基于监督器改进U-Net分割网络的肺结节检测方法及系统

本发明涉及一种基于监督器改进u-net分割网络的肺结节检测方法及系统，通过设计一种新型的训练分割网络的方式，实现对肺部ct样本医学图像上肺结节部分的检测，属于医学图像检测。

背景技术：

1、肺癌被认为是世界上最致命的癌症，许多国家为此制定了早期诊断肺癌的策略。nlst试验表明，使用低剂量的胸部计算机断层成像(computedtomography，ct)进行肺癌筛查可以显著降低肺癌导致的死亡率。这些措施意味着大量的ct扫描图像必须由放射科医生检查。随着ct扫描层数的增加，即使对于有经验的医生来说，有些结节也很难被发现，放射科医生的负担也随之加重。因此，为了提高诊断的准确性提高诊断效率，研究高性能的计算机辅助检测系统具有十分重要的意义。

2、随着深度学习方法在图像处理领域取得了巨大成功，以深度学习为基础的cad计算机辅助检测系统在医学影像辨识方面获得了极高的准确率。肺结节检测系统一般由候选结节检测和去除假阳性两部分组成。候选结节检测从肺部ct影像中筛选出若干个疑似结节的候选区域。去除假阳性的目的是去除若干候选结节中假阳性以提高阳性识别准确率。

3、与一般的计算机视觉任务相比，医学图像处理特别是肺结节检测任务具有较高的困难性。其原因是因为肺部结构复杂、肺结节体积和形状各异、大多数肺结节的直径非常小，占ct影像面积的比例极小，并且与其他组织相似度高。因此，肺结节检测过程中容易出现漏检情况。肺结节检测任务另一难点在于数据集较少。深度学习与大数据密不可分，深度学习算法能取得高准确率和高模型泛化能力的很大一部分原因，是由于，训练数据的极大增多以及算力的增长。一般的计算机视觉检测任务，其数据量一般在万份数量级，而医学图像处理由于获取数据以及标注数据的难度，其数据集一般在千份数量级。并且，由于医学图像的特殊性，肺部ct数据还存在着数据分布不均匀的现象，阳性样本与阴性样本的数量十分不均衡这也增加了了肺结节检测研究的难度。因此研究样本严重不足且分布不均衡的情况下训练出有效的模型也具有很大的价值。

技术实现思路

1、针对现有技术的不足，本技术提出了一种基于监督器改进u-net分割网络的肺结节检测方法及系统，以一种更高效、更融合的方式训练网络模型。

2、本技术根据已有分割模型与生成式对抗网络的基本思想相结合，在传统的训练网络中仅对比网络输出与真实标签之间的不同用以反向传播调整网络参数，本技术结合判别网络为分割网络提供了反向传播的另一条途径，利用更高维度的信息，辨别输入输出的匹配程度，为分割模型的参数优化提供更多元的方式。

3、本技术的第一方面，提供了一种基于监督器改进u-net分割网络的肺结节检测方法，该方法包括以下步骤：

4、s1：对所有ct样本数据做肺实质提取；将所有ct样本及标注分为训练数据集与测试数据集，对训练数据做数据增强；

5、s2：构建u-net分割网络以及构建监督器；

6、s3：定义损失函数，使用s1中的训练数据集训练s2中构建的u-net分割网络和监督器，使用测试数据集验证训练好的u-net分割网络性能是否达到要求；

7、s4：构建假阳性去除网络，构建假阳性网络的训练数据集与测试数据集，使用训练数据集训练假阳性去除网络优化其参数，使用测试数据集验证训练好的假阳性去除网络性能是否达到要求；

8、s5：预处待检测的ct样本，使用s3中训练好的u-net分割网络，分割ct样本生成分割图；使用s4中训练好的假阳性去除网络去除分割图中的假阳性部分，实现完整的肺结节检测。

9、进一步说，步骤s1中所述ct样本数据做肺实质提取具体是：

10、将所有ct样本使用二值化方法生成二值化图像；

11、用开操作去除杂质与噪声；

12、取反并将除肺部区域外的像素置零；

13、对二值化图像做膨胀处理；

14、将二值化图像与原始ct样本按位相乘完成肺实质提取。

15、进一步说，步骤s1中所述将ct样本及标注分为训练数据集与测试数据集具体是：

16、使用标注中的结节位置信息生成分割图；

17、将ct样本与对应分割图视为一份数据对；

18、将所有数据对划分为十个集合，取其中的九个集合构建训练数据集，剩余一个集合构建测试数据集。

19、进一步说，所述u-net分割网络具体结构如下：

20、u-net分割网络由两个下采样分支、一个中间分支、两个上采样分支以及一个卷积输出层组成；

21、所述下采样分支由一个convblock层和一个平均池化层avgpooling串联组成；

22、所述中间分支仅包含一个convblock层；

23、所述上采样分支由一个convtranspose反向卷积上采样层、一个centercrop中心裁切层、一个cat拼接层和一个convblock层组成；

24、所述centercrop负责裁切下采样分支的输出特征图，所述cat拼接层负责拼接裁切后的下采样特征和上采样提取的特征。

25、进一步说，所述监督器包含两个卷积分支和一个输出卷积层，其中：

26、所述卷积分支一负责提取ct样本切割后的数据特征；

27、所述卷积分支二负责提取标注分割图或u-net分割网络输出的特征；

28、所述卷积分支二每经过一个卷积部分提取到的特征与卷积分支一中对应卷积部分提取到的特征相融合；

29、由所述输出卷积层将最后得到的融合特征卷积并输出结果。

30、进一步说，所述损失函数由两部分组成：

31、第一部分：由u-net分割网络生成的分割图与标签分割图对比后计算生成的分割损失；

32、第二部分：由监督器根据预设的分类标签计算得出的分类损失。

33、本技术的第二方面，提供了基于监督器改进u-net分割网络的肺结节检测系统，包括：

34、数据预处理单元：用于对所有ct样本数据做肺实质提取；将所有ct样本及标注分为训练数据集与测试数据集，对训练数据做数据增强；

35、模型构建单元：用于构建u-net分割网络以及构建监督器；

36、u-net分割网络训练单元：用于定义损失函数，使用训练数据集训练s2中构建的u-net分割网络和监督器，使用测试数据集验证训练好的u-net分割网络性能是否达到要求；

37、假阳性去除网络构建单元：用于构建假阳性网络的训练数据集与测试数据集，使用训练数据集训练假阳性去除网络优化其参数，使用测试数据集验证训练好的假阳性去除网络性能是否达到要求；

38、肺结节检测单元，用于预处待检测的ct样本，使用训练好的u-net分割网络，分割ct样本生成分割图；使用训练好的假阳性去除网络去除分割图中的假阳性部分，实现完整的肺结节检测。

39、本技术的第三方面，提供了一种基于监督器改进u-net分割网络的肺结节检测设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述基于监督器改进u-net分割网络的肺结节检测方法。

40、本技术的第四方面，提供了一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述基于监督器改进u-net分割网络的肺结节检测方法。

41、与现有技术相比，本发明的有益效果在于：

42、本发明在原有的u-net分割模型基础上添加监督器，从而使分割模型输出的分割图更加合理，其分割结果与ct样本输入匹配度更高，分割准确率更高假阳性率更低。

43、相比于仅使用分割模型训练，为分割模型添加监督器可以抓取分割图的高维度特征与全局特征，以一种更高效、更融合的方式训练网络模型，有效避免了训练过程中可能会出现的梯度消失或过拟合的情况发生，提高了分割网络的分割精度。

44、特别的，本发明在损失函数中引入了损失权重β，损失权重β可以在训练过程中动态调整，对两部分损失的权重占比动态调整可以适应不同的训练阶段，对训练进程做出控制，将训练划分为几个更为精细的阶段，可以实现在训练不同阶段更改分割模型的分割任务重心，以达到更优的分割效果，有效提高肺结节的检出率并有效降低假阳性率。