CN112419306A - 一种基于nas-fpn的肺结节检测方法 - Google Patents
一种基于nas-fpn的肺结节检测方法 Download PDFInfo
- Publication number
- CN112419306A CN112419306A CN202011436026.2A CN202011436026A CN112419306A CN 112419306 A CN112419306 A CN 112419306A CN 202011436026 A CN202011436026 A CN 202011436026A CN 112419306 A CN112419306 A CN 112419306A
- Authority
- CN
- China
- Prior art keywords
- network
- fpn
- nas
- nodule
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 206010056342 Pulmonary mass Diseases 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 230000001537 neural effect Effects 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000002685 pulmonary effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 210000004072 lung Anatomy 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 4
- 210000000988 bone and bone Anatomy 0.000 claims description 2
- 238000004195 computer-aided diagnosis Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 201000005202 lung cancer Diseases 0.000 description 5
- 208000020816 lung neoplasm Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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)
- 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)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于NAS‑FPN的肺结节检测方法,特别是一种深度学习中神经网络架构自动搜索技术(Neural Architecture Search,NAS)和一种特征提取金字塔网络(Feature Pyramid Network,FPN)的结合,不同于现在手动设计肺结节检测网络的检测方式,该方法通过一种可以自动搜索扩展的特征金字塔结构(NAS‑FPN),用自主学习、自动搜索的方式自动学习出一种肺结节检测网络完成结节检测任务,可以用于更精准的肺CT影像的肺结节检测,并且有效的降低假阳性结节,为肺部计算机辅助诊断系统提供更加精准、可靠的结节图像。
Description
技术领域
本发明涉及一种肺结节检测方法,特别是基于NAS-FPN的肺结节检测方法,是深度学习中神经网络架构自动搜索技术(Neural Architecture Search,NAS)和一种特征提取金字塔网络(Feature Pyramid Network,FPN)的结合,不同于现在手动设计肺结节检测网络的检测方式,该方法通过一种可以自动搜索扩展的特征金字塔结构(NAS-FPN),用自主学习、自动搜索的方式自动学习出一种肺结节检测网络完成结节检测任务,可以用于更精准的肺CT影像的肺结节检测,并且有效的降低假阳性结节,为肺部计算机辅助诊断系统提供更加精准、可靠的结节图像。
背景技术
肺癌是发病率和死亡率增长最快,对人体健康和生命威胁最大的恶性肿瘤之一。肺结节的诊断对于提高肺癌患者的存活率有着重要的作用。尤其是早期的肺癌CT检查,能及时发现并准确判断肺结节,有助于延长肺癌患者的生存时间,并且大幅度降低肺癌的死亡率。然而肺结节筛查工作量大,易遗漏。影像科医生需要阅读大量的肺部CT图像找出结节并作出临床诊断。为了减少医师的工作量并且提高结节诊断的效率,在临床工作中,已经开始使用计算机辅助诊断技术。
随着电脑硬件的高速发展,在医学领域中,计算机辅助医学诊断的方法更是已经成为医学影像、诊断放射、计算机科学中的重要领域,其中比传统的方法更加优秀的深度学习进入到医学领域后,已经取得了不少优异的成果,但结节数据集相比于自然图像数据集拥有更加复杂的不规则形状、更小的目标。而FPN网络的特点是顶层包含语义特征信息过高,难以精准还原至低层原始图像,对于小结节检测不是很理想,手动设计修改FPN网络比较困难。
发明内容
本发明所要解决的技术问题是针对现有FPN网络在检测方面上难以精准还原至原始图像、小结节检测不理想等问题,提出了一种使用NAS自动搜索FPN的NAS-FPN结节检测方法,使FPN网络能够的检测到图像的小结节并确定结节位置,改变了手动设计检测网路的局面,得到更为精准的检测结果。本发明通过强化学习控制器在给定的空间搜索出最优的模型框架,由于不知道FPN的跨连接情况,本发明设计的针对肺结节检测的NAS-FPN检测网络采用递归神经网络RNN为控制器,用于构建不同的连接,控制器通过子模型在搜索空间中的准确度作为评价标准来更新参数。
为了实现上述目的,本发明的技术方案如下:一种基于神经网络搜索的的可拓展金字塔结构(NAS-FPN)的肺结节检测方法,包括以下步骤:
步骤一:为NAS-FPN模型设置所使用的特征提取网络,用该特征提取网络对肺CT图像进行特征提取,建立自底而上的金字塔特征层。
步骤二:为步骤一提取的金字塔结构建立横向特征层连接,用循环神经网络(RNN)建立NAS的控制器把并用准确度作为奖励方式,通过NAS自动控制横向扩展金字塔结构的数量,直至检测的网络的准确度不再增加,控制器自动停止网络的搜索学习。
步骤三:用FCN网路对检测到的肺结节的候选框进行最终的筛选,在原始图像上进行结节定位,并输出最终的检测结果。
所述步骤一中的具体过程如下:
(1)选择ResNet-50作为特征提取网络,构建自底而上的金字塔结构。
(2)特征提取所选的图像来自Luna16公开挑战赛的数据集,特征提取时对CT图像进行特征提取,并选取部分特征层输送给NAS-FPN网络。
所述步骤二中的具体过程如下:
(1)用RNN网络做NAS的控制器构建NAS-FPN网络;
① 将步骤一特征取后的特征图国建自顶而下的横向连接;
② 构建能够选择FPN数量的RNN控制器
③ 将控制器嵌入到FPN网络中
(2)FPN的众多跨连接构成了很大的搜索空间, 在搜素空间中,一个FPN由很多个merging cells 组成,选取一个merging cell的操作如下:
① 从候选中选取一个特征层;
② 从候选中没有替换地选出另一个特征层
③ 选择输出特征的分辨率
④ 选择一个operation操作来融合步骤1和步骤2的特征,然后生成一个分辨率为步骤3的选定新的特征层。
(3)用NAS控制FPN进行横向扩展,并用RNN控制横向扩展的数量。
① 设置初始FPN的数量为1
② 设置RNN控制器,控制FPN的数量从1到N依次增加
③ 控制器使用搜索空间中的子模型的准确性作为更新其参数的奖励信号.
④ 通过反复试验,控制器可以学习如何随着时间推移生成更好的架构。
⑤ 将学习好的框架进行保存,并传给下一层网络
所述步骤三中的具体过程如下:
(1)将上述生成的候选框进行筛选,控制阈值选出结节区域
① 将Focal loss函数引入,减少负样本的数量
② 引入调制系数,通过减少易分类样本的权重,从而使得模型在训练时更专注于难分类的样本。
③ 控制正负样本对总损失函数的共享权重
(2)对包含结节的Anchor进行筛选
① 分类子网络在每个空间位置,为A个anchor和K个类别,预测结节的概率
② 这个子网络是小的FCN(全卷积网络),与FPN中的每层相接
③ 这个子网络的参数在整个金字塔的层间共享。设计方法是:如果一个从金字塔某个层里来的Feature map是C个通道,子网络使用四个3*3 的卷积层,C个滤波器,每个都接着Relu激活函数。
④ 接下来用 3*3 的卷积层,有KA个滤波器。用sigmoid激活函数对于每个空间位置,输出KA个binary预测
⑤ 输出包含结节的最优Anchor
(3)将检测到结节在原始图片上进行还原并输出带有检测到结节的图片。
附图说明
图1为本发明的流程图;
图2为本发明的检测网络架构图;
图3为本发明的merging cell特征选择架构图;
图4为本发明的NAS-FPN数量与准确率关系图;
图5为本发明的训练次数和准确率关系图。
具体实施方式
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
本发明提供一种基于NAS-FPN的肺结节检测方法,该方法采用NAS-FPN网络在RetinaNet框架下设计出一种利用特征金子塔网络,提取结节多尺度特征,并强化细小结节及边界特征并快速定位结节区域的结节检测网络,为结节分类提供更准确地的结节图片。
如图1所示,第一个方框代表输入图像的测试集,为后续实验提供数据支持。第二方框代表ResNet-50特征提取网络,是整个网络的第一个金字塔特征提取结构,第三个方框代表NAS-FPN搜索结构的模型,通过这个模型可以自动学习出结节检测的横向链接网络,最够几个框代表结节筛选分类的FCN网络通过这个部分可以将检测到的结节候选框进行分类,并输出检测到的结节。该方法在Ubuntu16.04操作系统下,基于Nvidia P100的GPU硬件平台上在Python环境下搭建深度学习框架,进行级联型NAS-FPN模型的训练和测试,FCN后期处理,以及结节图像的输出。
具体实现为:
现有FPN网络在检测方面上难以精准还原至原始图像、小结节检测不理想等问题,提出了一种使用NAS自动搜索FPN的NAS-FPN结节检测方法。本方法使FPN网络能够的检测到图像的小结节并确定结节位置,改变了手动设计检测网路的局面,得到更为精准的检测结果。
Step 1:为NAS-FPN模型设置所使用的特征提取网络,用该特征提取网络对肺CT图像进行特征提取,建立自底而上的金字塔特征层。
Step 2:为步骤一提取的金字塔结构建立横向特征层连接,用循环神经网络(RNN)建立NAS的控制器把并用准确度作为奖励方式,通过NAS自动控制横向扩展金字塔结构的数量,直至检测的网络的准确度不在增加,控制器自动停止网络的搜索学习。
Step 3:用FCN网路对检测到的肺结节的候选框进行最终的筛选,在原始图像上进行结节定位,并输出最终的检测结果。
所述Step 1中的具体过程如下:
Step 1.1:如图2所示为NAS-FPN模型选取用的特征提取网络,并应于肺CT图像上进行特征提取
Step1.1.1:选择ResNet-50 为特征提取网络;
Step1.1.2:按照特征图提取顺序建立自底而上的特征提取网络;
Step1.1.3:对特征网络进行筛选抽样,抽取一部分特征层用于横向连接,为下面的步骤做准备;
Step 1.2:特征提取的数据集来自Luna16数据集,数据集在训练之前进行预处理,预处理的步骤在下面会进行介绍
所述Step 2中的具体过程如下:
Step 2.1:首先对数据集进行预处理;
Step 2.1.1:我们需要生成结节的mask图像,将数据集中的annotations.csv文件读取出来
Step 2.1.2:通过这个文件包含结节的信息,每行都对应一个结节的id、三维坐标、以及结节的大小等信息可以从中获取相关的结节像素坐标和大小信息,进行分类;
Step 2.1.3:生成mask图像文件
Step 2.1.4:除去CT图像中的噪声,例如骨头的亮点,CT床金属线等,并将图像归一化到(0,1)
Step 2.1.5:从candidates.csv文件读取坐标和类别标签,将图像分为两类;
Step 2.1.6:然后对肺结节训练数据和测试数据都进行数据扩充;
Step 2.1.7:再对其分成非肺结节训练数据(80%)和测试数据(20%),最后将两类的训练数据和测试数据分别合并。
Step 2.2:用循环神经网络(RNN)建立NAS的控制器通过NAS自动控制横向扩展金字塔结构的数量;
Step 2.2.1:建立RNN控制器;
Step 2.2.2:将RNN控制器嵌入到FPN控制网络,用其控制FPN的数量,依次增长;
Step 2.2.3:为控制器RNN建立奖励措施,控制器使用搜索空间中的子模型的准确性作为更新其参数的奖励信号,通过反复试验,神经架构搜索训练控制器使用强化学习在给定搜素空间中选择最佳模型架构,控制器可以学习如何随着时间推移生成更好的架构。
Step 2.3:多个FPN的跨连接构成了很大的搜索空间, 在搜素空间中,如图3所示,一个FPN由很多个merging cells 组成;
Step 2.3.1:从候选中选取一个特征层;
Step 2.3.2:从候选中没有替换地选出另一个特征层;
Step 2.3.3:选择输出特征的分辨率;
Step 2.3.4:选择一个operation操作来融合步骤1和步骤2的特征,然后生成一个分辨率为步骤3的选定新的特征层;
Step 2.4:将学习出的模型进行保存
所述Step 3中的具体过程如下:
Step 3.1:用FCN网路对检测到的肺结节的候选框进行最终的筛选
Step 3.1.1:将上述生成的候选框进行筛选,控制阈值选出结节区域;
Step 3.1.2:将Focal loss函数引入,减少负样本的数量;
Step 3.1.3:引入调制系数,通过减少易分类样本的权重,从而使得模型在训练时更专注于难分类的样本;
Step 3.1.4:控制正负样本对总损失函数的共享权重;
Step 3.2:对包含结节的Anchor进行筛选
Step 3.2.1:分类子网络在每个空间位置,为A个anchor和K个类别,预测结节的概率;
Step 3.2.2:这个子网络是小的FCN(全卷积网络),与FPN中的每层相接;
Step 3.2.3:这个子网络的参数在整个金字塔的层间共享。设计方法是:从金字塔某个层里来的Feature map是C个通道,子网络使用四个3*3 的卷积层,C个滤波器,每个都接着Relu激活函数。
Step 3.2.4:接下来用 3*3 的卷积层,有KA个滤波器。用sigmoid激活函数对于每个空间位置,输出KA个binary预测;
Step 3.2.4:输出包含结节的最优Anchor;
Step 3.3:在原始图像上进行结节定位,并输出最终的检测结果。
如图4所示为NAS-FPN堆叠数量与准确率关系图,结节检测模型的准确率(Accurary)衡量模型性能的一个重要指标,它能反映出检测模型对整个样本的检测能力,也能反映出检测正确数量占总检测数量的比重。Resnet-50在金字塔网络堆叠5次是表现效果最好准确率可以达到97.56%。
如图5所示为本发明的训练次数和准确率关系图,在NAS-FPN规范化后的特征层中引入3x3的Drop Block块,引入Drop Block 可以最少提升1%的检测准确率,还能使模型收敛速度变快。得出上述最优模型后,我们将模型在测试集上进行最终的验证,验证的准确率为97.53%。
Claims (2)
1.一种基于NAS-FPN的肺结节检测方法,其特征在于:深度学习中神经网络架构自动搜索技术(Neural Architecture Search,NAS)和特征提取金字塔网络(Feature PyramidNetwork,FPN)的结合,不同于现在手动设计肺结节检测网络的检测方式,该方法通过一种可以自动搜索扩展的特征金字塔结构(NAS-FPN),用自主学习、自动搜索的方式自动学习出一种肺结节检测网络完成结节检测任务,可以用于更精准的肺CT影像的肺结节检测,并且有效的降低假阳性结节,为肺部计算机辅助诊断系统提供更加精准、可靠的结节图像;本发明提出的检测框架由三部分组成,特征提取部分(Resnet部分),NAS-FPN部分(Resnet部分层特征),FCN部分(分类和回归);首先,先用自下而上Resnet50做特征提取,多个FPN组合构成NAS-FPN,构成自上而下横向连接;自底而上的路径通常是特征提取的卷积网络,自底而上,空间分辨率递减,检测更多的高层结构,网络层语义相应增加,所以一般情况下,低层的分辨率高,但是语义值不够高,目标检测时,不使用这些层,而自上而下的路径,基于语义丰富层构建的分辨率较高的层,尽管重建语义足够丰富,但是经过这些下采样和上采样过程,目标位置就不再准确了,因此在重建层和相应的特征映射间增加横向连接,可以帮助检测器更好的预测位置,并且同时起到了跳跃连接的作用;用NAS自动搜索FPN的NAS-FPN结节检测方法,使FPN网络能够的检测到图像的小结节并确定结节位置,改变了手动设计检测网路的局面,得到更为精准的检测结果通过强化学习控制器在给定的空间搜索出最优的模型框架,由于不知道FPN的跨连接情况,我们设计的针对肺结节检测的NAS-FPN检测网络采用递归神经网络RNN为控制器,用于构建不同的连接,控制器通过子模型在搜索空间中的准确度作为评价标准来更新参数。
2.根据权利要求1所述的一种基于NAS-FPN的肺结节检测方法,其特征在于:一种基于NAS-FPN的肺结节检测方法的具体包括以下步骤:
Step 1:为NAS-FPN模型设置所使用的特征提取网络,用该特征提取网络对肺CT图像进行特征提取,建立自底而上的金字塔特征层;
Step 2:为步骤一提取的金字塔结构建立横向特征层连接,用循环神经网络(RNN)建立NAS的控制器把并用准确度作为奖励方式,通过NAS自动控制横向扩展金字塔结构的数量,直至检测的网络的准确度不在增加,控制器自动停止网络的搜索学习;
Step 3:用FCN网路对检测到的肺结节的候选框进行最终的筛选,在原始图像上进行结节定位,并输出最终的检测结果;
所述Step 1中的具体过程如下:
Step 1.1:NAS-FPN模型选取用的特征提取网络,并应于肺CT图像上进行特征提取
Step1.1.1:选择ResNet-50 为特征提取网络;
Step1.1.2:按照特征图提取顺序建立自底而上的特征提取网络;
Step1.1.3:对特征网络进行筛选抽样,抽取一部分特征层用于横向连接,为下面的步骤做准备;
Step 1.2:特征提取的数据集来自Luna16数据集,数据集在训练之前进行预处理,预处理的步骤在下面会进行介绍
所述Step 2中的具体过程如下:
Step 2.1:首先对数据集进行预处理;
Step 2.1.1:我们需要生成结节的mask图像,将数据集中的annotations.csv文件读取出来
Step 2.1.2:通过这个文件包含结节的信息,每行都对应一个结节的id、三维坐标、以及结节的大小等信息可以从中获取相关的结节像素坐标和大小信息,进行分类;
Step 2.1.3:生成mask图像文件
Step 2.1.4:除去CT图像中的噪声,例如骨头的亮点,CT床金属线等,并将图像归一化到(0,1)
Step 2.1.5:从candidates.csv文件读取坐标和类别标签,将图像分为两类;
Step 2.1.6:然后对肺结节训练数据和测试数据都进行数据扩充;
Step 2.1.7:再对其分成非肺结节训练数据(80%)和测试数据(20%),最后将两类的训练数据和测试数据分别合并;
Step 2.2:用循环神经网络(RNN)建立NAS的控制器通过NAS自动控制横向扩展金字塔结构的数量;
Step 2.2.1:建立RNN控制器;
Step 2.2.2:将RNN控制器嵌入到FPN控制网络,用其控制FPN的数量,依次增长;
Step 2.2.3:为控制器RNN建立奖励措施,控制器使用搜索空间中的子模型的准确性作为更新其参数的奖励信号,通过反复试验,神经架构搜索训练控制器使用强化学习在给定搜素空间中选择最佳模型架构,控制器可以学习如何随着时间推移生成更好的架构;
Step 2.3:多个FPN的跨连接构成了很大的搜索空间, 在搜素空间中,一个FPN由很多个merging cells 组成;
Step 2.3.1:从候选中选取一个特征层;
Step 2.3.2:从候选中没有替换地选出另一个特征层;
Step 2.3.3:选择输出特征的分辨率;
Step 2.3.4:选择一个operation操作来融合步骤1和步骤2的特征,然后生成一个分辨率为步骤3的选定新的特征层;
Step 2.4:将学习出的模型进行保存
所述Step 3中的具体过程如下:
Step 3.1:用FCN网路对检测到的肺结节的候选框进行最终的筛选
Step 3.1.1:将上述生成的候选框进行筛选,控制阈值选出结节区域;
Step 3.1.2:将Focal loss函数引入,减少负样本的数量;
Step 3.1.3:引入调制系数,通过减少易分类样本的权重,从而使得模型在训练时更专注于难分类的样本;
Step 3.1.4:控制正负样本对总损失函数的共享权重;
Step 3.2:对包含结节的Anchor进行筛选
Step 3.2.1:分类子网络在每个空间位置,为A个anchor和K个类别,预测结节的概率;
Step 3.2.2:这个子网络是小的FCN(全卷积网络),与FPN中的每层相接;
Step 3.2.3:这个子网络的参数在整个金字塔的层间共享;设计方法是:从金字塔某个层里来的Feature map是C个通道,子网络使用四个3*3 的卷积层,C个滤波器,每个都接着Relu激活函数;
Step 3.2.4:接下来用 3*3 的卷积层,有KA个滤波器;用sigmoid激活函数对于每个空间位置,输出KA个binary预测;
Step 3.2.4:输出包含结节的最优Anchor;
Step 3.3:在原始图像上进行结节定位,并输出最终的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436026.2A CN112419306B (zh) | 2020-12-11 | 2020-12-11 | 一种基于nas-fpn的肺结节检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011436026.2A CN112419306B (zh) | 2020-12-11 | 2020-12-11 | 一种基于nas-fpn的肺结节检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419306A true CN112419306A (zh) | 2021-02-26 |
CN112419306B CN112419306B (zh) | 2024-03-15 |
Family
ID=74776022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011436026.2A Active CN112419306B (zh) | 2020-12-11 | 2020-12-11 | 一种基于nas-fpn的肺结节检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419306B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906814A (zh) * | 2021-03-10 | 2021-06-04 | 江苏禹空间科技有限公司 | 基于nas网络的目标检测方法及系统 |
CN113031441A (zh) * | 2021-03-03 | 2021-06-25 | 北京航空航天大学 | 基于强化学习的旋转机械诊断网络自动搜索方法 |
CN113034448A (zh) * | 2021-03-11 | 2021-06-25 | 电子科技大学 | 一种基于多示例学习的病理图像细胞识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100239147A1 (en) * | 2009-03-18 | 2010-09-23 | Siemens Corporation | Method and System for Dynamic Pulmonary Trunk Modeling and Intervention Planning |
CN108537773A (zh) * | 2018-02-11 | 2018-09-14 | 中国科学院苏州生物医学工程技术研究所 | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 |
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 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
-
2020
- 2020-12-11 CN CN202011436026.2A patent/CN112419306B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100239147A1 (en) * | 2009-03-18 | 2010-09-23 | Siemens Corporation | Method and System for Dynamic Pulmonary Trunk Modeling and Intervention Planning |
CN108537773A (zh) * | 2018-02-11 | 2018-09-14 | 中国科学院苏州生物医学工程技术研究所 | 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
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 |
Non-Patent Citations (2)
Title |
---|
刘桂雄;刘思洋;吴俊芳;罗文佳;: "基于深度学习的机器视觉目标检测算法及在票据检测中应用", 中国测试, no. 05, 31 May 2019 (2019-05-31) * |
王昕;李亮;尹小童;李梦烁;曾朝伟;艾勇鑫;: "甲状腺结节超声图像多特征融合及识别", 吉林大学学报(信息科学版), no. 06, 15 November 2017 (2017-11-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113031441A (zh) * | 2021-03-03 | 2021-06-25 | 北京航空航天大学 | 基于强化学习的旋转机械诊断网络自动搜索方法 |
CN112906814A (zh) * | 2021-03-10 | 2021-06-04 | 江苏禹空间科技有限公司 | 基于nas网络的目标检测方法及系统 |
CN112906814B (zh) * | 2021-03-10 | 2024-05-28 | 无锡禹空间智能科技有限公司 | 基于nas网络的目标检测方法及系统 |
CN113034448A (zh) * | 2021-03-11 | 2021-06-25 | 电子科技大学 | 一种基于多示例学习的病理图像细胞识别方法 |
CN113034448B (zh) * | 2021-03-11 | 2022-06-21 | 电子科技大学 | 一种基于多示例学习的病理图像细胞识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419306B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321923B (zh) | 不同尺度感受野特征层融合的目标检测方法、系统及介质 | |
CN112419306B (zh) | 一种基于nas-fpn的肺结节检测方法 | |
CN109345527B (zh) | 一种基于MaskRcnn的膀胱肿瘤检测方法 | |
CN110827242B (zh) | 一种基于卷积神经网络的颅内动脉瘤检测方法及系统 | |
CN111210869B (zh) | 一种蛋白质冷冻电镜结构解析模型训练方法和解析方法 | |
CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN110889421A (zh) | 目标物检测方法及装置 | |
CN108460790A (zh) | 一种基于一致性预测器模型的视觉跟踪方法 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
CN108564582B (zh) | 一种基于深度神经网络的mri脑肿瘤图像自动优化方法 | |
CN115908358A (zh) | 一种基于多任务学习的心肌图像分割和分类方法 | |
CN111091101A (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN115984543A (zh) | 一种基于红外与可见光图像的目标检测算法 | |
CN116612386A (zh) | 基于分级检测双任务模型的辣椒病虫害识别方法及系统 | |
CN115272882A (zh) | 一种基于遥感影像的离散建筑物检测方法及系统 | |
CN113096080B (zh) | 图像分析方法及系统 | |
CN116228685B (zh) | 一种基于深度学习的肺结节检测与剔除方法 | |
US20230298335A1 (en) | Computer-implemented method, data processing apparatus and computer program for object detection | |
CN117011601A (zh) | 多模态分类预测方法、装置、处理器及机器可读存储介质 | |
CN117173697A (zh) | 细胞团分类识别方法、装置、电子设备及存储介质 | |
CN113096079B (zh) | 图像分析系统及其构建方法 | |
CN115100428A (zh) | 一种利用上下文感知的目标检测方法 | |
CN110222657B (zh) | 单步人脸检测器优化系统、方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |