[發明專利]一種基于醫學圖像的結節檢測方法、裝置及電子設備

有效

• 申請號: 202010621972.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111798424B
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 張佳琦;呂晨翀;丁佳;王子騰;孫安瀾;胡陽
• 申請（專利權）人: 廣西醫準智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于醫學圖像的結節檢測方法，該方法以基于醫學圖像的圖像序列作為輸入，通過粗檢測網絡對候選結節進行定位并輸出第一預測分數；以經粗檢測網絡定位的候選結節所對應的圖像序列，通過假陽性抑制網絡進行分類訓練，得到待定結節及其第二預測分數；構建待定結節的單個特征，基于多個所述待定結節的單個特征構建全局特征，將所述單個特征及所述全局特征拼接為融合特征，進行回歸訓練后輸出第三預測分數，完成結節檢測結果。解決了現有技術中針對磨玻璃結節及特殊位置的效果不佳的問題。

技術領域

本發明涉及計算機技術領域，特別涉及一種基于醫學圖像的結節檢測方法和裝置、計算機可讀存儲介質以及電子設備。

背景技術

肺癌是當今對人類生命健康威脅最大的惡性腫瘤之一。肺癌早期診斷與治療能夠可將病人的五年生存率從14％上升到49％，因此，盡早的對肺癌進行檢測和診斷是提升患者生存幾率的關鍵。通說認為，結節是癌癥最重要的早期征象之一，根據結節的病變特征能夠推斷出病灶特性，而CT檢查對肺結節被認為是發現和診斷肺結節最佳的診斷工具。由于結節的大小、形狀以及密度等特征的不確定性，傳統的人工識別在工作量以及精度均難以滿足檢測要求。對計算機輔助檢測(Computer Aided Detection，CAD)的需求變得迫切。

早期，研究者主要通過人工提取特征，然后使用各種機器學習方法對特征化向量進行分類。然而，人工提取的特征表達能力低，還需要額外的預處理以降低無關區域的影響，使得無法應用于實際環境。近年來，隨著人工智能和深度學習算法的發展，醫療診斷中的圖像處理也越來越多的涉足其中，受以CNN為代表的深度神經網絡在圖像分類任務上的突破影響，研究者開始嘗試使用CNN從原始CT圖像中提取特征，能夠更客觀的表征圖像自身的特性，漸漸成為結節檢測方法的主流。

目前基于肺部CT影像的肺結節常規檢測算法，對孤立性肺結節的檢測上表現良好，但是對于處于特殊位置的結節以及磨玻璃影等類型結節的檢出效果并不理想。孤立性肺結節邊界清晰且位置明顯，較易檢出；肺門區結節因與血管、支氣管、淋巴結組織混雜，容易產生假陽性判定。而對于另一類別的肺結節，如以磨玻璃影為主要特點的磨玻璃結節(GGN)，利用常規檢測算法檢測效果較差。從組織病理學的角度看，GGN的出現多提示病變仍處于早期、活動期或進展期，因此及時、正確地判定GGN其形態和性質對指導治療十分重要。另一方面，肺結節種類繁多、形態各異，肺內其它部分組織例如血管增粗也會呈現類球形，與肺結節在CT影像中的呈現狀態相似，也為檢測算法應解決的難點之一。

目前常用的一些以深度學習CAD方法中，例如對原始CT圖像做目標提取，之后采用基于區域的卷積神經網絡(Region-based Convolutional NeuralNetwork，RCNN)系列進行目標檢測的算法等，普遍存在的問題是目標檢測易被大量負樣本影響，在應對磨玻璃結節與其它類似形態組織的分類時，對假陽性的結果抑制效果不佳,檢測位于特殊位置的結界時效果不佳。如何解決上述檢測算法中所面臨的問題，對于充分利用醫療資源、緩解醫生診斷壓力有著重大意義。

發明內容

針對現為了解決相關技術中針對磨玻璃結節及特殊位置的效果不佳的問題，本發明提出一種基于醫學圖像的結節檢測方法，主要包括以下三個階段：

S1.粗檢測階段，以基于醫學圖像的圖像序列作為輸入，通過粗檢測網絡對候選結節進行定位并輸出第一預測分數；

S2假陽性抑制階段以經粗檢測網絡定位的候選結節所對應的圖像序列，通過假陽性抑制網絡進行分類訓練，得到待定結節及其第二預測分數；

S3全局判定階段，構建待定結節的單個特征，基于多個所述待定結節的單個特征構建全局特征，將所述單個特征及所述全局特征拼接為融合特征，進行回歸訓練后輸出第三預測分數，完成結節檢測；其中所述待定結節的單個特征以其在假陽性抑制網絡的特征參數，結合人工特征而構建。