1.基于MaskScoring-RCN网络和迁移学习的肺部病变检测系统，包括存储肺癌、肺炎、肺结核、肺气肿4种肺部疾病的存储模块，其特征在于：还包括一个诊断模块，诊断模块与存储模块通信连接，诊断模块具体包括：步骤1)医学图像预处理；

选取4种不同的肺部疾病，肺癌，肺炎，肺结核，肺气肿，的CT图像，对数据采用NLP的方法进行标注，并以此类数据作为正样本；选取正常的正常的肺部CT图像作为负样本；

对采集到的肺部医学图像做数据增强处理；将处理后的数据80％用作网络的训练集，

10％作为验证集，最后10％作为测试集，并将图像像素的大小设置为224*224；

步骤2)构建MaskScoring R-CNN网络模型；

2.1构建共享卷积神经网络骨干，作特征提取；

使用已经用ImageNet数据集预训练好的卷积网络模型VGG-16网络，每一层卷积网络都在前一层的信息基础上提取更加抽象的特征；第一层通常学习到简单的边缘，第二层寻找目标边缘的模式，以激活后续卷积网络中更加复杂的形状；最终，得到一个在空间维度上比原始图片小，但表征更深的卷积特征图；特征图的长和宽会随着卷积层间的池化而缩小，深度会随着卷积层滤波器的数量而增加；

采用VGG-16所有卷积层的卷积核大小均为3*3*3，步长stride＝1，填充padding＝1，池化pooling均采用2*2的最大池化方式；输入224*224*1的图片；经过64个卷积核的两次卷积后，采用一次pooling操作；之后又经过两次128的卷积核卷积之后，采用一次pooling操作；

再经过三次256的卷积核的卷积之后，采用pooling，重复两次三个512的卷积核卷积之后再pooling，最后经过三次全连接层后，得到特征图谱feature map输出；加载用ImageNet数据集预训练好的权重，为下一步迁移学习做准备；

2.2对共享卷积神经网络做迁移学习；

将靠近网络开头的第三层卷积层预先训练过的层级删掉，向第一二层后添加新的全连接层，随机化设置新的完全连接层的权重，冻结预先训练过的网络中的所有权重，最后训练改网络以更新新连接层的权重；

2.3构建特征金字塔网络，即FPN网络；

在共享卷积网络后构建1*1卷积层自上而下的路径都经过2层的上采样过程，融合底层到高层的feature maps，从而充分的利用了提取到的各个阶段的特征；

2.4构建区域建议网络，即RPN网络；

在FPN网络后接一个3*3的卷积层，再接两个1*1的卷积层，其中一个是用来进行分类，另一个用于给候选区域精确定位；

使用卷积神经网络CNN产生的区域建议Region Proposal分割出一张肺部CT图像中病变组织所在的位置，利用滑动窗口在生成的共享特征图谱feature maps上滑动；

滑动过程中为每个位置生成9种预先设置好长宽比与面积的目标框，即锚anchor；这9种初始anchor包含三种面积(128×128，256×256，512×512)，每种面积又包含三种长宽比(1:1，1:2，2:1)；对于RPN输出的特征图中的每一个点，一个1×1的卷积层输出了18个值，每一个点对应9个anchor，每个anchor有一个前景分数和一个背景分数；另一个1×1的卷积层输出了36个值，每一个点对应9个anchor，每个anchor对应了4个修正坐标的值；那么，要得到这些值，RPN网络需要训练；在训练的时候，就需要对应的标签；判定一个anchor是前景还是背景的定义如下：如果一个anchor与正确的标记数据ground truth的重叠度IoU在0.7以上，那这个anchor就算positive前景；类似地，如果这个anchor与ground truth的IoU在0.3以下，那么这个anchor就算negative背景；在进行RPN网络训练的时候，只使用了上述两类anchor，与ground truth的IoU介于0.3和0.7的anchor没有使用；在训练anchor属于前景与背景的时候，是在一张图中，随机抽取了128个前景anchor与128个背景anchor；

anchor边框修正的训练方法如下；边框修正由4个值完成，tx,ty,tw,th；tx,ty分别是修正后的框在anchor的x和y方向上做出平移，tw,th分别是长和宽各自放大的倍数；采用SmoothL 1loss进行训练，具体描述为比较预测平移缩放参数 和真实平移缩放参数v＝(vx,vy,vw,vh)的差别：只对前景anchors进行anchor包围框修正的参数训练；因此，在训练RPN的时候，只有对

128个随机抽取的positive anchors有这一步训练，训练RPN的损失函数可以写成：其中λ被设置为10，Ncls为256为训练批次的大小，Nreg为2400为anchor的数量；如此设置RPN的两部分loss值能保持平衡；pi为anchor预测为目标的概率，ti＝{tx,ty,tw,th}是一个向量，表示预测的bounding box的4个参数化目标，是与positive anchor对应的ground truth包围的坐标向量； 是回归损失，用 计算，其中R是SmoothL1函数，式(2)中的 就是(1)式中的Lloc(tu,v)；Lcls是目标和非目标的对数损失；

2.5构建ROI Align层；

对从共享卷积层和RPN网络得到的feature maps上感兴趣区域ROI被划分后的各网格区域选取固定数目的等间隔采样点，根据采样点邻近特征值利用双线性插值计算采样点的特征值，然后对采样点的特征值进行池化操作；

ROIAlign后有两个分支，第一个分支是利用之前检测到的ROI Bounding Box进行分类和回归；第二个分支则是掩膜mask的预测，通过全卷积神经网络FCN来进行对ROI进行语义分割，对于预测的二值掩膜mask输出，对每个像素点应用sigmoid函数；

sigmoid函数定义如下：

2.6添加MaskIoU head；

在现在框架的基础上添加了一个MaskIoU head分支学习IoU，不再去学习一个mask的分类得分，而是直接用物体的分类得分，然后将分类得分和学习到的IoU相乘，将这个得分作为mask的得分，综合分类得分与mask的质量得分评估算法。

MaskIoU head同时接收蒙版head的输出与ROI的特征作为输入，用一种简单的回归损失进行训练，来计算预测的Mask和ground truth mask的IoU分数；

根据分类得分和iou分数来计算最后的mask score，如果分类得分高，但mask iou分数低，则会惩罚最后得到的mask score；mask score计算如下：Smask＝Scls*Siou           (4)

其中Scls是物体的分类得分，Siou是Mask和ground truth mask的IoU分数；

步骤3)肺部医学图像病变组织识别；

向步骤2)中构建好的MaskScoring R-CNN网络，输入待检测的肺部CT影像，网络输出得到识别之后的图像，框出并掩膜mask识别到的病变组织，并标注出病变的类别。