CN108389190A - 一种基于深度学习方法的肺结节自动检测方法 - Google Patents
一种基于深度学习方法的肺结节自动检测方法 Download PDFInfo
- Publication number
- CN108389190A CN108389190A CN201810129740.3A CN201810129740A CN108389190A CN 108389190 A CN108389190 A CN 108389190A CN 201810129740 A CN201810129740 A CN 201810129740A CN 108389190 A CN108389190 A CN 108389190A
- Authority
- CN
- China
- Prior art keywords
- training
- files
- net
- lung
- lung neoplasm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习方法的肺结节自动检测方法。按下述步骤完成,a、预处理:采集若干患者的CT文件,构成数据集;将每位患者对应的CT文件制成包含有100~600张切片的CT文件;每张所述的切片的像素间距为1*1*1mm、大小为512*512像素;b、肺部区域图像提取:将每位患者CT文件基于亨氏单位值来进行像素值的二值化处理,以分隔得到肺部区域的mask图,再根据mask图提取肺部区域图像;c、肺结节检测:训练U‑Net卷积神经网络用于肺部区域图像肺结节检测,得到U‑Net训练模型;d、降低假阳性率:训练深度残差网络用于剔除U‑Net训练模型中非结节的假阳性点,得到检测模型;得到检测模型后,即能用检测模型对患者CT文件进行肺结节自动检测。本发明自动检测的精度高。
Description
技术领域
本发明涉及一种医学CT图像中肺结节的检测方法,特别是一种基于深度学习方法的肺结节自动检测方法。
背景技术
肺癌是全球癌症相关死亡的主要原因,利用CT扫描对高风险人群进行检查是一种有效的发现早期肺癌的手段,肺结节的早期发现是提高肺癌患者生存率的关键。肺结节的发现是目前早期肺癌防治中的第一步。随着大数据时代的到来,医院每天都将产生大量的CT影像数据,这给放射科医师带来了巨大的阅片压力。据统计,当医生每天的阅片量超过20组时,其错误率就会达到7%-15%。因此研发一种自动检测肺结节的方法对提高医生工作效率,降低医生工作强度具有重要意义。
发明内容
本发明的目的在于,提供一种基于深度学习方法的肺结节自动检测方法。本发明自动检测的精度高,不仅能够更快更好更经济的检测出疑似肺结节,而且可以大大减轻医生的阅片压力,让医生更专注于其它更富创造性的任务中,有着巨大的经济及社会效益。
本发明的技术方案:一种基于深度学习方法的肺结节自动检测方法,按下述步骤完成,
a、预处理:采集若干患者的经过脱敏处理的CT文件,构成数据集,数据集中一位患者对应一份CT文件;将每位患者对应的CT文件制成包含有100~600张切片的CT文件;每张所述的切片的像素间距为1*1*1mm、大小为512*512像素;
b、肺部区域图像提取:将每位患者的CT文件基于亨氏单位值来进行像素值的二值化处理,以分隔得到肺部区域的mask图,再根据mask图提取肺部区域图像;
c、肺结节检测:训练U-Net卷积神经网络用于肺部区域图像肺结节检测,得到U-Net训练模型;
d、降低假阳性率:训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点,得到检测模型;得到检测模型后,即能用检测模型对患者CT文件进行肺结节自动检测。
前述的基于深度学习方法的肺结节自动检测方法所述的步骤b中,所述的二值化处理,是将CT文件中像素值大于-320亨氏单位位置的像素值置为0,像素值小于或等于-320亨氏单位位置像素值置为255。
前述的基于深度学习方法的肺结节自动检测方法所述的步骤c中,所述的U-Net卷积神经网络,是全卷积神经网络;所述的全卷积神经网络包括有一个收缩路径和一个扩展路径;所述的收缩路径包括有8个卷积核大小为3*3的卷积和4个大小为2*2、步长为2的最大化池化层;所述的收缩路径每经过两次卷积后,经过一个线性调整单元,然后池化一次进行下采样;所述的扩展路径包括有4个卷积核大小为2*2的上卷积、8个卷积核大小为3*3的卷积和1个卷积核大小为1*1的卷积;所述的扩展路径每经过一次上卷积后,经过两次卷积,然后经过一个线性调整单元;所述的全卷积神经网络共有23个卷积层。
前述的基于深度学习方法的肺结节自动检测方法所述的步骤c中,所述的训练U-Net卷积神经网络用于肺部区域图像肺结节检测,得到U-Net训练模型的训练方法,包括下述步骤:
c1、数据预处理:从数据集中提取患者的id号,构成seriesuids.csv文件;标记CT文件中结节位置及结节直径,提取结节位置的X、Y、Z坐标和结节直径数据与患者id号构成annotations.csv文件;所述的seriesuids.csv文件、annotations.csv文件和数据集作为训练U-Net卷积神经网络的输入文件;
c2、批标准化:在U-Net卷积神经网络每一输入层前加一个做归一化处理的归一化层;
c3、数据增强:U-Net卷积神经网络数据增强的参数包括有X轴旋转-20~20°、缩放比例0.9~1.1、平移-3~3像素、高斯噪声的标准差0.05;
c4、距离合并:将彼此相隔很近的结节位置用这些结节位置的平均值代替;
c5、参数调整:对U-Net卷积神经网络的参数进行调整,具体调整如下:
学习率:当训练步数小于20000时,学习率为0.01;当训练步数大于等于20000时,为0.001;
优化器:MomentumOptimizer;
训练批量:128;
批标准化:真;
c6、输出:训练结束后,得到U-Net训练模型,U-Net训练模型能在输入文件中的图像上识别出候选结节并标识出其位置坐标,继而得到输出图像。
前述的基于深度学习方法的肺结节自动检测方法中,步骤c6所述的输出图像的每张切片的大小是324*324像素。
前述的基于深度学习方法的肺结节自动检测方法所述的步骤d中,所述的深度残差网络,是宽度为6、一个卷积组中block的个数为5和共有31个卷积层的深度残差网络。
前述的基于深度学习方法的肺结节自动检测方法所述的步骤d中,所述的训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点,得到检测模型的训练方法,包括下述步骤:
d1、数据预处理:提取U-Net训练模型中的候选结节位置坐标和结节标记与患者的id号构成candidates.csv文件;所述的candidates.csv文件、seriesuids.csv文件和annotations.csv文件作为训练深度残差网络的输入文件;
d2、根据candidates.csv文件中的候选结节位置坐标,切割一个以候选结节坐标为正中心的正方体;
d3、将正方体的数据输入到深度残差网络中进行训练,得到训练参数;
d4、利用训练参数,预测未训练的测试集数据,生成部分预测概率文件;
d5、进行十折交叉验证,预测全部候选结节位置的概率,生成全部预测概率文件,得到检测模型。
前述的基于深度学习方法的肺结节自动检测方法所述的步骤d2中,所述的正方体的边长为64像素。
前述的基于深度学习方法的肺结节自动检测方法所述的步骤d2中,切割一个以候选结节坐标为正中心的正方体前,将candidates.csv文件构成的样本分为正、负样本两个不相交集合;每次训练批量数据时,分别从正、负样本中随机选择同等数量的数据,再混合随机选择出来的数据,之后再切割一个以候选结节坐标为正中心的正方体输入到深度残差网络中进行训练。
前述的基于深度学习方法的肺结节自动检测方法所述的步骤d5中,得到检测模型后,对检测模型进行数据增强和参数调整;所述的数据增强的参数包括有X、Y轴翻转,旋转-20~20°,缩放比例0.9~1.1和平移-3~3像素;所述的参数调整如下:
学习率:当训练步数小于10000时,学习率为0.01;当训练步数大于等于10000,小于30000时,为0.001;当训练步数大于等于30000时,为0.0001;
优化器:MomentumOptimizer;
训练批量:72;
批标准化:真。
与现有技术相比,本发明的设计思路较简洁,深度神经网络的机构较简单,易于实现,训练模型的计算量相对较小,对用于训练的计算机设备要求较低。本发明的自动检测的精度高,不仅能够更快更好更经济的检测出疑似肺结节,而且专门融合了降低假阳性的识别技术,能够在保证总体精度的情况下,进一步减少假阳性,大大减轻医生的阅片压力,让医生更专注于其它更富创造性的任务中,有着巨大的经济及社会效益。
附图说明
图1是切片后的CT文件的图像;
图2是二值化处理后分隔得到肺部区域的mask图;
图3是根据mask图提取的肺部区域图;
图4是U-Net卷积神经网络的结构示意图;
图5是U-Net训练模型的输出图像;
图6是候选结节位置图像;
图7是不同输入大小下的FROC曲线图。
具体实施方式
下面结合实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例1。一种基于深度学习方法的肺结节自动检测方法,按下述步骤完成,
a、预处理:采集若干患者的经过脱敏处理的CT文件,构成数据集,数据集中一位患者对应一份CT文件;将每位患者对应的CT文件制成包含有100~600张切片的CT文件;每张所述的切片的像素间距为1*1*1mm、大小为512*512像素;由于客观扫描环境的不同,每个病人的CT文件属性(如切片厚度、像素间距等)都存在差别;为便于处理,统一将上述的CT文件转化为像素间距为1*1*1mm的512*512大小的若干张切片;切片后的CT文件的图像如图1所示;
b、肺部区域图像提取:将每位患者的CT文件基于亨氏单位值来进行像素值的二值化处理,以分隔得到肺部区域的mask图(如图2所示),再根据mask图提取肺部区域图像(如图3所示);
c、肺结节检测:训练U-Net卷积神经网络用于肺部区域图像肺结节检测,得到U-Net训练模型;
d、降低假阳性率:训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点,得到检测模型;得到检测模型后,即能用检测模型对患者CT文件进行肺结节自动检测。
前述的步骤b中,所述的二值化处理,是将CT文件中像素值大于-320亨氏单位位置的像素值置为0,像素值小于或等于-320亨氏单位位置像素值置为255。经过多次实验发现,二值化处理时,-320亨氏单位是最佳阈值(threshold)。
前述的步骤c中,所述的U-Net卷积神经网络,是全卷积神经网络;所述的全卷积神经网络包括有一个收缩路径(如图4所示的左侧)和一个扩展路径(如图4所示的右侧);所述的收缩路径包括有8个卷积核大小为3*3的卷积和4个大小为2*2、步长为2的最大化池化层;所述的收缩路径每经过两次卷积(未填充的卷积)后,经过一个线性调整单元(ReLU),然后池化一次进行下采样;所述的扩展路径包括有4个卷积核大小为2*2的上卷积、8个卷积核大小为3*3的卷积和1个卷积核大小为1*1的卷积;所述的扩展路径每经过一次上卷积后,经过两次卷积(未填充的卷积),然后经过一个线性调整单元(ReLU);所述的全卷积神经网络共有23个卷积层。
前述的步骤c中,所述的训练U-Net卷积神经网络用于肺部区域图像肺结节检测,得到U-Net训练模型的训练方法,包括下述步骤:
c1、数据预处理:从数据集中提取患者的id号,构成seriesuids.csv文件;标记CT文件中结节位置及结节直径,提取结节位置的X、Y、Z坐标(这三个坐标均为体素坐标系下的坐标)和结节直径数据与患者id号构成annotations.csv文件;所述的seriesuids.csv文件、annotations.csv文件和数据集作为训练U-Net卷积神经网络的输入文件;
所述的标记CT文件中结节位置及结节直径,具体由4位有经验的胸放射科医师独立标注完成;在最开始的盲读阶段,每个放射科医生独立评估每个CT文件、标记疑似肺结节。在随后的非盲读阶段,每个放射科医生独立的参考其他三个放射科医生匿名标注的结节标记信息评估他们自己的结节标记。
c2、批标准化:在U-Net卷积神经网络每一输入层前加一个做归一化处理的归一化层;通过该步骤,能够使U-Net卷积神经网络训练时选择较大的初始学习率(learning_rate),彻底混合训练数据,提高训练精度,使训练又快又好。
c3、数据增强:U-Net卷积神经网络数据增强的参数包括有X轴旋转-20~20°、缩放比例0.9~1.1、平移-3~3像素、高斯噪声的标准差0.05;通过该步骤,能够防止过拟合,提高预测准确度;
c4、距离合并:将彼此相隔很近的结节位置用这些结节位置的平均值代替;由于标记的结节位置是从二维环境中提取出来的,在大多数情况下,结节位置会彼此相隔很近,为了减少结节位置的数量,将彼此相隔很近的结节位置用这些结节位置的平均值代替;
c5、参数调整:对U-Net卷积神经网络的参数进行调整,具体调整如下:
学习率:当训练步数小于20000时,学习率为0.01;当训练步数大于等于20000时,为0.001;
优化器:MomentumOptimizer;
训练批量:128;
批标准化:真;
通过上述参数的调整,能够降低U-Net卷积神经网络深度学习训练及测试的时间。
c6、输出:训练结束后,得到U-Net训练模型,U-Net训练模型能在输入文件中的图像上识别出候选结节(用1,0标记,1表示为结节,0表示为非结节)并标识出其位置坐标(即得到候选结节位置坐标),继而得到输出图像。对输出图像(如图5所示)进行二值化处理,得到候选结节位置图像(如图6所示)。
前述的步骤c6所述的输出的U-Net训练模型的图像中,图像的每张切片的大小是324*324;该大小足够包含每张图片中的全部肺数据。
前述的步骤d中,所述的深度残差网络,是宽度为6、一个卷积组中block的个数为5和共有31个卷积层的深度残差网络。深度残差网络的结构如表1所示,其工作方法,是首先输入的图片大小为64*64,经过步长为1,卷积核为3*3,通道数为16的相同填充(padding=‘SAME’)卷积组Conv1后,输出通道数为16,大小为64*64的图片。将卷积组Conv1的输出,经过10个步长为2,卷积核为3*3,通道数为96的相同填充卷积组Conv2后,输出通道数为96,大小为64*64的图片。将卷积组Conv2的输出,先经过2个步长为2,卷积核为3*3,通道数为192的相同填充后,再经过一个步长为2的平均池化层,最后经过8个步长为2,卷积核为3*3,通道数为192的相同填充卷积后,输出通道数为192,大小为32*32的图片。将卷积组Conv3的输出,先经过2个步长为2,卷积核为3*3,通道数为384的相同填充后,再经过一个步长为2的平均池化层,最后经过8个步长为2,卷积核为3*3,通道数为384的相同填充卷积后,输出通道数为384,大小为16*16的图片。将卷积组Conv4的输出,经过一个reduce_mean函数,输出一个数字。
表1
组名 | 输出大小 | 块类型=B(3,3) |
Conv1 | 64*64 | [3*3,16] |
Conv2 | 64*64 | [[3*3,16*k]*2]*N |
Conv3 | 32*32 | [[3*3,32*k]*2]*N |
Conv4 | 16*16 | [[3*3,64*k]*2]*N |
Avg-pool | 1*1 | - |
前述的步骤d中,所述的训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点,得到检测模型的训练方法,包括下述步骤:
d1、数据预处理:提取U-Net训练模型中的候选结节位置坐标和结节标记与患者的id号构成candidates.csv文件;所述的candidates.csv文件、seriesuids.csv文件和annotations.csv文件作为训练深度残差网络的输入文件;
d2、根据candidates.csv文件中的候选结节位置坐标,切割一个以候选结节坐标为正中心的正方体,正方体的数据格式为.pkl.gz格式;
d3、将正方体的数据输入到深度残差网络中进行训练,得到训练参数;训练约130个epoch,每个epoch约6分钟,总共花费大约13个小时;
d4、利用训练参数,预测未训练的测试集数据(测试集数据即为candidates.csv文件中未训练数据),生成部分预测概率文件;
d5、进行十折交叉验证,预测全部候选结节位置的概率,生成全部预测概率文件,得到检测模型。全部预测概率文件包括有患者的id号,候选结节位置坐标和候选结节位置的预测概率。
经过十次十折交叉验证,降低假阳性率部分的正确率为0.9484,召回率为0.8423。
前述的步骤d2中,所述的正方体的边长为48~96像素、最优为64像素。当边长大小为64,足以包括训练所需的全部数据。当边长为96时,立方体携带的冗余信息会对结果造成影响;当边长为48时,有的立方体可能只包括部分肺结节数据,造成训练不充分。因此,利用边长为64的立方体训练比边长为96或48的立方体训练,误差更小。
前述的步骤d2中,切割一个以候选结节坐标为正中心的正方体前,将candidates.csv文件构成的样本分为正、负样本两个不相交集合;每次训练批量数据时,分别从正、负样本中随机选择同等数量的数据,再混合随机选择出来的数据,之后再切割一个以候选结节坐标为正中心的正方体输入到深度残差网络中进行训练。通过该方法,能够降低数据集中正负样本的数量不均匀造成的误差。
前述的步骤d5中,得到检测模型后,对检测模型进行数据增强和参数调整;所述的数据增强的参数包括有X、Y轴翻转,旋转-20~20°,缩放比例0.9~1.1和平移-3~3像素;所述的参数调整如下:
学习率:当训练步数小于10000时,学习率为0.01;当训练步数大于等于10000,小于30000时,为0.001;当训练步数大于等于30000时,为0.0001;
优化器:MomentumOptimizer;
训练批量:72;
批标准化:真。
性能评估:采用医学计算机辅助诊断中常用的评估方法FROC曲线来评估模型的性能,FROC曲线的横坐标为每个病人平均假阳数(Average number of false positives perscan),纵坐标为敏感度(Sensitivity)。模型最终的分数是FROC曲线中横坐标分别为1/8,1/4,1/2,1,2,4,8这7个点纵坐标的平均值。当输入模型的正方体大小分别为48像素、64像素、96像素时,FROC曲线如图7所示。当立方体的边长越大时,训练和测试所需的时间越长。由图7可以看出,当立方体大小为64像素时,实验结果最佳。
(0.688+0.737+0.787+0.829+0.877+0.900+0.926)/7=0.821
本发明肺结节检测最终的FROC分数为0.821。
Claims (10)
1.一种基于深度学习方法的肺结节自动检测方法,其特征在于:按下述步骤完成,
a、预处理:采集若干患者的经过脱敏处理的CT文件,构成数据集,数据集中一位患者对应一份CT文件;将每位患者对应的CT文件制成包含有100~600张切片的CT文件;每张所述的切片的像素间距为1*1*1mm、大小为512*512像素;
b、肺部区域图像提取:将每位患者的CT文件基于亨氏单位值来进行像素值的二值化处理,以分隔得到肺部区域的mask图,再根据mask图提取肺部区域图像;
c、肺结节检测:训练U-Net卷积神经网络用于肺部区域图像肺结节检测,得到U-Net训练模型;
d、降低假阳性率:训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点,得到检测模型;得到检测模型后,即能用检测模型对患者CT文件进行肺结节自动检测。
2.根据权利要求1所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤b中,所述的二值化处理,是将CT文件中像素值大于-320亨氏单位位置的像素值置为0,像素值小于或等于-320亨氏单位位置像素值置为255。
3.根据权利要求1或2所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤c中,所述的U-Net卷积神经网络,是全卷积神经网络;所述的全卷积神经网络包括有一个收缩路径和一个扩展路径;所述的收缩路径包括有8个卷积核大小为3*3的卷积和4个大小为2*2、步长为2的最大化池化层;所述的收缩路径每经过两次卷积后,经过一个线性调整单元,然后池化一次进行下采样;所述的扩展路径包括有4个卷积核大小为2*2的上卷积、8个卷积核大小为3*3的卷积和1个卷积核大小为1*1的卷积;所述的扩展路径每经过一次上卷积后,经过两次卷积,然后经过一个线性调整单元;所述的全卷积神经网络共有23个卷积层。
4.根据权利要求3所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤c中,所述的训练U-Net卷积神经网络用于肺部区域图像肺结节检测,得到U-Net训练模型的训练方法,包括下述步骤:
c1、数据预处理:从数据集中提取患者的id号,构成seriesuids.csv文件;标记CT文件中结节位置及结节直径,提取结节位置的X、Y、Z坐标和结节直径数据与患者id号构成annotations.csv文件;所述的seriesuids.csv文件、annotations.csv文件和数据集作为训练U-Net卷积神经网络的输入文件;
c2、批标准化:在U-Net卷积神经网络每一输入层前加一个做归一化处理的归一化层;
c3、数据增强:U-Net卷积神经网络数据增强的参数包括有X轴旋转-20~20°、缩放比例0.9~1.1、平移-3~3像素、高斯噪声的标准差0.05;
c4、距离合并:将彼此相隔很近的结节位置用这些结节位置的平均值代替;
c5、参数调整:对U-Net卷积神经网络的参数进行调整,具体调整如下:
学习率:当训练步数小于20000时,学习率为0.01;当训练步数大于等于20000时,为0.001;
优化器:MomentumOptimizer;
训练批量:128;
批标准化:真;
c6、输出:训练结束后,得到U-Net训练模型,U-Net训练模型能在输入文件中的图像上识别出候选结节并标识出其位置坐标,继而得到输出图像。
5.根据权利要求4所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤c6所述的输出图像的每张切片的大小是324*324像素。
6.根据权利要求4所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤d中,所述的深度残差网络,是宽度为6、一个卷积组中block的个数为5和共有31个卷积层的深度残差网络。
7.根据权利要求6所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤d中,所述的训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点,得到检测模型的训练方法,包括下述步骤:
d1、数据预处理:提取U-Net训练模型中的候选结节位置坐标和结节标记与患者的id号构成candidates.csv文件;所述的candidates.csv文件、seriesuids.csv文件和annotations.csv文件作为训练深度残差网络的输入文件;
d2、根据candidates.csv文件中的候选结节位置坐标,切割一个以候选结节坐标为正中心的正方体;
d3、将正方体的数据输入到深度残差网络中进行训练,得到训练参数;
d4、利用训练参数,预测未训练的测试集数据,生成部分预测概率文件;
d5、进行十折交叉验证,预测全部候选结节位置的概率,生成全部预测概率文件,得到检测模型。
8.根据权利要求7所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤d2中,所述的正方体的边长为64像素。
9.根据权利要求7所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤d2中,切割一个以候选结节坐标为正中心的正方体前,将candidates.csv文件构成的样本分为正、负样本两个不相交集合;每次训练批量数据时,分别从正、负样本中随机选择同等数量的数据,再混合随机选择出来的数据,之后再切割一个以候选结节坐标为正中心的正方体输入到深度残差网络中进行训练。
10.根据权利要求7所述的基于深度学习方法的肺结节自动检测方法,其特征在于:步骤d5中,得到检测模型后,对检测模型进行数据增强和参数调整;所述的数据增强的参数包括有X、Y轴翻转,旋转-20~20°,缩放比例0.9~1.1和平移-3~3像素;所述的参数调整如下:
学习率:当训练步数小于10000时,学习率为0.01;当训练步数大于等于10000,小于30000时,为0.001;当训练步数大于等于30000时,为0.0001;
优化器:MomentumOptimizer;
训练批量:72;
批标准化:真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810129740.3A CN108389190B (zh) | 2018-02-08 | 2018-02-08 | 一种基于深度学习方法的肺结节自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810129740.3A CN108389190B (zh) | 2018-02-08 | 2018-02-08 | 一种基于深度学习方法的肺结节自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389190A true CN108389190A (zh) | 2018-08-10 |
CN108389190B CN108389190B (zh) | 2022-12-16 |
Family
ID=63075322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810129740.3A Active CN108389190B (zh) | 2018-02-08 | 2018-02-08 | 一种基于深度学习方法的肺结节自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389190B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191444A (zh) * | 2018-08-29 | 2019-01-11 | 广东工业大学 | 基于深度残差网络的视频区域移除篡改检测方法及装置 |
CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
CN109523525A (zh) * | 2018-11-07 | 2019-03-26 | 广州大学 | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 |
CN109816655A (zh) * | 2019-02-01 | 2019-05-28 | 华院数据技术(上海)有限公司 | 基于ct图像的肺结节图像特征检测方法 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN109840554A (zh) * | 2018-12-26 | 2019-06-04 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
CN110223286A (zh) * | 2019-06-13 | 2019-09-10 | 吉林大学第一医院 | 一种肺部ct图像粘连血管型结节检测方法 |
CN110276316A (zh) * | 2019-06-26 | 2019-09-24 | 电子科技大学 | 一种基于深度学习的人体关键点检测方法 |
CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 |
CN110570417A (zh) * | 2019-09-12 | 2019-12-13 | 慧影医疗科技(北京)有限公司 | 肺结节分类方法、装置及图像处理设备 |
CN110705570A (zh) * | 2019-09-20 | 2020-01-17 | 桂林电子科技大学 | 一种图像特征识别方法 |
EP3651117A1 (en) * | 2018-11-09 | 2020-05-13 | Oxipit, UAB | Methods, systems and use for detecting irregularities in medical images by means of a machine learning model |
CN111275673A (zh) * | 2020-01-15 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 肺叶提取方法、装置及存储介质 |
WO2020118614A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种头颈斑块图像识别方法及装置 |
CN111402254A (zh) * | 2020-04-03 | 2020-07-10 | 杭州华卓信息科技有限公司 | 一种ct图像肺结节高性能自动检测方法及装置 |
CN111445478A (zh) * | 2020-03-18 | 2020-07-24 | 吉林大学 | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 |
CN111489335A (zh) * | 2020-04-07 | 2020-08-04 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎x射线图像的量化分析系统及方法 |
CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
CN111723817A (zh) * | 2020-06-30 | 2020-09-29 | 重庆大学 | 一种肺结节辅助检测方法 |
CN112241947A (zh) * | 2019-07-19 | 2021-01-19 | 财团法人资讯工业策进会 | 乳房影像分析方法、系统及非暂态计算机可读取媒体 |
CN112258461A (zh) * | 2020-10-13 | 2021-01-22 | 江南大学 | 一种基于卷积神经网络的肺结节检测方法 |
CN112669284A (zh) * | 2020-12-29 | 2021-04-16 | 天津大学 | 一种利用生成对抗网络来实现肺结节检测的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653885A (zh) * | 2016-03-23 | 2016-06-08 | 华南理工大学 | 基于多实例多类标的马尔可夫链注释蛋白质功能的方法 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107123095A (zh) * | 2017-04-01 | 2017-09-01 | 上海联影医疗科技有限公司 | 一种pet图像重建方法、成像系统 |
-
2018
- 2018-02-08 CN CN201810129740.3A patent/CN108389190B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653885A (zh) * | 2016-03-23 | 2016-06-08 | 华南理工大学 | 基于多实例多类标的马尔可夫链注释蛋白质功能的方法 |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107123095A (zh) * | 2017-04-01 | 2017-09-01 | 上海联影医疗科技有限公司 | 一种pet图像重建方法、成像系统 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109191444A (zh) * | 2018-08-29 | 2019-01-11 | 广东工业大学 | 基于深度残差网络的视频区域移除篡改检测方法及装置 |
CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
CN109523525A (zh) * | 2018-11-07 | 2019-03-26 | 广州大学 | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 |
CN109523525B (zh) * | 2018-11-07 | 2021-04-16 | 广州大学 | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 |
EP3651117A1 (en) * | 2018-11-09 | 2020-05-13 | Oxipit, UAB | Methods, systems and use for detecting irregularities in medical images by means of a machine learning model |
US11037295B2 (en) | 2018-11-09 | 2021-06-15 | Oxipit, Uab | Methods, systems and use for detecting irregularities in medical images by means of a machine learning model |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
WO2020118614A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种头颈斑块图像识别方法及装置 |
CN109840554A (zh) * | 2018-12-26 | 2019-06-04 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
CN109840554B (zh) * | 2018-12-26 | 2023-05-02 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
CN109816655B (zh) * | 2019-02-01 | 2021-05-28 | 华院计算技术(上海)股份有限公司 | 基于ct图像的肺结节图像特征检测方法 |
CN109816655A (zh) * | 2019-02-01 | 2019-05-28 | 华院数据技术(上海)有限公司 | 基于ct图像的肺结节图像特征检测方法 |
CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
CN110223286A (zh) * | 2019-06-13 | 2019-09-10 | 吉林大学第一医院 | 一种肺部ct图像粘连血管型结节检测方法 |
CN110276316B (zh) * | 2019-06-26 | 2022-05-24 | 电子科技大学 | 一种基于深度学习的人体关键点检测方法 |
CN110276316A (zh) * | 2019-06-26 | 2019-09-24 | 电子科技大学 | 一种基于深度学习的人体关键点检测方法 |
CN110310281A (zh) * | 2019-07-10 | 2019-10-08 | 重庆邮电大学 | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 |
CN112241947A (zh) * | 2019-07-19 | 2021-01-19 | 财团法人资讯工业策进会 | 乳房影像分析方法、系统及非暂态计算机可读取媒体 |
CN112241947B (zh) * | 2019-07-19 | 2024-02-13 | 财团法人资讯工业策进会 | 多视角乳房影像分析方法、系统及非暂态计算机可读取媒体 |
CN110570417A (zh) * | 2019-09-12 | 2019-12-13 | 慧影医疗科技(北京)有限公司 | 肺结节分类方法、装置及图像处理设备 |
CN110705570B (zh) * | 2019-09-20 | 2022-06-21 | 桂林电子科技大学 | 一种图像特征识别方法 |
CN110705570A (zh) * | 2019-09-20 | 2020-01-17 | 桂林电子科技大学 | 一种图像特征识别方法 |
CN111275673A (zh) * | 2020-01-15 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 肺叶提取方法、装置及存储介质 |
CN111445478A (zh) * | 2020-03-18 | 2020-07-24 | 吉林大学 | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 |
CN111445478B (zh) * | 2020-03-18 | 2023-09-08 | 吉林大学 | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 |
CN111402254A (zh) * | 2020-04-03 | 2020-07-10 | 杭州华卓信息科技有限公司 | 一种ct图像肺结节高性能自动检测方法及装置 |
CN111489335B (zh) * | 2020-04-07 | 2023-08-15 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎x射线图像的量化分析系统及方法 |
CN111489335A (zh) * | 2020-04-07 | 2020-08-04 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎x射线图像的量化分析系统及方法 |
CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
CN111640503B (zh) * | 2020-05-29 | 2023-09-26 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
CN111723817A (zh) * | 2020-06-30 | 2020-09-29 | 重庆大学 | 一种肺结节辅助检测方法 |
CN111723817B (zh) * | 2020-06-30 | 2023-09-29 | 重庆大学 | 一种肺结节辅助检测方法 |
CN112258461A (zh) * | 2020-10-13 | 2021-01-22 | 江南大学 | 一种基于卷积神经网络的肺结节检测方法 |
CN112258461B (zh) * | 2020-10-13 | 2024-04-09 | 江南大学 | 一种基于卷积神经网络的肺结节检测方法 |
CN112669284A (zh) * | 2020-12-29 | 2021-04-16 | 天津大学 | 一种利用生成对抗网络来实现肺结节检测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108389190B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389190A (zh) | 一种基于深度学习方法的肺结节自动检测方法 | |
Aggarwal et al. | COVID-19 image classification using deep learning: Advances, challenges and opportunities | |
Chin et al. | An automated early ischemic stroke detection system using CNN deep learning algorithm | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN107451615A (zh) | 基于Faster RCNN的甲状腺乳头状癌超声图像识别方法及系统 | |
CN108806792A (zh) | 深度学习面诊系统 | |
CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
CN105760874A (zh) | 面向尘肺的ct图像处理系统及其ct图像处理方法 | |
Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN107330883A (zh) | 一种医学图像病变区域定位和分类方法 | |
CN113012163A (zh) | 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质 | |
CN110458801A (zh) | 一种3d双路径神经网络及基于该网络的肺部结节检测方法 | |
Zuo et al. | Automatic classification of lung nodule candidates based on a novel 3D convolution network and knowledge transferred from a 2D network | |
Hakim et al. | Microcalcification detection in mammography image using computer-aided detection based on convolutional neural network | |
CN111724345A (zh) | 可自适应调节感受野大小的肺炎图片检定装置与方法 | |
Sousa et al. | Cnn filter learning from drawn markers for the detection of suggestive signs of covid-19 in ct images | |
CN112508057A (zh) | 一种肺结节分类方法、介质及电子设备 | |
Ural | Computer aided deep learning based assessment of stroke from brain radiological ct images | |
CN111899212A (zh) | 一种肺结节ct图像检测方法和系统 | |
Madhu et al. | Covid-19 Classification and Detection Model using Deep Learning | |
CN111932486A (zh) | 一种基于3d卷积神经网络的脑胶质瘤分割方法 | |
Ding et al. | Deep transfer learning-based intelligent diagnosis of malignant tumors on mammography | |
Bhookya | Examine Lung Disorders and Disease Classification Using Advanced CNN Approach | |
Macit et al. | Benchmarking of ResNet models for breast cancer diagnosis using mammographic images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |