CN109102502A - 基于三维卷积神经网络的肺结节检测方法 - Google Patents

Abstract

本发明涉及一种基于三维卷积神经网络的肺结节检测方法，采用了特征金字塔和注意力机制的网络结构，融合了低层高分辨率的特征和高层抽象特征，并使得网络集中注意于有目标的区域。采用了三维卷积神经网络的检测方法，端对端的进行肺结节检测，降低了时间开销，并且相较于传统的方法提高了结节检测的召回率和平均准确率。

Description

基于三维卷积神经网络的肺结节检测方法

技术领域

本发明属于医学图像处理技术领域，涉及一种在肺部切片数据中检测肺结节的方法，具体来说是一种基于三维卷积神经网络的肺结节检测方法。

背景技术

癌症一直严重威胁着人类的生命健康，其中，由肺癌引发的死亡在所有癌症发病及死亡中占首位。而肺癌的生存率与发现的时机很相关，肺癌中晚期时，治疗费用高且效果不佳。早期的肺癌大多数无明显症状，常常以肺结节形式表现。据报道，肺结节尽早地被发现并治疗，肺癌的生存率会提高很多。因此，尽早的对肺结节进行检测和诊断是提升患者生存几率的关键。

CT图像是医生诊断肺部疾病的主要依据。目前，大部分针对CT数据的计算机辅助系统均采用了2D的特征，如边缘形态，边缘周长等。但是在2D特征中，肺部的血管、支气管等组织与肺结节很相似，从而对结节的检测产生了影响。而CT数据本质上就有3D的结构，是由一系列切片构成的，并且在3D空间中肺结节的形状与球体相近，而血管和支气管等组织会呈现延伸的形态，有着明显的差异。因此，将3D特征应用在肺结节检测中已经是CT图像研究的主流。

近年来，随着大数据和人工智能的发展，深度学习的研究不断地深入，为图像处理的相关领域也带来了巨大的变革。医疗诊断也开始涉足这一领域，将大数据驱动的深度学习应用于肺结节诊断中，对于缓解医疗资源和医患矛盾等均具有重大的意义。深度神经网络可以从数据本身出发，主动学习到CT数据的抽象特征，比起手工提取的特征，可以更好的表征数据本身。也因此，基于卷积神经网络(CNN)的技术也成为了肺结节检测方法的主流。

传统的检测方法可以分为两步，第一步，寻找待分类的疑似结节区域，主要目的是尽可能地找出包含所有结节的疑似区域，主要采用一些阈值法，分割算法等完成；第二步是对疑似结节的区域进行筛选，主要是建立一个分类器，对上一步的区域进行特征提取，接着将特征输入分类器，由分类器鉴别是否是结节。基于深度学习的肺结节检测最常见的是两阶段的方法，首先对原始CT图像做候选检测，提取候选目标；其次对候选目标进行二分类，并进行位置的回归，如基于区域的卷积神经网络(Region-based Convolutional NeuralNetwork，RCNN)系列的算法。但是RCNN系列的方法训练比较耗时，为了满足肺结节检测系统的实时性和可用性，设计一个快速高效的肺结节检测方法便具有很现实的意义。

发明内容

要解决的技术问题

为了克服传统的基于2D手工特征的肺结节检测方法没有利用到CT数据本质是3D结构的性质，从而影响检测召回率的问题。本发明替代了传统的手工特征，采用深度神经网络从3D肺部CT数据中学习更为抽象的特征。针对于RCNN系列的两阶段训练耗时问题，本发明采用了一阶段的检测框架，提出了一种基于特征金字塔网络(Feature PyramidNetwork，FPN)和注意力机制(Attention)的网络结构。FPN的结构使得网络既采用了低层高分辨率的特征，也采用了高层的抽象特征，而低层高分辨率的特征对于检测小的肺结节很有帮助，高层的抽象特征对于检测直径大的结节有很好的帮助。注意力机制使得神经网络可以专注于输入中的特定部分，在肺结节检测中，可以使得神经网络对疑似结节的区域学习到更大的权重。将两者结合起来，将预处理过的CT数据输入定义好的网络结构中，输出检测到的结节位置、直径以及当前位置是结节的概率，计算出位置回归和类别的损失，利用误差的反向传播算法对整个网络的参数进行调整，这样就得到了一个具有高召回率和平均准确率的肺结节检测系统。

技术方案

一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤如下：

步骤1：对肺部CT数据进行预处理：

采用下述公式将结节从图像坐标体系转换为病人坐标体系：

其中，origin和spacing分别为图像坐标体系中的原点和间距，center表示要转换的位置点，center'表示转换之后的位置点；

对每组数据循环每一个切片，使用阈值法以及连通区域标记得到肺实质区域的标记图；接着采用形态学的凸包和膨胀操作修复肺实质的外轮廓和内部轮廓，得到肺部的掩码，从而得到肺实质区域；接着重采样数据，将病人坐标体系中的三个面上的切片间距均调整为1mmⅹ1mmⅹ1mm，并将亨氏值规范化至0～255的范围内，得到肺分割的预处理结果；所述的三个面为横断面、冠状面、矢状面；

步骤2：利用定义好的网络结构在训练集上进行训练，确定一组最优的参数：

对训练数据进行过采样、裁剪、数据增强，所述的数据增强有水平翻转和旋转操作；在输入给网络之前再将0～255的数值范围进行归一化；

本发明针对于输入图像块，会预测出20ⅹ20ⅹ20个位置，每个位置有4个anchor；anchor大小是根据统计分析得来的；

处理训练数据标签时，判断如果一个anchor与任意一个标签的IOU大于0.5则认为是结节，并将置信度标记为1；如果一个anchor与任意一个标签的IOU小于0.02，则认为其不是结节，并将置信度设置为-1；IOU大于0.02小于0.5的位置均设置为0，不参与训练；

在训练数据与标签均处理完成后，将训练数据输入网络中，进行前向传播：

首先输入数据，经过预处理块提取特征，预处理块是由一个卷积层，批规范化层和激活函数Relu6组成；接着将输出结果输入至两个并行的残差块和注意力模块中，残差块主要是为提取特征，注意力模块会给出一个概率分布，最终将两个结果结合起来；设残差块的输出为T，注意力模块的输出为M，则最终的输出为(1+M)×T，可以看出，如果权重M为0，则输出为T，如果M变大，则输出会被加强；接着将输出结果传入下一层的下采样模块，这一层的作用是降低特征的分辨率，采用步长为2的卷积层实现；在特征图的分辨率为10×10×10大小时进行上采样操作，采用反卷积实现，再将结果与前面得到的位置信息以及下采样结果进行连接，最后再经过卷积、dropout得到最终的输出；

得到网络前向传播的输出后，计算其与真实标签之间的误差；由于样本位置中多数为负样本，为了解决样本类别不平衡以及易分样本的问题，采用了在线难分负样本挖掘；即将正负anchor分开计算损失，所有正的anchor全部参与损失的计算；对负的anchor，根据其是结节的概率排序，取出前k个负的anchor来计算损失，在这里k设置为正anchor数目的2倍；即只有所有正样本和2倍数目的难分负样本会参与损失的计算；这里的损失是多任务的损失，一部分是分类的损失，另一部分是位置回归的损失，当然只有正的anchor才有回归的损失；分类损失采用焦点损失，让损失聚焦于难分的anchor，对正的anchor，损失计算公式如下：

FL⁺(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中α_t、γ是两个超参数，α_t是为了控制正负anchor的比重，本发明中将其设置为0.25，γ设置为2；p_t代表当前anchor是结节的概率；

对于负的anchor，损失的计算公式如下：

FL^-(p_t)＝-(1-α_t)p_t ^γlog(1-p_t)

回归损失采用Smooth L1，对于x,y,z,d的回归均采用如下计算方式：

整体损失函数为分类损失与回归损失之和；计算出损失之后，采用反向传播算法来更新网络参数，反复迭代多次，直至损失函数值减小，网络收敛到局部最优或是达到一定的迭代次数时停止训练，则找到了一组最优的网络参数；

步骤3：利用训练好的网络参数在测试集上进行预测：

对于一组测试病例数据，在进行了步骤1的预处理之后，对数据进行了切分，将一组数据切分为多个小的立方体块，然后将小的立方体块输入步骤2训练好的网络来提取特征并预测输出，得到每个立方块的输出后再将结果合并起来得到最终的预测结果：预测的位置x,y,z和直径d以及当前位置是结节的置信度p；

先采用阈值法，根据置信度p，以及预测的结节直径d进行初筛，再采用非极大值抑制NMS去掉多余的位置；最后，再对预测得到的位置x,y,z进行坐标的转换：

coord'＝coord×spacing+origin

其中，coord是要转换的位置坐标，coord'是转换后的位置坐标，得到最终结果。

步骤3中的置信度p的阈值取-1.2。

步骤3中的结节直径大小范围为2mm～35mm之间。

步骤3中的NMS的阈值采用0.1。

有益效果

本发明提出的一种基于三维卷积神经网络的肺结节检测方法，采用了特征金字塔和注意力机制的网络结构，融合了低层高分辨率的特征和高层抽象特征，并使得网络集中注意于有目标的区域。采用了三维卷积神经网络的检测方法，端对端的进行肺结节检测，降低了时间开销，并且相较于传统的方法提高了结节检测的召回率和平均准确率。

附图说明

图1：基于三维卷积神经网络的肺结节检测网络结构

图2：残差块详细设计

图3：注意力模块详细设计

具体实施方式

现结合实施例、附图对本发明作进一步描述：

一种基于三维卷积神经网络的肺结节检测方法，步骤如下：

步骤1对肺部CT数据进行预处理，主要是为降低血管等一系列非肺区域的干扰，得到切割之后的肺实质区域，降低假阳性。由于人体肺部结构复杂，个体差异大，双肺部充满了气体，其CT值比周围的骨骼、肌肉等组织低，肺实质图像边缘明晰。但是由于双肺内包含了动静脉血管、气管、支气管、毛细血管等多种解剖结构，因此双肺部低的CT值内含有许多高CT值图像，这对目标图像的分析造成了很大的不利。所以在预处理阶段对肺进行分割可以大大降低假阳性的引入，在网络预测阶段减少搜索空间。

图像坐标体系描述的是图像是怎么被获取的，医学扫描仪器创建了规则的点和网格的矩形数组，它的原点在左上角。其除了保存立体像素的强度值外，还保存了原点及间距。对医学图像处理来说，最重要是病人坐标体系，主要用来描述标准的人体在解剖学上的位置。因此首先要对坐标进行转换。将结节从图像坐标体系转换为病人坐标体系，在病人坐标体系中进行处理；对每组数据循环每一个切片，使用阈值法以及连通区域标记得到肺实质区域的标记图；接着采用形态学的凸包和膨胀操作修复肺实质的外轮廓和内部轮廓，得到肺部的掩码，从而得到肺实质区域；接着重采样数据，将3个方向的切片间距均调整为1mm×1mm×1mm，并将亨氏值规范化至0～255的范围内，得到肺分割的预处理结果。

步骤2利用定义好的网络结构在训练集上进行训练，确定一组最优的参数。

在训练时，为使得训练数据与定义好的网络结构相匹配，首先需要对处理好的肺实质进行进一步的处理，得到训练数据块以及对应的标签。

针对大直径的结节数量较少，小直径结节数量较多的情况，首先对训练数据中的大直径结节进行过采样。紧接着再对每个CT数据进行裁剪，根据给定的标签，随机在结节周围选取位置，以该位置为参考，裁取结节位置周围80×80×80mm的立方块作为训练时的输入数据，同时保存选取的立方块相对于原始图像的相对位置信息。最后再对80×80×80mm的立方块执行数据增强操作，主要有水平翻转和旋转。在输入给网络之前再对0～255的数值范围进行归一化，将数值限制在一个小的范围内。

本发明针对于输入图像块，会预测出20×20×20个位置，为了更好地覆盖到所有的结节，采用了锚(anchor)机制，对于每一个位置再取4个不同的直径大小。这里不同直径大小的选取是采用统计分析得到的。此外，对每个位置会得到4+1的输出值，其中4表示预测出的结节位置和直径x,y,z和d，1表示当前位置是结节的概率。因此，对于80×80×80的数据块对应的标签信息为20×20×20×4×5。在进行标签处理时，主要是给出每个anchor的类别标签。其规则为，判断如果一个anchor与任意一个标签的交集与并集的比值(Intersection over Union,IOU)大于0.5则认为该位置是结节，并将其类别标签标记为1；如果一个anchor与任意一个标签的IOU小于0.02，则认为该anchor不是结节，并将其类别标签设置为-1。IOU大于0.02小于0.5的anchor均设置为0，不参与训练。

在训练数据与标签均处理完成后，将训练数据输入网络中，进行前向传播，得到预测结果。前向传播的网络结构受到了FPN和注意力机制的启发，网络结构如图1所示。3D数据块经过预处理块提取特征，接着将输出结果输入至两个并行的块中，残差块主要是为提取特征，注意力模块会给出一个概率分布，指示出网络应该将注意力集中在特征图的哪些部分，对于有目标的区域应该对应更大的权重，没有目标的区域对应小的权重，最终将两个结果结合起来。设残差块的输出为T，注意力模块的输出为M，则最终的输出为(1+M)×T。可以看出，如果权重M为0，则输出为残差块的输出T，如果M变大，则输出会被加强。接着将输出结果传入下一层的下采样模块，这一层的主要作用是降低特征的分辨率，采用步长为2的卷积层实现。在特征的分辨率为10×10×10大小时进行上采样操作，采用反卷积实现，再将结果与前面得到的位置信息以及下采样结果进行连接，最后再经过卷积、dropout等操作得到最终的输出。

得到网络前向传播的输出后，计算其与真实标签之间的误差。由于样本位置中多数为负样本，为了解决样本类别不平衡以及易分样本的问题，采用了在线难分负样本挖掘(Online Hard Negative Mining,OHNM)。即将正负anchor分开计算损失，所有正的anchor全部参与损失的计算；对负的anchor，根据其是结节的概率排序，取出前k个负的anchor来计算损失，在这里k设置为正anchor数目的2倍。这里的损失是多任务的损失，一部分是分类的损失，另一部分是位置回归的损失。当然只有正的anchor才有回归的损失。分类损失采用焦点损失(focal loss)，让损失聚焦于难分的anchor，回归损失采用smooth L1。计算出损失之后，采用反向传播算法来更新网络参数，反复迭代多次，直至损失减小，网络收敛到局部最优或是达到一定的迭代次数时停止训练，则找到了一组最优的网络参数。

步骤3利用训练好的网络参数在测试集上进行预测。

同训练一样，测试之前，首先对数据进行处理，主要是对数据进行切分。对于一个病人的CT数据，将其切分成多个小的立方体块，再将小的立方体块输入网络来提取特征并预测输出。得到每个立方块的输出后再将结果合并起来得到最终的预测结果，结果给出预测的位置x,y,z和直径d，以及当前位置是结节的概率p。

通常神经网络预测出的位置有很多，先采用阈值法，根据是结节的概率p，以及预测的结节直径d进行初筛，再采用非极大值抑制(Non-maximum suppression,NMS)去掉多余的位置。由于所有的训练和预测都是在结节的病人坐标体系中进行的，而实际要得到的是图像坐标体系，因此再对预测得到的位置x,y,z进行坐标的转换，得到最终结果。

实施例：

步骤1：坐标转换时已知图像坐标体系中的原点origin和间距spacing，依照如下公式计算转换后的坐标。

其中center表示要转换的位置点，center'表示转换之后的位置点。接着采用阈值法以及连通区域标记得到肺实质区域的标记图。采用形态学的凸包和膨胀操作修复肺实质的外轮廓和内部轮廓，得到肺部的掩码，从而得到肺实质区域；再重采样数据，将病人坐标体系中的三个面上(横断面、冠状面、矢状面)的切片间距均调整为1mm×1mm×1mm，并将体素的数值范围规范化至0～255的范围内，得到肺分割的预处理结果。

步骤2：利用定义好的网络结构在训练集上进行训练，确定一组最优的参数。

在训练时，为使得训练数据与定义好的网络结构相匹配，首先需要对处理好的肺实质进行进一步的处理，得到训练数据块以及对应的标签。

针对大直径的结节数量较少，小直径结节数量较多的情况，首先对训练数据中的大直径结节进行过采样。根据结节直径进行了统计分析，得出小于8mm的结节数量很多，相比之下，直径在8～20mm之间的结节数量较少，大于20mm的结节最少，这样的不均衡会导致网络对大的结节不敏感。因此对8～20mm之间结节进行了4倍的采样，对大于20mm的结节进行了6倍的采样。紧接着再对每个CT数据进行裁剪，根据给定的标签，随机在结节周围选取位置，以该位置为参考，裁取结节位置周围80×80×80mm的立方块作为训练时的输入数据，同时保存选取的立方块相对于原始图像的相对位置信息。此外，对训练数据进行裁剪时是随机裁剪的，所以过采样再加上随机裁剪相当于扩充了数据。最后再对80×80×80mm的立方块执行数据增强操作，主要有水平翻转和旋转。在输入给网络之前再对0～255的数值范围进行归一化，将数值限制在一个小的范围内。

本发明针对于输入图像块，会预测出20ⅹ20ⅹ20个位置，每个位置有4个anchor。设置4个anchor是为了覆盖到不同直径的结节。这里anchor大小是根据统计分析得来的。将2mm至35mm的结节分成了10个区间，统计了每个区间内结节的个数，最终确定了4个anchor的大小。

在进行标签处理时，主要是给出每个anchor的类别标签。其规则为，判断如果一个anchor与任意一个标签的IOU大于0.5则认为该位置是结节，并将其类别标签标记为1；如果一个anchor与任意一个标签的IOU小于0.02，则认为该anchor不是结节，并将其类别标签设置为-1。IOU大于0.02小于0.5的anchor均设置为0，不参与训练。

在训练数据与标签均处理完成后，将训练数据输入网络中，进行前向传播。网络结构如附图1所示。图中，矩阵框表示操作，空心箭头表示指示作用，指示在当前过程中，特征图的个数以及维度。

首先输入数据，经过预处理块提取特征，预处理块是由一个卷积层，批规范化层和激活函数Relu6组成。接着将输出结果输入至两个并行的块中，残差块主要是为提取特征，注意力模块会给出一个概率分布，指示出网络应该将注意力集中在特征图的哪些部分，对于有目标的区域应该对应更大的权重，没有目标的区域对应小的权重，最终将两个结果结合起来。设残差块的输出为T，注意力模块的输出为M，则最终的输出为(1+M)×T，可以看出，如果权重M为0，则输出为T，如果M变大，则输出会被加强。其中残差块的结构如附图2所示，主要在于将输入x直接加到了激活函数前，这样避免了梯度消失，使得梯度可以直接传播到前面的层。注意力模块1的结构如附图3所示，参数也是由网络自主学习，通过最大池化将特征图的分辨率降低了，由反卷积将分辨率提升了上来，主要在于最后通过Sigmoid函数得到的特征图的权重分布。

接着将输出结果传入下一层下采样，这一层的主要是为了降低特征图的分辨率。下采样的具体操作是由步长为2的卷积层，批规范化和激活函数Relu6层组成。注意力模块2比较简单，是由卷积、批规范化BatchNorm、激活函数Relu6、最大池化和反卷积以及sigmoid实现。

在特征图的分辨率为10ⅹ10ⅹ10大小时进行上采样操作，相应地，上采样是为了获取更高分辨率的特征图，这里采用反卷积实现。再将结果与前面得到的位置信息以及下采样结果进行连接，最后再经过卷积、dropout等操作得到最终的输出，这里dropout的比率设置为0.3。

得到网络前向传播的输出后，计算其与真实标签之间的误差。由于样本位置中多数为负样本，为了解决样本类别不平衡以及易分样本的问题，采用了在线难分负样本挖掘。即将正负anchor分开计算损失，所有正的anchor全部参与损失的计算；对负的anchor，根据其是结节的概率排序，取出前k个负的anchor来计算损失，在这里k设置为正anchor数目的2倍。即只有所有正样本和2倍数目的难分负样本会参与损失的计算。这里的损失是多任务的损失，一部分是分类的损失，另一部分是位置回归的损失，当然只有正的anchor才有回归的损失。分类损失采用焦点损失，让损失聚焦于难分的anchor，对正的anchor，损失计算公式如下：

FL⁺(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中α_t、γ是两个超参数，α_t是为了控制正负anchor的比重，本发明中将其设置为0.25，γ设置为2。p_t代表当前anchor是结节的概率。对于正的anchor，如果p_t比较小，那么说明预测错误，因此用1-p_t的值会比较大，那么交叉熵损失-log(p_t)会有一个较大的权重。相反如果p_t较大，则说明预测正确，此时会分配到一个较小的权重。对于负的anchor，损失的计算公式如下：

FL^-(p_t)＝-(1-α_t)p_t ^γlog(1-p_t)

如果p_t比较大，即预测错误，其损失也会有较大的权重；如果预测正确，那么交叉熵损失也有较小的权重。

回归损失采用Smooth L1，对于x,y,z,d的回归均采用如下计算方式：

整体损失函数为分类损失与回归损失之和。计算出损失之后，采用反向传播算法来更新网络参数，反复迭代多次，直至损失函数值减小，网络收敛到局部最优或是达到一定的迭代次数时停止训练，则找到了一组最优的网络参数。

步骤3：利用训练好的网络参数在测试集上进行预测。

对于一组测试病例数据，在进行了步骤1的预处理之后，要输入到网络进行预测，还需要做一定的处理。这里主要是对数据进行了切分，将一组数据切分为多个小的立方体块。然后将小的立方体块输入网络来提取特征并预测输出。得到每个立方块的输出后再将结果合并起来得到最终的预测结果。结果给出预测的位置和直径x,y,z,d以及当前位置是结节的概率p。

对于3D的神经网络来说会预测出的更多的位置。先采用阈值法，根据概率p，以及预测的结节直径d进行初筛。这里概率的阈值设置为0.23，大于该阈值的位置均被保留，小于该阈值的均不考虑。接着根据直径大小再筛选一次，由于结节的直径范围大约是在2mm～35mm之间，因此，筛选出在该区间范围的位置。这两步筛选后还有一些距离很近的位置，再采用NMS去掉多余的位置，这里NMS的阈值采用0.1，即两个位置的IOU大于0.1的位置会被抑制。最后，由于所有的训练和预测都是在结节的病人坐标体系中进行的，而实际要得到的是图像坐标体系。因此再对预测得到的位置x,y,z进行坐标的转换，这里转换的公式如下：

coord'＝coord×spacing+origin

其中coord是要转换的位置坐标，coord'是转换后的位置坐标。至此，整个完整的肺结节检测过程就完成了。

Claims (4)

1.一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤如下：

步骤1：对肺部CT数据进行预处理：

采用下述公式将结节从图像坐标体系转换为病人坐标体系：

其中，origin和spacing分别为图像坐标体系中的原点和间距，center表示要转换的位置点，center'表示转换之后的位置点；

对每组数据循环每一个切片，使用阈值法以及连通区域标记得到肺实质区域的标记图；接着采用形态学的凸包和膨胀操作修复肺实质的外轮廓和内部轮廓，得到肺部的掩码，从而得到肺实质区域；接着重采样数据，将病人坐标体系中的三个面上的切片间距均调整为1mmⅹ1mmⅹ1mm，并将亨氏值规范化至0～255的范围内，得到肺分割的预处理结果；所述的三个面为横断面、冠状面、矢状面；

步骤2：利用定义好的网络结构在训练集上进行训练，确定一组最优的参数：

对训练数据进行过采样、裁剪、数据增强，所述的数据增强有水平翻转和旋转操作；在输入给网络之前再将0～255的数值范围进行归一化；

本发明针对于输入图像块，会预测出20ⅹ20ⅹ20个位置，每个位置有4个anchor；anchor大小是根据统计分析得来的；

处理训练数据标签时，判断如果一个anchor与任意一个标签的IOU大于0.5则认为是结节，并将置信度标记为1；如果一个anchor与任意一个标签的IOU小于0.02，则认为其不是结节，并将置信度设置为-1；IOU大于0.02小于0.5的位置均设置为0，不参与训练；

在训练数据与标签均处理完成后，将训练数据输入网络中，进行前向传播：

首先输入数据，经过预处理块提取特征，预处理块是由一个卷积层，批规范化层和激活函数Relu6组成；接着将输出结果输入至两个并行的残差块和注意力模块中，残差块主要是为提取特征，注意力模块会给出一个概率分布，最终将两个结果结合起来；设残差块的输出为T，注意力模块的输出为M，则最终的输出为(1+M)×T，可以看出，如果权重M为0，则输出为T，如果M变大，则输出会被加强；接着将输出结果传入下一层的下采样模块，这一层的作用是降低特征的分辨率，采用步长为2的卷积层实现；在特征图的分辨率为10×10×10大小时进行上采样操作，采用反卷积实现，再将结果与前面得到的位置信息以及下采样结果进行连接，最后再经过卷积、dropout得到最终的输出；

得到网络前向传播的输出后，计算其与真实标签之间的误差；由于样本位置中多数为负样本，为了解决样本类别不平衡以及易分样本的问题，采用了在线难分负样本挖掘；即将正负anchor分开计算损失，所有正的anchor全部参与损失的计算；对负的anchor，根据其是结节的概率排序，取出前k个负的anchor来计算损失，在这里k设置为正anchor数目的2倍；即只有所有正样本和2倍数目的难分负样本会参与损失的计算；这里的损失是多任务的损失，一部分是分类的损失，另一部分是位置回归的损失，当然只有正的anchor才有回归的损失；分类损失采用焦点损失，让损失聚焦于难分的anchor，对正的anchor，损失计算公式如下：

FL⁺(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中α_t、γ是两个超参数，α_t是为了控制正负anchor的比重，本发明中将其设置为0.25，γ设置为2；p_t代表当前anchor是结节的概率；

对于负的anchor，损失的计算公式如下：

FL^-(p_t)＝-(1-α_t)p_t ^γlog(1-p_t)

回归损失采用Smooth L1，对于x,y,z,d的回归均采用如下计算方式：

整体损失函数为分类损失与回归损失之和；计算出损失之后，采用反向传播算法来更新网络参数，反复迭代多次，直至损失函数值减小，网络收敛到局部最优或是达到一定的迭代次数时停止训练，则找到了一组最优的网络参数；

步骤3：利用训练好的网络参数在测试集上进行预测：

对于一组测试病例数据，在进行了步骤1的预处理之后，对数据进行了切分，将一组数据切分为多个小的立方体块，然后将小的立方体块输入步骤2训练好的网络来提取特征并预测输出，得到每个立方块的输出后再将结果合并起来得到最终的预测结果：预测的位置x,y,z和直径d以及当前位置是结节的置信度p；

先采用阈值法，根据置信度p，以及预测的结节直径d进行初筛，再采用非极大值抑制NMS去掉多余的位置；最后，再对预测得到的位置x,y,z进行坐标的转换：

coord'＝coord×spacing+origin

其中，coord是要转换的位置坐标，coord'是转换后的位置坐标，得到最终结果。

2.根据权利要求1所述的一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤3中的置信度p的阈值取-1.2。

3.根据权利要求1所述的一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤3中的结节直径大小范围为2mm～35mm之间。

4.根据权利要求1所述的一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤3中的NMS的阈值采用0.1。