1.一种基于三维残差卷积神经网络的CT影像肺结节检测方法,其特征在于:所述检测方法包括训练过程和测试过程,所述训练过程包括步骤一至步骤六,
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,截取CT影像中完全包含肺结节的立方体样本,尺寸为32*32*32,作为正样本;
再截取完全不包含结节的同样尺寸样本,作为负样本;
步骤三,根据样本的HU值统计分布,选取合适的HU值作为标准化范围,其中选取最小值为空气HU值-1000,将数据标准化为[0,1];
步骤四,构建三维卷积神经网络模型;
步骤五,设定模型超参数,所述模型超参数包括优化器、batch_size、epoch数量、每个epoch中batch的数量,以mini-batch的形式将数据导入模型训练;
步骤六,模型训练充分收敛后,保存并导出模型结构及权重参数;
所述测试过程包括步骤七:
步骤七,对测试CT影像进行检测,过程如下:
步骤7.1:对测试CT影像使用步骤一所述方法进行预处理;
步骤7.2:导入训练完成的三维卷积神经网络;
步骤7.3:制作滑动采样立方体,设置滑动步长,以滑动样本的形式逐个导入模型;
步骤7.4:根据模型计算得到的置信度,选取置信度高于设定阈值的样本为结节所在样本;
步骤7.5:对于滑动样本的重复样本,采用非极大值抑制算法,删除重复样本。
2.如权利要求1所述的一种基于三维残差卷积神经网络的CT影像肺结节检测方法,其特征在于:所述步骤三中,数据标准化的方式为x=(x-min)/(max-min)。
3.如权利要求1或2所述的一种基于三维残差卷积神经网络的CT影像肺结节检测方法,其特征在于:所述步骤四中,构建三维卷积神经网络的过程为:步骤4.1:样本经过卷积模块conv_block提取局部特征,其中卷积模块内顺序包括Batch Normalization层、激活函数、三维卷积层及Maxpooling层;
步骤4.2:样本经过AveragePooling操作,提取全局特征;
步骤4.3:步骤4.1与步骤4.2的特征经过merge操作,组成完整特征;
步骤4.4:经过四次步骤4.1、步骤4.2和步骤4.3流程,再经过第五个conv_block及全局池化GlobalMaxPooling;
步骤4.5:将上述步骤4.4得到的特征通过全连接分类器dense_block,其内部顺序包括全连接层fc1、batch normalization、LeakyReLU激活函数和全连接层fc2,最后得到输出结果。
4.如权利要求1或2所述的一种基于三维残差卷积神经网络的CT影像肺结节检测方法,其特征在于:所述步骤7.5中,非极大值抑制算法在单个病例的操作步骤为:步骤7.5.1:样本在计算中以三维数组的形式表达,三维数组索引的数量作为样本的体积volume,在滑动采样的过程中,保留样本在原始CT数组中的索引;
步骤7.5.2:设置信度阈值为tpredict,选择高于tpredict的样本作为检测的结节样本,其中置信度最高的作为标准样本,其余样本与标准样本依次计算重叠度IoU;
步骤7.5.3:当前样本与标准样本中,重复的数组索引的数量记为重叠区域的体积intersect_volume;
步骤7.5.4:计算当前样本与标准样本的体积和,减去重叠体积intersect_volume,记为合并体积union_volume;
步骤7.5.5:重叠度IoU计算为:IoU=intersect_volume/union_volume,设定IoU阈值toverlap,将所有与标准样本的重叠度大于toverlap的样本忽略。