大小为w×w，卷积核尺寸为f×f，步长为s，像素填充的padding是p，那么卷积后输出的大小为：假设w＝7，f＝3，s＝2，p＝0，那么输出的尺寸为：对于反卷积，同样假设输入图片大小为w×w，卷积核尺寸为f×f，步长为s，像素填充的padding是p，那么反卷积后的输出大小为：n＝(w-1)×s+f-2*p假设w＝3，f＝3，s＝2，p＝0。那么输出的尺寸为：n＝(3-1)×2+3-2×0＝7由上面卷积以及反卷积的计算可以看出，卷积能够降低特征图的分辨率，而反卷积能够起到上采样的作用，能够放大特征图。如图2所示，增加的反卷积层能够起到放大之前网络提取到的特征的作用，适合小尺寸肺结节的检测。步骤3、构建候选结节假阳性剔除分类网络，用训练样本集训练所述候选结节假阳性剔除分类网络，得到候选结节假阳性剔除分类网络模型；所述候选结节假阳性剔除分类网络为vgg-16结构网络。根据训练样本集中样本标注的肺结节位置，训练肺结节和非肺结节的分类网络，得到候选结节假阳性剔除分类网络模型。本实施例中，肺结节训练集处理步骤为：根据标注的位置信息，找出带有肺结节的位置，选择以肺结节为中心的32×32的小块，将相邻的三个切片合成为一个样本，如图3所示；非肺结节训练集的处理步骤为：选择标注位置之外(非肺结节)的部分，尺寸为32×32的小块，将相邻的三个切片合成为一个样本，如图4所示。对肺结节和非肺结节两种类型建立分类网络，如表1所示，表1中名称栏目中，conv1_1代表第一阶段第一个卷积层，conv1_2代表第一阶段第二个卷积层，以此类推。pooling1代表第一阶段的池化层，pooling2代表第二阶段池化层，以此类推。fc5代表第五阶段是全连接层，fc6代表第六阶段是全连接层，以此类推。参数设置中，size代表的是卷积核的尺寸，num代表通道个数，stride代表步长。网络中卷积层使用的卷积核尺寸皆为3×3，每层的通道数从32开始，每次池化之后按照2的倍数增加，直到最后达到256个；池化层中的卷积核为2×2。在训练后，可以得到假阳性剔除分类网络模型。表1假阳性剔除网络结构名称类型参数设置conv1_1convolutionsize:3×3,num:32stride:1conv1_2convolutionsize:3×3,num:32stride:1pooling1maxpoolingsize:2×2,stride:2conv2_1convolutionsize:3×3,num:64,stride:1conv2_2convolutionsize:3×3,num:64,stride:1pooling2maxpoolingsize:2×2,stride:2conv3_1convolutionsize:3×3,num:128,stride:1conv3_2convolutionsize:3×3,num:128,stride:1conv3_3convolutionsize:3×3,num:128,stride:1pooling3maxpoolingsize:2×2,stride:2conv4_1convolutionsize:3×3,num:256,stride:1conv4_2convolutionsize:3×3,num:256,stride:1conv4_3convolutionsize:3×3,num:256,stride:1pooling4maxpoolingsize:2×2,stride:2fc5fullyconnectednum:1024fc6fullyconnectednum:1024fc7fullyconnectednum:2步骤4、将待检测的ct图像输入候选结节检测模型中，得到候选结节的位置；将所述候选结节的位置输入候选结节假阳性剔除分类网络模型中，剔除假阳性，得到肺结节检测结果。本实施例中对两个待检测ct图像进行检测，得到的候选结节位置分别如图5所示，其中图5-(a)为检测到的两个与血管相连的候选肺结节；图5-(b)为检测到的两个尺寸较小的候选肺结节。对候选肺结节进行剔除假阳性，得到的最终结果如图6所示，其中图6-(a)与图5-(a)对应，剔除了位于图片下方的假阳性结节；图6-(b)与图5-(b)对应，剔除了位于图片左侧的假阳性结节。可以从两个角度来评估本发明所公开方法的效果。第一个方面是观察尺寸较小的肺结节或者附着在血管上的肺结节是否能够正确检测出结果。如图6-(a)所示，此肺结节附着在血管上，不容易与血管分辨，而检测结果定位准确；如图6-(b)所示，此肺结节尺寸非常小，容易漏检，本发明公开的方法依然能够准确检测出来。第二个方面是与传统方法比较敏感度。为了量化地验证本发明公开方法的有效性，可以比较敏感度来评价不同方法的优劣。真阳性、真阴性、假阳性以及假阴性的定义如表2所示：表2根据表2中的定义，敏感度为：表3比较了本发明提出的方法以及传统肺结节检测方法得到的结果：表3作者敏感度(％)aresta57.4santos80.5jacobs80.0teamotoandfujita80.0guoandli80.0本发明公开的方法82.3表3中是最近几年传统方法肺结节检测的结果，并且同时使用lidc数据集作为训练集，本发明方法得到的敏感度高于其他方法的敏感度，这也有力地说明了本发明方法的有效性。从表3数据中可以看出，本发明方法的敏感度均优于其他方法，而且由于深度学习对高维非线性特征学习效果明显，在不影响敏感度的同时，本发明方法省去了肺实质分割步骤，简化了肺结节检测的步骤。敏感度的增强，对临床使用的计算机辅助诊断肺结节具有重要意义。当前第1页12