[发明专利]一种基于3D卷积神经网络的肺部结节自动检测系统

摘要

本发明公开了一种基于3D卷积神经网络的肺部结节自动检测系统，本发明创新性地将检测分为两大阶段：(1)候选肺部结节检测阶段和(2)假阳性肺部结节筛除阶段，同时，每个阶段都会构建并训练出一个独特的3D CNN，以适用肺部结节的检测和筛除；通过第一阶段的3D CNN可以初步检测出疑似肺部结节的候选肺部结节位置，再利用第二阶段的3D CNN滤除掉候选结节中的假阳性肺部结节，最终找出整幅肺部CT影像中所有存在的结节位置。利用本发明可以自动地检测出一副肺部CT影像中结节的存在情况，与传统的依赖人工的结节检测方式相比较，具有检测准确率高、健壮性强、高效、耗时短等特点，使得肺部结节的检测更加便捷、有效。

主权项

1.一种基于3D卷积神经网络的肺部结节自动检测系统，其特征在于，包括：用于候选肺部结节检测的3D卷积神经网络训练集、第一归一化处理模块、用于候选肺部结节检测的3D卷积神经网络、用于假阳性肺部结节筛除的3D卷积神经网络训练集、第二归一化处理模块、用于假阳性肺部结节筛除的3D卷积神经网络；所述用于候选肺部结节检测的3D卷积神经网络训练集为一定数量的尺寸大小为16x16x10的肺部局部CT影像，其中包含正常的肺部组织，也包含含有结节的异常肺部组织，包含正常肺部组织的CT影像记作‘0’，含有结节的异常肺部组织CT影像记作‘1’；所述第一归一化处理模块对用于候选肺部结节检测的3D卷积神经网络训练集中的所有CT影像进行归一化处理：其中x为CT影像中的像素点像素值，x_min为CT影像像素点中的最小像素值，x_max为CT影像像素点中的最大像素值，norm(x)为归一化后像素点像素值；CT影像中所有像素点都经过公式(1)的处理后，得到归一化的CT影像，所有归一化的CT影像送入用于候选肺部结节检测的3D卷积神经网络中所述用于候选肺部结节检测的3D卷积神经网络，包括六层：第1层为卷积层，记作C1层，使用64个大小为5x5x3的卷积核，以步长为1做卷积；C1层输入数据为16x16x10大小的CT影像，则C1层输出数据为64个12x12x8大小的特征图；第2层为池化层，记作M1层，对C1层输出数据以步长为2，非重叠地做2x2x2的最大池化操作；M1层输入数据为64个12x12x8大小的特征图，则M1层输出数据为64个6x6x4大小的特征图；第3层为卷积层，记作C2层，使用64个大小为3x3x3的卷积核，以步长为1对M1层输出数据做卷积；C2层输入数据为64个6x6x4大小的特征图，则C2层输出数据为64个4x4x2大小的特征；第4层为卷积层，记作C3层，使用64个大小为3x3x1的卷积核，以步长为1对C2层输出数据做卷积，C3层输入数据为64个4x4x2大小的特征图，则C3层输出数据为64个2x2x2大小的特征图；在C1、C2以及C3层中，采用的激活函数为修正线性单元ReLu：其中，y表示激活函数的输入，Relu(y)为激活函数的输出；第5层为全连接层，记作FC1层，共有150个神经元，每个神经元与C3层输出的64个2x2x2大小的特征图进行全连接；FC1层输入数据为64个2x2x2大小的特征图，则FC1层输出数据为一个150维大小的向量；其中，采用的激活函数为tanh函数：其中，z表示激活函数的输入，tanh(z)为激活函数的输出；第6层为全连接层，记作FC2层，共有2个神经元即0或者1，每个神经元与FC1层输出的150维大小的向量进行全连接；FC2层输入数据为一个150维大小的向量，则FC2层输出数据为一个2维大小的向量，分别表示属于类别0的概率和属于类别1的概率；其中，采用的激活函数为sigmoid函数：其中，u表示激活函数的输入，sigmoid(u)为激活函数的输出；来自用于候选肺部结节检测的3D卷积神经网络训练集的所有归一化的CT影像作为用于候选肺部结节检测的3D卷积神经网络的输入数据，对其进行训练；所述用于假阳性肺部结节筛除的3D卷积神经网络训练集由两部分组成：一部分是尺寸大小为16x16x10的含有结节的异常肺部组织的CT影像，标记为“1”；另一部分是尺寸大小为16x16x10的包含正常肺部组织的CT影像送入训练得到的用于候选结节检测的3D卷积神经网络进行检测，被判断为含有结节的异常肺部组织的CT影像，并标记为“0”；所述第二归一化处理模块对用于假阳性肺部结节筛除的3D卷积神经网络训练集中的所有CT影像按公式(1)进行归一化处理；所述用于假阳性肺部结节筛除的3D卷积神经网络，包括六层：第1层为卷积层，记作C1层，使用32个大小为5x5x3的卷积核，以步长为1做卷积；C1层输入数据为16x16x10大小的CT影像，则C1层输出数据为32个12x12x8大小的特征图；第2层为池化层，记作M1层，对C1层输出数据以步长为2，非重叠地做2x2x2的最大池化操作；M1层输入数据为32个12x12x8大小的特征图，则M1层输出数据为32个6x6x4大小的特征图；第3层为卷积层，记作C2层，使用64个大小为3x3x3的卷积核，以步长为1对M1层输出数据做卷积；C2层输入数据为32个6x6x4大小的特征图，则C2层输出数据为64个4x4x2大小的特征图；在C1、C2层中，采用的激活函数为修正线性单元ReLu：其中，y表示激活函数的输入，Relu(y)为激活函数的输出；第4层为全连接层，记作FC1层，共有500个神经元，每个神经元与C2层输出的64个2x2x2大小的特征图进行全连接，FC1层输入数据为64个2x2x2大小的特征图，则FC1层输出数据为一个500维大小的向量；第5层为全连接层，记作FC2层，共有100个神经元，每个神经元与FC1层输出的500维的向量进行全连接；FC2层输入数据为一个500维大小的向量，则FC2层输出数据为一个100维大小的向量；在FC1、FC2层中，采用的激活函数为tanh函数：其中，z表示激活函数的输入，tanh(z)为激活函数的输出；第6层为全连接层，记作FC3层，共有2个神经元即0或者1，每个神经元与FC2层输出的100维大小的向量进行全连接；FC3层输入数据为一个100维大小的向量，则FC3层输出数据为一个2维大小的向量，分别表示属于类别0的概率和属于类别1的概率；其中，采用的激活函数为sigmoid函数：将归一化后的用于假阳性肺部结节筛除的3D卷积神经网络训练集中的CT影像作为用于假阳性肺部结节筛选的3D卷积神经网络的输入数据，对其进行训练；将整幅肺部CT影像以步长为1，分割成尺寸为16x16x10的肺部局部CT影像，送入训练得到的用于候选肺部结节检测的3D卷积神经网络中，检测完成后记录下输出的每个肺部局部CT影像属于类别1概率，得到一个三维概率矩阵；设定阈值Thr1，阈值的范围为0.6到0.7，找出三维概率矩阵中所有大于阈值Thr1的位置点，则该位置点对应的肺部局部CT影像被判定为疑似肺部结节，作为候选肺部结节CT影像记录下来；将候选肺部结节CT影像送入训练得到的用于假阳性肺部结节筛除的3D卷积神经网络中，筛选完成后记录下输出的每个候选肺部结节CT影像属于类别1概率；设定阈值Thr2，阈值的范围为0.6到0.7，如果候选肺部结节CT影像属于类别1概率大于阈值Thr2，则认为对应位置点存在肺部结节，否则认为为正常的肺部组织。