[发明专利]基于三维残差网络的图像检测系统及方法

权利要求书

1.一种基于三维残差网络的图像检测系统，其特征在于，包括：预处理模块、候选结节选取模块以及假阳性筛选模块，其中：预处理模块是对数据集进行整理和提取，基于Faster-RCNN的候选结节模块使用预处理模块的数据集，进行网络模型训练，生成候选结节，基于多维度残差网络的使用候选结节选取模块得到的候选结节进行网络训练。

2.根据权利要求1所述系统的图像检测方法，其特征在于，具体步骤包括：

步骤1)对CT图像进行预处理，即对CT图像依次进行重采样、提取肺实质和CT图像归一化；

步骤2)训练基于Faster-RCNN的分割网络并实现结节的区域选取，然后使用图像处理方法修正候选结节的区域；

步骤3)采用正负样本集训练三维残差网络Resnet，进行候选结节的假阳性筛选。

3.根据权利要求2所述的方法，其特征是，所述的重采样是指：采用1mm对应1个像素的统一像素间隔，获取CT图像的像素间隔信息，通过三维线性插值方式，根据不同CT图像的像素间隔信息，对图像进行相应缩放操作，实现所有图像的像素间隔统一。

4.根据权利要求2所述的方法，其特征是，所述的提取肺实质是指：对肺部CT图像进行二值分割，对图像进行消除边界，去除空气成分，对二值化的图像中的连通区域进行筛选，选出面积最大的两块连通区域作为肺叶的轮廓，对肺叶内部的空白区域进行填充，对肺部边缘进行平滑处理并保留边缘部位。

5.根据权利要求2所述的方法，其特征是，所述的CT图像归一化是指：将重采样之后的CT图像的数值小于-1000的设置为-1000，数值大于400的数值设置为400，接下来对CT图像的每个像素值进行归一化，计算第i张CT切片的均值为M_i，标准差为S_i，按照I_i＝(I_i-M_i)/S_i计算图像的值，对每张图像都进行归一化。

6.根据权利要求2所述的方法，其特征是，所述的步骤2具体包括：

2.1)在训练Faster-RCNN网络时，使用优化后的损失函数进行反向传播；

2.2)将整张图片输入基于Faster-RCNN的卷积网络，进行特征提取，将建议窗口映射到卷积网络的最后一层卷积特征图上，生成固定大小的建议窗口；

2.3)对分割图像进行二值化处理，将前景区域和背景区域分开，使用形态学的操作降低噪声，计算结节区域的三维连通区域的重心，该重心即为候选结节的中心，获得训练集的结节概率分布，对距离相近的连通区域进行合并操作。

7.根据权利要求2所述的方法，其特征是，所述的多维度残差网络，通过但不限于以下方式构建得到：基于三组样本集构建三维残差网络Resnet，根据三组样本集的大小，设计输入大小不同的三种Resnet3D网络，以提取不同的特征，三组网络的输入与样本集大小相同，分别为20*20*20mm³、30*30*30mm³和40*40*40mm³；

所述的输入大小不同的三种Resnet3D网络，即其卷积层的设计存在一定的差异，卷积核的大小不同，网络中使用的池化层均采用最大池化层，将输入下采样为原来的1/8，激活函数采用线性整流函数。

8.根据权利要求2所述的方法，其特征是，所述的训练，即基于所构建的三维残差网络，将三种模型分开独立训练，进行真假阳性的分类训练，得到多维度的Resnet3D网络；

所述的独立训练是指：由于网络的输入大小不同，将三种独立训练，使用随机梯度下降算法向后传播更新网络的参数值，每次迭代多个样本，损失函数由正样本的评价损失和负样本的平均损失叠加产生，避免由于正负样本的不平衡导致损失函数被某一类别的样本所主导。

9.根据权利要求2所述的方法，其特征是，所述的图像相似性判断是指：使用训练得到的多维度三维残差网络，将三种模型以不同的权重组合，对测试集的图像进行相似性判断，获得测试具有对应图案特征的概率，当概率大于设定的阈值时，即判断此图像具有图案特征；

所述的权重组合是指：三种模型分别对测试样本进行概率预测，获得三组概率预测结果，将三组概率预测结果按照各自的权重计算得到此测试样本的最终组合概率，根据组合概率与预先设定的阈值概率的大小比较，判断测试样本是否具有图案特征。