[发明专利]基于对抗网络的医学图像肺结节检测方法

摘要

本发明公开了一种基于对抗网络的医学图像肺结节检测方法，主要解决现有技术对医学图像肺结节遮挡情况而导致检测精度低的问题。其实现方案为：1)对医学图像进行数据预处理，获取样本数据集；2)对样本数据集进行缩放和裁剪的处理，并对处理后的所有样本中加入高斯噪声，组成扩充后的样本数据集；3)将Faster‑RCNN检测器与对抗空间丢弃网络ASDN进行叠加，构建基于对抗网络的新型检测器；4)利用样本数据集对新型检测器进行训练，得到训练好的新型检测模型；5)用训练好的检测模型对测试数据集进行肺结节检测，得到每张医学图像中的肺结节检测结果。本发明提高了对医学图像肺结节的检测精度，可用于计算机辅助诊断系统。 1

主权项

1.基于对抗网络的医学图像肺结节检测方法，包括：

(1)从肺部图像数据库联盟LIDC的原始数据集随机选取100个病例的图像，通过读取原始数据集的XML格式注释文件，提取出肺结节坐标信息，并用病例图像和肺结节坐标信息组成样本数据集；

(2)对样本数据集进行缩放和裁剪的预处理，并对预处理后的所有样本进行复制，在复制后的样本中加入高斯噪声，组成扩充后的样本数据集；

(3)将Faster‑RCNN检测器与对抗空间丢弃网络ASDN进行叠加，得到基于对抗网络的新型检测器；

(4)用步骤2的样本数据集对新型检测器进行训练，得到训练好的检测模型；

(5)用训练好的检测模型对测试数据集中每张医学图像进行测试，得到每张医学图像中的肺结节检测结果。

2.根据权利要求1所述的方法，其特征在于：步骤(2)中加入的高斯噪声，其均值为0，方差为0.02。

3.根据权利要求1所述的方法，其特征在于：步骤(3)中的Faster‑RCNN检测器，包括：用于特征提取的卷积网络，用于生成候选窗口的区域建议网络，用于得到目标类别和边界框的分类网络。

4.根据权利要求1所述的方法，其特征在于：步骤(3)中的对抗空间丢弃网络ASDN其工作过程如下：

(3a)医学图像经过特征提取，得到大小为d×d×c的深层特征X，其中d是空间维度，c是通道数，使用这个深层特征X作为对抗空间丢弃网络的输入，在深层特征X上生成一个掩码M，其中M_ij是掩码M的第i行和第j列的值；

(3b)根据M_ij的值，确定深层特征X的第i行和第j列的所有通道的值：

如果M_ij＝1，则删除深层特征X的第i行和第j列的所有通道值，即X_ijk＝0；

如果M_ij＝0，则深层特征X的第i行和第j列的所有通道值X_ijk保持不变，其中X_ijk是深层特征X的第k通道的第i行和第j列的值。

5.根据权利要求1或3或4所述的方法，其特征在于：步骤(3)中将Faster‑RCNN检测器与对抗空间丢弃网络ASDN进行叠加，是将Faster‑RCNN检测器的卷积网络生成的深层特征作为对抗空间丢弃网络的输入，将卷积网络的输出端与对抗空间丢弃网络的输入端相连接；将对抗空间丢弃网络的输出作为Faster‑RCNN检测器的分类网络的输入，并将对抗空间丢弃网络的输出端与分类网络的输入端相连接，得到基于对抗网络的新型检测器。

6.根据权利要求1所述的方法，其特征在于：步骤(4)中对新型检测器进行训练，按如下步骤进行：

(4a)用样本数据集迭代训练Faster‑RCNN检测器10000次，得到Faster‑RCNN检测器的模型；

(4b)以(4a)产生的模型作为预训练模型，用样本数据集迭代训练对抗空间丢弃网络ASDN网络10000次，得到对抗空间丢弃网络ASDN预训练模型；

(4b1)对医学图像进行特征提取，得到大小为d×d的特征图X^p，其中d是空间维度；设定大小为的滑动窗口，将滑动窗口在特征图上移动，并将特征图中空间位置被覆盖的值丢弃掉，得到多个新特征图；

(4b2)将(4b1)中得到的新特征图送到分类器中判别，得到相应的损失值，并从中选择损失值最高的特征图；

(4b3)将所选损失值最高的特征图和与其对应的掩码M组成n对训练样本{(X¹,M¹),...,(Xⁿ,Mⁿ)}；

(4b4)对(4b3)中的训练样本使用二进制交叉熵损失值L来迭代训练对抗空间丢弃网络ASDN网络10000次，得到对抗空间丢弃网络ASDN预训练模型，

其中：是对输入特征图X^p的第i行和第j列的ASDN网络的输出，是对输入特征图X^p的第i行和第j列中掩码M的值，n是通道数；

(4c)将(4a)中的Faster‑RCNN检测器模型和(4b)中的对抗空间丢弃网络ASDN预训练模型进行权重参数复制，得到初始化联合模型；

(4d)以(4c)产生的初始化联合模型作为预训练模型，用(2)获得的样本数据集对新型检测器迭代训练60000次，得到最终的检测模型。