[发明专利]基于三维残差网络的图像检测系统及方法

说明书

一种基于三维残差网络的图像检测系统及方法，包括：预处理模块、网络训练模块、候选图生成模块以及多维度残差网络识别模块，本发明基于Faster‑RCNN网络的分割网络实现候选结节的获取，使用多维度的3D残差网络实现假阳性减少，为适应结节大小变化范围广的特发，设计了三种输入大小的Resnet3D，并使用权重的方式组合三种网络，获得组合概率，实现利用CT图像提高肺结节检出率，减少假阳性结节。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于三维残差网络(Resnet3D)的图像检测系统及方法。

背景技术

传统的统计机器学习方法通过提取图像的纹理，颜色，灰度等预先定义好的图像特征，在使用分类算法比如径向支持向量机进行分类，传统的方法在图像处理方面已经比较成熟了，并取得了一定的成果，在进行CT图像的预处理之后，检测肺结节系统通常分为两步，第一步获取候选结节，检测出CT图像中存在结节的区域，此步骤会产生大量的假阳性结节，第二步是真假阳性的分类，从候选结节中筛选出阳性结节，减少假阳性结节的存在。与传统的机器学习方法相比，深度学习不需要手动设置的特征提取器，并已经在许多视觉对象识别应用中显示出优越的性能。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于三维残差网络的图像检测系统及方法，基于Faster-RCNN网络的分割网络实现候选结节的获取，使用多维度的3D残差网络实现假阳性减少，为适应结节大小变化范围广的特发，设计了三种输入大小的Resnet3D，并使用权重的方式组合三种网络，获得组合概率，实现利用CT图像提高肺结节检出率，减少假阳性结节。

本发明是通过以下技术方案实现的：

本发明涉及一种基于三维残差网络的图像检测系统，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。

本发明涉及上述图像检测系统的检测方法，其具体步骤如下：

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。

所述的重采样是指：重采样是为了实现图像的像素间隔统一，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；

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，消除肺内气泡的影响，保证肺内部组织能够完整的保留下来，对肺部边缘进行平滑处理，并保留边缘部位，防止遗漏肺部边缘的结节。

所述的CT图像归一化是指：重采样之后的CT图像的数值范围是[-2000、3000]，其单位是亨氏单位，肺实质以及内部组织的数值范围通常在[-1000，4000]亨氏单位之间，因此将数值小于-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。归一化是为了避免结节信号强度的不一致，造成特征信息提取的不准确。

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，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以避免由负样本数量过多导致误差函数被其主导；