基于深度卷积神经网络自动分割肺结节的辅助检测方法与流程

本发明属于医学影像探测方法技术领域，具体涉及一种基于深度卷积神经网络自动分割肺结节的辅助检测方法。

背景技术：

计算机辅助诊断治疗主要指借助影像学和医学图像处理技术，使用计算机分析病人x光、ct、mri、超声等影像和其他生理、生化数据，辅助医生发现病灶、诊断疾病、规划治疗方案。实践证明，计算机辅助诊断在提高诊断准确率、提高工作效率、减少漏诊等方面取得了极大的促进作用。随着计算机技术和人工智能技术的发展，计算机辅助诊断也在走向智能化。

肺癌是近年来发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一，分别占据男性和女性恶性肿瘤发病率和死亡率的第一名和第二名。而跟据统计调查显示，早期肺癌的诊断能够大幅提高治疗方案的效果，使其五年生还率从15％提升到65％-80％。医学影像为肺癌筛查提供了一个良好的无创方法，探测和识别肺结节对于早期肺癌的诊断具有十分重要的意义。肺结节是一些ct影像中的小病灶、高密度阴影的统称。肺结节大多在3cm以下，影像学的表现十分复杂。有些结节完全呈实性，边界光滑，无分叶或毛刺；有些结节在影像上表现似毛玻璃样，而根据毛玻璃影中实性成分的多少，又可以分为纯毛玻璃影、部分实性毛玻璃影和完全实性毛玻璃影。

由于影像学表现的复杂性和其重要临床意义，全自动化计算机辅助探测肺结节一直是医学影像领域的重要问题。有很多图像算法应用于肺结节探测和分割，例如阈值法、形态学算法、活动轮廓法以及非线性回归等。近年来，研究者提出了一些深度学习模型，用于肺结节探测与分割，效果较以前的方法有明显改善，但也面临着如下问题：二维网络无法很好的利用三维形状和纹理信息，难以正确分割三维边界；肺区域影像和结节特征具有较高复杂性，难以区分结节和其他类似物体(例如血管)。本发明提出了一种新的基于深度卷积网络探测与分割肺结节的方法，有效地克服了这些不足。

技术实现要素：

本发明的目的是提供一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，能够有效探测和分割肺结节，并很好地区分结节与其他类似物的边界。

本发明所采用的技术方案是，一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，具体包括以下步骤：

步骤1、读取肺部ct图像数据；

步骤2、对肺部ct图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；

步骤3、对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；

步骤4、使用深度卷积神经网络对所述独立候选区域进行识别，获得结节区域；

步骤5、对结节区域的边界进行微调，得到精确分割的三维肺结节模型。

本发明的特点还在于：

步骤1中ct图像数据为层厚不大于2.5mm的原始薄层数据。

步骤2中图像插值时将体素间隔拉伸为正方体，提取肺实质区域时使用深度卷积神经网络分割肺实质，提取血管区域时使用frangi血管增强滤波方法，所述图像的去噪及归一化时采用各项异性滤波方法。

步骤3中提取肺实质区域具体按以下步骤实施：

步骤3.1、获取经所述步骤2插值、去噪、归一化后得到的ct数据，以及标记出的肺实质区域和非肺实质区域的标准分割结果；

步骤3.2、构建深度卷积神经网络模型，该模型的输入层为一组ct数据，后续为一系列的densenetblock，每个block为卷积层与batchnormalization层的组合，相邻两个block之间以池化层连接；多个densenetblocks之后使用upsampling层与卷积层逐步将提取到的特征还原到原图像大小；

卷积层数学表达为：

其中为l-1层的输出，为卷积核，为卷积运算(图像a与卷积核k的卷积运算定义为：为偏置项，f(x)为激活函数，通常取relu函数:f(x)＝max(x，0)；

densenetblock为卷积层和batchnormalization层的组合，并且将其每个batchnormalization层的输出与其后的每一个卷积层输入相连接；

batchnormalization层用来正则化输入该层的数据，数学表达为：

其中

pooling层和upsampling层用来调整特征图像的维度，pooling缩小图像维度，upsampling放大图像维度；

步骤3.3、选取与所述卷积层相匹配的损失函数，并使用反向传播算法更新模型的参数，具体为：

通过残差公式把残差传播到每层参数上，具体通过如下公式完成：

卷积层反向传播函数：

其中，rot180()表示矩阵旋转180度操作，以残差作为计算卷积核的梯度的中间变量，把l+1层的所有与卷积核有影响的节点对该卷积核求取梯度，再以的梯度更新参数；

池化层反向传播函数：

其中，kron()积意为将残差传播到上一层的对应位置的小区域，从而实现残差的上采样；upsampling层的反向传播与其相反，每次upsampling之后的残差需要累加到对应unet的densenetblock上；

batchnormalization层的反向传播函数为：

通过残差求出相应参数γ，β的梯度，batchnormalization层的残差再往前传播需要累加到之前所有densenetblock的残差上；

步骤3.4、将步骤3.1获得的ct图像数据和标准分割结果分为k组，每次选择k-1组数据做如步骤3.2～步骤3.3所述的卷积神经网络的训练，余下一组做测试，如此重复多次选取最佳参数，获得候选区域；

步骤3.5、以所述步骤3.2～步骤3.4的深度卷积神经网络探测方法获得若干个独立候选区域。

步骤4中使用深度卷积神经网络对所述独立候选区域进行识别时采用如所述步骤3.2～步骤3.4的深度卷积神经网络探测方法。

步骤5中采用条件随机场模型优化结节边界。

步骤5中对结节区域的边界进行微调时采用crf方法或者fastmarching方法，目的是将分割轮廓更加贴近结节边界。

本发明的有益效果是，一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，充分利用现有的高性能计算设备和医疗大数据，能够达到较高的检测率、分割出较精确的三维模型；并且可以通过自动学习提取出特征信息，有助于总结肺结节影像学特征的规律，帮助肺结节良恶性识别和医生的精确诊断。

附图说明

图1是本发明一种基于深度卷积神经网络自动分割肺结节的辅助检测方法流程图；

图2是本发明一种基于深度卷积神经网络自动分割肺结节的辅助检测方法中densenetblock模型结构图；

图3是本发明一种基于深度卷积神经网络自动分割肺结节的辅助检测方法中深度卷积神经网络模型结构图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，流程图如图1所示，具体包括以下步骤：

步骤1、读取肺部ct图像数据，其中，ct图像数据为层厚不大于2.5mm的原始薄层数据；

步骤2中图像插值时将体素间隔拉伸为正方体，提取肺实质区域时使用深度卷积神经网络分割肺实质，提取血管区域时使用frangi血管增强滤波方法，所述图像的去噪及归一化时采用各项异性滤波方法，

其中，对肺部ct图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；

步骤2、对肺部ct图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；

步骤3、对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域，具体为：对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；

其中，提取肺实质区域具体按以下步骤实施：

步骤3.1、获取经所述步骤2插值、去噪、归一化后得到的ct数据，以及标记出的肺实质区域和非肺实质区域的标准分割结果；

步骤3.2、构建深度卷积神经网络模型，如图3所示。该图展示了整个深度卷积神经网络结构，通过pooling层不断的压缩特征图像的维度，高效的抓取有效信息，并通过upsampling层将特征逐渐还原，并每个阶段加入相应的原特征图像，这种网络结构能够很好的适用于大型图片的分割、识别模型，在ct图像中能得到很好的效果，该模型的输入层为一组ct数据，后续为一系列的densenetblock，每个block为卷积层与batchnormalization层的组合，相邻两个block之间以池化层连接；多个densenetblocks之后使用upsampling层与卷积层逐步将提取到的特征还原到原图像大小；

卷积层数学表达为：

其中为l-1层的输出，为卷积核，为卷积运算，图像a与卷积核k的卷积运算定义为：为偏置项，f(x)为激活函数，通常取relu函数:f(x)＝max(x，0)。

densenetblock为卷积层和batchnormalization层的组合，并且将其每个batchnormalization层的输出与其后的每一个卷积层输入相连接，如图2所示，图2展示了densenetblock的内部由多个卷积层与batchnormalization层相连接组成，batchnormalization的输出将会连接到之后的每一个卷积层，这样使得高阶特征和低阶特征能相互组合，提高特征提取的鲁棒性，同时也能减少反向传播的梯度弥撒，使得网络能够更加的深，能适应更复杂的诊断任务；

batchnormalization层用来正则化输入该层的数据，数学表达为：

其中

pooling层和upsampling层用来调整特征图像的维度，pooling缩小图像维度，upsampling放大图像维度；

步骤3.3、选取与所述卷积层相匹配的损失函数，并使用反向传播算法更新模型的参数，具体为：

通过残差公式把残差传播到每层参数上，具体通过如下公式完成：

卷积层反向传播函数：

其中，rot180()表示矩阵旋转180度操作，以残差δi^l作为计算卷积核kilj的梯度的中间变量，把l+1层的所有与ki^lj卷积核有影响的节点对该卷积核求取梯度，再以ki^lj的梯度更新参数。

池化层反向传播函数：

其中，kron()积意为将残差传播到上一层的对应位置的小区域，从而实现残差的上采样；upsampling层的反向传播与其相反，每次upsampling之后的残差需要累加到对应unet的densenetblock上。

batchnormalization层的反向传播函数为：

通过残差求出相应参数γ，β的梯度，batchnormalization层的残差再往前传播需要累加到之前所有densenetblock的残差上；

步骤3.4、将步骤3.1获得的ct图像数据和标准分割结果分为k组，每次选择k-1组数据做如步骤3.2～步骤3.3所述的卷积神经网络的训练，余下一组做测试，如此重复多次选取最佳参数，获得候选区域；

步骤3.5、以所述步骤3.2～步骤3.4的深度卷积神经网络探测方法获得若干个独立候选区域；

步骤4、使用深度卷积神经网络对所述独立候选区域进行识别，获得结节区域；其中，采用如步骤3.2～步骤3.4的深度卷积神经网络探测方法对独立候选区域进行识别时；

步骤5、对结节区域的边界进行微调，得到精确分割的三维肺结节模型，其中，采用条件随机场模型优化结节边界，对结节区域的边界进行微调时采用crf方法或者fastmarching方法，目的是将分割轮廓更加贴近结节边界。