一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方法
【專利摘要】本發(fā)明涉及一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方法，包括：(1)勾畫并存儲肺結(jié)節(jié)的位置以及疑似肺結(jié)節(jié)的位置，標(biāo)注并存儲肺結(jié)節(jié)的醫(yī)學(xué)征象以及疑似肺結(jié)節(jié)的醫(yī)學(xué)征象；(2)檢驗(yàn)步驟(1)存儲信息是否正確；(3)步驟(1)勾畫的肺結(jié)節(jié)的位置以及疑似肺結(jié)節(jié)的位置為ROI區(qū)域，分別進(jìn)行平移、縮放、旋轉(zhuǎn)、復(fù)合旋轉(zhuǎn)以及平移、縮放、旋轉(zhuǎn)、復(fù)合旋轉(zhuǎn)中兩種或以上的組合操作，將得到的所有操作結(jié)果作為樣品集；(4)將樣本集中的部分樣本輸入卷積神經(jīng)網(wǎng)絡(luò)分類器，輸出正確的肺結(jié)節(jié)所在的ROI區(qū)域以及正確的疑似肺結(jié)節(jié)所在的ROI區(qū)域。采用本方法獲取的數(shù)據(jù)集，檢測準(zhǔn)確率提高5％以上，假陽性降低0.4％以上。
【專利說明】
一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的 方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方法，屬于 基于計(jì)算機(jī)視覺的肺結(jié)節(jié)檢測，醫(yī)學(xué)圖像檢索等領(lǐng)域。
【背景技術(shù)】
[0002] 肺癌因其極高的發(fā)病率和死亡率而被認(rèn)為是威脅人類健康的頭號殺手。肺癌的早 期在醫(yī)學(xué)影像學(xué)方面的表現(xiàn)通常為孤立性肺結(jié)節(jié)。為了給醫(yī)生客觀地提供可疑肺結(jié)節(jié)標(biāo) 記，引入了肺部CAD系統(tǒng)，輔助醫(yī)生進(jìn)行診斷，計(jì)算機(jī)診斷系統(tǒng)對肺部CT圖像進(jìn)行自動診斷 分析后，提示醫(yī)生CT圖像中的可疑肺結(jié)節(jié)，從而克服醫(yī)生在診斷中的一些主觀因素，提高肺 癌的發(fā)現(xiàn)率。
[0003]在傳統(tǒng)的基于CT圖像的肺結(jié)節(jié)計(jì)算機(jī)輔助檢測技術(shù)中，主要有基于模板匹配的方 法，對于基于模板匹配的檢測方法，如果模板少，檢測就不準(zhǔn)確，靈敏度低；如果模板增加， 運(yùn)算就變得復(fù)雜，耗時長，而且基于模板匹配方法的檢測效果的假陽性高。另一種是采用了 線性分類器和支持向量機(jī)的檢測方法，基于線性分類器的檢測方法，因?yàn)榫€性分類器本身 結(jié)構(gòu)簡單，所以其檢測準(zhǔn)確率低。并且這種方法采用邊緣檢測或區(qū)域生長方法提取R0I區(qū) 域，用傳統(tǒng)的方法提取R0I區(qū)域，出現(xiàn)錯誤的幾率大，一旦出現(xiàn)錯誤，用訓(xùn)練出的分類器去檢 測圖像也會出現(xiàn)大量錯誤，假陽性率就會變大。基于支持向量機(jī)檢測方法，選擇合適的核函 數(shù)數(shù)以及軟邊緣參數(shù)是訓(xùn)練SVM的重要因素，一般來講，核函數(shù)越復(fù)雜，模型越偏向于擬合 過度。在參數(shù)C方面，它可以看作是Lasso算法中的lambda的倒數(shù)，C越大模型越偏向于擬合 過度，反之則擬合不足，如果核函數(shù)復(fù)雜計(jì)算量不僅大而且復(fù)雜。所以這種方法想在現(xiàn)實(shí)中 實(shí)施起來很困難。
[0004] 中國專利文獻(xiàn)CN 104700118A工開了基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)良惡性預(yù)測方 法，包括:從肺結(jié)節(jié)坐標(biāo)中獲取多尺度肺結(jié)節(jié)圖像塊;根據(jù)所述多尺度肺結(jié)節(jié)圖像塊構(gòu)造所 述多尺度肺結(jié)節(jié)圖像塊對應(yīng)的各個卷積神經(jīng)網(wǎng)絡(luò);根據(jù)損失函數(shù)利用所述多尺度肺結(jié)節(jié)圖 像塊訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò);利用訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)提取肺結(jié)節(jié)的低維特征;利用所述 低維特征訓(xùn)練非線性分類器，并預(yù)測未知肺結(jié)節(jié)圖像塊。但是，該專利訓(xùn)練樣本數(shù)太小，達(dá) 不到期望的效果，直接影響測試的準(zhǔn)確性;并且該專利并未提及如何提取從CT圖片得到肺 結(jié)節(jié)塊；
[0005] 現(xiàn)有技術(shù)中，訓(xùn)練深度卷積網(wǎng)絡(luò)需要海量的訓(xùn)練樣本，如果通過軟件技術(shù)獲取，獲 得的圖像的正確性是讓人質(zhì)疑的，訓(xùn)練樣本的正確性直接影響分類結(jié)果的準(zhǔn)確性。如果全 部樣本都是通過人工獲取，準(zhǔn)確性得到保證，可這是一件耗時耗力的事。
[0006] 基于CT圖像的肺結(jié)節(jié)檢測技術(shù)得到越來越多的關(guān)注，基于分類器的方法更受研究 人員和醫(yī)生的青睞。

【發(fā)明內(nèi)容】

[0007] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于卷積分類器的自動檢測并勾畫肺結(jié) 節(jié)所在位置的方法。
[0008] 本發(fā)明引入新的檢測算法，提出的方法采用了基于卷積神經(jīng)網(wǎng)絡(luò)算法的處理方 式，這樣就避免了逐個像素處理，通過專業(yè)醫(yī)生勾畫肺結(jié)節(jié)所在區(qū)域，通過縮放，旋轉(zhuǎn)，復(fù)合 旋轉(zhuǎn)等幾何操作擴(kuò)大樣本數(shù)，建立所需數(shù)據(jù)庫，在保證訓(xùn)練樣本準(zhǔn)確性的基礎(chǔ)上提高了算 法的運(yùn)行速度以及靈敏度，節(jié)省了人力物力，更具魯棒性。
[0009] 術(shù)語解釋：
[0010]正樣本、負(fù)樣本:正樣本是指屬于某一類別的樣本，負(fù)樣本是指不屬于某一類別的 樣本;比如，在做字母A的圖像識別時，字母A的樣本就屬于正樣本，不是字母A的樣本就屬于 負(fù)樣本。
[0011] 本發(fā)明的技術(shù)方案為：
[0012] -種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方法，具體步驟包括：
[0013] (1)在CT拍攝的像素強(qiáng)度標(biāo)準(zhǔn)化輸入的肺部醫(yī)學(xué)圖像上，勾畫并存儲肺結(jié)節(jié)的位 置以及疑似肺結(jié)節(jié)的位置，標(biāo)注并存儲所述肺結(jié)節(jié)的醫(yī)學(xué)征象以及所述疑似肺結(jié)節(jié)的醫(yī)學(xué) 征象，所述醫(yī)學(xué)征象包括：良性、惡性、實(shí)性、毛玻璃狀、邊緣銳利、邊緣毛糙、邊緣分葉狀、邊 緣光滑、強(qiáng)化明顯、強(qiáng)化不明顯、直徑大于1.5cm、直徑小于1.5cm;
[0014] (2)檢驗(yàn)步驟（1)所述肺結(jié)節(jié)所在位置及其醫(yī)學(xué)征象、所述疑似肺結(jié)節(jié)所在位置及 其醫(yī)學(xué)征象是否正確;如果檢驗(yàn)正確，進(jìn)入步驟(3)，否則，返回步驟(1);
[0015] 標(biāo)注的信息直接用于后續(xù)的訓(xùn)練及測試環(huán)節(jié)，被標(biāo)記的肺結(jié)節(jié)還是后續(xù)樣本擴(kuò)建 的基礎(chǔ)，因此人工標(biāo)記信息的準(zhǔn)確性對整個實(shí)驗(yàn)結(jié)果的正確性起至關(guān)重要的作用。
[0016] (3)步驟（1)勾畫的肺結(jié)節(jié)的位置以及疑似肺結(jié)節(jié)的位置為R0I區(qū)域，對所述R0I區(qū) 域分別進(jìn)行平移、縮放、旋轉(zhuǎn)、復(fù)合旋轉(zhuǎn)以及平移、縮放、旋轉(zhuǎn)、復(fù)合旋轉(zhuǎn)中兩種或以上的組 合操作，將得到的所有操作結(jié)果作為樣品集；
[0017] 人工提取肺結(jié)節(jié)是很耗時耗力的一件事，通過平移、縮放、旋轉(zhuǎn)、復(fù)合旋轉(zhuǎn)變換擴(kuò) 充樣本數(shù)，不僅減少省時省力，并且用這種方式得到的樣本集去訓(xùn)練分類器，可以增強(qiáng)分類 器對平移，旋轉(zhuǎn)，縮放的魯棒性。
[0018] (4)將樣本集中的部分樣本輸入卷積神經(jīng)網(wǎng)絡(luò)分類器，輸出正確的肺結(jié)節(jié)所在的 R0I區(qū)域以及正確的疑似肺結(jié)節(jié)所在的R0I區(qū)域。
[0019] 傳統(tǒng)的方法通過分割技術(shù)獲得肺結(jié)節(jié)塊，肺結(jié)節(jié)的正確性直接影響分類器的準(zhǔn)確 性，本文通過專業(yè)醫(yī)生勾畫肺結(jié)節(jié)，保證了肺結(jié)節(jié)的正確性，通過對肺結(jié)節(jié)塊進(jìn)行平移，縮 放，旋轉(zhuǎn)操作擴(kuò)充了樣本集，用擴(kuò)充后的樣本集訓(xùn)練分類器，讓分類器更具魯棒性。采用本 方法獲取的數(shù)據(jù)集，檢測準(zhǔn)確率提高5%以上，假陽性降低0.4%以上。
[0020] 根據(jù)本發(fā)明優(yōu)選的，在步驟（1)之前，統(tǒng)一 CT拍攝的像素強(qiáng)度標(biāo)準(zhǔn)化輸入的肺部醫(yī) 學(xué)圖像的分辨率為256*256--768*768。解決各CT圖像間分辨率不同的問題。
[0021] 根據(jù)本發(fā)明優(yōu)選的，所述步驟(2)中，通過編寫⑶I，顯示肺結(jié)節(jié)所在位置及其醫(yī)學(xué) 征象、疑似肺結(jié)節(jié)所在位置及其醫(yī)學(xué)征象，并檢驗(yàn)與步驟(1)所述肺結(jié)節(jié)所在位置及其醫(yī)學(xué) 征象、所述疑似肺結(jié)節(jié)所在位置及其醫(yī)學(xué)征象是否一致；如果檢驗(yàn)一致，進(jìn)入步驟(3)，否 貝1J，返回步驟(1)。
[0022] 根據(jù)本發(fā)明優(yōu)選的，步驟(3)中，所述旋轉(zhuǎn)包括二維旋轉(zhuǎn)，將p點(diǎn)繞坐標(biāo)原點(diǎn)旋轉(zhuǎn)轉(zhuǎn) 動Θ得到新的點(diǎn)P'的重定位過程中，P點(diǎn)是所述圖像中的任一像素點(diǎn)，求取新的點(diǎn)P'的坐標(biāo) 的過程如下：
[0023] x = rcosa (I)
[0024] y = rsina ( Π )
[0025] xJ =rcos(a+0) =xcosB-ysinB (ΠΙ)
[0026] yJ =rsin(a+0) =xsinB+ycosB (IV)
[0027] [·Τ cos.J (V)
[0028] 式（1)-( V)中，（x，y)是點(diǎn)p的坐標(biāo)，（x'，y'）是點(diǎn)p'的坐標(biāo)，r指原點(diǎn)到p點(diǎn)的坐標(biāo)， a指op與X軸的夾角，〇指原點(diǎn)； COS0 sin^ 0
[0029] 逆時針旋轉(zhuǎn)Θ角的矩陣為：-_s.in.0 co_s:〃 〇。 0 Q 1_
[0030] 根據(jù)本發(fā)明優(yōu)選的，步驟(3)中，所述縮放包括縮小和放大，縮小又稱為下采樣或 降采樣，放大又稱為上采樣或圖像插值，圖像插值包括二次線性插值，二次線性插值公式如 下：
[0031] (Sx-〇)/(Sw-〇)=(Dx-〇)/(Dw-〇) (VI)
[0032] Sx = Dx*Sw/Dw (VH)
[0033] (Sy-〇)/(Sh-〇) = (Dy-〇)/(Dh-〇) (VI)
[0034] Sy = Dy*Sh/Dh (IX)
[0035] 式(VO-ΟΧ)中，（Sx，Sy)為ROI區(qū)域中的一個像素點(diǎn)，（Dx，Dy)為(Sx，Sy)在縮放后 的R0I區(qū)域中對應(yīng)的點(diǎn)，R0I區(qū)域的寬為Sw，高為％，縮放后的R0I區(qū)域的寬為Dw，高為Dh。
[0036] 根據(jù)上述公式對提取的肺結(jié)節(jié)塊進(jìn)行縮放。
[0037] 根據(jù)本發(fā)明優(yōu)選的，步驟(3)中，所述復(fù)合旋轉(zhuǎn)是指進(jìn)行多次旋轉(zhuǎn)，兩次連續(xù)的旋 轉(zhuǎn)相當(dāng)于將兩次的旋轉(zhuǎn)角度相加，第一次旋轉(zhuǎn)9:角，第二次旋轉(zhuǎn)θ 2，根據(jù)式(X )進(jìn)行變換： cos(02 + Θχ) sin 輯+6?) 0
[0038] i?(6? + 6>z) = i?(6?2)*) = ^sini^ + <9,) cos(<9;+6>,) 0 (X) _ 0 〇 1-
[0039] 式(VI)中，ΘΑ第一次旋轉(zhuǎn)的角度，02為第二次旋轉(zhuǎn)的角度，R%)代表旋轉(zhuǎn)0:后的 結(jié)果，R(02)代表旋轉(zhuǎn)θ 2后的結(jié)果，1?(01+02)代表旋轉(zhuǎn)01+02后的結(jié)果。
[0040] 根據(jù)本發(fā)明優(yōu)選的，所述步驟(4)中，改變卷積神經(jīng)網(wǎng)絡(luò)分類器的重要參數(shù)多次訓(xùn) 練分類器，得到最優(yōu)分類器，將樣本集中的部分樣本輸入卷積神經(jīng)網(wǎng)絡(luò)分類器，輸出正確的 肺結(jié)節(jié)所在的R〇 I區(qū)域以及正確的疑似肺結(jié)節(jié)所在的R〇 I區(qū)域。
[0041] 本發(fā)明的有益效果為：
[0042] 1、本發(fā)明所述方法可應(yīng)用于靜態(tài)圖像，不需要很長的視頻序列即可提取出肺部CT 圖像中的肺結(jié)節(jié)。并且，本發(fā)明所述方法很容易擴(kuò)展到視頻序列。由于視頻序列由多幅圖像 組成，本方法可擴(kuò)展到視頻序列中，并且不受視頻序列中鏡頭搖晃，鏡頭縮放，鏡頭平移等 多種鏡頭運(yùn)動的影響。人工提取一部分訓(xùn)練樣本，對這部分樣本進(jìn)行平移，縮放擴(kuò)充樣本數(shù) 目，構(gòu)建所需數(shù)據(jù)庫。
[0043] 2、本發(fā)明所述方法簡潔易行。在判斷肺部CT圖像是否包含了肺結(jié)節(jié)并標(biāo)記其位 置，本發(fā)明提出的方法采用基于卷積神經(jīng)網(wǎng)絡(luò)算法的處理方式，這樣就避免了逐個像素處 理，從而提高了算法的運(yùn)行速度以及靈敏度。
[0044] 3、本發(fā)明生成離線檢測系統(tǒng)中，選用了具備多類醫(yī)學(xué)征象的肺部CT圖像，因此該 發(fā)明適用于多種醫(yī)學(xué)征象的肺結(jié)節(jié)檢測。
【附圖說明】
[0045] 圖1為本發(fā)明所述基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方法流程 示意圖；
[0046] 圖2為實(shí)施例中勾畫肺結(jié)節(jié)的位置并標(biāo)注其醫(yī)學(xué)征象的GUI示意圖；
[0047] 圖3為實(shí)施例中檢驗(yàn)存儲信息的GUI示意圖；
[0048] 圖4(a)為實(shí)施例中包含肺結(jié)節(jié)圖像示意圖；
[0049] 圖4(b)為實(shí)施例中不包含肺結(jié)節(jié)圖像示意圖；
[0050] 圖4(c)為實(shí)施例中提取的肺結(jié)節(jié)塊的圖像示意圖一；
[0051] 圖4(d)為實(shí)施例中提取的肺結(jié)節(jié)塊的圖像示意圖二；
[0052]圖5為二次線性插值原理圖；
[0053]圖6為二維旋轉(zhuǎn)原理圖。
【具體實(shí)施方式】
[0054] 下面結(jié)合說明書附圖和實(shí)施例對本發(fā)明作進(jìn)一步限定，但不限于此。
[0055] 實(shí)施例
[0056] -種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方法，具體步驟包括：
[0057] (1)在CT拍攝的像素強(qiáng)度標(biāo)準(zhǔn)化輸入的肺部醫(yī)學(xué)圖像上，勾畫并存儲肺結(jié)節(jié)的位 置，標(biāo)注并存儲所述肺結(jié)節(jié)的醫(yī)學(xué)征象，勾畫肺結(jié)節(jié)的位置并標(biāo)注其醫(yī)學(xué)征象的GUI示意圖 如圖2所示。圖2中，箭頭1是指醫(yī)生勾畫的肺結(jié)節(jié)的位置，箭頭2是指醫(yī)生勾畫的肺結(jié)節(jié)的醫(yī) 學(xué)征象:實(shí)性、惡性、邊緣銳利、強(qiáng)化明顯、直徑小于1.5cm。參照圖2用機(jī)器語言編寫實(shí)現(xiàn)所 需功能的⑶I。
[0058] (2)通過MATLAB編寫⑶I，如圖3所示，圖3中，箭頭1是指醫(yī)生勾畫的肺結(jié)節(jié)存儲信 息存放的表格，箭頭2是指步驟（1)中勾畫的肺結(jié)節(jié)，箭頭3是指勾畫的肺結(jié)節(jié)的醫(yī)學(xué)征象： 惡性、毛玻璃狀、邊緣光滑、直徑1.5cm，箭頭4指的是該CT圖像存貯的位置;顯示肺結(jié)節(jié)所在 位置及其醫(yī)學(xué)征象、疑似肺結(jié)節(jié)所在位置及其醫(yī)學(xué)征象，并檢驗(yàn)與步驟(1)所述肺結(jié)節(jié)所在 位置及其醫(yī)學(xué)征象是否一致;如果檢驗(yàn)一致，進(jìn)入步驟(3)，否則，返回步驟(1)。
[0059] 檢驗(yàn)步驟（1)的存儲信息是否正確，如果檢驗(yàn)正確，進(jìn)入步驟(3)，否則，返回步驟 (1);參照圖3用機(jī)器語言編寫實(shí)現(xiàn)所需功能的GUI。
[0060] 標(biāo)注的信息直接用于后續(xù)的訓(xùn)練及測試環(huán)節(jié)，被標(biāo)記的肺結(jié)節(jié)還是后續(xù)樣本擴(kuò)建 的基礎(chǔ)，因此人工標(biāo)記信息的準(zhǔn)確性對整個實(shí)驗(yàn)結(jié)果的正確性起至關(guān)重要的作用。
[0061] (3)步驟（1)勾畫的肺結(jié)節(jié)的位置為R0I區(qū)域，對所述R0I區(qū)域分別進(jìn)行二維旋轉(zhuǎn)， 將P點(diǎn)繞坐標(biāo)原點(diǎn)旋轉(zhuǎn)轉(zhuǎn)動Θ得到新的點(diǎn)P '的重定位過程中，如圖6所示，p點(diǎn)是所述圖像中 的任一像素點(diǎn)，求取新的點(diǎn)P'的坐標(biāo)的過程如下：
[0062] x = rcosa (I)
[0063] y = rsina ( Π )
[0064] xJ =rcos(a+0) =xcosB-ysinB (ΠΙ)
[0065] y' =rsin(a+0) =xsinB+ycosB (IV) _6] [X，),["]{-sin"-」（V)
[0067]式（1)-( V)中，（x，y)是點(diǎn)p的坐標(biāo)，（x'，y'）是點(diǎn)p'的坐標(biāo)，r指原點(diǎn)到p點(diǎn)的坐標(biāo)， a指op與X軸的夾角，〇指原點(diǎn)；
[0068]對所述R0I區(qū)域分別進(jìn)行二次線性插值，如圖5所示，二次線性插值公式如下：
[0069] (Sx-〇)/(Sw-〇)=(Dx-〇)/(Dw-〇) (VI)
[0070] Sx = Dx*Sw/Dw (VH)
[0071] (Sy-〇)/(Sh-〇) = (Dy-〇)/(Dh-〇) (VI)
[0072] Sy = Dy*Sh/Dh (IX)
[0073] 式(VO-ΟΧ)中，（Sx，Sy)為ROI區(qū)域中的一個像素點(diǎn)，（Dx，Dy)為(Sx，Sy)在縮放后 的R0I區(qū)域中對應(yīng)的點(diǎn)，R0I區(qū)域的寬為Sw，高為％，縮放后的R0I區(qū)域的寬為Dw，高為Dh。
[0074] 根據(jù)上述公式對提取的肺結(jié)節(jié)進(jìn)行縮放。
[0075]對所述R0I區(qū)域分別進(jìn)行復(fù)合旋轉(zhuǎn)，第一次旋轉(zhuǎn)0:角，第二次旋轉(zhuǎn)θ2,根據(jù)式（X)進(jìn) 行變換： cos(^, + ?χ) sin(/9:十 0) 0
[0076] R{0X + Θη)：=： R{0^) ^ Ε(Θι) = ~ sin(^ + ^) cos(^ + Θχ) 0 (X) 0 0 1 - -
[0077] 式(VI)中，ΘΑ第一次旋轉(zhuǎn)的角度，02為第二次旋轉(zhuǎn)的角度，R%)代表旋轉(zhuǎn)0:后的 結(jié)果，R(02)代表旋轉(zhuǎn)θ 2后的結(jié)果，1?(01+02)代表旋轉(zhuǎn)01+02后的結(jié)果。
[0078] 通過上述操作，將得到的所有操作結(jié)果作為樣品集；
[0079] 人工提取肺結(jié)節(jié)是很耗時耗力的一件事，通過平移、縮放、旋轉(zhuǎn)、復(fù)合旋轉(zhuǎn)變換擴(kuò) 充樣本數(shù)，不僅減少省時省力，并且用這種方式得到的樣本集去訓(xùn)練分類器，可以增強(qiáng)分類 器對平移，旋轉(zhuǎn)，縮放的魯棒性。
[0080] (4)改變卷積神經(jīng)網(wǎng)絡(luò)分類器的重要參數(shù)多次訓(xùn)練分類器，得到最優(yōu)分類器，對于 大小統(tǒng)一的圖像輸入，構(gòu)建5層卷積神經(jīng)網(wǎng)絡(luò)，每個卷積神經(jīng)網(wǎng)絡(luò)都有卷積層和max-pool ing ， 第一層卷積是5*5 大小的卷積核96 個 ，其余的四 層都是3 X 3 的卷積核256 個， max-pooling都是2*2的核，連接全連接層。卷積神經(jīng)網(wǎng)絡(luò)分類器的重要參數(shù)的設(shè)置通過交叉驗(yàn) 證獲得。
[0081] (5)將樣本集中的部分樣本輸入最優(yōu)分類器，輸出正確的肺結(jié)節(jié)所在的R0I區(qū)域所 在的R0I區(qū)域。本實(shí)施例提取出肺結(jié)節(jié)圖像示意圖如圖4(a)所示;本實(shí)施例提取出不包含肺 結(jié)節(jié)圖像示意圖如圖4(b)所示;本實(shí)施例提取出肺結(jié)節(jié)塊的圖像示意圖一如圖4(c)所示； 本實(shí)施例提取出肺結(jié)節(jié)圖像示意圖二如圖4(d)所示。
[0082] 上述基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方法流程示意圖如圖1 所示。
[0083]傳統(tǒng)的方法通過分割技術(shù)獲得肺結(jié)節(jié)塊，肺結(jié)節(jié)的正確性直接影響分類器的準(zhǔn)確 性，本文通過專業(yè)醫(yī)生勾畫肺結(jié)節(jié)，保證了肺結(jié)節(jié)的正確性，通過對肺結(jié)節(jié)塊進(jìn)行平移，縮 放，旋轉(zhuǎn)操作擴(kuò)充了樣本集，用擴(kuò)充后的樣本集訓(xùn)練分類器，讓分類器更具魯棒性。采用本 方法獲取的數(shù)據(jù)集，檢測準(zhǔn)確率提高5%，假陽性降低0.4%。
【主權(quán)項(xiàng)】
1. 一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方法，其特征在于，具體 步驟包括： (1) 在CT拍攝的像素強(qiáng)度標(biāo)準(zhǔn)化輸入的肺部醫(yī)學(xué)圖像上，勾畫并存儲肺結(jié)節(jié)的位置W 及疑似肺結(jié)節(jié)的位置，標(biāo)注并存儲所述肺結(jié)節(jié)的醫(yī)學(xué)征象W及所述疑似肺結(jié)節(jié)的醫(yī)學(xué)征 象，所述醫(yī)學(xué)征象包括：良性、惡性、實(shí)性、毛玻璃狀、邊緣銳利、邊緣毛糖、邊緣分葉狀、邊緣 光滑、強(qiáng)化明顯、強(qiáng)化不明顯、直徑大于1.5畑1、直徑小于1.5cm; (2) 檢驗(yàn)步驟（1)所述肺結(jié)節(jié)所在位置及其醫(yī)學(xué)征象、所述疑似肺結(jié)節(jié)所在位置及其醫(yī) 學(xué)征象是否正確;如果檢驗(yàn)正確，進(jìn)入步驟(3)，否則，返回步驟(1); (3) 步驟(1)勾畫的肺結(jié)節(jié)的位置W及疑似肺結(jié)節(jié)的位置為ROI區(qū)域，對所述ROI區(qū)域分 別進(jìn)行平移、縮放、旋轉(zhuǎn)、復(fù)合旋轉(zhuǎn)W及平移、縮放、旋轉(zhuǎn)、復(fù)合旋轉(zhuǎn)中兩種或W上的組合操 作，將得到的所有操作結(jié)果作為樣品集； (4) 將樣本集中的部分樣本輸入卷積神經(jīng)網(wǎng)絡(luò)分類器，輸出正確的肺結(jié)節(jié)所在的ROI區(qū) 域W及正確的疑似肺結(jié)節(jié)所在的ROI區(qū)域。2. 根據(jù)權(quán)利要求1所述的一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方 法，其特征在于，在步驟（1)之前，統(tǒng)一 CT拍攝的像素強(qiáng)度標(biāo)準(zhǔn)化輸入的肺部醫(yī)學(xué)圖像的分 辨率為 256*256--768*768。3. 根據(jù)權(quán)利要求1所述的一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方 法，其特征在于，通過編寫GUI，顯示肺結(jié)節(jié)所在位置及其醫(yī)學(xué)征象、疑似肺結(jié)節(jié)所在位置及 其醫(yī)學(xué)征象，并檢驗(yàn)與步驟(1)所述肺結(jié)節(jié)所在位置及其醫(yī)學(xué)征象、所述疑似肺結(jié)節(jié)所在位 置及其醫(yī)學(xué)征象是否一致;如果檢驗(yàn)一致，進(jìn)入步驟(3)，否則，返回步驟(1)。4. 根據(jù)權(quán)利要求1所述的一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方 法，其特征在于，步驟(3)中，所述旋轉(zhuǎn)包括二維旋轉(zhuǎn)，將P點(diǎn)繞坐標(biāo)原點(diǎn)旋轉(zhuǎn)轉(zhuǎn)動Θ得到新的 點(diǎn)P'的重定位過程中，P點(diǎn)是所述圖像中的任一像素點(diǎn)，求取新的點(diǎn)P'的坐標(biāo)的過程如下： x = r cosa (I) y = r sina (II) x'=r cos(a+白）=x cos白一y sin白 （III) y'=r sin(a+白）=x sin白+y cos白 （IV) 1 「eos 轉(zhuǎn) sin Θ - CO弓沒」\ V ) 式(l)-(v)中，（X，y)是點(diǎn)P的坐標(biāo)，（X'，y'）是點(diǎn)P'的坐標(biāo)，r指原點(diǎn)到P點(diǎn)的坐標(biāo)，a指op 與X軸的夾角，ο指原點(diǎn)。5. 根據(jù)權(quán)利要求1所述的一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方 法，其特征在于，步驟(3)中，所述縮放包括縮小和放大，縮小又稱為下采樣或降采樣，放大 又稱為上采樣或圖像插值，圖像插值包括二次線性插值，二次線性插值公式如下： (Sx-〇)/(Sw-〇) =化 x-〇)/(Dw-〇) (VI) Sx = D 巧 Sw/Dw (VII) (Sy-0)/(Sh-0)=化y-0)/(Dh-0) (VIII) Sy = Dy*Sh/Dh (IX) 式(VI)-(IX)中，（Sx，Sy)為ROI區(qū)域中的一個像素點(diǎn)，（Dx，Dy)為（Sx，Sy)在縮放后的 ROI區(qū)域中對應(yīng)的點(diǎn)，ROI區(qū)域的寬為Sw，高為化，縮放后的ROI區(qū)域的寬為Dw，高為化。6. 根據(jù)權(quán)利要求1所述的一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位置的方 法，其特征在于，步驟(3)中，所述復(fù)合旋轉(zhuǎn)是指進(jìn)行多次旋轉(zhuǎn)，兩次連續(xù)的旋轉(zhuǎn)相當(dāng)于將兩 次的旋轉(zhuǎn)角度相加，第一次旋轉(zhuǎn)θι角，第二次旋轉(zhuǎn)02，根據(jù)式(X )進(jìn)行變換：式(VI)中，θι為第一次旋轉(zhuǎn)的角度，θ2為第二次旋轉(zhuǎn)的角度，R( θι)代表旋轉(zhuǎn)θι后的結(jié)果， R(92)代表旋轉(zhuǎn)02后的結(jié)果，Κ(θι+θ2)代表旋轉(zhuǎn)θι+θ2后的結(jié)果。7. 根據(jù)權(quán)利要求1-6任一所述的一種基于卷積分類器的自動檢測并勾畫肺結(jié)節(jié)所在位 置的方法，其特征在于，所述步驟(4)中，改變卷積神經(jīng)網(wǎng)絡(luò)分類器的重要參數(shù)多次訓(xùn)練分 類器，得到最優(yōu)分類器，將樣本集中的部分樣本輸入卷積神經(jīng)網(wǎng)絡(luò)分類器，輸出正確的肺結(jié) 節(jié)所在的R0I區(qū)域W及正確的疑似肺結(jié)節(jié)所在的R0I區(qū)域。
【文檔編號】G06T3/60GK106097340SQ201610411560
【公開日】2016年11月9日
【申請日】2016年6月12日 公開號201610411560.5, CN 106097340 A, CN 106097340A, CN 201610411560, CN-A-106097340, CN106097340 A, CN106097340A, CN201610411560, CN201610411560.5
【發(fā)明人】宋尚玲, 李夏, 楊陽, 劉云霞, 江立玉, 賈紅英
【申請人】山東大學(xué)