[發明專利]肺結節檢測方法及系統

在審

• 申請號: 202110851565.0
• 申請日: 2021-07-27
• 公開（公告）號: CN113744183A
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 萬洪林;趙瑩瑩;王嘉鑫;王曉敏
• 申請（專利權）人: 山東師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 朱忠范

本發明提供一種肺結節檢測方法及系統，屬于圖像識別技術領域，包括：獲取待檢測的肺部CT掃描圖像；對獲取的進行待檢測的肺部CT掃描圖像重采樣、歸一化以及對掩碼進行膨脹操作處理；利用訓練好的檢測模型，對處理后的待檢測的肺部CT掃描圖像進行處理，獲取檢測結果；所述檢測結果包括待檢測的肺部CT掃描圖像是否存在肺結節，以及肺結節的標定位置和區域大小；所述訓練好的檢測模型，為利用訓練集訓練得到；所述訓練集包括多張肺部CT掃描圖像，以及標注圖像中肺結節位置和區域的標簽。本發明實現了對肺結節區域的準確檢測，提高了檢測效率，保證了檢測質量，提高了輔助醫生進行疾病診斷的穩定性和效率。

技術領域

本發明涉及圖像識別技術領域，具體涉及一種肺結節檢測方法及系統。

背景技術

早期及時發現患者潛在的肺癌微小病灶并加以治療，對于降低肺癌患者 的發病率和死亡率具有重要作用。在現階段主要用低劑量計算機斷層掃描 (Low dose CT，LDCT)來進行肺結節篩查，強化CT影像是醫生通過直接觀 察即可診斷肺癌的直接依據。CT影像中的肺結節種類、結構、大小、位置各 不相同，醫生篩查切片難以處理和分析影像數據，更容易受醫生主觀性的影 響，同時強化CT影像的數量也在增加，給醫生的工作帶來了巨大挑戰。

顯然，僅依靠人類視覺系統觀察和發現切片中微小病變肺結節極其困 難，必須借助計算機輔助系統(Computer-aided diagnosis,CAD)作為參考意 見來幫助醫生進行診斷。

隨著信息時代的發展，深度學習的應用越來越廣泛，近年來肺結節自動 輔助檢測系統的研究十分活躍，基于卷積神經網絡(CNN)的計算機輔助診 斷系統已被證實具有識別肺結節的能力，可以自主的學習結節高級特征，幫 助醫生進行臨床診斷，無需人工對切片進行篩查。

現有的基于卷積神經網絡的肺結節檢測的方法，大多基于二維卷積神經 網絡，雖然二維卷積網絡在肺結節檢測方面較比傳統手工提取特征提高了 15％～20％，但強化CT圖像實質是三維的，二維卷積神經網絡不能很好的利用 CT的三維空間信息進行檢測，3DCNN能很好的學習到強化CT三維重建后的 特征，但是目前所提出的三維卷積神經網絡結構復雜，所用配置參數多，誤 差率高。

發明內容

本發明的目的在于提供一種提高了肺結節自動檢測精度的基于多尺度模 塊的CT圖像的肺結節檢測方法及系統，以解決上述背景技術中存在的至少一 項技術問題。

為了實現上述目的，本發明采取了如下技術方案：

一方面，本發明提供一種肺結節檢測方法，包括：

獲取待檢測的肺部CT掃描圖像；

對獲取的進行待檢測的肺部CT掃描圖像重采樣、歸一化以及對掩碼進行 膨脹操作處理；

利用訓練好的檢測模型，對處理后的待檢測的肺部CT掃描圖像進行處 理，獲取檢測結果；所述檢測結果包括待檢測的肺部CT掃描圖像是否存在肺 結節，以及肺結節的標定位置和區域大小；

所述訓練好的檢測模型，為利用訓練集訓練得到；所述訓練集包括多張 肺部CT掃描圖像，以及標注圖像中肺結節位置和區域的標簽。

優選的，訓練所述檢測模型包括：

對原始強化肺部CT掃描圖像進行重采樣、歸一化以及對掩碼進行膨脹操 作，提取肺部區域，并進行肺結節位置和區域的標注，得到訓練集；

基于訓練集對構建的基礎網絡進行訓練，結合損失函數，使用SGD優化 算法，對基礎網絡參數進行優化，直至輸出的預測值與真實值之間的差異最 小，得到訓練好的檢測模型。

優選的，構建基礎網絡，以3D Resnet18為基礎，與U-Net編碼器解碼器相 結合，增加了多尺度特征提取模塊，使用不同的卷積核獲取不同范圍的感受 野。