CN107767362A - 一种基于深度学习的肺癌早筛装置 - Google Patents

Abstract

本发明提供一种基于深度学习的肺癌早筛装置，包括：图像处理模块，用于对图像进行预处理以得到符合深度学习标准的图像；图像分析模块，用于将所述图像导入经过深度学习的神经网络以检测所述图像中肺部结节，从而使得神经网络输出疑似肺部结节及其对应的置信值；图像分析结果处理模块，用于选取N个最高值，对于每个最高值，提取最后一个的卷基层，并将提取结果引入池化层和全连接层，从而计算出肺癌的概率。本发明的装置填补肺癌早筛智能化装置的空白，为智能医疗影像诊断提供了自动化，低成本，高可信度的装置；本发明提供的操作具有全自动化，无人工干预的特点，因此节省了医疗人员的宝贵时间，而且肺癌预测率具有一致性。

Description

一种基于深度学习的肺癌早筛装置

技术领域

本发明涉及医疗设备领域，尤其涉及一种基于深度学习的肺癌早筛装置。

背景技术

肺癌是全球死亡率最高的癌症之一。据报道2012年肺癌导致有160万死亡病例，并且有180万病例被诊断为肺癌。早期的肺癌筛查对于肺癌的诊断和治疗起着关键作用。据调查低剂量CT筛查能降低20％的肺癌死亡率。

传统的肺癌筛查依靠专业的医疗人员对肺部LDCT影像进行解读，筛查出可疑的肺部结节。肺部的结节和肺癌有着强关联。这种传统的方法对于医疗人员的工作量要求极高，并且容易出现假阳性诊断。从而增加额外的医疗费用和加大患者的心理压力。随着计算机辅助系统(Computer-Aided Diagnosis,CAD)的引入，医疗人员的工作效率和诊断正确率都有所提高。但是传统的CAD系统大多基于传统的机器学习算法，即图像特征选取。使得传统的CAD系统对于肺部结节的检测和诊断有一定的局限性。

近些年，深度神经网络对于计算机视觉和模式识别有着成功的应用。深度神经网络能提取低维特征，从而检测和诊断肺部结节。随着大量的医疗影像数字化，这加速了深度学习对于三维的LDCT影像的应用。

发明内容

为了将先进的医疗影像处理技术进一步应用，为用户提供更为准确的肺癌判断装置，本发明提供一种基于深度学习的肺癌早筛装置。

本发明是以如下技术方案实现的：

一种基于深度学习的肺癌早筛装置，包括：

图像处理模块，用于对图像进行预处理以得到符合深度学习标准的图像；

图像分析模块，用于将所述图像导入经过深度学习的神经网络以检测所述图像中肺部结节，从而使得神经网络输出疑似肺部结节及其对应的置信值；

图像分析结果处理模块，用于选取N个最高值，对于每个最高值，提取最后一个的卷基层，并将提取结果引入池化层和全连接层，从而计算出肺癌的概率。

进一步地，还包括神经网络处理模块，所述神经网络处理模块用于构建与图像分析模块交互的神经网络，所述神经网络处理模块包括：

数据集训练单元，用于构建训练数据集；

数据处理单元，用于进行阳性样本平衡处理以及难分样本挖掘操作；

神经网络生成单元，用于搭建神经网络。

进一步地，所述数据集训练单元具体用于对数据集进行块处理；包括两类块，第一类占全部数据块的70％，第二类占全部数据块30％；第一类的块中的数据包含至少一个结节，第二类的块中的数据没有结节。

进一步地，所述数据处理单元具体用于平衡大小结节的数量，当结节大于30毫米和40毫米时，模型训练时的取样频率分别需要增加2和6倍。

进一步地，所述神经网络生成单元具体用于基于改良的U-Net搭建神经网络。

进一步地，所述所述神经网络生成单元搭建的神经网络为：

所述神经网络由5个残差网络和一系列横向和反馈网络连接，反向层的特征用于计算输出结果；所述反向层的大小是32*32*32，并通过两个1*1*1的卷积获得分类值；

所述神经网络有三个不同大小的锚，分别是10毫米，30毫米和60毫米；

所述神经网络的交叉区域IoU用于判断最后一层的像素类别，如果像素的IoU大于0.5，则判定所述像素是阳性样本；如果像素的IoU小于0.02，则判定所述像素是阴性样本；所述阳性样本为包含肺部结节的样本；所述阴性样本为不包含肺部结节的样本。

进一步地，所述图像处理模块包括：

分割单元，用于对肺部图像进行分割；

第一数据处理单元，用于对肺实质的外轮廓修复和区域增长处理；

第二数据处理单元，用于对图像数据标准化处理。

本发明的有益效果是：

本发明提供一种基于深度学习的肺癌早筛装置，具有如下益处：

1.本发明提供的装置填补肺癌早筛智能化装置的空白，为智能医疗影像诊断提供了自动化，低成本，高可信度的装置；

2.本发明中装置的操作具有全自动化，无人工干预的特点，因此节省了医疗人员的宝贵时间，而且肺癌预测率具有一致性。

3，本发明大幅度降低了医疗阅片的成本，从而同时降低了医院和患者的医疗成本。

4，本发明的肺癌早筛精度高于传统的CAD系统，为医疗工作人员提供了高精度的参考。

附图说明

图1是本发明实施例提供的一种基于深度学习的肺癌早筛装置框图；

图2是本发明实施例提供的神经网络处理模块框图；

图3是本发明实施例提供的神经网络示意图；

图4是本发明实施例提供的图像分析结果处理模块工作原理示意图；

图5是本发明实施例提供的图像处理模块框图；

图6是本发明实施例提供的图像处理模块效果图；

图7是本发明实施例提供的第一数据处理单元效果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

本发明实施例提供一种基于深度学习的肺癌早筛装置，如图1所示，包括：

图像处理模块1，用于对图像进行预处理以得到符合深度学习标准的图像。

图像分析模块2，用于将所述图像导入经过深度学习的神经网络以检测所述图像中肺部结节，从而使得神经网络输出疑似肺部结节及其对应的置信值。

图像分析结果处理模块3，用于选取N个最高值，对于每个最高值，提取最后一个的卷基层，并将提取结果引入池化层和全连接层，从而计算出肺癌的概率。

每个病例的LDCT(低剂量CT影像Low-Dose Computed Tomography)数据经过神经网络的检测后，根据输出的置信值，本发明实施例选取5个最高值。随后提取这个5个最高值的最后一个的卷基层，见图4中的块体。每个卷基层的大小是32*32*32并且包含128个特征。最后引入池化层和全连接层，从而计算出肺癌的概率。

具体地，还包括神经网络处理模块4，所述神经网络处理模块用于构建与图像分析模块交互的神经网络，如图2所示，所述神经网络处理模块4包括：

数据集训练单元41，用于构建训练数据集。

由于使用的是三维卷积神经网络并且要保证CT图像的分辨率，对于GPU要求非常高，因此对数据集进128*128*128的块处理。包括两类块，第一类占全部数据块的70％，第二类占全部数据块30％；第一类的块中的数据包含至少一个结节，第二类的块中的数据没有结节。这操作保证了我们的数据集里有足够的阴性样本。此外还可以利用数据增强处理来减少过度拟合的问题。

数据处理单元42，用于进行阳性样本平衡处理以及难分样本挖掘操作。

大结节和肺癌的相关性强于小结节和肺癌的相关性。由于数据集里小结节的数量明显多于大结节的数量，因此需要平衡大小结节的数量。因此当结节大于30毫米和40毫米时，模型训练时的取样频率分别需要增加2和6倍。由于数据集中阴性样本明显多于阳性样本，还可能需要进行难分样本挖掘操作。

神经网络生成单元43，用于搭建神经网络。

本发明实施例中设计的神经网络是基于改良的U-Net，如图3所示。神经网络由5个残差网络和一系列横向和反馈网络连接。最后的反向层的特征用来计算输出结果。它的大小是32*32*32。利用两个1*1*1的卷积用来获得分类值。整个神经网络有三个不同大小的锚，分别是10毫米，30毫米和60毫米。交叉区域(Intersection over Union,IoU)用来判断最后一层的像素类别。如果像素的IoU大于0.5，那么这个像素是个阳性样本。如果像素的IoU小于0.02，那么这个像素是个阴性样本。在训练模型的过程中，其余的像素都被忽略掉。其他参数包括交叉熵损失函数和L1损失。最后的标签图大小是32*32*32*5*3；所述阳性样本为包含肺部结节的样本；所述阴性样本为不包含肺部结节的样本。

具体地，所述图像处理模块1如图5所示，包括：

分割单元11，用于对肺部图像进行分割。

在对图像进行分割之前，图像处理模块1把图像按照公式Hounsfield Unit＝pixel_value*rescale_slope+rescale_intercept，进行转换，转换后的单位为韩森费尔德(Hounsfield Unit,HU)。

分割单元11具体对于每个切面图像，利用高斯内核进行二维掩码处理，并且移除小于30毫米的区域以去除一部分噪声。然后在重建的三维矩阵中，保留没有交集的区域，并且要求此区域的体积在0.68升到7.5升之间，从而定位到肺部的影像。对于保留的部分的每个切面进行二次处理以进一步去除噪声，经过上述步骤处理的图像如图6所示。

第一数据处理单元12，用于对肺实质的外轮廓修复和区域增长处理。

第一数据处理单元12对体积最大的两块区域进行腐蚀操作，使它们具有一样的体积，然后进行区域增长操作至原始肺部体积。然后再次进行二值掩码操作。进一步地，还可以进行外轮廓修复以获取肺部周围的影像信息。经过上述步骤处理的图像如图7所示。

第二数据处理单元13，用于对图像数据标准化处理。

第二数据处理单元13对图像数据标准化处理,首先把图像中每个像素对应的值转换成整数。然后选取在【-1200，600】区间里的数值并且线性归一化至【0，255】。然后与二值掩码相乘，掩码以外的区域用170填补。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (7)

1.一种基于深度学习的肺癌早筛装置，其特征在于，包括：

图像处理模块，用于对图像进行预处理以得到符合深度学习标准的图像；

图像分析模块，用于将所述图像导入经过深度学习的神经网络以检测所述图像中肺部结节，从而使得神经网络输出疑似肺部结节及其对应的置信值；

图像分析结果处理模块，用于选取N个最高值，对于每个最高值，提取最后一个的卷基层，并将提取结果引入池化层和全连接层，从而计算出肺癌的概率。

2.根据权利要求1所述的装置，其特征在于，还包括神经网络处理模块，所述神经网络处理模块用于构建与图像分析模块交互的神经网络，所述神经网络处理模块包括：

数据集训练单元，用于构建训练数据集；

数据处理单元，用于进行阳性样本平衡处理以及难分样本挖掘操作；

神经网络生成单元，用于搭建神经网络。

3.根据权利要求2所述的装置，其特征在于，所述数据集训练单元具体用于对数据集进行块处理；包括两类块，第一类占全部数据块的70％，第二类占全部数据块30％；第一类的块中的数据包含至少一个结节，第二类的块中的数据没有结节。

4.根据权利要求2所述的装置，其特征在于，所述数据处理单元具体用于平衡大小结节的数量，当结节大于30毫米和40毫米时，模型训练时的取样频率分别需要增加2和6倍。

5.根据权利要求2所述的装置，其特征在于，所述神经网络生成单元具体用于基于改良的U-Net搭建神经网络。

6.根据权利要求5所述的装置，其特征在于，所述所述神经网络生成单元搭建的神经网络为：

所述神经网络由5个残差网络和一系列横向和反馈网络连接，反向层的特征用于计算输出结果；所述反向层的大小是32*32*32，并通过两个1*1*1的卷积获得分类值；

所述神经网络有三个不同大小的锚，分别是10毫米，30毫米和60毫米；

所述神经网络的交叉区域IoU用于判断最后一层的像素类别，如果像素的IoU大于0.5，则判定所述像素是阳性样本；如果像素的IoU小于0.02，则判定所述像素是阴性样本；所述阳性样本为包含肺部结节的样本；所述阴性样本为不包含肺部结节的样本。

7.根据权利要求1所述的装置，其特征在于，所述图像处理模块包括：

分割单元，用于对肺部图像进行分割；

第一数据处理单元，用于对肺实质的外轮廓修复和区域增长处理；

第二数据处理单元，用于对图像数据标准化处理。