申请/专利权人：广东省智能制造研究所

申请日：2020-06-04

公开（公告）日：2024-06-25

公开（公告）号：CN111784638B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2020.11.03#实质审查的生效;2020.10.16#公开

摘要：本发明公开了一种基于卷积神经网络的肺结节假阳性筛除方法及系统，其方法包括：从肺部CT图像数据中获取候选肺结节的坐标位置与最大半径值；根据所述坐标位置和所述最大半径值从所述肺部CT图像数据中提取所述候选肺结节的原始3D图像数据，并对所述原始3D图像数据进行插值处理；获取通过插值得到的候选肺结节3D图像数据所对应的三个平面的样本数据，并将所述三个平面的样本数据进行缩放处理后形成一个训练集；基于所述训练集对卷积神经网络进行训练，并通过训练得到的卷积神经网络模型对所述候选肺结节进行假阳性筛选。本发明实施例可解决现有端对端网络在识别肺结节过程中存在假阳性率高的问题，提高计算机辅助肺结节自动检测的准确率。

主权项：1.一种基于卷积神经网络的肺结节假阳性筛除方法，其特征在于，所述方法包括：从肺部CT图像数据中获取候选肺结节的坐标位置与最大半径值；根据所述坐标位置和所述最大半径值从所述肺部CT图像数据中提取所述候选肺结节的原始3D图像数据，并对所述原始3D图像数据进行插值处理，得到最终的候选肺结节3D图像数据；获取所述候选肺结节3D图像数据所对应的三个平面的样本数据，并将所述三个平面的样本数据进行缩放处理后形成一个训练集；基于所述训练集对卷积神经网络进行训练，并通过训练得到的卷积神经网络模型对所述候选肺结节进行假阳性筛选；所述根据所述坐标位置和所述最大半径值从所述肺部CT图像数据中提取所述候选肺结节的原始3D图像数据包括：基于所述最大半径值设定所述候选肺结节的处理区域大小，且所述处理区域以所述坐标位置为中心；所述最大半径值为R时，设定所述候选肺结节的处理区域的长度和宽度均为1.5R×2；基于既定的切片间距，计算出所述候选肺结节的原始3D图像数据中所包含的切片数量为2N+1；其中所述切片数量的计算公式为： ；式中，为切片数量，为所述原始3D图像数据的高度，为切片间距；规定所述候选肺结节的原始3D图像为正方体，则所述原始3D图像的高度为1.5R×2，另外所述切片间距是通过所述肺部CT图像数据得到的；以所述处理区域为中间层，获取所述处理区域正上方的连续N个切片以及所述处理区域正下方的连续N个切片，并按照原先的切片顺序组合为所述原始3D图像数据；其中的2N个切片大小与所述候选肺结节的处理区域大小相等，原先的切片顺序组合是通过所述肺部CT图像数据得到的；所述卷积神经网络的网络结构包括四个卷积池化层、一个特征合成层、一个全连接层和一个Softmax函数层；所述基于所述训练集对卷积神经网络进行训练，并通过训练得到的卷积神经网络模型对所述候选肺结节进行假阳性筛选包括：将所述候选肺结节3D图像数据所对应的三个平面中每一个平面的样本数据依次输入至所述四个卷积池化层，获取每一个平面所对应的第一特征图；将每一个平面所对应的第一特征图通过所述特征合成层进行特征融合，获取所述候选肺结节3D图像数据的第二特征图；基于所述全连接层对所述第二特征图进行结果分类，并基于所述Softmax函数层根据分类的结果输出所述候选肺结节的假阳性概率。

全文数据：

权利要求：

百度查询： 广东省智能制造研究所 一种基于卷积神经网络的肺结节假阳性筛除方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD