(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210213395.8 (22)申请日 2022.03.04 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 宫秀军　马铭鑫　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 刘国威 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习CT肺部图像特征的检测和识 别方法 (57)摘要 本发明涉及生物医学和深度学习、 计算机断 层扫描CT领域， 为提出CT肺部图像特征的检测和 识别方法。 为此， 本发明采取的技术方案是， 基于 深度学习CT肺部图像特征的检测和识别方法， 根 据一阶目标检测算法YOLO(You  Only Look  Once)系列中的YOLOV3算法， 采用3D  YOLOv3模 型， 对肺部CT图像进行肺部结节检测， 检测肺结 节的位置信息、 直径和肺结节置信度， 对检测出 来的候选框的目标进行分类， 判断肺结节属于恶 性结节或是良性结节。 本发明主要应用于CT设备 的设计制造场合。 权利要求书1页 说明书6页 附图4页 CN 114581409 A 2022.06.03 CN 114581409 A 1.一种基于深度学习CT肺部 图像特征的检测和识别方法， 其特征是， 根据一阶目标检 测算法YOL O(You Only Look Once)系列中的YOL OV3算法， 采用3D  YOLOv3模型， 对肺部CT图 像进行肺部结节检测， 检测肺结节的位置信息、 直径和肺结节置信度， 对检测出来的候选框 的目标进行分类， 判断肺结节属于恶性结节或是良性结节。 2.如权利要求1所述的基于深度 学习CT肺部图像特征的检测和识别方法， 其特征是， 数 据集预处理： 将CT肺部图像的亨氏单位HU值在[ ‑1200,+600]范围内的区域进行保留， 超出 HU值范围的区域舍弃， 再将HU值范围线性转换为[0,1]范围， 最后分割出肺实质并删除背 景； 数据集划分： LUNA16数据集有 10个包含肺部CT图像数据文件夹(subset0 ‑subset9)， 将 预处理后得到的肺部CT图像进行保存， 得到相应10个预处理后的CT图像数据文件夹； 将预 处理后的10个文件夹进行数据集划分， 其中8个文件夹中的预处理后的CT图像数据作为训 练集， 1个文件夹中的预处理后的CT图像数据作为验证集， 1个文件夹中的预处理后的CT图 像数据作为测试集； 数据增强： 因医学图像的数据量过少， 使用训练集训练3D  YOLOV3模型时， 在加载训练 集的CT图像数据同时采用随机翻转图像和以[0.75,1.25]比例进行裁剪方法使 得数据量增 加； 采用3D YOLOv3模型进行 特征学习， 对肺部 CT图像的肺结节进行目标检测。 3.如权利要求1所述的基于深度学习CT肺部图像特征的检测和识别方法， 其特征是， 3DYOLOv3模型 结构如下： 3D YOLOv3模型的主干网络使用DarkNet ‑53网络， DarkNet ‑53网络的结构为： 首层卷积 +层1即下采样卷积+1个残差块， 层2包括下采样卷积+2个残差块， 层3包括下采样卷积+8个 残差块， 层4包括下采样卷积+8个残差块， 层5包括下采样卷积+4个残差块； 使用DarkNet ‑53前52层作为基础网络对CT图像进行特征提取， 对2D版本DarkNet网络 进行改进， 首先将首层卷积层的输入通道数改为1， 将所有的卷积层， 批量归一化BN(Batch   Normalization)层和激活层(LeakyRelu)改为3D版本； 特征金字塔网络FPN(Feature  Pyramid Networks)多尺度预测， 将不同层输出经过特 征融合和卷积操作， 得到三个分支， 分别为32倍下采样、 16倍下采样， 8倍下采样的特征图， 三次检测对应的感受野不同， 32 倍降采样的感受野最大， 适合检测大的目标， 16倍降采样适 合一般大小的物体， 8倍降采样的感受野最小， 适合检测小目标； 每个特征图有3个先验框预 测是否有物体和预测框的坐标(x、 y、 z)、 直径d和结节的置信度。 4.一种基于深度学习CT肺部图像特征的检测和识别装置， 其特征是， 包括CT图像采集 设备和CT图像特征检测和识别装置， CT图像特征检测和识别装置利用3D  YOLOV3模 型， 对肺 部CT图像进 行肺部结节检测， 检测结节的位置信息、 直径和置信度， 对检测出来的候选框的 目标进行分类， 判断肺结节属于恶性结节或是良性结节。权　利　要　求　书 1/1 页 2 CN 114581409 A 2基于深度学习CT肺部图像特征的检测和识别方 法 技术领域 [0001]本发明涉及生物医学和深度学习、 计算机断层扫描(Computed  Tomography， CT)图 像特征自动识别、 医疗器械技术， 具体涉及基于深度学习CT肺部图像特征的检测和识别方 法。 背景技术 [0002]肺癌是癌症死亡的一个最常见的原因， 肺癌导致的死亡率极高， 远远高于其他种 类的癌症。 肺结节极有 可能导致肺癌， 所以肺结节的检测可以对早期肺癌进行筛查， 早期肺 癌的筛查可以极大 的提高生存几率。 对肺结节的准确预测、 对肺癌早期诊断并且及时治疗 时提高生存率的最佳途径。 医生根据CT图像对肺结节进行筛选和识别， 筛选的过程耗时又 繁琐， 医生过于依赖以前的经验， 可能导致检测出错。 深度学习算法对肺结节进 行检测和定 位的结果可以辅助医生更省事省力且准确的进行判断， 基于深度学习的计算机辅助诊断技 术结合医学图像 应用到医学临床实验中。 [0003]国家肺筛实验(National  Lung Screening  Trial， NLST)是美国的一项随机对照 实验， 包括50000多名高危受试者， 结果表明， 与每年进行胸 部X光检查相比， 每年使用低剂 量CT进行肺部筛查可将肺癌死亡率降低20％。 目前使用低剂量CT扫描筛查高危人群， 在CT 肺癌筛查中， 需要分析大量的CT扫描， 这对于放射科医生来说是巨大的负 担。 在进行大规模 实施低剂量CT的肺癌筛查计划时， 我们可以选择肺结节的计算机辅助检测(Computer   Aided Diagnosis， CAD)辅助放射科医生进性筛检。 因此， 人们研究使用计算机算法来对CT 图像进行筛选和处理。 肺癌筛查CT扫描分析的重要第一步是检测肺结节， 肺结节并不一定 代表早期肺癌。 各种研究算法用来进行肺结节检测。 肺结节分析比赛提出的LUNA16(Lung   Nodule Analysis  16)数据集， LUNA16数据集侧重于对肺图像数据库联盟和图像数据库资 源倡议(Lung  Image Database  Consortium  and Image Database  Resource Initiative， LIDC/IDRI)数据集上的自动结节检测算法进行评估。 LIDC/IDRI数据集是公开可用的， 包括 四位放射科医生对肺结节注释。 LUNA16挑战是一个开放性的挑战任务， 有完整的结节检测 系统和使用可能结节位置列表。 [0004]将二维物体目标检测方法扩展到三维物体目标检测任务， 例如视频动作检测和体 积检测。 三维卷积神经网络(Three ‑dimensional  Convolutional  Neural Network， 3D   CNN)相对于二维卷积神经网络(Two ‑dimensional  Convolutional  Neural Network， 2D   CNN)更能获得空间的特征信息， 2D  CNN无法检测到肺结节的三维空间信息， 3D  CNN是对多 个连续帧的图像组成一个立方体上运用3D卷积核。 对CT图像进 行肺结节的诊断本质上是一 个三维物体识别的问题。 发明内容 [0005]为克服现有技术的不足， 本发明旨在提出CT肺部图像特征的检测和识别方法。 为 此， 本发明采取的技术方案是， 基于深度学习CT肺部图像特征的检测和识别方法， 根据一阶说　明　书 1/6 页 3 CN 114581409 A 3