[发明专利]一种基于改进的u-net网络的肺结节检测方法

说明书

本发明公开了一种基于改进的u‑net网络的肺结节检测方法，不同于现有的先提取候选结节再降低假阳性的检测方式，该方法只通过一个网络直接完成了结节检测任务。首先，在网络结构上引入了残差网络的‘shortcut’来改进传统的u‑net网络，解决了由于其深度不足而导致效果不佳的弊端。其次，在训练过程中使用了多切片以及单切片分别作为输入用于训练，最后通过决策融合得到最后结果。本发明利用卷积神经网络构建深度学习网络模型，改善了基于浅层传统机器学习方法进行结节检测在特征提取阶段的耗时问题，并且优化了大多数检测系统的复杂实现方式，保证了有效性的同时简化了检测流程，提高了计算机的辅助诊断能力。

技术领域

本发明属于计算机辅助诊断领域，具体涉及一种基于改进的u-net网络的肺结节检测方法

背景技术

肺癌是我国死亡率和发病率最高的恶性肿瘤。目前手术仍是唯一可以根治肺癌的治疗方法。早期的肺癌是没有任何症状的，中国70％～80％的肺癌病人一发现就是晚期，失去了手术治疗的机会，随着影像检查技术的不断发展及不断改进，人工智能应用在疾病的早期检查和早期诊断，可以挽救无数患者的生命。

肺癌的计算机辅助系统需要具有高检测敏感性和低假阳性率的特点。肺结节的识别是肺癌计算机辅助设计的关键，通常分为两个主要阶段：初始肺结节检测(即肺结节感兴趣区提取)和降低假阳性。初始结节检测的目的是尽可能多的将真结节检测出来，也就是说首先要保证高敏感性，但是往往会产生大量的假阳性区域，因此通常敏感性越高，假阳性越多；因此降低假阳性的目的就是通过其他方法来去除第一阶段产生的假阳性区域，最终将肺结节的识别结果提供给医生作为诊断的参考，明确区分出结节与非结节。

而目前分类结节的方法可以分为两种：1)传统方法：大都是通过对感兴趣区域(ROI)的特征提取和对后续的机器学习方法进行训练得到分类器来对ROI进行分类。2)基于深度学习的方法：构建好需要的网络和数据集，训练出模型，然后用得到的模型对数据进行分类。

发明内容

本发明的目的在于设计一种基于深度学习网络，只通过一步直接实现肺结节检测任务的方法，避开了先进行候选结节选择再降低假阳性的复杂实现过程。

为了实现上述目的，本发明提出了一种基于改进的u-net网络来一步实现肺结节检测，跳过了候选结节检测的阶段。包括以下步骤：

步骤一：图片的获取，利用LUNA16挑战的数据集，可以直接用SimpleITK读取；

步骤二：图像预处理，利用中值滤波、均值滤波以及频域滤波等方式来去除CT图像中的伪影和噪声，并通过直方图来均衡图像的亮度，使其亮度、对比度保持一致；

步骤三：肺部分割，主要利用阈值法和形态学相关的内容进行分割。首先将三维肺部图像转换为HU单位值，然后使用两个阈值分别对原始图像进行初步分割，然后使用圆盘结构的元素对粗分割的肺部进行二维形态学开运算，以移除较小的亮点，并且平滑物体的表面，同时保持所有的灰度级和较大的亮度区域特性相对不变。然后使用三维六元素连接抽取最大体积的部分，该部分就是分割的肺部。由于一些结节的亮度较大，因此阈值分割后的肺部后很多的孔洞，因此需要进行修正，此处使用了孔洞填充算法来修补这些孔洞。最后使用了三维形态学闭运算来精炼肺部的边缘，使大部分嵌入到胸膜的结节能够大部分包含进来，以提高下一步分割的准确性；

步骤四：对预处理好的图像构建相应的标签，以便可以直接输入网络进行训练与测试；

步骤五，引入残差网络的关键思想，使用残差单元以及普通的卷积层堆叠成U型网络结构，改进传统的U-net网络；

步骤六：使用处理好的数据分别将多张切片与单张切片作为网络的输入用于训练网络，最后在决策层面上进行融合，得到最后的检测结果。