[发明专利]基于对抗网络的医学图像肺结节检测方法

说明书

本发明公开了一种基于对抗网络的医学图像肺结节检测方法，主要解决现有技术对医学图像肺结节遮挡情况而导致检测精度低的问题。其实现方案为：1)对医学图像进行数据预处理，获取样本数据集；2)对样本数据集进行缩放和裁剪的处理，并对处理后的所有样本中加入高斯噪声，组成扩充后的样本数据集；3)将Faster‑RCNN检测器与对抗空间丢弃网络ASDN进行叠加，构建基于对抗网络的新型检测器；4)利用样本数据集对新型检测器进行训练，得到训练好的新型检测模型；5)用训练好的检测模型对测试数据集进行肺结节检测，得到每张医学图像中的肺结节检测结果。本发明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。

技术领域

本发明属于图像处理技术领域，特别涉及一种医学图像肺结节的检测方法，可用于计算机辅助诊断系统。

背景技术

肺结节是肺癌最重要的早期征象之一，根据肺结节的病变特征能推断出肺部病灶的病变特性。所以，对肺部疾病患者进行及早的肺结节检测和治疗是降低肺癌死亡率的关键措施。肺癌因其高发病率、高死亡率已成为癌症中最为致命的肿瘤疾病，随着人们生活习惯的改变和环境的日益恶化，肺癌人群日益增加，社会对此关注度也日益重视。结合肺结节的医学特性，利用深度学习技术对医学图像进行处理和研究，能为医生提供有用的参考信息，辅助医生及时地对肺部疾病患者做出准确的诊断。

现有的肺癌计算机辅助诊断主要流程包括：肺结节的特征提取和肺结节的分类识别。在特征提取环节，对肺结节的形态学特征、纹理特征、局部特征等方面的病理特征和图像信息进行人工提取特征。人工提取特征的步骤繁琐，效率低。分类识别方法通常是基于统计学得到的，例如贝叶斯分类算法、人工神经网络、模糊聚类等。这些方法共同的理论基础是传统统计学，均属于浅层结构模型，通常需要强的先验知识或者需要通过不同的特征尝试和参数选择才能得到满意的特征，给整个分类问题带来复杂性。现有的医学图像肺结节的检测流程复杂繁琐，检测精度较低，且不能实现端对端网络的肺结节检测。

Setio等人于2016年提出了“Pulmonary Nodule Detection in CT Images:FalsePositive Reduction Using Multi-View Convolutional Networks”，该方法将传统的方法与深度学习方法相结合，设计了一种多视角的二维卷积神经网络，取得了不错的检测效果，检测准确度较高。但该方法由于仍采用传统方法来推荐候选结节，未能充分利用深度学习的优势，虽说提高了检测精度，但仍然不能实现端对端网络的肺结节检测。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于对抗网络的医学图像肺结节检测方法，以通过对抗网络与目标检测器的相互对抗学习，提高肺结节图像的检测精度，且实现端对端网络的肺结节检测。

本发明的技术方案设计这样实现的：

一.技术原理

生成对抗网络是一种生成模型，它包括生成器网络和判别器网络。让这两个网络相互竞争，并通过生成器网络不断捕捉训练库里真实图像的概率分布，将输入的随机噪声转变成新的样本；通过判别器网络同时观察真实和假造的数据，判断数据是否为真；通过对两组模型的不断训练，使生成器不断生成新的结果，两个网络相互交替优化，直到生成器生成的样本与原始样本没有区别，从而提高检测精度。

二.根据上述原理，本发明的技术方案包括如下：

(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)对样本数据集进行缩放和裁剪的预处理，并对预处理后的所有样本进行复制，在复制后的样本中加入高斯噪声，组成扩充后的样本数据集；

(3)将Faster-RCNN检测器与对抗空间丢弃网络ASDN进行叠加，得到基于对抗网络的新型检测器；