[发明专利]基于图卷积神经网络构建的肺结节检测和临床分析方法

说明书

本发明属于图像处理领域，具体涉及一种基于图卷积神经网络构建的肺结节检测和临床分析方法。本发明采用的是一个三阶段的算法框架，首先利用传统金字塔网络对感兴趣区进行特征提取，接着对slices构建图结构，并利用GCN对节点进行分类，最后单独的节点特征与slices的全局上下文信息融合通过GCN完成分类预测和回归预测。本发明公开的一种基于图卷积神经网络构建的肺结节检测和临床分析方法旨在解决对特殊节点造成漏检，使得检测精度不高的问题；另外，本发明利用单独的节点特征与slices的全局上下文信息融合，充分考虑了各节点的三维空间信息的联系。

技术领域

本发明属于图像处理领域，具体涉及一种基于图卷积神经网络的肺结节检测装置的建立方法。

背景技术

在肺结节检测中，常用的深度学习方法有二维卷积神经网络(2D-CNN)、三维卷积神经网络(3D-CNN)和更快速的区域卷积神经网络(Faster R-CNN)。

Setio等提出了基于多视角的2D-CNN，将其应用于肺结节的检测中。为避免漏诊，对该网络的第一步提高了灵敏度，但出现了大量假阳性结节，因此需要在第二步进行假阳性去除操作。此网络结构分为两个部分：第一部分由3个探测器对结节进行检测，确定可疑候选结节；第二部分由包含卷积层、最大池化层的2D-CNN和另一个包含全卷积层和softmax层的2D-CNN组成，首先在每个平面上均训练一个2D-CNN，对于每个检测到的候选结节，提取9个不同方向平面上的信息，用于肺结节的假阳性去除操作；将结果输入到4种不同的融合方法中，比较不同融合方法对结构性能的影响。

3D-CNN是在2D-CNN的基础上改进的卷积神经网络，2D-CNN的卷积核是二维的，而3D-CNN的卷积核是三维的。在CT图像里，多出的维度是层数维。使用3D-CNN能更好地获取图像的空间信息，提取到更多的特征信息，有助于肺结节的检测。3D-CNN在肺结节检测过程中，能够获得图像更多的空间特征信息，有助于肺结节的检测。

现有采用深度学习算法检测肺部CT图中肺结节的方法很多，但是检测精度不高。

造成精度不高的主要原因为：(1)检测阶段的召回率较低于某些特殊类型的肺结节，造成漏检的情况，使得检测精度不高。(2)肺结节的尺寸不均衡，较小的肺结节容易被忽视。(3)没有充分考虑肺结节的3维空间信息的联系。

基于上述3个原因，使得采用深度学习算法检测和分割出来的肺结节典型性和代表性不足。因此，提高肺结节检测的准确性和训练网络分割出更具代表性的结节成为了急需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于基于图卷积神经网络构建的肺结节检测和临床分析方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于图卷积神经网络构建的肺结节检测和临床分析方法，包括以下阶段：

对所述感兴趣区的slices构建图结构，由所述图结构得到邻接矩阵和特征矩阵；

对GCN进行训练：将所述邻接矩阵和特征矩阵输入到所述GCN中，对所述图结构中所述节点的分类，所述节点分为第一节点和第二节点；

所述第一节点的特征与所述slices的全局上下文信息融合，通过所述GCN进行分类预测和回归预测。

进一步，对所述节点分配标签I＝{0,1}，其中所述第一节点的标签为I＝1,所述第二节点的标签为I＝0。

进一步，所述节点特征包括节点形状，节点灰度值，节点纹理特征，节点空间位置四个特征。

进一步，对所述GCN进行训练是由所述GCN从所述图结构中提取特征，利用获得的特征信息来实现节点分类任务，所述节点分类任务具体步骤如下：

取所述slices数据，其中有N个节点；