[發(fā)明專利]一種基于注意力機制的肺結節(jié)良惡性識別方法

在審

• 申請?zhí)枺?/td>: 202011436040.2
• 申請日: 2020-12-11
• 公開（公告）號: CN112419307A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設計）人: 王昕;王偉博;韓優(yōu)佳;周長才;劉爽
• 申請（專利權）人: 長春工業(yè)大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種肺結節(jié)良惡性識別方法，特別是一種基于注意力機制的肺結節(jié)良惡性識別方法。該方法將3D Attention DPN網(wǎng)絡作為特征提取網(wǎng)絡，讓網(wǎng)絡從通道和空間上更加注重結節(jié)區(qū)域的細節(jié)特征。在本發(fā)明的分類網(wǎng)絡中既保留了DPN網(wǎng)絡對特征提取速度快、準確度高的優(yōu)勢，又集成了CBAM（Convolutional Attention Block Module）注意力模塊從通道和空間兩個維度對特征進行自適應調整的能力，再結合高級分類器（GBM）能夠有效地對結節(jié)進行良惡性識別。

技術領域

本發(fā)明涉及一種肺結節(jié)良惡性識別方法，特別是一種基于注意力機制的肺結節(jié)良惡性識別方法。該方法將3D Attention DPN網(wǎng)絡作為特征提取網(wǎng)絡，讓網(wǎng)絡從通道和空間上更加注重結節(jié)區(qū)域的細節(jié)特征。在本發(fā)明的分類網(wǎng)絡中既保留了DPN（Dual PathNetwork）網(wǎng)絡對特征提取速度快、準確度高的優(yōu)勢，又集成了CBAM（ConvolutionalAttention Block Module）注意力模塊從通道和空間兩個維度對特征進行自適應調整的能力，再結合高級分類器（GBM）能夠有效地對結節(jié)進行良惡性識別。

背景技術

肺癌是發(fā)病率和死亡率增長最快，對人體健康和生命威脅最大的惡性腫瘤之一。肺結節(jié)的良惡性識別對于提高肺癌患者的存活率有著重要的作用，尤其是早期的肺癌CT檢查，能及時準確判斷肺結節(jié)的良惡性，有助于延長肺癌患者的生存時間，并且大幅度降低肺癌的死亡率。然而肺結節(jié)識別工作量大，易遺漏。影像科醫(yī)生需要閱讀大量的肺部CT圖像并作出臨床診斷。為了減少醫(yī)師的工作量并且提高結節(jié)識別的效率，在臨床工作中，已經(jīng)開始使用計算機輔助診斷技術。

肺結節(jié)自動分類旨在預測候選結節(jié)是良性還是惡性，這對肺癌的計算機輔助診斷具有重要意義。計算機輔助醫(yī)學診斷方法更是已經(jīng)成為醫(yī)學影像、診斷放射、計算機科學中的重要研究領域，其中比傳統(tǒng)的方法更加優(yōu)秀的深度學習進入醫(yī)學領域后，已經(jīng)取得了不少優(yōu)異的成果，但仍然存在一些挑戰(zhàn)，包括缺乏細粒度的表示、推理過程的可解釋性以及真陽性率和假陽性率之間的權衡。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術問題是針對結節(jié)分類時細節(jié)關注度不夠，結節(jié)良惡性識別準確率有待提高等問題，提出了一種基于注意力機制的肺結節(jié)良惡性識別方法，使3D DPN網(wǎng)絡在結節(jié)識別上得到了優(yōu)化，得到了更高的肺結節(jié)良惡性識別率。

為了實現(xiàn)上述目的，本發(fā)明一種基于注意力機制的肺結節(jié)良惡性識別方法具體包括以下步驟：

步驟一：將ResNet和DenseNet在HORNN框架下通過一種拓撲路徑連接到一起，ResNet能夠實現(xiàn)將輸入直接加到卷積的輸出上，實現(xiàn)了特征的重復利用。DenseNet挖掘新特征的方式則是將每一層所計算出的輸出拼接到了之后的每一層輸入中去，綜合兩種網(wǎng)絡的優(yōu)勢建立3D DPN特征提取網(wǎng)絡；

步驟二：引入一種注意力機制來進一步改善3D DPN肺結節(jié)分類的性能，采用Convolutional Attention Block Module (CBAM)從通道注意力模塊和空間注意力模塊兩個子模塊去實現(xiàn)Attention機制；

步驟三：將原始像素、3D Attention DPN特征、結節(jié)的形狀大小提供給GBM，GBM將最終得出結節(jié)良惡性分類結果。

所述步驟一中的具體過程如下：

（1）將ResNet和DenseNet在HORNN框架下通過一種拓撲路徑連接到一起：

①選擇ResNet和DenseNet兩種特征提取網(wǎng)絡；

②將兩種網(wǎng)絡進行HORNN框架下通過一種拓撲路徑連接到一起。

（2）ResNet模型將部分卷積層都擬合成一個殘差映射，殘差之間通過快捷連接的方式連接，可以將初始化的結果將輸入值傳入到輸出的數(shù)據(jù)中去；