[发明专利]基于深度卷积神经网络自动分割肺结节的辅助检测方法

权利要求书

1.一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，具体包括以下步骤：

步骤1、读取肺部CT图像数据；

步骤2、对肺部CT图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；

步骤3、对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；

步骤4、使用深度卷积神经网络对所述独立候选区域进行识别，获得结节区域；

步骤5、对结节区域的边界进行微调，得到精确分割的三维肺结节模型。

2.根据权利要求1所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤1中CT图像数据为层厚不大于2.5mm的原始薄层数据。

3.根据权利要求1所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤2中图像插值时将体素间隔拉伸为正方体，提取肺实质区域时使用深度卷积神经网络分割肺实质，提取血管区域时使用Frangi血管增强滤波方法，所述图像的去噪及归一化时采用各项异性滤波方法。

4.根据权利要求1所述的一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，其特征在于，所述步骤3中提取肺实质区域具体按以下步骤实施：

步骤3.1、获取经所述步骤2插值、去噪、归一化后得到的CT数据，以及标记出的肺实质区域和非肺实质区域的标准分割结果；

步骤3.2、构建深度卷积神经网络模型，该模型的输入层为一组CT数据，后续为一系列的dense net block，每个block为卷积层与batch normalization层的组合，相邻两个block之间以池化层连接；多个dense net blocks之后使用Upsampling层与卷积层逐步将提取到的特征还原到原图像大小；

卷积层数学表达为：

其中，为l-1层的输出，为卷积核，为卷积运算，如图像A与卷积核k的卷积运算定义为：为偏置项，f(x)为激活函数，通常取relu函数:f(x)＝max(x，0)；

Dense net block为卷积层和Batch normalization层的组合，并且将其每个Batchnormalization层的输出与其后的每一个卷积层输入相连接；

Batch normalization层用来正则化输入该层的数据，数学表达为：

其中

Pooling层和Upsampling层用来调整特征图像的维度，Pooling缩小图像维度，Upsampling放大图像维度；

步骤3.3、选取与所述卷积层相匹配的损失函数，并使用反向传播算法更新模型的参数，具体为：

通过残差公式把残差传播到每层参数上，具体通过如下公式完成：

卷积层反向传播函数：

其中，rot180()表示矩阵旋转180度操作，以残差作为计算卷积核的梯度的中间变量，把l+1层的所有与卷积核有影响的节点对该卷积核求取梯度，再以的梯度更新参数；

池化层反向传播函数：

其中，kron()积意为将残差传播到上一层的对应位置的小区域，从而实现残差的上采样；Upsampling层的反向传播与其相反，每次Upsampling之后的残差需要累加到对应Unet的dense net block上；

Batch normalization层的反向传播函数为：

通过残差求出相应参数γ，β的梯度，Batch normalization层的残差再往前传播需要累加到之前所有dense net block的残差上；

步骤3.4、将步骤3.1获得的CT图像数据和标准分割结果分为k组，每次选择k-1组数据做如步骤3.2～步骤3.3所述的卷积神经网络的训练，余下一组做测试，如此重复多次选取最佳参数，获得候选区域；

步骤3.5、以所述步骤3.2～步骤3.4的深度卷积神经网络探测方法获得若干个独立候选区域。