兰州文理学院学报(自然科学版)
)JournalofLanzhouUniversitfArtsandScience(NaturalSciencesyo
Vol．３４No．２
Mar．２０２０
() 文章编号:２０９５Ｇ６９９１２０２００２Ｇ００８５Ｇ０５
基于改进LeNetＧ５的肺结节检测方法研究
()莆田学院机电工程学院,福建莆田３５１１００
傅 磊,林振衡,谢海鹤
摘要:目前,肺部C随着医学影像服务需求的不断增T图像的筛查工作大多数是由影像科专家人工读片完成,长,这种繁重的人工阅片工作无疑会成为医生的沉重负担．因此,本文提出一种基于改进LeNetＧ５的肺结节检测方法．该方法基于L采用卷积核大小为３、步幅为２的卷积层取代传统LIDCＧIDRI肺癌检测数据集,eNet模模型相比,该模型在肺结节识别上有更好的效果,从而进一步辅助影像科医生进行诊断,降低工作强度．关键词:改进L肺结节检测;eNetＧ５;LIDCＧIDRI中图分类号:TP３９１．４１ 文献标志码:A
型中原有的池化层,并且在每层A实验结果表明,与传统的LctivationFunction之前加入批量归一化层．eNet
0 引言
经网络模型．相比于之前通过手工特征提取方法对肺结节进行检测,深度学习在肺癌早期诊断中表现出优越的特征提取能力,这无疑为患者僻出一线生机,不仅可以挽救无数患者的生命,而且可以减轻医生的工作量,减少漏诊率及误诊率,提高工作效率．
为了辅助医生可以更快且更准确地判断出有
肺癌是全球第一大癌,是发病率和死亡率增
肺癌发病率和死亡率都呈现出上升的趋５０年来,
势,与患者被诊断时已处于晚期密不可分,因此肺
]１癌的早期及时确诊是目前研究的热点[电子计．
长最快、对人类生存威胁最大的恶性肿瘤之一．近
,算机断层扫描(被ComutedTomorahCT)pgpy认为是目前检测早期肺癌的最佳方法之一,由于医生每天接待大量患者,面对大量诊断的CT影像资料,医生的读片疲劳难免会导致漏诊某些小结节,从而基于机器识别医学影像来缓解医生的工作压力,提高诊断效率是人工智能图像识别的主要研究领域之一．
目前人工智能图像识别的主要热点仍然是基
问题的肺部C本文基于LT切片,IDCＧIDRI肺癌模型的肺结节检测方法．通过对肺部CT图像进行预处理、LeNetＧ５模型训练、LeNetＧ５模型验证等步骤,最终实现对肺部CT图像中有无肺结节准确的辅助方法,对肺癌的早期诊断和治疗有着重要的临床意义．
检测数据集,提出了一种基于深度学习LeNetＧ５
图像的分类,从而为医生的诊断提供了更为方便、
于卷积神经网络(ConvolutionalNeuralNetＧ
的深度学习．work,CNN)１９９８年基于卷积神经网络的L然而之后CeNet诞生,NN的锋芒开始,被支持向量机(SuortVectorMachineSVM)pp以及GOut等概念的提出,PU和大数据飞速发
展带来的历史机遇,随后LeNetＧ５逐渐发展起来,
[]Ｇ６和R改进模型,进一步完善了卷积神esNet等３２]等手工设计的特征盖过[随着R．eLU和DroＧp
1 LeNet5模型数据的来源和预处理Ｇ
,该数据集由美国国家癌症研究所LIDCＧIDRI
()发起收集的,包括胸NationalCancerInstitute部医学图像文件(如C和对应的诊断T、X光片)结果病变标注．在L一共有IDCＧIDRI数据集中,
本文LeNetＧ５模型所采用的是公开的数据集
、研究者们相继提出了ZFNetVGG、GooleNetg
收稿日期:２０２０Ｇ０２Ｇ１０
其中,每个实例都包１０１８个研究病例影像资料．含一个x该文件由４位经验丰富的ml标注文件,
()MDM２０１８００５com．
;基金项目:福建省中青年教师教育科研项目(福建省医疗数据挖掘与应用工程技术研究中心开放课题JT１８０４７０)),:作者简介:傅磊(男,福建莆田人,助教,硕士,研究方向:深度学习、医学图像分类．１９９１ＧEＧmail７８２２８５４１１＠q．q
兰州文理学院学报(自然科学版) 第３４卷８６
７]
胸部放射科医师进行两阶段的诊断标注[．
1.1 像素值处理
一般都要对数据LeNetＧ５模型在训练之前,进行预处理．CT图像的数值一般用亨斯菲尔德
[]
空气的HU值为－１０因此,其HU值是０,００８．
他物质的HU值表示如式１所示．
,HU)单位(表示,一般情况下,HounsfieldUnit
其他物质的HU值都以水和空气为标准,水的
００３病例来说明HU转换前后CT数值的直方图
变化．其中,直方图的坐标轴均调整成相同的尺寸．可以看出,转换后的直方图与转换前相比,几
Imae＝RescaleIntercet＋gp
,RescaleSloe×Imaepg
要先进行HU转换,如图１所示,以LIDCＧIDRIＧ
因此,LeNetＧ５模型数据预处理的第一阶段
乎是整体向左平移的．HU转换公式如式２所示．()２
其中,表RescaleIntercet由DICOM图像提供,p示灰度偏移量,RescaleSloe由DICOM图像提p供,表示斜率,Imae表示图像的灰度值．g
μ物质－μ水
()HU物质＝×１０００,１
μ水－μ气
其中,与X射线的强度有关．μ为线性衰减系数,
()aHU转换之前
()bHU转换之后
图１ 转换LIDCＧIDRIＧ０００３病例HU前后的直方图对比
1.2 图像标准化处理
通常情况下,LeNetＧ５模型在训练的时候一般都需要大小相同的图像作为输入．因此,首先将∗２２４像素的统一尺寸．另外,在L每IDCＧIDRI原始图像数据集中,],为了让L４００eNetＧ５模型训练的输入图像数据
)有更好的效果,本文通过公式(将数据集中的原３,的像素值设定为０(黑色)大于４００的像素值设的都会设为０,大于１的都会当作１来处理,归一化后的图像对比情况如图２所示．如果不处理小于－１０直接经过标准化之００以及大于４００的值,后,会造成在肺部CT图像的外围有一些干扰影像,这些部分并不是我们感兴趣的地方,如果这些部分进入到训练模型中,将会造成模型对图像识
]９
别上的误判[所以,本文先将C．T图像两端的边
图２所示．
所有LIDCＧIDRI数据集的图像大小都调整为２２４一张肺部切片图像的像素值都介于[－１０００,始图像切片像素值进行标准化处理,小于－１０００(,为１白色)归一化后的切片图像像素值小于０
()图像标准化前的原始图像a
界值处理掉,肺部CT原始图像的标准化结果如
图２ 图像标准化处理前后的CT图像对比
()图像标准化后的图像b
第２期傅磊等:基于改进LeNetＧ５的肺结节检测方法研究
８７
(Maxinnew－Mnew)
XnXoin＋ew(ld－Mold)(Maxinold－Mold)
()Min３new,
其中,XoMinld为原图像的像素值,old为原图像切片的最小像素值,Maxold为原图像切片的最大像素值,XMinnew为变换后图像切片的像素值,new为变换后切片图像的最小像素值,Maxnew为变换后切片图像的最大像素值．
最早提出,是首个应用在手写数字识别领域并取得良好效果的卷积神经网络模型,极大推动了卷积神经网络在图像识别领域的应用．
2.2 传统的LeNet5卷积网络架构Ｇ
传统的L不包括eNetＧ５网络结构共有７层(,输入层)包含２个全连接层、３个卷积层和２个池化层．将预处理过的LIDCＧIDRI数据集按２２４最终输出得到２个识别结果(有肺结节和无肺结,节)传统的LeNetＧ５网络结构如图３所示．经过L∗２２４∗３维输入LeNetＧ５模型中,eNetＧ５网络提取肺结节的图像特征,利用Simoid函数,g
2 肺结节检测的LeNet5网络模型Ｇ
2.1 LeNet5卷积网络架构Ｇ
[０]
在深度学习中,LeNetＧ５模型由Yann等１
图３ 传统的LeNetＧ５网络结构图
2.3 改进的LeNet5卷积网络架构Ｇ
但过多的LeNetＧ５在图像识别中表现优异,池化层会丧失许多图像中的特征,因此本文使用另外在传统LLeNetＧ５模型中的池化层,eNetＧ５
中的卷积层和卷积层,全连接层和全连接层,卷积层和全连接层之间的激活函数之前增加了批量归,习率可以更大,且可以不用D改进的rooutpLeNetＧ５网络如图４所示．,一化层(从而在LBN层)eNetＧ５模型中使得学卷积核大小为３,步幅为２的卷积层替换了传统
3 实验结果与分析
3.1 实验环境
本文实验环境的具体配置如表１所列．
样本中,随机选取２４００个CT扫描样例作为
数据集包含了LeNetＧ５模型的肺结节识别数据．两种类别的数据分别为０和１．其中,０代表没有肺结节的正常肺部CT图像切片;１代表有肺结节的肺部C每张图片的分辨率大小T图像切片,随机划分为训练集和验证集,训练集用２的比例,
于建立传统的LeNetＧ５模型和改进的LeNetＧ５模
3.2 实验数据
本文在LIDCＧIDRI中１０１８个肺部CT图像
参数处理器内存操作系统运行环境
图４ 改进的LeNetＧ５网络结构图
表１ 实验环境具体配置
数值
(()InteR)CoreTM)i７Ｇ７５００U(２．５GHzCPU
６４位Windows１０
８GBRAM
为２其中,２４∗２２４．２４００个总样本集又被按照８:
Pthon３．５＋Anaconda＋Tensorflowy
型,验证集用于验证所建立的传统LeNetＧ５模型和改进的LeNetＧ５模型的有效性．
兰州文理学院学报(自然科学版) 第３４卷８８
使用的优化器O其学习率为timizer是Adam,p
经过调整迭代次数和训练参数,最终确定００００１．训练传统的LeNetＧ５模型和改进的LeNetＧ５模型最终的训练结果如图５所示．
迭代次数为３批次大小B００次,atch_Size取３２,)不断增加,训练损失值(和验证损失TrainLoss3.3 训练与测试结果
在本文改进的L所eNetＧ５模型训练过程中,
平均值,测试结果如表２所列．
中原有的池化层,并且在每层ActivationFuncＧ
可以更好地获取肺tion之前加入批量归一化层,结节图像上的特征,因而对于测试样本集中的肺结节识别率更高,表现出了更好的效果,提高了肺结节检测的正确率．
通过采用卷积核大LeNetＧ５的肺结节检测方法,
小为３,步幅为２的卷积层取代传统LeNet模型
通过表２可以看出,本文提出的基于改进
在调整参数的过程中,随着训练迭代次数的
值(试的准确率呈现出上升的趋势ValidationLoss)处于逐渐下,说明整个降的趋势L,e而Ne测模型还处于不断的学习状态,
可以进一步增加tＧ
模型的迭代次数测试准确率慢慢趋于稳定Batch_Si[z１１e]
,．
使LeNetＧ５模型的
(a)TrainLoss
图５(b )训练和测试损失值
ValidationLoss
通过从的测试样本集LI,D来评估传统CＧIDRI数据集中随机划分选取
的LeNetＧ５模型和本文建立改进的本文重复进行了LeNetＧ５模型在肺结节检测上的表现肺结节识别正确率上的差别．５次实验来评估两种模型在,每次实验后分别获得传统LeNetＧ５模型和改进的,最后再取Le５Ne次实验结果的
tＧ５模型在肺结节识别上的正确率表２ 两种模型测试样本集识别率情况
测试次数传统L改进的正确率
９eNe９LeNetＧ５第一次第二次９０９１．．３tＧ５正确率
１６７％％９４．３２％第三次９３第四次９０９３．．２６％第五次９０．３３％９４．４７３９％平均
９１．０．５．８８％８０５％％
９３３．．３８３％３％％
4 结束语
本文实验测试得到的结果和对样本集的验证
准确率说明相对于传统的LeNetＧ５Le的肺NetＧ５网络模型,
本文提出的基于改进结节检测方法,可以更好地解决肺部题,从而更好地帮助影像科医生进行辅助诊断CT图像中肺结节的识别问．由于本文建立比较有限,并不能充分代表临床中的实际情况LeNetＧ５肺结节模型所使用的数据集,进一步建立更深．今后,将在更多临床数据的基础上的LeNe,t同时可Ｇ５网络模型,以便获得更好的肺结节检测效果以用于区别肺部CT图像中的其他疾病．参考文献:
[１
]陈玉琴．二甲双胍联合顺铂对人肺癌裸鼠移植瘤的治疗作用及其作用机制的研究[大学,D石家庄:河北医科[２
]赵仕进２０[D]．南京．１基于全卷积神经网络的脑组织提取算法研究４．
]．:东南大学,[３]ZEILERMD,FERG２０U１SR．V８．
standingconvolutionalnetworksisCua]liziEnugroa
pneduanCndoernＧferenceonComputerVision．Z[uric/h/,SwitzerlandＧ[４]Sriner,２０１:lS[uIpEtMOgiBo/naNOlnYAL]e．tN４(w２oK:８０r１k,１８６sfZＧI８S３Ｇ０５oＧrlS３E．１６aRMANA．Verydeepc
onvoＧ)r[g２es０２０cＧa０l２eiＧ１５ma]g．erhttep
c:og/n/iatiroxnＧ５第２期
//iv．orabs１４０９．１５５６．g
傅磊等:基于改进LeNetＧ５的肺结节检测方法研究
８９
[]５SZEGEDYC,LIUW,JIAY,etal．Goineeergdp
]:////１５．httarxiv．orabs１４０９．４８４２．pg
/([withconvolutions[EBOL]．２０１５Ｇ０８Ｇ２３)２０２０Ｇ０２Ｇ
izedmethodofconvertinTimaetoPETlinearatＧgCg/tenuationcoefficientdistributioninPETCTimaingg[]():J．ChinesePhsicsB,２０１４,２３２５０７Ｇ５１５．y[]():软件导刊,J．２０１８,１７８１６５Ｇ１６８．
[]HEKM,６ZHANGXY,RENSQ,etal．DeeesiＧpr
ofIEEEConferenceonComuterVisionandPatternp,Press２０１６:７７０Ｇ７７８．
[//durallearninorimaereconitionC]Proceedingfggg
[]徐峰,郑斌,郭进祥,等．基于U９ＧNet的结节分割方法[]１０LECUNY,BOTTOUL,BENGIOY,etal．GradiＧ
entＧbasedlearninliedtodocumentreconitiongappg[]:J．ProceedinsoftheIEEE,１９９８,８６(１１)２２７８Ｇg
:Reconition．LosAlamitosIEEEComuterSocietgpy
[]孟以爽,易平,顾问,等．基于深度学习的肺结节检测７
[]WANGL,WUL,WE,８uiＧweiILeetal．AgeneralＧ
[]():计算机时代,J．２０１８２５Ｇ９．
[]陈宏彩．一种基于深度卷积神经网络的车辆颜色识１１
]():别方法[河北省科学院学报,J．２０１７,３４２１Ｇ６．
２３２４．
[责任编辑:李岚]
PulmonaroduleDetectionMethodBasedonImrovedLeNetＧ５yNp
(,,,)SchoolofMechanicalandElectricalEnineerinPutianUniversitPutian３５１１００,FuianChinaggyj
FULei,LINZhenＧhenXIEHaiＧheg,
:,mAbstractAtpresentostofthescreeninorkoflunTimaeisdonebheexertsofimaingwgCgytpgg
,deartment．WiththeincreasinemandofmedicalimaeservicethisheavanualreadinorkpgdgymgwbasedontheimrovedLeNetＧ５isproosedinthispaer．ThismethodisbasedonLIDCＧIDRIlunpppg
,cancerdetectiondatasetusinconvolutionlaerwithaconvolutionkernelsizeof３andastrideof２gaybeforeeachActivationFunction．Theexerimentalresultsshowthatcomaredwiththetraditionalpp
,,LeNetmodelthemodelhasabettereffectonlunodulereconitionthereburtherassistinhegngyfgt,willundoubtedlecomeaheavurdenfordoctors．Thereforealunoduledetectionmethodybybgn
,torelacetheoriinalpoolinaerinthetraditionalLeNetmodelandaddinatchnormalizationpgglygbimainoctorinthedianosisandreducinheworkintensit．ggdggty:;KeordsimrovedlenetＧ５;ulmonaroduledetectionLIDCＧIDRIppynyw
因篇幅问题不能全部显示，请点此查看更多更全内容