CN114418949A - 基于三维u型网络与通道注意力的肺结节检测方法 - Google Patents

基于三维u型网络与通道注意力的肺结节检测方法 Download PDF

Info

Publication number
CN114418949A
CN114418949A CN202111579208.XA CN202111579208A CN114418949A CN 114418949 A CN114418949 A CN 114418949A CN 202111579208 A CN202111579208 A CN 202111579208A CN 114418949 A CN114418949 A CN 114418949A
Authority
CN
China
Prior art keywords
network
dimensional
bounding box
nodule detection
sampling
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
Application number
CN202111579208.XA
Other languages
English (en)
Inventor
林靖超
佘青山
陈云
曾国强
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111579208.XA priority Critical patent/CN114418949A/zh
Publication of CN114418949A publication Critical patent/CN114418949A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于三维U型网络与通道注意力的肺结节检测方法，针对现有的肺结节检测领域存在的问题，设计了一种新型网络架构用于肺部CT图像上结节的自动检测。针对数据集规模和种类的局限性，该方法采用数据增强进行扩充。该方法改进了传统的U型网络架构，将传统的长跳跃连接替换成两条能收集更多语义信息的短跳跃连接路径，减少了编解码支路之间的语义鸿沟，提高了检测效率。该方法将Inception Net和ResNet结合起来做为并行卷积模块，融合了两者优势既增加了网络深度也增加了网络宽度。该方法分别在并行卷积网络分支中引入了SE注意力机制模块，解决了卷积池化过程中特征图不同通道所占重要性不同所带来的损失问题。

Description

基于三维U型网络与通道注意力的肺结节检测方法
技术领域
本发明属于医学图像检测领域，涉及一种基于三维U型网络与通道注意力的肺结节检测 方法，通过设计一种新型三维卷积神经网络，实现在CT影像上的肺结节检测。
背景技术
由于肺癌早期缺乏典型的临床表现，早期筛查肺癌的方法，如胸部X线检查、痰细胞学 检查和血清肿瘤学检查等，缺乏敏感性和特异性，在早期筛查中的作用非常有限。低剂量肺 部CT筛查为早期诊断提供了一种有效的方法，可大大提高生存率。传统的人工检测是一个 繁琐而耗时的过程，有时需要数百张CT图像才能准确诊断出单个病例。这种方法不仅效率 低下，而且长期工作可能会造成医生疲劳从而影响判断。
20世纪70年代，计算机辅助检测和诊断(CAD)系统应运而生，有望成为放射科医生的“第 二意见”，帮助他们更准确、更有效地进行诊断。CAD是指使用计算机辅助检测和诊断各种 疾病的软件系统，包括计算机辅助检测(CADe)和计算机辅助诊断(CADx)。传统的CADe系统 通常包括两个主要阶段：(1)选择候选结节，(2)去除假阳性结节(FPN)同时保留真阳性结节 (TPN)。传统的CADe系统依赖于形态学运算或低级描述符，在肺结节检测的某些方面已经表 现出了令人满意的性能，但传统的CADe系统只能根据局部特征从统计学角度对结节进行检 测和分析，不能满足肺结节检测中高灵敏度和低假阳性(FPs)的需要。
近年来，随着深度学习的发展，卷积神经网络(CNN)被证明在目标检测方面是高效的， 如Faster R-CNN，SSD和YOLO，随即也被应用于医学图像处理，与自然图像的2D目标检测相比，肺结节检测是一种三维目标检测，比自然图像中的目标检测困难得多，由于GPU内存有限，很难将二维目标检测方法直接扩展到三维场景。因此，一些研究从3D CT序列中的每个2D切片中获取区域建议，然后将2D建议跨切片合并以生成3D建议。但是仍然存在灵 敏度低，假阳性高的问题，采用部分切片的方法不能充分利用CT序列的三维空间信息，无 法有效提取结节的立体特征。虽然深度学习已广泛应用于医学图像领域，但3D-CNN在医学 成像领域的应用仍处于起步阶段。
对于基于人工智能算法的肺结节检测而言，虽然国内外研究人员已取得一定研究成果， 但由于肺部CT数据的三维复杂结构以及肺结节外形和大小的多样性，丰富多样的相似结 构，对于肺结节的高精度检测仍然是一个挑战。因此，发明一种高准确率的肺结节检测方法 是十分有必要的。
发明内容
本发明针对现有的肺结节检测领域存在的问题，提供一种基于三维U型网络与通道注意 力的肺结节检测方法。首先，考虑到肺结节研究领域公开数据集的规模和类别上都比较有限， 第一阶段使用预处理操作对公共数据集进行数据增强。同时，考虑到Faster-Rcnn在二维目标 检测领域的高效性以及肺部CT图像的三维特性，此方法设计了一个三维卷积神经网络架构 并使用Faster-Rcnn中RPN(Region Proposal Network)结构来生成区域建议框。其次，受UNet++ 在医学图像分割领域的成功启发，此方法重新设计了网络架构主体中U型网络的长跳跃连接 路径，将其替换成能收集更多语义信息的两条短跳跃连接路径，这种改动能某种程度上减少 网络架构中上采样分支与下采样分支间的语义鸿沟，从而使得网络能训练出更优的模型。再 次，为了更好更精确地进行特征提取，此方法结合了ResNet和Inception Net的特点，设计了 一种并行残差网络模块用于此方法中提取特征。ResNet既增加了网络的深度又避免了使用U 型网络时可能会出现的梯度消失而导致的精确度较低，Inception Net增加了网络的宽度也增 加了网络对尺度的适应性，并通过深度叠加在每个block后合成特征使得网络具有非线性属 性。最后，由于传统的卷积池化中，默认的特征图的每个通道都是同等重要的，而在实际问 题中，不同通道的重要性往往是有差异的，因此该方法引入了并行SE注意力机制模块，在并 行残差网络的两条分支上分别引入通道注意力机制，解决了肺结节检测任务中不同通道所占 重要性不同而带来的损失问题，能够更精准地提取特征。
本发明提供了一种基于三维U型网络与通道注意力的肺结节检测方法，该方法包括以下 主要步骤：
步骤1，肺部CT图像三维数据的获取以及预处理；
步骤2，搭建肺结节检测训练模型；
步骤3，将预处理后CT图像数据送入网络架构训练模型；
步骤4，使用训练完成的模型对数据集进行肺结节检测验证。
作为优选，所述步骤1包括：
步骤1-1，使用阈值法从肺部CT图像中提取肺实质区域；
步骤1-2，采用随机裁剪三维数据的方式采样数据；
步骤1-3，数据增强采用左右随机翻转以及随机尺寸缩放，尺寸缩放比例在0.75到1.25之间。
作为优选，步骤2包括：
采用改进的UNet++网络做为主干检测架构，并使用SE-IR做为卷积模块，引用 RPN区域建议生成网络生成候选区域边界框；
主干网络包含一条下采样和一条上采样路径，两条路径之间通过跳跃连接相连，在U形网络结构的基础上，将长跳跃连接路径重新设计为短跳跃路径；
网络的并行卷积模块结合了Inception Net和ResNet的特点，分别在并行卷积支路中引入SE通道注意力机制；
RPN区域建议生成网络直接根据网络输出生成候选结节的候选边界框以及回归参数，并用于网络训练的损失计算。
作为优选，步骤3包括：
此方法使用十折交叉验证法并在LUNA16公共数据集上训练模型，选取其中九 个子集参与模型训练，并用剩余的一个子集作为验证集。训练的损失包括两部分： 分类损失和回归损失。分类损失函数采用二值交叉熵函数定义，回归损失采用 Smooth L1函数定义。
作为优选，步骤4包括：
分块采样验证数据集送入网络，使用训练完成的模型对数据集进行肺结节检测验证，并将最后的结果合并起来。最后通过非极大值抑制的方法滤除重叠的边界框， 验证结果通过FROC曲线评估。
作为优选，主干网络包含一条下采样和一条上采样路径，两条路径之间通过跳跃连接相连；下采样子网络采用10个SE-IR模块，四个下采样过程分别采用2、2、 3和3个SE-IR模块；上采样子网采用6个SE-IR模块，两个上采样过程均采用 3个模块；
所述的SE-IR模块，包括：两个并行分支和一个剩余跳过路径；两条分支路径在 经过第一个卷积核之后是一个批量归一化(BN)层和一个Relu函数，以及第二个 卷积核后面是一个BN层；两个并行分支最后都以压缩和激励结构结束，然后在 特征通道上拼接，并与残差路径相加；
所述的RPN网络直接输出候选边界框的回归参，每个像素点对应3×5个回归参数。
作为优选，总损失函数L如下式所定义：
Figure BDA0003425543510000041
参数λ设定为0.5，
Figure BDA0003425543510000042
代表每个候选边界框的标签，当一个候选边界框与某个真实 边界框的交并比(IoU)大于0.5时，这个候选边界框被认定为正样本并标定
Figure BDA0003425543510000043
当一个 候选边界框与任意真实边界框的交并比都小于0.02时该候选边界框被认定为负样本并标
定
Figure BDA0003425543510000044
回归损失Lreg使用的是Smooth L1损失，定义如下：
Figure BDA0003425543510000045
其中S(·)表示的Smooth L1损失函数：
Figure BDA0003425543510000046
其中ni,
Figure BDA0003425543510000047
分别代表真实边界框的回归标签和候选边界框的回归参数：
Figure BDA0003425543510000048
其中(gx,gy,gz,gr)代表一个肺结节真实边界框的参数信息，(ax,ay,az,ar)代表候选边界框； 分类损失函数使用二值交叉熵函数如下式所定义：
Figure BDA0003425543510000049
本发明的实质性特点在于：减少网络架构中上采样分支与下采样分支间的语义鸿沟，从 而使得网络能训练出更优的模型；避免了使用U型网络时可能会出现的梯度消失而导致的精 确度较低，增加了网络的宽度也增加了网络对尺度的适应性；引入了并行SE注意力机制模块， 在并行残差网络的两条分支上分别引入通道注意力机制，解决了肺结节检测任务中不同通道 所占重要性不同而带来的损失问题，能够更精准地提取特征。
附图说明
图1是基于三维U型网络与通道注意力的肺结节检测方法的检测网络主架构。
图2是基于三维U型网络与通道注意力的肺结节检测方法的卷积模块。
图3是基于三维U型网络与通道注意力的肺结节检测方法的检测验证曲线。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚易懂，下面将结合附图对本发明作详细 描述。实施例1
本发明方法的具体步骤是：
步骤1：肺部CT图像三维数据的获取以及预处理；
步骤1-1：数据预处理；
首先使用阈值法从肺部CT图像中提取肺实质区域，以-600HU(HU表示组织对X光的吸 收率大小)做为阈值得到肺掩码，然后将原始数据裁剪到[-1200,600]范围内并线性变换为 [0,255]。最后，将处理后的数据乘以掩码，掩码以外的的所以区域填充为170，大于210的区 域也替换为170(170对应水的标准化值)。
步骤1-2：裁剪三维数据块以及数据增强；
此方法采用随机裁剪三维数据的方式采样数据送入网络，从三维数据中提取尺寸大小为 96×96×96×1(高度×长度×宽度×通道)的3D小块。随机采样的数据包括两部分：第一部 分包括70％的样本，这部分样本至少包含一个肺结节。第二部分为30％的样本，这部分样本 随机裁剪得到，可能包含或不包含肺结节。最后使用数据增强扩充数据，采用左右随机翻转 以及随机尺寸缩放，尺寸缩放比例在0.75到1.25之间。
步骤2：搭建肺结节检测训练模型；
此方法采用改进的UNet++网络做为主干检测架构，并使用新设计的SE-IR做为卷积模块， 最后引用RPN区域建议生成网络生成候选区域边界框。主干网络如图1所示，包含一条下采 样和一条上采样路径，两条路径之间通过跳跃连接相连。下采样子网络包括X(0,0)、X(1,0)、 X(2,0)、X(3,0)、X(4,0)如图所示，在传入网络X(0,0)之前，三维数据块会被先喂到准备模块 中生成特征(准备模块由两个大小为3×3×3，通道数为24的卷积层构成)。下采样子网络采 用10个SE-IR模块，四个下采样过程分别采用2、2、3和3个模块，上采样子网采用6个 SE-IR模块，两个上采样过程均采用3个模块。此方法在U形网络结构的基础上，将长跳跃 链接路径重新设计为短跳跃路径，重新设计的路径旨在缩小编码器和解码器子网络特征映射 之间的语义差距，并且将坐标信息合并到重新设计的跳转路径中。X(2,1)是由特征通道X(2,0)、 坐标信息块和上采样后的X(3,0)组合后经过卷积所得到的。X(2,2)也是同理。对于每个坐标块， 我们计算其对应原始图像的位置，将其转化为与特征图(24×24×24×3)一样大小。坐标信息 块包含每个图像块的位置信息，它将有助于检测网络发现肺结节。
SE-IR(Squeeze-and-Excitation Inception-ResNet)模块如图2所示。它由两个并行分支和一 个剩余跳过路径组成。两个并行分支分别采用卷积核大小分别为3×3×3、3×3×3和1×1×1、 5×5×5。两条分支路径在经过第一个卷积核之后是一个批量归一化(BN)层和一个Relu函数， 以及第二个卷积核后面是一个BN层。两个并行分支最后都以压缩和激励(SE)结构结束，然 后在特征通道上拼接，并与残差路径相加。
RPN网络直接输出候选边界框的回归参数，每个像素点对应3×5个回归参数。3代表三 种不同规格大小的边界框尺寸：5，10，20.每种尺寸边界框对应五个回归参数(x,y,z,r,p)， 前三个值分别表示边界框中心点在X、Y和Z轴方向上的修正值，r表示边界框半径的修改 值，p表示当前锚框内为肺结节的预测概率。
步骤3：将预处理后CT图像数据送入网络架构训练模型；
本方法使用十折交叉验证法并在LUNA16公共数据集上训练模型，选取其中九个子集参 与模型训练，并用剩余的一个子集作为验证集。训练过程中的总损失函数由两部分组成：分 类损失Lcls和回归损失Lreg。总损失函数L如下式所定义：
Figure BDA0003425543510000061
参数λ设定为0.5，
Figure BDA0003425543510000062
代表每个候选边界框的标签，当一个候选边界框与某个真实边界 框的交并比(IoU)大于0.5时，这个候选边界框被认定为正样本并标定
Figure BDA0003425543510000063
当一个候选边界 框与任意真实边界框的交并比都小于0.02时该候选边界框被认定为负样本并标定
Figure BDA0003425543510000064
回归 损失Lreg使用的是Smooth L1损失，定义如下：
Figure BDA0003425543510000065
其中S(·)表示的Smooth L1损失函数：
Figure BDA0003425543510000066
其中ni,
Figure BDA0003425543510000067
分别代表真实边界框的回归标签和候选边界框的回归参数：
Figure BDA0003425543510000068
其中(gx,gy,gz,gr)代表一个肺结节真实边界框的参数信息，(ax,ay,az,ar)代表候选边界框。 分类损失函数使用二值交叉熵函数如下式所定义：
Figure BDA0003425543510000071
步骤4：使用训练完成的模型对数据集进行肺结节检测验证；
验证时同样分块采样送入网络，遍历所有数据取大小为160×160×160的小块送入网络 并将最后的结果合并起来。为了防止在验证过程中肺结节检测在边缘处导致的漏检情况，此 方法在验证时采用边缘处重叠采样(在边缘处重叠采样32个像素的样本)。最后通过非极大值 抑制的方法滤除重叠的边界框，验证结果通过FROC曲线评估，曲线呈现如图3所示。此后 还将此发明的验证结果与几个在同样公共数据集上做过验证的肺结节检测网络做了比较，比 对结果如下表1所示。
表1.
Figure BDA0003425543510000072
本发明针对现有的肺结节检测领域存在的问题，提供一种基于三维U型网络与通道注意 力的肺结节检测方法。此方法在LUNA16公共数据集上实验验证了可行性和高准确率，根据 实验结果分析，该网络架构能准确提取肺结节有效特征，充分利用CT图像的3D特性并高精 准度的检出肺结节，其敏感度大于目前大部分先进的肺结节检测网络,具有良好的实际应用前 景。

Claims (7)

1.基于三维U型网络与通道注意力的肺结节检测方法，其特征在于：该方法包括以下主要步骤：
步骤1，肺部CT图像三维数据的获取以及预处理；
步骤2，搭建肺结节检测训练模型；
步骤3，将预处理后CT图像数据送入网络架构训练模型；
步骤4，使用训练完成的模型对数据集进行肺结节检测验证。
2.根据权利要求1所述的一种基于三维U型网络与通道注意力的肺结节检测方法，其特征在于：所述步骤1包括：
步骤1-1，使用阈值法从肺部CT图像中提取肺实质区域；
步骤1-2，采用随机裁剪三维数据的方式采样数据；
步骤1-3，数据增强采用左右随机翻转以及随机尺寸缩放，尺寸缩放比例在0.75到1.25之间。
3.根据权利要求1所述的一种基于三维U型网络与通道注意力的肺结节检测方法，其特征在于：步骤2包括：
采用改进的UNet++网络做为主干检测架构，并使用SE-IR做为卷积模块，引用RPN区域建议生成网络生成候选区域边界框；
主干网络包含一条下采样和一条上采样路径，两条路径之间通过跳跃连接相连，在U形网络结构的基础上，将长跳跃连接路径重新设计为短跳跃路径；
网络的并行卷积模块结合了Inception Net和ResNet的特点，分别在并行卷积支路中引入SE通道注意力机制；
RPN区域建议生成网络直接根据网络输出生成候选结节的候选边界框以及回归参数，并用于网络训练的损失计算。
4.根据权利要求1所述的一种基于三维U型网络与通道注意力的肺结节检测方法，其特征在于：步骤3包括：
此方法使用十折交叉验证法并在LUNA16公共数据集上训练模型，选取其中九个子集参与模型训练，并用剩余的一个子集作为验证集。训练的损失包括两部分：分类损失和回归损失。分类损失函数采用二值交叉熵函数定义，回归损失采用Smooth L1函数定义。
5.根据权利要求1所述的一种基于三维U型网络与通道注意力的肺结节检测方法，其特征在于：步骤4包括：
分块采样验证数据集送入网络，使用训练完成的模型对数据集进行肺结节检测验证，并将最后的结果合并起来。最后通过非极大值抑制的方法滤除重叠的边界框，验证结果通过FROC曲线评估。
6.根据权利要求3所述的一种基于三维U型网络与通道注意力的肺结节检测方法，其特征在于：主干网络包含一条下采样和一条上采样路径，两条路径之间通过跳跃连接相连；下采样子网络采用10个SE-IR模块，四个下采样过程分别采用2、2、3和3个SE-IR模块；上采样子网采用6个SE-IR模块，两个上采样过程均采用3个模块；
所述的SE-IR模块，包括：两个并行分支和一个剩余跳过路径；两条分支路径在经过第一个卷积核之后是一个批量归一化(BN)层和一个Relu函数，以及第二个卷积核后面是一个BN层；两个并行分支最后都以压缩和激励结构结束，然后在特征通道上拼接，并与残差路径相加；
所述的RPN网络直接输出候选边界框的回归参，每个像素点对应3×5个回归参数。
7.根据权利要求4所述的一种基于三维U型网络与通道注意力的肺结节检测方法，其特征在于：总损失函数L如下式所定义：
Figure FDA0003425543500000021
参数λ设定为0.5，
Figure FDA0003425543500000022
代表每个候选边界框的标签，当一个候选边界框与某个真实边界框的交并比(IoU)大于0.5时，这个候选边界框被认定为正样本并标定
Figure FDA0003425543500000023
当一个候选边界框与任意真实边界框的交并比都小于0.02时该候选边界框被认定为负样本并标定
Figure FDA0003425543500000024
回归损失Lreg使用的是Smooth L1损失，定义如下：
Figure FDA0003425543500000025
其中S(·)表示的Smooth L1损失函数：
Figure FDA0003425543500000026
其中ni,
Figure FDA0003425543500000027
分别代表真实边界框的回归标签和候选边界框的回归参数：
Figure FDA0003425543500000028
其中(gx,gy,gz,gr)代表一个肺结节真实边界框的参数信息，(ax,ay,az,ar)代表候选边界框；
分类损失函数使用二值交叉熵函数如下式所定义：
Figure FDA0003425543500000031
CN202111579208.XA 2021-12-22 2021-12-22 基于三维u型网络与通道注意力的肺结节检测方法 Pending CN114418949A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111579208.XA CN114418949A (zh) 2021-12-22 2021-12-22 基于三维u型网络与通道注意力的肺结节检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111579208.XA CN114418949A (zh) 2021-12-22 2021-12-22 基于三维u型网络与通道注意力的肺结节检测方法

Publications (1)

Publication Number Publication Date
CN114418949A true CN114418949A (zh) 2022-04-29

Family

ID=81267782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111579208.XA Pending CN114418949A (zh) 2021-12-22 2021-12-22 基于三维u型网络与通道注意力的肺结节检测方法

Country Status (1)

Country Link
CN (1) CN114418949A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523840A (zh) * 2023-03-30 2023-08-01 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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523840A (zh) * 2023-03-30 2023-08-01 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
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

Similar Documents

Publication Publication Date Title
CN109102502B (zh) 基于三维卷积神经网络的肺结节检测方法
CN111127482B (zh) 基于深度学习的ct影像肺气管的分割方法及系统
CN110689547A (zh) 一种基于三维ct影像的肺结节分割方法
CN111429473B (zh) 基于多尺度特征融合的胸片肺野分割模型建立及分割方法
JP2023550844A (ja) 深層形状学習に基づく肝臓ｃｔ自動分割方法
CN109949297B (zh) 基于Reception和Faster R-CNN的肺结节检测方法
CN111369565A (zh) 一种基于图卷积网络的数字病理图像的分割与分类方法
CN114266794B (zh) 基于全卷积神经网络的病理切片图像癌症区域分割系统
CN107767362A (zh) 一种基于深度学习的肺癌早筛装置
CN112001218A (zh) 一种基于卷积神经网络的三维颗粒类别检测方法及系统
CN112465754B (zh) 基于分层感知融合的3d医疗图像分割方法、装置及存储介质
CN116228792A (zh) 一种医学图像分割方法、系统及电子装置
CN113888466A (zh) 一种基于ct图像的肺结节图像检测方法及系统
CN111369574A (zh) 一种胸腔器官的分割方法及装置
CN112927237A (zh) 基于改进SCB-Unet网络的蜂窝肺病灶分割方法
CN115409815A (zh) 一种基于三维可变形transformer的肺结节检测方法
CN112862783A (zh) 一种基于神经网络的甲状腺ct图像结节自动诊断系统
CN111784638A (zh) 一种基于卷积神经网络的肺结节假阳性筛除方法及系统
CN114418949A (zh) 基于三维u型网络与通道注意力的肺结节检测方法
WO2024104035A1 (zh) 基于长短期记忆自注意力模型的三维医学图像分割方法及系统
CN111667488B (zh) 一种基于多角度U-Net的医学图像分割方法
CN113052857A (zh) 一种基于CovSegNet的肺部病变图像分割方法
CN111755131A (zh) 一种基于注意力引导的covid-19早筛和严重程度评估方法和系统
CN116188352A (zh) 一种基于增强边缘特征的肺结节分割方法
CN112529911B (zh) 一种胰腺图像分割模型的训练方法、图像分割方法和装置

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