CN109242839A - 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法 - Google Patents

一种基于新型神经网络模型的ct影像肺结节良恶性分类方法 Download PDF

Info

Publication number
CN109242839A
CN109242839A CN201810996257.5A CN201810996257A CN109242839A CN 109242839 A CN109242839 A CN 109242839A CN 201810996257 A CN201810996257 A CN 201810996257A CN 109242839 A CN109242839 A CN 109242839A
Authority
CN
China
Prior art keywords
feature
model
sample
gained
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.)
Granted
Application number
CN201810996257.5A
Other languages
English (en)
Other versions
CN109242839B (zh
Inventor
张鹏
徐欣楠
姜格宁
张雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pulmonary Hospital
Original Assignee
Shanghai Pulmonary Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Pulmonary Hospital filed Critical Shanghai Pulmonary Hospital
Priority to CN201810996257.5A priority Critical patent/CN109242839B/zh
Publication of CN109242839A publication Critical patent/CN109242839A/zh
Application granted granted Critical
Publication of CN109242839B publication Critical patent/CN109242839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于新型神经网络模型的CT影像肺结节良恶性分类方法，包括训练过程和测试过程；所述训练过程包括步骤一，预处理原始影像，重设体素间距为(1,1,1)，并转换为体素坐标；步骤二，从CT影像中截取三维正负样本；步骤三，设定最大值和最小值，对样本数据进行标准化；步骤四，构建新型神经网络模型；步骤五，设定训练超参数，以小批量的形式，导入数据训练模型；步骤六，模型训练充分后，保存模型；本发明提供的CT影像肺结节良恶性分类方法，准确率较高，可以准确地对肺结节的良恶性进行分类。

Description

一种基于新型神经网络模型的CT影像肺结节良恶性分类方法
技术领域
本发明涉及医学图像分析领域及机器学习领域，尤其涉一种基于新型神经网络模型的CT影像肺结节良恶性分类方法。
背景技术
随着空气质量的恶化、二手烟危害的加深等原因，肺癌已成为世界范围内发病率及死亡率最高的恶性肿瘤之一，早期诊断和治疗对于获得最佳治疗效果尤为重要。目前，计算机断层扫描成像(Computed Tomography,CT)是多种模态医学成像中最能够凸显肺部疾病征象的影像学手段，而肺癌最常见的早期形态为肺结节(Lung Nodules)，此阶段是进行肺癌治疗的最佳时期。
对于肺部CT，一次能产生上百张影片，医生需要阅读这些影片确定病灶诊断病情，但是影片数量大，需要花费大量时间仔细查看，不仅导致诊断医生的工作强度大幅增加，而且由于影像中干扰噪声的存在，容易造成一定几率的误诊、漏诊。根据肺结节在CT影像上出现的位置和表现形式不同,又可以细分为孤立型肺结节、粘连血管型肺结节、枯连肺壁型肺结节、毛玻璃型肺结节和空洞型肺结节。对肺结节的良恶性分类，这个问题在各个方面都相较自然图像分类更加困难，导致传统及一般深度学习方法难以在这一任务上达到较高的准确度。一些传统方法还需要人工标注肺结节特征进行模型的训练，以达到对其进行良恶性分类的目的，而人工标注不仅效率低、代价高，而且会遗漏许多影像信息，造成特征不全，进一步降低传统方法的准确率。
发明内容
为了克服当前在医学图像领域存在的对较小尺寸样例比如肺结节的分类、检测准确率较低不足的缺陷，本发明提供了一个具有良好表现的新型神经网络模型和基于该新型神经网络模型的CT影像肺结节良恶性分类方法，以更准确地对小尺寸样例比如肺结节的良恶性进行分类。
本发明给出一种具有新型结构的三维卷积神经网络，并将其运用在肺结节的良恶性分类问题上。针对三维影像的输入，我们首先对其进行两种特征提取方式，中心减半切割与残差卷积池化，得到原始特征与编码特征，然后再分别对原始特征与编码特征进行上述的两种特征提取方式，并且在对编码特征进行残差卷积池化特征提取前，会将原始特征与编码特征在通道数上进行融合，如此又分别得到了两种特征，我们又分别对上面的四个特征进行两种特征提取，并在残差卷积池化时，对已经提取完毕的特征进行通道上的融合，最后得到八个特征。我们将这八个特征在通道上进行融合，然后对其进行残差卷积池化得到一个最终的特征，送入线性整流函数进行激活然后进行均值池化，最后送入全连接层，得到分类结果。
为实现上述目的，本发明采用以下技术方案：
本发明提供一种基于新型神经网络模型的CT影像肺结节良恶性分类方法，包括训练过程和测试过程；其中，所述训练过程包括步骤：
步骤一，对原始CT影像预处理，包括将体素间距转换为(1,1,1),转换世界坐标为体素坐标；
步骤二，提取CT影像中以恶性肺结节为中心的立方体样本，尺寸为64*64*64，作为正样本；再提取CT影像中以良性肺结节为中心的立方体样本，尺寸为64*64*64，作为负样本；
步骤三，选取合适的HU值作为标准化范围，对每个样本进行标准化处理，处理后每个样本的数值变化区间为[0,1]；
步骤四，构建新型神经网络模型；
步骤五，设定模型超参数，所述模型超参数包括优化方法、批次数量、迭代轮次、归零概率、通道增长率、噪声大小、偏移量，以小批次的形式将数据进行增强并导入模型训练；
步骤六，模型训练充分后，选取测试精度较高的模型，导出并保存模型参数。
进一步地，在所述的用于CT影像肺结节良恶性分类方法中，步骤三中，数据标准化处理的方式为x＝(x-min)/(max-min)，然后将多于1的设置为1，少于0的设置为0。
进一步地，在所述的用于CT影像肺结节良恶性分类方法中，步骤四中，所述新型神经网络模型的网络架构主要由8个卷积池化模块，7个中心减半切割模块，以及1个池化全连接模块组成；其中，
每个所述卷积池化模块内的顺序为1个批正则化层、线性整流层、1*1*1三维卷积层，一个批正则化层、线性整流层、3*3*3三维卷积层，一个激活单元：批正则化层、线性整流层、3*3*3三维卷积层，一个最大池化层组成；
所述池化全连接模块由一个线性整流层，一个平均池化层，一个全连接层顺序结构组成。
进一优选地，在所述的用于CT影像肺结节良恶性分类方法中，步骤四中，所述新型神经网络模型的构建方法，包括如下步骤：
步骤401，样本经过切割模块提取特征，其中切割模块将输入样本的中心部分截取出来，其尺寸为原来的一半；
步骤402，样本经过卷积池化块提取特征，其中卷积池化块为一个残差卷积模块，包含批正则化层、激活函数、三维卷积层及最大池化层；
步骤403，将步骤401所得特征再次进行步骤401操作提取特征；
步骤404，将步骤401所得特征再次进行步骤402操作提取特征；
步骤405，将步骤402所得特征再次进行步骤401操作提取特征；
步骤406，将步骤401、步骤402所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤407，将步骤403所得特征再次进行步骤401操作提取特征；
步骤408，将步骤403所得特征再次进行步骤402操作提取特征；
步骤409，将步骤404所得特征再次进行步骤401操作提取特征；
步骤410，将步骤403、步骤404所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤411，将步骤405所得特征再次进行步骤401操作提取特征；
步骤412，将步骤403、步骤404、步骤405所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤413，将步骤406所得特征再次进行步骤41操作提取特征；
步骤414，将步骤403、步骤404、步骤405、步骤406所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤415，将步骤407至步骤414所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤416，将步骤415所得特征进行线性整流激活，然后做平均池化得到最终特征；
步骤417，将步骤416所得特征通过全连接层得到最终分类结果。
进一步地，在所述的用于CT影像肺结节良恶性分类方法中，步骤五中，将数据进行增强的方式为x＝x+noise，将x的长宽高增大，增大部分使用随机数值填充，再随机地切割回原来的尺寸，以达到对样本进行随机平移的目的，再将样本进行三个维度上的随机翻转。
进一步地，在所述的用于CT影像肺结节良恶性分类方法中，步骤五中，模型采用分批训练的方式，每一个轮次会分批在数据上优化模型，每个轮次结束后，在测试集上进行一次测试得到测试精度，损失函数为Focal Loss；利用Adamax优化器对模型进行优化，当给定的训练轮次结束后，模型将停止训练，每一轮次的模型参数都会被保存下来。
本发明采用上述技术方案，与现有技术相比，具有如下技术效果：
1、网络使用了类似DenseNet但又异于DenseNet的特征传递方式，这种方式使得网络能始终在各个尺度对特征图进行特征提取，不论是较低级的局部特征还是较高级的抽象语义特征都会参与到特征的编码过程中，避免了在多次特征编码后，网络中处于较后位置的卷积层产生退化的现象；
2、模型中不断地对各个特征图进行中心减半切割，由于小尺寸样例如肺结节等总是位于样本中心位置，所以这个过程实际上是在向中心位置不断聚焦，通过直接截取来凸显出图像中心部分的信息，这既保留了低级特征，又尽量地减少了有效信息的丢失，从而提升了网络的表现。该模型对于这类问题是一个有效可行的解决方法。
附图说明
图1为本发明所采用的新型神经网络模型的结构示意图；
图2为本发明所采用的新型神经网络模型中残差卷积池化模块的结构示意图；
图3为本发明所采用的新型神经网络模型训练过程折线图。
具体实施方式
下面通过具体实施例对本发明进行详细和具体的介绍，以使更好的理解本发明，但是下述实施例并不限制本发明范围。
参照图1～图3，本发明实施例提供了一种基于新型神经网络模型的CT影像肺结节良恶性分类方法，所述分类方法包括训练过程和测试过程，所述训练过程包括如下步骤：
步骤一，对原始CT影像预处理，包括将体素间距转换为(1,1,1),转换世界坐标为体素坐标；
步骤二，提取CT影像中以恶性肺结节为中心的立方体样本，尺寸为64*64*64，作为正样本；再提取CT影像中以良性肺结节为中心的立方体样本，尺寸为64*64*64，作为负样本；
步骤三，选取合适的HU值作为标准化范围，对每个样本进行标准化处理，处理后每个样本的数值变化区间为[0,1]；
步骤四，构建新型神经网络模型；
步骤五，设定模型超参数，所述模型超参数包括优化方法、批次数量、迭代轮次、归零概率、通道增长率、噪声大小、偏移量，以小批次的形式将数据进行增强并导入模型训练；
步骤六，模型训练充分后，选取测试精度较高的模型，导出并保存模型参数。
于上述技术方案的基础上，作为本实施例的一个优选技术方案，所述步骤三中，数据标准化的方式为x＝(x-min)/(max-min)，将多于的1的设置为1，少于0的设置为0。
于上述技术方案的基础上，作为本实施例的另一个优选技术方案，所述步骤四中，构建三维卷积神经网络的过程为：
步骤401，样本经过切割模块提取特征，其中切割模块将输入样本的中心部分截取出来，其尺寸为原来的一半；
步骤402，样本经过卷积池化模块提取特征，其中卷积池化模块为一个残差卷积模块，包含批正则化层、激活函数、三维卷积层及最大池化层；
步骤403，将步骤401所得特征再次进行步骤401操作提取特征；
步骤404，将步骤401所得特征再次进行步骤402操作提取特征；
步骤405，将步骤402所得特征再次进行步骤401操作提取特征；
步骤406，将步骤401、步骤402所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤407，将步骤403所得特征再次进行步骤401操作提取特征；
步骤408，将步骤403所得特征再次进行步骤402操作提取特征；
步骤409，将步骤404所得特征再次进行步骤401操作提取特征；
步骤410：将步骤403、步骤404所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤411，将步骤405所得特征再次进行步骤401操作提取特征；
步骤412，将步骤403、步骤404、步骤405所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤413，将步骤406所得特征再次进行步骤401操作提取特征；
步骤414，将步骤403、步骤404、步骤405、步骤406所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤415，将步骤407至步骤414所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤416，将步骤415所得特征进行线性整流激活，然后做平均池化得到最终特征；
步骤417，将步骤417所得特征通过全连接层得到最终分类结果。
于上述技术方案的基础上，在本实施例的所述步骤五中，数据的增强方式在单个样本的操作步骤为：
步骤501将数据加上噪声x＝x+noise；
步骤502将数据的长宽高增大，增大部分用[0,1]间随机数填充，再随机得切割回原来的尺寸，以达到对样本进行随机平移的目的；
步骤503将数据在三个维度上随机地进行翻转。
于上述技术方案的基础上，本发明所述的新型神经网络模型为三维卷积神经网络，该新型新型神经网络模型的构建过程如下：
步骤101：网络架构主要由8个卷积池化模块，7个中心减半切割模块，1个池化全连接模块组成。
步骤102：每个所述卷积池化模块内的顺序为1个批正则化层、线性整流层、1*1*1三维卷积层，一个批正则化层、线性整流层、3*3*3三维卷积层，一个激活单元：批正则化层、线性整流层、3*3*3三维卷积层，一个最大池化层组成。如附图2所示。
步骤103：池化全连接模块由一个线性整流层，一个平均池化层，一个全连接层顺序结构组成。
步骤104：中心减半切割模块将样本的中心部分取出，尺寸减为原来的一半。
步骤105：网络最终输出一个二维的向量，经过softmax函数作用后，可得到结节分别为良恶性的概率。
于上述技术方案的基础上，数据预处理及模型训练的过程如下：
步骤201：根据结节样本类型制作标签，正样本为以良性结节为中心的方块，标签为1；负样本为以恶性结节为中心的方块，标签为0。
步骤202：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)。再将所有数据连接为一个(样本数,1,64,64,64)的5维数组，其中第二维是通道数。
步骤203：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。
步骤204：利用pytorch自带的dataset类对数据进行封装，使用pytorch的dataloader再次对封装后的数据集进行修饰，得到一个可以多线程分批次生成数据的生成器。
步骤205：模型采用batch训练的方式，每一个轮次(epoch)会分批在数据上优化模型，每个轮次结束后，会在测试集上进行一次测试得到测试精度，损失函数为Focal Loss。利用Adamax优化器对模型进行优化。当给定的训练轮次结束后，模型将停止训练，每一轮次的模型参数都会被保存下来。
测试模型分类效果：将预处理完成的测试数据输入模型，得到样本分别为良恶性肺结节的概率，与样本标签对比得到准确率。
应用实施例：本实施例中使用的肺结节CT影像共2类，即包含良性肺结节与恶性肺结节。恶性肺结节共664例样本，良性肺结节共1335例样本。将所有样本充分打乱后，从其中随机抽取130例恶性肺结节，265例良性肺结节作为测试集合，剩余1604例作为训练集合。
步骤一，构建三维深度卷积神经网络，具体结构如图1所示。
步骤101：网络架构主要由8个卷积池化模块，7个中心减半切割模块，1个池化全连接模块组成。
步骤102：每个卷积池化模块内的顺序为1个批正则化层、线性整流层、1*1*1三维卷积层，一个批正则化层、线性整流层、3*3*3三维卷积层，一个激活单元：批正则化层、线性整流层、3*3*3三维卷积层，一个最大池化层组成。所有的卷积操作都不改变图像的尺寸，权重正则为L2正则，所有参数都用xavier_uniform进行初始化。
步骤103：全连接层中，权重正则项为L2正则，所有参数都用xavier_uniform进行初始化；
模型参数量共1127768，其中可训练参数量为1127768。
步骤二，数据预处理及模型训练。
步骤201：为样本附加通道数，HU值类似灰度值，通道数为1。再将所有样本连接为一个numpy数组，第一个维度是样本数量，由此得到一个(2000,1,64,64,64)的五维数组作为训练集；验证集采取同样的方式处理为(200,1,64,64,64)。测试集不进行连接，但每个样本扩充为(1,1,32,32,32)。
步骤202：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。根据样本数据的分布，设置合适的最大值max＝400，然后将数据标准化至[0,1]范围内。
步骤203：模型采用分批训练的方式，训练集生成器和验证集生成器每个批次的样本数均为28，一个轮次完成后会返回该轮次训练过程的损失值，损失函数为Focal Loss。模型优化器为Adamax，学习率保持0.00001。模型最大训练轮次为300，验证与训练损失收敛后停止训练，并保存模型为.pkl文件，作为最终训练结果。
模型训练过程折线图如图3所示，其中实线为验证损失，虚线为训练损失。
步骤三，模型测试
步骤301：载入模型，将预处理完毕的测试集样本逐个输入模型计算，并与其标签对比得到模型的分类准确率。
经过上述步骤的操作，即可实现用于肺结节CT影像分类的卷积神经网络的构建。
以上对本发明的具体实施例进行了详细描述，但其只是作为范例，本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言，任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都应涵盖在本发明的范围内。

Claims (6)

1.一种基于新型神经网络模型的CT影像肺结节良恶性分类方法，其特征在于，包括训练过程和测试过程；其中，所述训练过程包括步骤：
步骤一，对原始CT影像预处理，包括将体素间距转换为(1,1,1)，转换世界坐标为体素坐标；
步骤二，提取CT影像中以恶性肺结节为中心的立方体样本，尺寸为64*64*64，作为正样本；再提取CT影像中以良性肺结节为中心的立方体样本，尺寸为64*64*64，作为负样本；
步骤三，选取合适的HU值作为标准化范围，对每个样本进行标准化处理，处理后每个样本的数值变化区间为[0,1]；
步骤四，构建新型神经网络模型；
步骤五，设定所述新型神经网络模型的超参数，所述超参数包括优化方法、批次数量、迭代轮次、归零概率、通道增长率、噪声大小、偏移量，以小批次的形式将数据进行增强并导入模型训练；
步骤六，模型训练充分后，选取测试精度较高的模型，导出并保存模型参数。
2.根据权利要求1所述的CT影像肺结节良恶性分类方法，其特征在于，步骤三中，数据标准化处理的方式为x＝(x-min)/(max-min)，然后将多于1的设置为1，少于0的设置为0。
3.根据权利要求1所述的CT影像肺结节良恶性分类方法，其特征在于，步骤四中，所述新型神经网络模型的网络架构主要由8个卷积池化模块，7个中心减半切割模块，以及1个池化全连接模块组成；其中，
每个所述卷积池化模块内的顺序为1个批正则化层、线性整流层、1*1*1三维卷积层，一个批正则化层、线性整流层、3*3*3三维卷积层，一个激活单元：批正则化层、线性整流层、3*3*3三维卷积层，一个最大池化层组成；
所述池化全连接模块由一个线性整流层，一个平均池化层，一个全连接层顺序结构组成。
4.根据权利要求1或3所述的CT影像肺结节良恶性分类方法，其特征在于，步骤四中，所述新型神经网络模型的构建方法，包括如下步骤：
步骤401，样本经过切割模块提取特征，其中切割模块将输入样本的中心部分截取出来，其尺寸为原来的一半；
步骤402，样本经过卷积池化块提取特征，其中卷积池化为一个残差卷积模块，包含批正则化层、激活函数、三维卷积层及最大池化层；
步骤403，将步骤401所得特征再次进行步骤401操作提取特征；
步骤404，将步骤401所得特征再次进行步骤402操作提取特征；
步骤405，将步骤402所得特征再次进行步骤401操作提取特征；
步骤406，将步骤401、步骤402所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤407，将步骤403所得特征再次进行步骤401操作提取特征；
步骤408，将步骤403所得特征再次进行步骤402操作提取特征；
步骤409，将步骤404所得特征再次进行步骤401操作提取特征；
步骤410，将步骤403、步骤404所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤411，将步骤405所得特征再次进行步骤401操作提取特征；
步骤412，将步骤403、步骤404、步骤405所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤413，将步骤406所得特征再次进行步骤41操作提取特征；
步骤414，将步骤403、步骤404、步骤405、步骤406所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤415，将步骤407至步骤414所得特征在通道数上进行融合得到综合特征，对综合特征进行步骤402操作提取特征；
步骤416，将步骤415所得特征进行线性整流激活，然后做平均池化得到最终特征；
步骤417，将步骤416所得特征通过全连接层得到最终分类结果。
5.根据权利要求1所述的CT影像肺结节良恶性分类方法，其特征在于,步骤五中，将数据进行增强的方式为x＝x+noise，将x的长宽高增大，增大部分使用随机数值填充，再随机地切割回原来的尺寸，再将样本进行三个维度上的随机翻转。
6.根据权利要求1所述的CT影像肺结节良恶性分类方法，其特征在于，步骤五中，模型采用分批训练的方式，每一个轮次会分批在数据上优化模型，每个轮次结束后，在测试集上进行一次测试得到测试精度，损失函数为FocalLoss；并利用Adamax优化器对模型进行优化，当给定的训练轮次结束后，模型将停止训练，保存每一轮次的模型参数。
CN201810996257.5A 2018-08-29 2018-08-29 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法 Active CN109242839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810996257.5A CN109242839B (zh) 2018-08-29 2018-08-29 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810996257.5A CN109242839B (zh) 2018-08-29 2018-08-29 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法

Publications (2)

Publication Number Publication Date
CN109242839A true CN109242839A (zh) 2019-01-18
CN109242839B CN109242839B (zh) 2022-04-22

Family

ID=65068872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810996257.5A Active CN109242839B (zh) 2018-08-29 2018-08-29 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法

Country Status (1)

Country Link
CN (1) CN109242839B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949288A (zh) * 2019-03-15 2019-06-28 上海联影智能医疗科技有限公司 肿瘤类型确定系统、方法及存储介质
CN110335231A (zh) * 2019-04-01 2019-10-15 浙江工业大学 一种融合纹理特征和深度特征的超声影像慢性肾脏病辅助筛查方法
CN110443268A (zh) * 2019-05-30 2019-11-12 杭州电子科技大学 一种基于深度学习的肝癌ct图像良性恶性分类方法
CN110517253A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于3d多目标特征学习的肺结节良恶性分类的方法
CN110807762A (zh) * 2019-09-19 2020-02-18 温州大学 一种基于gan的视网膜血管图像智能分割方法
CN111160413A (zh) * 2019-12-12 2020-05-15 天津大学 一种基于多尺度特征融合的甲状腺结节分类方法
CN111583179A (zh) * 2020-04-02 2020-08-25 天津大学 一种基于浮动切割的肺结节深度学习分类方法
CN112232433A (zh) * 2020-10-27 2021-01-15 河北工业大学 一种基于双通路网络的肺结节良恶性分类方法
CN112633336A (zh) * 2020-12-10 2021-04-09 重庆大学 一种基于多尺度特征融合的肺结节识别分类方法
CN113780446A (zh) * 2021-09-16 2021-12-10 广州大学 一种可重参数化的轻量级体素深度学习方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2451367A (en) * 2004-05-20 2009-01-28 Medicsight Plc Nodule detection in computed tomography images
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
CN107704866A (zh) * 2017-06-15 2018-02-16 清华大学 基于新型神经网络的多任务场景语义理解模型及其应用
CN107730503A (zh) * 2017-09-12 2018-02-23 北京航空航天大学 三维特征嵌入的图像对象部件级语义分割方法与装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2451367A (en) * 2004-05-20 2009-01-28 Medicsight Plc Nodule detection in computed tomography images
CN107704866A (zh) * 2017-06-15 2018-02-16 清华大学 基于新型神经网络的多任务场景语义理解模型及其应用
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
CN107730503A (zh) * 2017-09-12 2018-02-23 北京航空航天大学 三维特征嵌入的图像对象部件级语义分割方法与装置

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949288A (zh) * 2019-03-15 2019-06-28 上海联影智能医疗科技有限公司 肿瘤类型确定系统、方法及存储介质
CN110335231A (zh) * 2019-04-01 2019-10-15 浙江工业大学 一种融合纹理特征和深度特征的超声影像慢性肾脏病辅助筛查方法
CN110443268A (zh) * 2019-05-30 2019-11-12 杭州电子科技大学 一种基于深度学习的肝癌ct图像良性恶性分类方法
CN110443268B (zh) * 2019-05-30 2022-02-08 杭州电子科技大学 一种基于深度学习的肝部ct图像良性恶性分类方法
CN110517253A (zh) * 2019-08-29 2019-11-29 电子科技大学 基于3d多目标特征学习的肺结节良恶性分类的方法
CN110517253B (zh) * 2019-08-29 2023-04-07 电子科技大学 基于3d多目标特征学习的肺结节良恶性分类的方法
CN110807762A (zh) * 2019-09-19 2020-02-18 温州大学 一种基于gan的视网膜血管图像智能分割方法
CN110807762B (zh) * 2019-09-19 2021-07-06 温州大学 一种基于gan的视网膜血管图像智能分割方法
CN111160413A (zh) * 2019-12-12 2020-05-15 天津大学 一种基于多尺度特征融合的甲状腺结节分类方法
CN111160413B (zh) * 2019-12-12 2023-11-17 天津大学 一种基于多尺度特征融合的甲状腺结节分类方法
CN111583179A (zh) * 2020-04-02 2020-08-25 天津大学 一种基于浮动切割的肺结节深度学习分类方法
CN111583179B (zh) * 2020-04-02 2022-09-16 天津大学 一种基于浮动切割的肺结节深度学习分类方法
CN112232433B (zh) * 2020-10-27 2022-08-26 河北工业大学 一种基于双通路网络的肺结节良恶性分类方法
CN112232433A (zh) * 2020-10-27 2021-01-15 河北工业大学 一种基于双通路网络的肺结节良恶性分类方法
CN112633336A (zh) * 2020-12-10 2021-04-09 重庆大学 一种基于多尺度特征融合的肺结节识别分类方法
CN113780446A (zh) * 2021-09-16 2021-12-10 广州大学 一种可重参数化的轻量级体素深度学习方法

Also Published As

Publication number Publication date
CN109242839B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN109242839A (zh) 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法
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
Díaz-Pernil et al. Membrane computing and image processing: a short survey
Hu et al. Medical image reconstruction using generative adversarial network for Alzheimer disease assessment with class-imbalance problem
CN108830826A (zh) 一种检测肺结节的系统及方法
CN110458249A (zh) 一种基于深度学习与概率影像组学的病灶分类系统
CN108596248A (zh) 一种基于改进深度卷积神经网络的遥感影像分类模型
CN108765430A (zh) 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法
CN108428229A (zh) 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法
CN109034221A (zh) 一种宫颈细胞学图像特征的处理方法及其装置
CN106611413A (zh) 图像分割方法及其系统
CN110164550B (zh) 一种基于多视角协同关系的先天性心脏病辅助诊断方法
CN108549912A (zh) 一种基于机器学习的医学图像肺结节检测方法
CN112329871B (zh) 一种基于自校正卷积与通道注意力机制的肺结节检测方法
Niyaz et al. Advances in deep learning techniques for medical image analysis
CN103679801A (zh) 一种基于多视角x光片的心血管三维重建方法
Hu et al. A 2.5 D cancer segmentation for MRI images based on U-Net
CN114743007A (zh) 一种基于通道注意力与多尺度融合的三维语义分割方法
CN110378295A (zh) 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法
Cheng et al. Modified U-Net block network for lung nodule detection
Xiao et al. Citrus greening disease recognition algorithm based on classification network using TRL-GAN
Hassan et al. A dilated residual hierarchically fashioned segmentation framework for extracting gleason tissues and grading prostate cancer from whole slide images
CN105447100B (zh) 一种基于形状特征的云图检索方法
CN101964055B (zh) 一种模仿视觉感知机制的自然场景类型辨识方法
CN112669319A (zh) 一种多视角多尺度淋巴结假阳性抑制建模方法

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