[发明专利]基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法

说明书

本发明涉及一种基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法，属于图像处理领域。包括以下步骤：S1：为减小网络训练时间和占用空间使用基于多视角二维CT图像作为输入；S2：将肺结节图像从源域转换到频域以捕获结节微小变化；S3：提出基于多视角二维CT图像的3D多尺度CNNs框架；S4：肺结节假阳性剔除模型训练损失函数设计。通过基于空域‑频域信息结合的多尺度神经网络框架来增强低像素二维CT图像的表示能力，同时减轻网络的训练负担。

技术领域

本发明属于图像处理领域，涉及基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法。

背景技术

人工筛选海量复杂的CT图像非常耗时，且由于放射科医师个人经验、能力及过高的工作负担，在浏览CT图像筛选肺结节时容易出错。基于人工智能的肺结节准确诊断系统作为辅助诊断(CAD)可以为临床诊断提供一个准确、快速的解决方案，充分减轻临床医生的工作量，提高工作效率。

CAD可以为放射科医生提供准确的临床信息，例如结节在肺部是区域和位置分布等方面信息。CAD系统主要包括两个阶段:候选结节检测和假阳性剔除。候选结节检测阶段的目的是尽可能检测出候选结节，具有高灵敏度。然而，肺结节特征复杂多变，存在肺血管、肺边界和CT扫描仪噪声影响。检测出的候选结节大多数都是假结节。假阳性剔除阶段的主要是通过有效的分类器和候选样本之间的鉴别特征来降低假阳性率。

随着深度卷积神经网络在图像和视频任务中的成功应用，深度学习算法已经应用到各种高级分析医学图像任务中。早期的方法大多是以单张图像作为输入的2D神经网络(CNNs)。然而，二维CT图像像素太低，丢失了结节的细粒度特征表示，限制了肺分类的准确性。研究人员发现，以三维立方体作为的输入的3D-CNNs可以编码更丰富的空间信息，提取判别性更强的表征，但需要更强的计算能力和更多的训练时间。

综上所述，尽管研究者在假阳性剔除上进行了大量的研究，但由于现存的肺结节假阳性剔除方法对阳性结节敏感性较低、实时性弱且资源消耗较大，仍不能满足临床应用的需要。

发明内容

有鉴于此，本发明的目的在于提供一种基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法。

为达到上述目的，本发明提供如下技术方案：

基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法，包括以下步骤：

S1：为减小网络训练时间和占用空间使用基于多视角二维CT图像作为输入；

S2：将肺结节图像从源域转换到频域以捕获结节微小变化；

S3：提出基于多视角二维CT图像的3D多尺度CNNs框架；

S4：肺结节假阳性剔除模型训练损失函数设计。

可选的，所述S1具体为：使用低像素的二维CT图像作为神经网络的输入，选择三张来自三维立方体不同角度的切片，包括从前到后、从上到下、从左到右的中心切片。

可选的，所述S2具体为：

S21：按照DCT转换成不同频率系数的DCT数据；DCT频域变换系数设置为2,4,8,20和40；

S22：利用L₁范数与L₂范数之间的关系，分析空间域、频率域以及两者同时结合的稀疏性，以便于观察系数为多少时，结节组织信息的增强与防止被血管或肺组织阻塞的结节的缺失细节能力最好。

可选的，所述S3具体为：

S31：提出的3D多尺度CNNs框架包括三种不同尺度的3D-CNN流；每个流输入特定大小的图像，通过结节的形态获取不同的上下文信息和鉴别特征；大尺度输入流会为小尺度输入流提供合适的额外背景信息，利用小尺度流结节区域以外的上下文信息；