CN111476766B - 基于深度学习的肺结节ct图像检测系统 - Google Patents

基于深度学习的肺结节ct图像检测系统 Download PDF

Info

Publication number
CN111476766B
CN111476766B CN202010244382.8A CN202010244382A CN111476766B CN 111476766 B CN111476766 B CN 111476766B CN 202010244382 A CN202010244382 A CN 202010244382A CN 111476766 B CN111476766 B CN 111476766B
Authority
CN
China
Prior art keywords
res
acceptance
network model
image
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.)
Active
Application number
CN202010244382.8A
Other languages
English (en)
Other versions
CN111476766A (zh
Inventor
王冉
孙华东
赵志杰
任聪
韩小为
张立志
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.)
Harbin University of Commerce
Original Assignee
Harbin University of Commerce
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 Harbin University of Commerce filed Critical Harbin University of Commerce
Priority to CN202010244382.8A priority Critical patent/CN111476766B/zh
Publication of CN111476766A publication Critical patent/CN111476766A/zh
Application granted granted Critical
Publication of CN111476766B publication Critical patent/CN111476766B/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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

基于深度学习的肺结节CT图像检测系统，本发明涉及肺结节CT图像检测系统。本发明的目的是为了解决现有技术中基于卷积神经网络进行肺结节分类中存在的训练数据不足，导致网络容易过拟合且网络训练速度较慢的问题。系统包括：图像采集主模块、inception‑res‑v2主模块、inception‑res‑v2改进主模块、训练主模块和测试主模块；所述inception‑res‑v2主模块用于搭建肺部疾病诊断inception‑res‑v2网络模型；所述inception‑res‑v2改进主模块用于对搭建的肺部疾病诊断inception‑res‑v2网络模型进行改进；本发明用于CT图像检测领域。

Description

基于深度学习的肺结节CT图像检测系统
技术领域
本发明涉及肺结节CT图像检测系统。
背景技术
肺癌是当今世界上发病率和死亡率最高的恶性肿瘤，主要原因是肺部疾病种类繁多且其影像显示复杂多样，导致早期的细小病变特征很难被发现。一旦临床症状出现时，大多数患者往往已经到了病程的中晚期，治愈率非常低。据统计，早期即Ⅰ、Ⅱ期肺癌患者术后5年生存率为60％～90％，而Ⅳ期肺癌的患者术后5年生存率仅为8％以下。因此要提高早期检测的敏感性，将疑似肺结节全部识别出来，争取做到“早发现早诊断早治疗”，增加患者生存率。
肺癌的早期诊断依赖于对肺部CT图像中肺结节的识别，尤其是对微小孤立的结节的识别。计算机辅助诊断(Computer-AidedDiagnosis,CAD)系统在肺癌早期筛查中的应用，减少了医生的工作量，对提高诊断的准确率发挥了积极作用。传统的CAD系统采用人工设计的特征来训练分类器，完成对肺结节CT图像的分类，进而判断是否有结节，甚至结节的良恶性等。其核心问题是针对具体问题设计合理的特征空间。传统的CAD系统的主要缺点有：(1)特征需要人工设计，耗时费力，设计合理特征比较困难；(2)特征提取的结果作为分类器的输入，因此早期误差的存在也会影响后期的分类器的训练，最终影响分类结果。
新型CAD系统采用CNN、DBN等深度神经网络对医学图像进行分类。深度神经网络具有强大的学习能力和高效的特征表达能力，能从像素级原始数据到抽象的语义概念逐层提取信息，不会造成信息冗余，实现端到端的映射学习。
发明内容
本发明的目的是为了解决现有技术中基于卷积神经网络(CNN)进行肺结节分类中存在的训练数据不足，导致网络容易过拟合且网络训练速度较慢的问题，而提出基于深度学习的肺结节CT图像检测系统。
基于深度学习的肺结节CT图像检测系统包括：
图像采集主模块、inception-res-v2主模块、inception-res-v2改进主模块、训练主模块和测试主模块；
所述图像采集主模块用于采集肺结节CT图像，对采集的肺结节CT图像进行预处理，获得预处理后的图像，将预处理后的图像随机分为训练样本集和测试样本集两组，并将预处理后图像输入inception-res-v2主模块；
所述inception-res-v2主模块用于搭建肺部疾病诊断inception-res-v2网络模型；
所述inception-res-v2改进主模块用于对搭建的肺部疾病诊断inception-res-v2网络模型进行改进，得到改进好的肺部疾病诊断inception-res-v2网络模型；
所述训练主模块利用训练样本集采用不同的优化算法对改进好的肺部疾病诊断inception-res-v2网络模型进行训练，微调模型参数，获得训练好的肺部疾病诊断inception-res-v2网络模型；
所述测试主模块用于加载训练好的肺部疾病诊断inception-res-v2网络模型，利用测试样本集对训练好的肺部疾病诊断inception-res-v2网络模型进行测试；
若训练好的肺部疾病诊断inception-res-v2网络模型在测试样本集上的肺部图像诊断准确率大于等于90％，则利用训练好的肺部疾病诊断inception-res-v2网络模型作为最终模型，将最终模型用于肺部图像的诊断；
否则，调整训练好的肺部疾病诊断inception-res-v2网络模型的参数，利用训练样本集对搭建的肺部疾病诊断网络模型进行重新训练，直至获得的训练好的模型在测试样本集上的肺部图像诊断准确率大于等于90％时，获得最终模型；再将最终模型用于肺部图像的诊断。
有益效果
本发明inception-res-v2模型在Inception结构中引入了类似于resnet中的short connections结构，从而加快了网络训练速度，并在一定程度上避免了网络深度增加所引起的网络退化问题；
本发明建立的inception-res-v2模型是非常深的CNN模型，拥有164层的总深度，它将short connections结构和Inception结构整合到了一起，充分发挥了这两者的优点，大大加快了网络的训练速度，并提高了网络的分类准确率；
本发明采用了深度卷积神经网络的inception-res-v2结构，该网络对输入图像的分类准确率高；采用了迁移学习的方法，首先在相关领域对网络进行预训练，之后再用训练数据对网络的全部参数进行微调，解决了有标注的肺CT图像不足，无法满足训练深层网络要求的问题。
附图说明
图1是本发明中所采用的inception-res-v2网络模型的总体结构示意图；
图2是5×5卷积核分解为3×3的卷积层和全连接层示意图；
图3是3×3卷积核分解示意图；
图4是本发明中迁移学习模型图；
图5是本发明流程图；
图6是肺部疾病诊断inception-res-v2网络模型具体连接结构图；
图7是改进好的肺部疾病诊断inception-res-v2网络模型具体连接结构图。
具体实施方式
具体实施方式一：本实施方式基于深度学习的肺结节CT图像检测系统包括：
图像采集主模块、inception-res-v2主模块、inception-res-v2改进主模块、训练主模块和测试主模块；
所述图像采集主模块用于采集肺结节CT图像，对采集的肺结节CT图像进行预处理，获得预处理后的图像，将预处理后的图像随机分为训练样本集和测试样本集两组，并将预处理后图像输入inception-res-v2主模块；
所述inception-res-v2主模块用于搭建肺部疾病诊断inception-res-v2网络模型；
所述inception-res-v2改进主模块用于对搭建的肺部疾病诊断inception-res-v2网络模型进行改进，得到改进好的肺部疾病诊断inception-res-v2网络模型；
所述训练主模块利用训练样本集采用不同的优化算法对改进好的肺部疾病诊断inception-res-v2网络模型进行训练，微调模型参数，获得训练好的肺部疾病诊断inception-res-v2网络模型；
所述测试主模块用于加载训练好的肺部疾病诊断inception-res-v2网络模型，利用测试样本集对训练好的肺部疾病诊断inception-res-v2网络模型进行测试；
若训练好的肺部疾病诊断inception-res-v2网络模型在测试样本集上的肺部图像诊断准确率大于等于90％，则利用训练好的肺部疾病诊断inception-res-v2网络模型作为最终模型，将最终模型用于肺部图像的诊断；
否则，调整训练好的肺部疾病诊断inception-res-v2网络模型的参数，利用训练样本集对搭建的肺部疾病诊断网络模型进行重新训练，直至获得的训练好的模型在测试样本集上的肺部图像诊断准确率大于等于90％时，获得最终模型；再将最终模型用于肺部图像的诊断。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述图像采集主模块通过扫描的方式将仪器输出的肺结节CT图像扫描为电子图像的格式，获取到每张完整的肺结
节CT电子图像，对采集的肺结节CT电子图像进行预处理，获得预处理后的图像，将预处理后的图像随机分为训练样本集和测试样本集两组，并将预处理后图像输入inception-res-v2主模块；具体过程为：
图像采集主模块用于采集肺结节CT图像，对采集的肺结节CT图像进行预处理，即将图像调整到3×3的尺寸(调整到统一的适合inception-res-v2模块输入的尺寸)，获得预处理后的图像，将预处理后的图像随机分为训练样本集和测试样本集两组，并将预处理后图像输入inception-res-v2主模块。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述inception-res-v2主模块用于搭建肺部疾病诊断inception-res-v2网络模型；具体过程为：
搭建肺部疾病诊断inception-res-v2网络模型：
肺部疾病诊断inception-res-v2网络模型包括
图像输入层、主干卷积层、Inception-A模块、Inception-B模块、Inception-C模块、均值池化层、dropout层、全连接层和输出层；
肺部疾病诊断inception-res-v2网络模型具体连接结构为：
图像输入层的输出端连接主干卷积层的输入端，主干卷积层的输出端连接Inception-A模块的输入端，Inception-A模块的输出端连接Inception-B模块的输入端，Inception-B模块的输出端连接Inception-C模块的输入端，Inception-C模块的输出端连接均值池化层的输入端，均值池化层的输出端连接dropout层的输入端，dropout层的输出端连接全连接层的输入端，全连接层的输出端连接输出层；如图6。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述inception-res-v2改进主模块用于对搭建的肺部疾病诊断inception-res-v2网络模型进行改进，得到改进好的肺部疾病诊断inception-res-v2网络模型；具体过程为：
搭建改进好的肺部疾病诊断inception-res-v2网络模型：
改进好的肺部疾病诊断inception-res-v2网络模型包括：
图像输入层、主干卷积层、Inception-A模块、Inception-B模块、Inception-C模块、均值池化层、dropout层、改进后的全连接层和输出层；
改进好的肺部疾病诊断inception-res-v2网络模型具体连接结构为：
图像输入层的输出端连接主干卷积层的输入端，主干卷积层的输出端连接Inception-A
模块的输入端，Inception-A模块的输出端连接Inception-B模块的输入端，Inception-B模块的输出端连接Inception-C模块的输入端，Inception-C模块的输出端连接均值池化层的输入端，均值池化层的输出端连接dropout层的输入端，dropout层的输出端连接改进的全连接层的输入端，改进的全连接层的输出端连接输出层；如图7。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述训练主模块利用训练样本集采用不同的优化算法对改进好的肺部疾病诊断inception-res-v2网络模型进行训练，微调模型参数，获得训练好的肺部疾病诊断inception-res-v2网络模型；具体过程为：
当训练图像不足时可以对训练样本集图像进行平移、旋转等处理以增加训练数据量并在一定程度上提高网络的鲁棒性，采用带有动量的随机梯度下降法(SGDM)和带有动量的自适应估计算法(Adaptive Moment Estimation，adam)两种优化算法分别对改进好的肺部疾病诊断inception-res-v2网络模型进行训练，微调模型参数，获得训练好的肺部疾病诊断inception-res-v2网络模型，并对训练好的肺部疾病诊断inception-res-v2网络模型在测试样本集上的分类结果进行比较(分类结果包括准确率AR、敏感性TRR和特异性TNR)，选取分类结果准确率高的肺部疾病诊断inception-res-v2网络模型作为最终训练好的肺部疾病诊断inception-res-v2网络模型。
在机器学习中，决定模型最终性能的除了模型结构和采用的训练数据集以外还有优化算法的选择，所谓的优化算法，是指对神经网络训练算法的优化，一般是在反向传播算法的基础上进行优化，在深度学习中，目前常用的优化算法有：随机梯度下降法(sgd)、带有动量的随机梯度下降法(sgdm)和带有动量的自适应估计算法(Adaptive MomentEstimation，adam)，不同的优化算法之间主要区别在于权值更新方式不同；
经典的随机梯度下降法(SGD)依据代价函数对权值的梯度来更新网络的权值，权值的更新可以对每个训练数据更新一次，称为在线学习；或者对一小批数据(mini batch)更新一次称为小批量学习，SGD最大的缺点是下降速度慢，而且可能会在局部最小值点附近持续震荡，最终停留在一个局部最优点而非全局最优点，这是由于SGD中训练样本以随机的方式呈现给网络，权值的更新以本次梯度为基准也具有随机性，会随梯度变化出现震荡；在局部最小值点附近，梯度接近于0进而导致权值更新停止，网络最终停止在某一局部最优点；
SGDM的主要思想是，在SGD中引入动量(momentum)的概念，某一时刻t权值w的变化，不仅由当前的梯度决定，而且由此前梯度的累积——动量决定；由于采用了历史梯度的指数加权平均来更新网络的权值w，SGDM加快了网络训练速度，减轻了损失函数下降过程中的震荡，SGD及SGDM以同样的学习率更新每个权值w，但是深度神经网络包含大量权值参数，它们在训练时的更新幅度有很大差别，对于经常更新的权值参数，已经积累了大量关于它的先验信息，不希望被单个样本影响太大，希望学习率小一些；对于偶尔更新的权值参数，积累的信息相对较少，希望能从每个样本上多学一些，希望学习速率大一些，带有动量的自适应估计算法(ADAM)结合一阶动量和二阶动量对网络的权重进行更新，其学习率对于每个神经元和每次训练是自适应调整的，理论上训练速度更快，除了训练速度有差异之外，不同的算法可能会达到完全不同的局部最优点，因此，对于不同的任务与不同的数据集，并不能确定哪种算法一定优于其他算法，为了达到最好的训练效果，本发明将采用SGDM和ADAM两种优化算法来对深度神经网络进行训练，并对结果进行比较。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述参数包括：学习率、批次大小、迭代次数和激活函数。
学习率为0.01、0.001或0.0001；
批次大小为16、32、64或128；
激活函数为relu激活函数。
(1)学习率：学习率可以是恒定的、逐渐降低的，基于动量的或者是自适应的，对于SGDM首先选择较大的学习率加快模型的收敛速度，在迭代中不断减小学习率防止模型震荡；对于ADAM基础学习率选择同SGDM，在基础学习率基础上ADAM会自适应的调节不同权值的学习率，依次选取学习率的典型值为[0.01,0.001,0.0001]；
(2)批次大小(batch size)：批次大小是每一次训练神经网络送入模型的样本数，在卷积神经网络中，大批次通常可使网络更快收敛，但由于内存资源的限制，批次过大可能会导致内存不够用或程序内核崩溃，bath_size典型取值为[16，32，64，128]；
(3)迭代次数：迭代次数是指整个训练集输入到神经网络进行训练的次数，当测试错误率和训练错误率相差较小时，可认为当前迭代次数合适；当测试错误率先变小后变大时则说明迭代次数过大了，需要减小迭代次数，否则容易出现过拟合；
(4)激活函数：激活函数给神经网络加入一些非线性因素，使得网络可以更好地解决较为复杂的问题，神经网络激活函数主要是非线性函数，常用的有sigmoid、tanh、relu，
sigmoid函数通常用于二分类，但要防止梯度消失，故适合浅层神经网络且需要配备较小的初始化权重；tanh函数具有中心对称性，适合于有对称性的二分类；在本发明涉及的深度神经网络中，使用relu作为激活函数，这样可有效避免梯度消失；
其它步骤及参数与具体实施方式一至五之一相同。
采用以下实施例验证本发明的有益效果：
如图5；
建立inception-res-v2模型；
采用适合肺结节CT图像检测的分类层替换原模型中的全连接层和分类层；
对替换后得到的新模型采用不同的优化算法进行训练，微调模型参数，比较得到的网络的分类准确率；
对测试集评估训练好的网络模型，若达不到预先设计要求则调整超参数并重复步骤三的步骤再进行训练，直至网络对测试集的肺结节CT图像的检测正确率达到90％以上；
固化在验证集上分类准确率最高的网络结构供日后CAD应用。
所述建立inception-res-v2模型，具体过程为：
inception-res-v2是非常深的CNN模型，拥有164层的总深度，它将shortconnections结构和Inception结构整合到了一起，充分发挥了这两者的优点，大大加快了网络的训练速度，并提高了网络的分类准确率；
首先对Inception结构做了改进，对卷积核进行分解，用一个两层卷积结构代替原始Inception结构中的5×5的卷积核：如图2所示，第一层是一个3×3的卷积层，第二层是一个3×3的全连接层，其输入是第一层的3×3个输出，这个小型的两层网络代替5×5的卷积核对本层的输入特征图进行卷积操作减少了网络的权值参数，5×5卷积核有25个参数，而两层结构共有18个参数，相当于减少了28％的参数，用两层1×3和3×1的卷积核代替一层3×3的卷积核，使网络的参数进一步减少，如图3所示，对于3×3的卷积核有9个参数，替换为1×3和3×1的卷积核后只有6个参数，减少了33％的参数；除了减少网络的总参数个数之外，卷积核分解增加了网络的深度，从而增加了网络的表达能力；
其次inception-res-v2模型在Inception结构中引入了类似于resnet中的shortconnections结构，从而加快了网络训练速度并在一定程度上避免了网络深度增加所引起的网络退化问题，本文所采用的inception-res-v2网络模型的总体结构如图1所示。
所述采用适合肺结节CT图像检测的分类层替换原模型中的全连接层和分类层；具体过程为：
采用适合肺结节CT图像检测的分类层替换原模型中的全连接层和分类层，如图4所示；本发明应用了迁移学习的思想，inception-res-v2模型已经进行了预训练，训练得到的网络参数作为目标模型的初始值，然后将网络的全连接层、softmax层和输出层替换为针对肺CT图像数据的分类器，该分类器可将输入的图像分为有结节和疑似结节两大类；最后在训练数据集上对新的网络进行再训练，再训练时直接用训练数据对整个网络进行训练，对网络中所有参数都进行更新以充分利用训练数据的信息。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (2)

1.基于深度学习的肺结节CT图像检测系统，其特征在于：所述系统包括：
图像采集主模块、inception-res-v2主模块、inception-res-v2改进主模块、训练主模块和测试主模块；
所述图像采集主模块用于采集肺结节CT图像，对采集的肺结节CT图像进行预处理，获得预处理后的图像，将预处理后的图像随机分为训练样本集和测试样本集两组，并将预处理后图像输入inception-res-v2主模块；
所述inception-res-v2主模块用于搭建肺部疾病诊断inception-res-v2网络模型；
所述inception-res-v2改进主模块用于对搭建的肺部疾病诊断inception-res-v2网络模型进行改进，得到改进好的肺部疾病诊断inception-res-v2网络模型；
所述训练主模块利用训练样本集采用不同的优化算法对改进好的肺部疾病诊断inception-res-v2网络模型进行训练，微调模型参数，获得训练好的肺部疾病诊断inception-res-v2网络模型；
所述测试主模块用于加载训练好的肺部疾病诊断inception-res-v2网络模型，利用测试样本集对训练好的肺部疾病诊断inception-res-v2网络模型进行测试；
若训练好的肺部疾病诊断inception-res-v2网络模型在测试样本集上的肺部图像诊断准确率大于等于90％，则利用训练好的肺部疾病诊断inception-res-v2网络模型作为最终模型，将最终模型用于肺部图像的诊断；
否则，调整训练好的肺部疾病诊断inception-res-v2网络模型的参数，利用训练样本集对搭建的肺部疾病诊断网络模型进行重新训练，直至获得的训练好的模型在测试样本集上的肺部图像诊断准确率大于等于90％时，获得最终模型；再将最终模型用于肺部图像的诊断；
所述图像采集主模块通过扫描的方式将仪器输出的肺结节CT图像扫描为电子图像的格式，获取到每张完整的肺结节CT电子图像，对采集的肺结节CT电子图像进行预处理，获得预处理后的图像，将预处理后的图像随机分为训练样本集和测试样本集两组，并将预处理后图像输入inception-res-v2主模块；具体过程为：
图像采集主模块用于采集肺结节CT图像，对采集的肺结节CT图像进行预处理，即将图像调整到3×3的尺寸，获得预处理后的图像，将预处理后的图像随机分为训练样本集和测试样本集两组，并将预处理后图像输入inception-res-v2主模块；
所述inception-res-v2改进主模块用于对搭建的肺部疾病诊断inception-res-v2网络模型进行改进，得到改进好的肺部疾病诊断inception-res-v2网络模型；具体过程为：
搭建改进好的肺部疾病诊断inception-res-v2网络模型：
改进好的肺部疾病诊断inception-res-v2网络模型包括：
图像输入层、主干卷积层、Inception-A模块、Inception-B模块、Inception-C模块、均值池化层、dropout层、改进后的全连接层和输出层；
改进好的肺部疾病诊断inception-res-v2网络模型具体连接结构为：
图像输入层的输出端连接主干卷积层的输入端，主干卷积层的输出端连接Inception-A模块的输入端，Inception-A模块的输出端连接Inception-B模块的输入端，Inception-B模块的输出端连接Inception-C模块的输入端，Inception-C模块的输出端连接均值池化层的输入端，均值池化层的输出端连接dropout层的输入端，dropout层的输出端连接改进的全连接层的输入端，改进的全连接层的输出端连接输出层；
所述训练主模块利用训练样本集采用不同的优化算法对改进好的肺部疾病诊断inception-res-v2网络模型进行训练，微调模型参数，获得训练好的肺部疾病诊断inception-res-v2网络模型；具体过程为：
对训练样本集图像进行平移、旋转处理，采用带有动量的随机梯度下降法和带有动量的自适应估计算法两种优化算法分别对改进好的肺部疾病诊断inception-res-v2网络模型进行训练，微调模型参数，获得训练好的肺部疾病诊断inception-res-v2网络模型，并对训练好的肺部疾病诊断inception-res-v2网络模型在测试样本集上的分类结果进行比较，选取分类结果准确率高的肺部疾病诊断inception-res-v2网络模型作为最终训练好的肺部疾病诊断inception-res-v2网络模型；
所述参数包括：学习率、批次大小、迭代次数和激活函数；
学习率为0.01、0.001或0.0001；
批次大小为16、32、64或128；
激活函数为relu激活函数。
2.根据权利要求1所述基于深度学习的肺结节CT图像检测系统，其特征在于：所述inception-res-v2主模块用于搭建肺部疾病诊断inception-res-v2网络模型；具体过程为：
搭建肺部疾病诊断inception-res-v2网络模型：
肺部疾病诊断inception-res-v2网络模型包括：
图像输入层、主干卷积层、Inception-A模块、Inception-B模块、Inception-C模块、均值池化层、dropout层、全连接层和输出层；
肺部疾病诊断inception-res-v2网络模型具体连接结构为：
图像输入层的输出端连接主干卷积层的输入端，主干卷积层的输出端连接Inception-A模块的输入端，Inception-A模块的输出端连接Inception-B模块的输入端，Inception-B模块的输出端连接Inception-C模块的输入端，Inception-C模块的输出端连接均值池化层的输入端，均值池化层的输出端连接dropout层的输入端，dropout层的输出端连接全连接层的输入端，全连接层的输出端连接输出层。
CN202010244382.8A 2020-03-31 2020-03-31 基于深度学习的肺结节ct图像检测系统 Active CN111476766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010244382.8A CN111476766B (zh) 2020-03-31 2020-03-31 基于深度学习的肺结节ct图像检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010244382.8A CN111476766B (zh) 2020-03-31 2020-03-31 基于深度学习的肺结节ct图像检测系统

Publications (2)

Publication Number Publication Date
CN111476766A CN111476766A (zh) 2020-07-31
CN111476766B true CN111476766B (zh) 2023-08-22

Family

ID=71750225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010244382.8A Active CN111476766B (zh) 2020-03-31 2020-03-31 基于深度学习的肺结节ct图像检测系统

Country Status (1)

Country Link
CN (1) CN111476766B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112071421A (zh) * 2020-09-01 2020-12-11 深圳高性能医疗器械国家研究院有限公司 一种深度学习预估方法及其应用
CN112381766B (zh) * 2020-10-26 2023-08-22 华南理工大学 一种基于小样本学习的肺部ct影像特征检测系统
CN112287839B (zh) * 2020-10-29 2022-12-09 广西科技大学 一种基于迁移学习的ssd红外图像行人检测方法
CN113255690B (zh) * 2021-04-15 2022-04-12 南昌大学 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法
CN116523840B (zh) * 2023-03-30 2024-01-16 苏州大学 一种基于深度学习的肺部ct图像检测系统以及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107680082A (zh) * 2017-09-11 2018-02-09 宁夏医科大学 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法
CN108717869A (zh) * 2018-05-03 2018-10-30 中国石油大学(华东) 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统
CN109544510A (zh) * 2018-10-24 2019-03-29 广州大学 一种基于卷积神经网络的三维肺结节识别方法
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
WO2019200740A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN110660478A (zh) * 2019-09-18 2020-01-07 西安交通大学 一种基于迁移学习的癌症图像预测判别方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446730B (zh) * 2018-03-16 2021-05-28 推想医疗科技股份有限公司 一种基于深度学习的ct肺结节检测装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107680082A (zh) * 2017-09-11 2018-02-09 宁夏医科大学 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法
WO2019104767A1 (zh) * 2017-11-28 2019-06-06 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
WO2019200740A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN108717869A (zh) * 2018-05-03 2018-10-30 中国石油大学(华东) 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统
CN109544510A (zh) * 2018-10-24 2019-03-29 广州大学 一种基于卷积神经网络的三维肺结节识别方法
CN110660478A (zh) * 2019-09-18 2020-01-07 西安交通大学 一种基于迁移学习的癌症图像预测判别方法和系统

Also Published As

Publication number Publication date
CN111476766A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111476766B (zh) 基于深度学习的肺结节ct图像检测系统
CN109584254B (zh) 一种基于深层全卷积神经网络的心脏左心室分割方法
CN106940816B (zh) 基于3d全卷积神经网络的ct图像肺结节检测系统
CN110188824B (zh) 一种小样本植物病害识别方法及系统
CN109376636B (zh) 基于胶囊网络的眼底视网膜图像分类方法
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN111476283A (zh) 基于迁移学习的青光眼眼底图像识别方法
CN112990097B (zh) 一种基于对抗消除的人脸表情识别方法
CN112258486B (zh) 基于进化神经架构搜索的眼底图像视网膜血管分割方法
CN109543727B (zh) 一种基于竞争重构学习的半监督异常检测方法
CN106407986A (zh) 一种基于深度模型的合成孔径雷达图像目标识别方法
Grampurohit et al. Brain tumor detection using deep learning models
WO2022057262A1 (zh) 图像识别方法、装置及计算机可读存储介质
CN111696101A (zh) 一种基于SE-Inception的轻量级茄科病害识别方法
CN110728729A (zh) 一种基于注意机制的无监督ct投影域数据恢复方法
CN113693563B (zh) 一种基于超图注意力网络的脑功能网络分类方法
CN111798439A (zh) 线上线下融合的医疗影像质量判读方法、系统及存储介质
CN113344077A (zh) 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法
CN110096976A (zh) 基于稀疏迁移网络的人体行为微多普勒分类方法
CN109740695A (zh) 基于自适应全卷积注意力网络的图像识别方法
Da et al. Brain CT image classification with deep neural networks
CN114255228A (zh) 基于静息态功能磁共振图像的脑功能连接网络分析方法
CN112509092A (zh) 基于卷积生成对抗网络的乳腺X-ray图像自动生成方法
CN112529063A (zh) 一种适用于帕金森语音数据集的深度域适应分类方法
CN116508076A (zh) 利用自动编码器的人物特性归一化

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