[發(fā)明專利]一種基于三維掩模-區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的肺癌篩查方法

在審

• 申請?zhí)枺?/td>: 202110515164.8
• 申請日: 2021-05-12
• 公開（公告）號: CN113066576A
• 公開（公告）日: 2021-07-02
• 發(fā)明（設(shè)計）人: 袁戎;袁知東;馮飛;成管訊
• 申請（專利權(quán)）人: 北京大學(xué)深圳醫(yī)院
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06T7/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢兮悅知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42246
• 代理人: 劉志強(qiáng)

一種基于三維掩模?區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的肺癌篩查方法，用于肺癌的篩查。由于肺癌的臨床CT表現(xiàn)皆是肺結(jié)節(jié)，本方法由兩個步驟組成，第一步找到疑似肺結(jié)節(jié)的回歸框，第二步對疑似結(jié)節(jié)進(jìn)行分類，找到疑似為癌癥病灶的結(jié)節(jié)。方法基于三維掩模?區(qū)域卷積神經(jīng)網(wǎng)絡(luò)對肺結(jié)節(jié)進(jìn)行檢測，并使之能夠適用于CT數(shù)據(jù)。由于并非所有結(jié)節(jié)都是癌癥，因此需要綜合考慮患者影像征象來推斷其罹患癌癥的可能性。為了提高分類的準(zhǔn)確率，適用三維數(shù)據(jù)獲取疑似結(jié)節(jié)的周圍結(jié)構(gòu)，綜合判斷疑似結(jié)節(jié)屬于癌癥病灶的概率。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)圖像人工智能識別與輔助診斷領(lǐng)域，具體的為一種基于三維掩模-區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的肺癌篩查方法。

背景技術(shù)

我國患肺癌人數(shù)多，發(fā)病率高，醫(yī)療花費(fèi)大。按發(fā)病人數(shù)順位排序，肺癌占所有癌癥的20.3％，位居惡性腫瘤發(fā)病首位。據(jù)國家腫瘤質(zhì)控中心發(fā)布的《2019年全國癌癥報告》，惡性腫瘤死亡高達(dá)居民全部死因的23.91％，且近十幾年來惡性腫瘤的發(fā)病死亡呈持續(xù)上升態(tài)勢,每年惡性腫瘤所致的醫(yī)療花費(fèi)超過2200億。在臨床診斷過程中，醫(yī)生需要在數(shù)百張CT影像中，逐張篩查可能的肺癌病灶，這不僅極大地依賴于醫(yī)生的臨床經(jīng)驗，且極其耗時耗力。因此，急需設(shè)計計算機(jī)輔助肺癌篩查系統(tǒng)，以簡化醫(yī)生的篩查工作，縮短診斷時間。

隨著深度學(xué)習(xí)的迅速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的肺癌篩查方法被廣泛研究。傳統(tǒng)的肺癌檢測基于一些簡單的先驗信息來檢測候選結(jié)節(jié)，例如結(jié)節(jié)在2D影像上表現(xiàn)得近似圓形，具有較高的CT值，將先驗信息歸納為數(shù)學(xué)上的特征，再通過分類器進(jìn)行分類，得到檢測結(jié)果。但由于肺結(jié)節(jié)在形狀、大小和紋理上的高度差異，通過人工歸納的低階特征提取很難捕獲辨別特征，導(dǎo)致較差的檢測結(jié)果。同時，僅從單一圖像判斷結(jié)節(jié)的良惡性收到諸多限制，盡管一些2D或者2.5D深度神經(jīng)網(wǎng)絡(luò)在降低假陽性方面取得了不錯的表現(xiàn)，但使用3D CT數(shù)據(jù)，結(jié)合病灶的三維空間信息能有效提高檢測的靈敏度，這一點(diǎn)目前較少方法能夠做到。

發(fā)明內(nèi)容

本發(fā)明的目的提供一種基于三維掩模-區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的肺癌篩查方法，用于有效判定肺結(jié)節(jié)的良惡性，準(zhǔn)確地進(jìn)行肺癌的早期篩查。

根據(jù)本發(fā)明的一方面，一種基于三維掩模-區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的肺癌篩查方法，包括如下步驟：

第一步：數(shù)據(jù)標(biāo)記，對多個不同患者的肺部CT薄層掃描數(shù)據(jù)，記錄CT數(shù)據(jù)中的肺結(jié)節(jié)的三維位置，并根據(jù)臨床經(jīng)驗和活檢信息，標(biāo)記對應(yīng)肺結(jié)節(jié)的良惡性；

第二步：數(shù)據(jù)預(yù)處理，將CT數(shù)據(jù)在三個方向上插值成等分辨率，剪裁數(shù)據(jù)只保留肺臟區(qū)域；

第三步：檢測模型的構(gòu)建與訓(xùn)練，使用基于三維掩模-區(qū)域卷積神經(jīng)網(wǎng)絡(luò)作為肺結(jié)節(jié)檢測模型；

第四步：根據(jù)訓(xùn)練后的模型，對CT數(shù)據(jù)進(jìn)行肺結(jié)節(jié)檢測，輸出疑似肺結(jié)節(jié)的像素立方體，包括肺結(jié)節(jié)中心點(diǎn)坐標(biāo)和大小；

第五步：分類模型的構(gòu)建與訓(xùn)練，使用三維卷積神經(jīng)網(wǎng)絡(luò)作為肺結(jié)節(jié)良惡性的分類模型；

第六步：輸出惡性概率最高的肺結(jié)節(jié)中心點(diǎn)坐標(biāo)和大小，用于進(jìn)一步的臨床報告。

優(yōu)選的，第二步中，數(shù)據(jù)預(yù)處理中：

2.1)根據(jù)DICOM格式的CT數(shù)據(jù)，獲得數(shù)據(jù)的空間分辨率；以最小分辨率為基準(zhǔn)，使用線性插值使數(shù)據(jù)在三個方向上分辨率相同；

2.2)人體肺臟分為兩部分，分別為左肺與右肺；同時由于肺臟內(nèi)大部分為空氣，而空氣的CT值為0，通過區(qū)域生長算法找到插值后數(shù)據(jù)中所有CT值為0、大小不一的空腔，根據(jù)分辨率計算每個空腔的體積；

2.3)根據(jù)經(jīng)驗，人體肺臟的容積在500到10000cm³的范圍，屬于這個容積范圍且最大的兩個空腔被認(rèn)為是肺臟；

2.4)使用形態(tài)學(xué)濾波，填補(bǔ)空腔中由于肺內(nèi)血管造成的空洞，濾波范圍設(shè)定為5個像素大小；