CN109146857A - 胸部ct影像的肺结节自检测方法 - Google Patents
胸部ct影像的肺结节自检测方法 Download PDFInfo
- Publication number
- CN109146857A CN109146857A CN201810871663.9A CN201810871663A CN109146857A CN 109146857 A CN109146857 A CN 109146857A CN 201810871663 A CN201810871663 A CN 201810871663A CN 109146857 A CN109146857 A CN 109146857A
- Authority
- CN
- China
- Prior art keywords
- lung neoplasm
- network
- model
- building
- layer
- 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.)
- Pending
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
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医疗诊断技术领域,具体涉及一种胸部CT影像的肺结节自检测方法;包括以下步骤:样本数据库的构建、数据标准化、构建模型、检测模型一的构建、检测模型二的构建、训练检测模型的构建和肺结节检测;本发明对含有肺结节目标的数据进行数据扩充,可使网络结构学习更多的特征,解决了数据库中数据量不足的问题,提高了肺结节检测的准确度;再者,检测模型的构建提高了CT对医学图像肺结节遮挡情况的鲁棒性,提高了CT对肺结节的检测精度;另外,本发明制备的样本为三维样本,三维样本的制作能最大程度的保留原始信息,减少特征遗漏,从而提高了肺结节检测的准确度。
Description
技术领域
本发明涉及医疗诊断技术领域,具体涉及一种胸部CT影像的肺结节自检测方法。
背景技术
CT,即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查;根据所采用的射线不同可分为:X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。
CT是用X射线束对人体某部一定厚度的层面进行扫描,由探测器接收透过该层面的X射线,转变为可见光后,由光电转换变为电信号,再经模拟/数字转换器转为数字,输入计算机处理。图像形成的处理有如对选定层面分成若干个体积相同的长方体,称之为体素。
扫描所得信息经计算而获得每个体素的X射线衰减系数或吸收系数,再排列成矩阵,即数字矩阵,数字矩阵可存贮于磁盘或光盘中。经数字/模拟转换器把数字矩阵中的每个数字转为由黑到白不等灰度的小方块,即像素,并按矩阵排列,即构成CT图像。所以,CT图像是重建图像。每个体素的X射线吸收系数可以通过不同的数学方法算出。
CT根据人体不同组织对X线的吸收与透过率的不同,应用灵敏度极高的仪器对人体进行测量,然后将测量所获取的数据输入电子计算机,电子计算机对数据进行处理后,就可摄下人体被检查部位的断面或立体的图像,发现体内任何部位的细小病变。
现有的利用CT检测肺结节的方法存在以下不足之处:
1、现有的含肺结节的医学图像较少,数据库中数据量不足,导致检测肺结节的准确度降低。
2、不能提高CT对医学图像肺结节遮挡情况的鲁棒性,影响CT 对肺结节的检测精度。
3、在检测过程中可能会使得原始信息有所遗漏,从而降低了肺结节检测的准确度。
发明内容
针对上述存在的问题,本发明提供了一种胸部CT影像的肺结节自检测方法,用于解决背景技术中所提出的技术问题。
为了达到上述的目的,本发明采用以下的技术方案:
一种胸部CT影像的肺结节自检测方法,包括以下步骤:
S1、样本数据库的构建:
a、从LIDC数据库中的原始数据集随机选取若干个肺部病例的图像,并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库;
b、对样本数据集进行预处理后进行截取,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;
S2、数据标准化:根据样本数据库的HU值统计分布,选取合适的HU值作为标准化范围,并将数据标准化为[0,1];
S3、构建模型:构建三维卷积神经网络模型,并设定模型超参数;
S4、检测模型一的构建:结合对比模型现有的区域建议网络和分类网络,获得检测模型一;
S5、检测模型二的构建:将新的特征提取网络的第二部分网络的第七层新拼接层的输出分别与区域建议网络中的第一层卷积层的输入和分类网络中第一层感兴趣区域池化层的输入相连接;将区域建议网络中的第一层卷积层的输出与分类网络中第一层感兴趣区域池化层的输入连接,组成检测模型二;
S6、训练检测模型的构建:检测模型中的区域建议网络和分类网络使用特征提取网络中每层相同的特征参数,并调整区域建议网络和分类网络中每一层的权重参数,得到训练检测模型;
S6、肺结节检测:用步骤S6中所得的训练检测模型对S1中所的的样本数据库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。
优选的,所述步骤a中选取的肺部病例图像的个数大于150。
优选的,所述步骤b中的预处理包括将体素间距转换为(1,1, 1)和转换世界坐标为体素坐标。
优选的,所述步骤b中截取CT影像中完全包含肺结节的立方体样本,尺寸为32*32*32,作为正样本;再截取完全不包含结节的同样尺寸样本,作为负样本。
优选的,所述S2中空气HU值为-1000。
优选的,所述S3中模型超参数包括优化器、batch_size、epoch 数量、每个epoch中batch的数量。
优选的,所述S4中的对比模型选用Faster-RCNN模型。
优选的,所述S6中采用交替优化的方法调整区域建议网络和分类网络中每一层的权重参数。
采用上述的技术方案,本发明达到的有益效果是:
1、现有的含肺结节的医学图像较少,本发明对含有肺结节目标的数据进行数据扩充,可使网络结构学习更多的特征,解决了数据库中数据量不足的问题,提高了肺结节检测的准确度。
2、检测模型的构建提高了CT对医学图像肺结节遮挡情况的鲁棒性,提高了CT对肺结节的检测精度。
3、本发明制备的样本为三维样本,三维样本的制作能最大程度的保留原始信息,减少特征遗漏,从而提高了肺结节检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的检测流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
具体实施方式
一种胸部CT影像的肺结节自检测方法,包括以下步骤:
S1、样本数据库的构建:
a、从LIDC数据库中的原始数据集随机选取若干个肺部病例的图像,并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库;
b、对样本数据集进行预处理后进行截取,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;
S2、数据标准化:根据样本数据库的HU值统计分布,选取合适的HU值作为标准化范围,并将数据标准化为[0,1];
S3、构建模型:构建三维卷积神经网络模型,并设定模型超参数;
S4、检测模型一的构建:结合对比模型现有的区域建议网络和分类网络,获得检测模型一;
S5、检测模型二的构建:将新的特征提取网络的第二部分网络的第七层新拼接层的输出分别与区域建议网络中的第一层卷积层的输入和分类网络中第一层感兴趣区域池化层的输入相连接;将区域建议网络中的第一层卷积层的输出与分类网络中第一层感兴趣区域池化层的输入连接,组成检测模型二;
S6、训练检测模型的构建:检测模型中的区域建议网络和分类网络使用特征提取网络中每层相同的特征参数,并调整区域建议网络和分类网络中每一层的权重参数,得到训练检测模型;
S7、肺结节检测:用步骤S6中所得的训练检测模型对S1中所的的样本数据库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,具体实施步骤如下:
1)、将测试数据集中的单张图像数据输入到训练好的检测模型,得到特征提取网络的特征图;
2)、对1)中得到的特征图通过区域建议网络生成建议框,选取最高得分的建议框,即得到一个感兴趣区域;
3)、将感兴趣区域输入到分类网络中,得到图像中肺结节的检测结果。
具体的,步骤a中选取的肺部病例图像的个数大于150;步骤b 中的预处理包括将体素间距转换为(1,1,1)和转换世界坐标为体素坐标;步骤b中截取CT影像中完全包含肺结节的立方体样本,尺寸为 32*32*32,作为正样本;再截取完全不包含结节的同样尺寸样本,作为负样本;S2中空气HU值为-1000;S4中模型超参数包括优化器、 batch_size、epoch数量、每个epoch中batch的数量;S5中的对比模型选用Faster-RCNN模型;S7中采用交替优化的方法调整区域建议网络和分类网络中每一层的权重参数。
根据结节样本类型制作标签,正样本包含肺结节,标签为2;负样本为1。
因不同病人的初始体素间距不同,应首先将所有体素间距转化为(1,1,1)。再将所有所得的数据连接为一个(sample_number,1,32,32,32) 的5维数组,其中第二维是通道数。
CT影像的HU值与密度正相关,-1000代表空气。设置最小值 min=-1000,将数据集中小于-1000的值设为-1000。根据数据分布,选取合适的最大值max。采用方式,标准化数据至[0,1]区间。截取测试集和验证集。
利用python生成器,从训练集和验证集中随机选取batch_num 个数据,对后三维度进行随机转置后,返回给模型进行训练和验证。
模型采用batch训练的方式,训练集生成器返回 train_num/batch_num次数据为一个轮次(epoch),一个轮次训练完成后,生成器会返回val_num/batch_num次并计算验证损失val_loss,损失函数为对数损失(logloss或binarycross-entropy)。利用梯度下降优化器优化模型参数。当训练与验证损失均收敛后,模型停止训练,保存模型结构与参数为最优结果。
构建模型具体操作如下:
卷积神经网络包含5个卷积模块,4个AveragePooling层,4个融合层及1个DenseBranch模块组成。
卷积层中,卷积核大小为5*5*3,滑动步长为4,padding模式为“SAME”,即卷积操作后,输出与输入的体素大小相同,权重初始化为随机正交矩阵初始化,权重正则项为L2正则,偏置值初始化为 0矩阵且无正则项。卷积核数量随网络深入而增大,依次为 8,24,36,36,64个。
全连接层中,权重初始化为随机正态分布,权重正则项为L2正则,偏置值初始化为0矩阵,无正则项。
经试验检测,通过本发明检测肺结节的平均精度为82.3%。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种胸部CT影像的肺结节自检测方法,其特征在于:包括以下步骤:
S1、样本数据库的构建:
a、从LIDC数据库中的原始数据集随机选取若干个肺部病例的图像,并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库;
b、对样本数据集进行预处理后进行截取,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;
S2、数据标准化:根据样本数据库的HU值统计分布,选取合适的HU值作为标准化范围,并将数据标准化为[0,1];
S3、构建模型:构建三维卷积神经网络模型,并设定模型超参数;
S4、检测模型一的构建:结合对比模型现有的区域建议网络和分类网络,获得检测模型一;
S5、检测模型二的构建:将新的特征提取网络的第二部分网络的第七层新拼接层的输出分别与区域建议网络中的第一层卷积层的输入和分类网络中第一层感兴趣区域池化层的输入相连接;将区域建议网络中的第一层卷积层的输出与分类网络中第一层感兴趣区域池化层的输入连接,组成检测模型二;
S6、训练检测模型的构建:检测模型中的区域建议网络和分类网络使用特征提取网络中每层相同的特征参数,并调整区域建议网络和分类网络中每一层的权重参数,得到训练检测模型;
S7、肺结节检测:用步骤S6中所得的训练检测模型对S1中所的的样本数据库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所述的一种胸部CT影像的肺结节自检测方法,其特征在于:所述步骤a中选取的肺部病例图像的个数大于150。
3.根据权利要求1所述的一种胸部CT影像的肺结节自检测方法,其特征在于:所述步骤b中的预处理包括将体素间距转换为(1,1,1)和转换世界坐标为体素坐标。
4.根据权利要求1所述的一种胸部CT影像的肺结节自检测方法,其特征在于:所述步骤b中截取CT影像中完全包含肺结节的立方体样本,尺寸为32*32*32,作为正样本;再截取完全不包含结节的同样尺寸样本,作为负样本。
5.根据权利要求1所述的一种胸部CT影像的肺结节自检测方法,其特征在于:所述S2中空气HU值为-1000。
6.根据权利要求1所述的一种胸部CT影像的肺结节自检测方法,其特征在于:所述S3中模型超参数包括优化器、batch_size、epoch数量、每个epoch中batch的数量。
7.根据权利要求1所述的一种胸部CT影像的肺结节自检测方法,其特征在于:所述S4中的对比模型选用Faster-RCNN模型。
8.根据权利要求1所述的一种胸部CT影像的肺结节自检测方法,其特征在于:所述S6中采用交替优化的方法调整区域建议网络和分类网络中每一层的权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871663.9A CN109146857A (zh) | 2018-08-02 | 2018-08-02 | 胸部ct影像的肺结节自检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810871663.9A CN109146857A (zh) | 2018-08-02 | 2018-08-02 | 胸部ct影像的肺结节自检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146857A true CN109146857A (zh) | 2019-01-04 |
Family
ID=64799372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810871663.9A Pending CN109146857A (zh) | 2018-08-02 | 2018-08-02 | 胸部ct影像的肺结节自检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146857A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919230A (zh) * | 2019-03-10 | 2019-06-21 | 西安电子科技大学 | 基于循环特征金字塔的医学图像肺结节检测方法 |
CN110084237A (zh) * | 2019-05-09 | 2019-08-02 | 北京化工大学 | 肺结节的检测模型构建方法、检测方法和装置 |
CN110276741A (zh) * | 2019-03-08 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 结节检测及其模型训练的方法和装置以及电子设备 |
CN111784593A (zh) * | 2020-06-04 | 2020-10-16 | 广东省智能制造研究所 | 一种面向深度学习的肺结节ct图像数据增强方法及系统 |
CN113139928A (zh) * | 2020-01-16 | 2021-07-20 | 中移(上海)信息通信科技有限公司 | 肺结节检测模型的训练方法和肺结节检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
CN107492095A (zh) * | 2017-08-02 | 2017-12-19 | 西安电子科技大学 | 基于深度学习的医学图像肺结节检测方法 |
CN107590797A (zh) * | 2017-07-26 | 2018-01-16 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
CN108171700A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于对抗网络的医学图像肺结节检测方法 |
-
2018
- 2018-08-02 CN CN201810871663.9A patent/CN109146857A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
CN107590797A (zh) * | 2017-07-26 | 2018-01-16 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
CN107492095A (zh) * | 2017-08-02 | 2017-12-19 | 西安电子科技大学 | 基于深度学习的医学图像肺结节检测方法 |
CN108171700A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于对抗网络的医学图像肺结节检测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276741A (zh) * | 2019-03-08 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 结节检测及其模型训练的方法和装置以及电子设备 |
CN110276741B (zh) * | 2019-03-08 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 结节检测及其模型训练的方法和装置以及电子设备 |
CN109919230A (zh) * | 2019-03-10 | 2019-06-21 | 西安电子科技大学 | 基于循环特征金字塔的医学图像肺结节检测方法 |
CN109919230B (zh) * | 2019-03-10 | 2022-12-06 | 西安电子科技大学 | 基于循环特征金字塔的医学图像肺结节检测方法 |
CN110084237A (zh) * | 2019-05-09 | 2019-08-02 | 北京化工大学 | 肺结节的检测模型构建方法、检测方法和装置 |
CN113139928A (zh) * | 2020-01-16 | 2021-07-20 | 中移(上海)信息通信科技有限公司 | 肺结节检测模型的训练方法和肺结节检测方法 |
CN113139928B (zh) * | 2020-01-16 | 2024-02-23 | 中移(上海)信息通信科技有限公司 | 肺结节检测模型的训练方法和肺结节检测方法 |
CN111784593A (zh) * | 2020-06-04 | 2020-10-16 | 广东省智能制造研究所 | 一种面向深度学习的肺结节ct图像数据增强方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146857A (zh) | 胸部ct影像的肺结节自检测方法 | |
JP4402436B2 (ja) | 気道測定のための方法及びシステム | |
CN109938764A (zh) | 一种基于深度学习的自适应多部位扫描成像方法及其系统 | |
Gong et al. | Fetal congenital heart disease echocardiogram screening based on DGACNN: adversarial one-class classification combined with video transfer learning | |
CN109035284B (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
CN100550004C (zh) | 一种对包含感兴趣区的三维医疗图像进行分割的方法 | |
CN110074813A (zh) | 一种超声图像重建方法及系统 | |
CN106466188B (zh) | 用于发射断层显像定量的系统和方法 | |
Li et al. | Refraction corrected transmission ultrasound computed tomography for application in breast imaging | |
CN107590797A (zh) | 一种基于三维残差神经网络的ct影像肺结节检测方法 | |
CN109961834A (zh) | 影像诊断报告的生成方法及设备 | |
CN110503635B (zh) | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 | |
CN109816742A (zh) | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 | |
CN109472263A (zh) | 一种结合全局和局部信息的大脑磁共振图像分割方法 | |
CA2768296A1 (en) | Extended low contrast detectability for radiographic imaging systems | |
US9200947B2 (en) | Imaging modality using penetrating radiations | |
CN109215040B (zh) | 一种基于多尺度加权学习的乳腺肿瘤分割方法 | |
CN106667512A (zh) | X射线成像设备的几何校正方法、乳腺断层成像设备 | |
CN101861125A (zh) | 定量临床和临床前成像 | |
CN111445546B (zh) | 图像重建方法、装置、电子设备、存储介质 | |
CN109064521A (zh) | 一种使用深度学习的cbct去伪影方法 | |
CN110197516A (zh) | 一种基于深度学习的tof-pet散射校正方法 | |
CN111833321B (zh) | 一种调窗优化增强的颅内出血检测模型及其构建方法 | |
CN109741254A (zh) | 字典训练及图像超分辨重建方法、系统、设备及存储介质 | |
CN105869130A (zh) | Ct系统几何校正效果的检验方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |