[發明專利]一種醫學圖像病變檢出合并方法、系統、終端及存儲介質

在審

• 申請號: 202010089794.9
• 申請日: 2020-02-13
• 公開（公告）號: CN111340756A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 李梓豪;張樹;俞益洲
• 申請（專利權）人: 北京深睿博聯科技有限責任公司;杭州深睿博聯科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04
• 代理公司: 北京天方智力知識產權代理事務所(普通合伙) 11719
• 代理人: 張廷利

本申請提供一種醫學圖像病變檢出合并方法、系統、終端及存儲介質，包括：將3D醫學圖像掃描切分為2D層面圖像，將其輸入2D卷積神經網絡進行2D病變檢測，并獲取2D層面圖像疑似病變區域的位置信息、特征向量及置信度；根據所述位置信息、特征向量計算相鄰2D層面圖像任意兩疑似病變區域的特征相似度及空間相鄰度；根據所述特征相似度及空間相鄰度計算相鄰2D層面圖像任意兩疑似病變區域屬于同一病變區域的概率分數；根據所述概率分數構建圖結構；利用圖的求解算法進行圖結構求解，得到圖結構的各連通子圖；基于特征跟蹤與層間位置關系對2D檢出進行3D合并，實現3D醫學圖像病變檢出合并的高效性和準確性。

技術領域

本申請涉及醫學影像處理技術領域，尤其是涉及一種醫學圖像病變檢出合并方法、系統、終端及存儲介質。

背景技術

電子計算機斷層掃描(Computed Tomography，CT)是一種基于X射線的成像技術，廣泛應用于臨床中，對人體內組織器官進行高精度斷層成像，以供醫生進行診斷。CT圖像的診斷耗時長、復雜度高，同時受到臨床醫生經驗和能力的限制，具有局限性；而基于深度學習的CT病變檢測技術，可以自動地對CT掃描進行病變檢出，大幅提升醫生的工作效率，提高診斷的準確度，已廣泛用于肺結節檢測、肺部多征象病變檢測、骨折檢測等醫學任務中。由于醫學圖像成像的連續性，所得結果為若干2D掃描斷層所組成的3D影像；因此基于深度學習的醫學圖像病變檢測也主要分為2D檢測與3D檢測兩種方法。

基于3D檢測的方法，使用原始的3D圖像進行卷積神經網絡的訓練、推斷流程，具有直觀、高效的優點。但由于3D的卷積神經網絡與2D網絡相比參數數量龐大，缺少預訓練模型，往往具有較高的訓練難度，難以取得較好的效果。

基于2D檢測的方法，在CT掃描的每一層面上進行病變檢出，而后選取某種合并策略對所得2D檢出進行合并，得到CT掃描中每個病變的3D空間位置。該方式避免了3D網絡難以訓練的缺點。但如何將檢出的2D結果合并成一個在3D醫學圖像中的3D檢出結果成為該方案中的難點，不同合并策略將對最終病變檢出效果具有較大的影響。傳統的方法僅僅依靠2D檢出結果的上下層之間的連續性以及類別一致性進行3D框合并。一種典型的做法是，對于一份CT的2D逐層檢出結果，僅考慮2D層面的連續相鄰分布，將相鄰距離小于一定閾值，且在空間位置上有重疊的2D框合并為一個3D檢出。由于沒有考慮特征相似度，因此合并結果經常會出現錯誤。現有醫學圖像病變檢出算法中，這種簡單的合并方式精度一般，效果有限。

因此，目前亟需一種醫學圖像病變檢出合并方法，以提高病變檢出的準確性和魯棒性。

發明內容

針對現有技術的上述不足，本申請提供一種醫學圖像病變檢出合并方法、系統、終端及存儲介質，用于將2D醫學圖像逐層的病變檢出合并為3D檢出，實現3D醫學圖像病變檢出合并的高效性和準確性。

第一方面，為解決上述技術問題，本申請提供一種醫學圖像病變檢出合并方法，包括：

將3D醫學圖像掃描切分為2D層面圖像，將其輸入2D卷積神經網絡進行2D病變檢測，并獲取2D層面圖像疑似病變區域的位置信息、特征向量及置信度；

根據所述位置信息、特征向量計算相鄰2D層面圖像任意兩疑似病變區域的特征相似度及空間相鄰度；

根據所述特征相似度及空間相鄰度計算相鄰2D層面圖像任意兩疑似病變區域屬于同一病變區域的概率分數；

根據所述概率分數構建圖結構；

利用圖的求解算法進行圖結構求解，得到圖結構的各連通子圖。

可選的，所述將3D醫學圖像掃描切分為2D層面圖像，將其輸入2D卷積神經網絡進行2D病變檢測，獲取2D層面圖像疑似病變區域的位置信息、特征向量及置信度，包括：

將3D醫學圖像掃描切分為若干2D層面圖像；