一种病灶检测方法、装置及设备制造方法及图纸

本申请公开了一种病灶检测方法、装置及设备，方法包括：获取包括多张采样切片的第一图像，所述第一图像为包括X轴维度、Y轴维度以及Z轴维度的三维图像；对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图；所述第一特征图包括X轴维度、Y轴维度以及Z轴维度的三维特征；将所述第一特征图所包含的特征进行降维处理，生成第二特征图；所述第二特征图包括X轴维度以及Y轴维度的二维特征；对所述第二特征图的特征进行检测，得到所述第二特征图中每一个病灶的位置以及所述位置对应的置信度。采用本申请，可准确地检测出患者体内多个部位的病灶情况，实现对患者全身范围的癌症初步评估。

【技术实现步骤摘要】
一种病灶检测方法、装置及设备
本申请涉及计算机
，尤其涉及一种病灶检测的方法、装置及设备。
技术介绍
计算机辅助诊断(Computeraideddiagosis，CAD)是指通过影像学、医学图像分析技术以及其他可能的生理、生化等手段，结合计算机的分析计算，自动地重影像中发现病灶。实践证明，计算机辅助诊断在提高诊断准确率、减少漏诊和提高医生工作效率等方面起到了极大的积极促进作用。其中，病灶指的是组织或器官遭受致病因子的作用而引起病变的部位，是机体上发生病变的部分。例如，人体肺部的某一部分被结核菌破坏，那么这一部分就是肺结核病灶。近年来，随着计算机视觉和深度学习技术的快速发展，基于CT图像的病灶检测方法受到越来越多的关注。然而，目前大多数的病灶检测方法往往只专注于某种病变类型的检测，例如肺结节、皮肤损伤、肝肿瘤、淋巴结肿大、结肠息肉等，另外，现有技术中，对病灶的测量的判断通常都是没有考虑到三维的上下文信息，导致测量的结果不够精确。
技术实现思路
本申请提供一种病灶检测方法、装置及设备，准确地检测出患者体内多个部位的病灶情况，实现对患者全身范围的癌症初步评估。第一方面，本申请提供了一种病灶检测方法，该方法包括：获取包括多张采样切片的第一图像，所述第一图像为包括X轴维度、Y轴维度以及Z轴维度的三维图像；对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图；所述第一特征图包括所述X轴维度、Y轴维度以及Z轴维度的三维特征；将所述第一特征图所包含的特征进行降维处理，生成第二特征图；所述第二特征图为包括所述X轴维度以及所述Y轴维度的二维图像；对所述第二特征图进行检测，得到所述第二特征图中每一个病灶的位置以及所述位置对应的置信度。结合第一方面，在一些可能的实施例中，所述获取包括多张采样切片的第一图像，包括：以第一采样间隔对获取到的患者的CT图像进行重采样，生成包括多张采样切片的第一图像。结合第一方面，在一些可能的实施例中，所述对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图，包括：通过第一神经网络对所述第一图像进行下采样，生成第三特征图；通过所述第二神经网络的残差模块对所述第三特征图进行下采样，生成第四特征图；通过所述第二神经网络的DenseASPP模块对所述第四特征图中不同尺度的病灶的特征进行提取；经过所述DenseASPP模块处理后，生成与所述第四特征图的分辨率大小相同的第四预设特征图，以及通过所述第二神经网络的反卷积层以及所述残差模块对经过所述DenseASPP模块处理后的特征图进行上采样，生成与所述第三特征图的分辨率大小相同的第三预设特征图；将所述第三特征图与所述第三预设特征图生成与所述第三预设特征图的分辨率大小相同的第一特征图，以及将所述第四特征图与所述第四预设特征图进行融合生成与所述第四预设特征图的分辨率大小相同的第一特征图；所述第三预设特征图及所述第四预设特征图分别包括病灶的位置；所述病灶的位置用于生成第一特征图中病灶的位置。结合第一方面，在一些可能的实施例中，所述对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图，包括：通过第二神经网络的残差模块对所述第一图像进行下采样，生成比所述第一图像的分辨率小的第四特征图；通过所述第二神经网络的DenseASPP模块对所述第四特征图中不同尺度的病灶的特征进行提取；经过所述DenseASPP模块处理后，通过所述第二神经网络的反卷积层以及所述残差模块对经过所述DenseASPP模块处理后的特征图进行上采样，生成与所述第一图像分辨率大小相同的所述第一预设特征图；将所述第一图像与所述第一预设特征图生成与所述第一预设特征图的分辨率大小相同的第一特征图；所述第一预设特征图包括病灶的位置；所述病灶的位置用于生成第一特征图中病灶的位置。结合第一方面，在一些可能的实施例中，所述对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图，包括：通过第一神经网络对所述第一图像进行下采样，生成比所述第一图像的分辨率小的第三特征图；通过所述第二神经网络的残差模块对所述第三特征图进行下采样，生成比所述第三特征图的分辨率小的第四特征图；通过所述第二神经网络的残差模块对所述第四特征图进行下采样，生成比所述第四特征图的分辨率小的第五特征图；通过所述第二神经网络的DenseASPP模块对所述第五特征图中不同尺度的病灶的特征进行提取；经过所述DenseASPP模块处理后，生成与所述第五特征图的分辨率大小相同的第五预设特征图；通过所述第二神经网络的反卷积层和所述残差模块对经过所述DenseASPP模块处理后的特征图进行上采样，生成与所述第四特征图的分辨率大小相同的第四预设特征图；或者，通过所述第二神经网络的反卷积层和残差模块对经过所述DenseASPP模块处理后的特征图进行上采样，生成与所述第三特征图的分辨率大小相同的第三预设特征图；将所述第三特征图与所述第三预设特征图生成与所述第三预设特征图的分辨率大小相同的第一特征图；将所述第四特征图与所述第四预设特征图进行融合生成与所述第四预设特征图的分辨率大小相同的第一特征图；以及将所述第五特征图与所述第五预设特征图进行融合生成与所述第五预设特征图的分辨率大小相同的第一特征图；所述第三预设特征图、所述第四预设特征图以及所述第五预设特征图分别包括病灶的位置；所述病灶的位置用于生成第一特征图中病灶的位置。结合第一方面，在一些可能的实施例中，所述第一神经网络，包括：卷积层以及与所述卷积层相级联的残差模块；所述第二神经网络，包括：3DU-Net网络，所述3DU-Net网络包括：卷积层、反卷积层、残差模块以及所述DenseASPP模块。结合第一方面，在一些可能的实施例中，所述第二神经网络为堆叠的多个3DU-Net网络。结合第一方面，在一些可能的实施例中，所述残差模块包括：卷积层、批量归一化层、ReLU激活函数以及最大池化层。结合第一方面，在一些可能的实施例中，所述将所述第一特征图所包含的特征进行降维处理，生成第二特征图，包括：分别将所述第一特征图的所有特征中每一个特征的通道维度和Z轴维度进行合并，使得所述第一特征图的所有特征中每一个特征的维度由X轴维度以及Y轴维度组成；所述所有特征中每一个特征的维度由X轴维度以及Y轴维度组成的第一特征图为所述第二特征图。结合第一方面，在一些可能的实施例中，所述对所述第二特征图进行检测，包括：通过第一检测子网络对所述第二特征图进行检测，检测出所述第二特征图中每一个病灶的位置的坐标；通过第二检测子网络对所述第二特征图进行检测，检测出所述第二特征图中每一个病灶对应的置信度。结合第一方面，在一些可能的实施例中，所述第一检测子网络包括：多个卷积层，所述多个卷积层中每一个卷积层与一个ReLU激活函数相连；所述第二检测子网络包括：多个卷积层，所述多个卷积层中每一个卷积层与一个ReLU激活函数相连。结合第一方面，在一些可能的实施例中，所述对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图之前，还包括：通过将预存的包含多个病灶标注的三维图像输入到所述第一神经网络，所述病灶标注用于对病灶进行标注；并利用梯度下降法分别对所述第一神经网络、所述第二神经网络、所述DenseASPP模块、本文档来自技高网...

【技术保护点】
1.一种病灶检测方法，其特征在于，包括：获取包括多张采样切片的第一图像，所述第一图像为包括X轴维度、Y轴维度以及Z轴维度的三维图像；对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图；所述第一特征图包括所述X轴维度、Y轴维度以及Z轴维度的三维特征；将所述第一特征图所包含的特征进行降维处理，生成第二特征图；所述第二特征图包括所述X轴维度以及所述Y轴维度的二维特征；对所述第二特征图进行检测，得到所述第二特征图中每一个病灶的位置以及所述位置对应的置信度。

【技术特征摘要】
1.一种病灶检测方法，其特征在于，包括：获取包括多张采样切片的第一图像，所述第一图像为包括X轴维度、Y轴维度以及Z轴维度的三维图像；对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图；所述第一特征图包括所述X轴维度、Y轴维度以及Z轴维度的三维特征；将所述第一特征图所包含的特征进行降维处理，生成第二特征图；所述第二特征图包括所述X轴维度以及所述Y轴维度的二维特征；对所述第二特征图进行检测，得到所述第二特征图中每一个病灶的位置以及所述位置对应的置信度。2.如权利要求1所述的方法，其特征在于，所述获取包括多张采样切片的第一图像，包括：以第一采样间隔对获取到的患者的CT图像进行重采样，生成包括多张采样切片的第一图像。3.如权利要求1所述的方法，其特征在于，所述对所述第一图像进行特征提取，生成包含病灶的特征和位置的第一特征图，包括：通过第一神经网络对所述第一图像进行下采样，生成第三特征图；通过所述第二神经网络的残差模块对所述第三特征图进行下采样，生成第四特征图；通过所述第二神经网络的残差模块对所述第四特征图进行下采样，生成比所述第四特征图的分辨率小的第五特征图；通过所述第二神经网络的DenseASPP模块对所述第五特征图中不同尺度的病灶的特征进行提取；经过所述DenseASPP模块处理后，生成与所述第五特征图的分辨率大小相同的第五预设特征图；通过所述第二神经网络的反卷积层和所述残差模块对经过所述DenseASPP模块处理后的特征图进行上采样，生成与所述第四特征图的分辨率大小相同的第四预设特征图；或者，通过所述第二神经网络的反卷积层和残差模块对经过所述DenseASPP模块处理后的特征图进行上采样，生成与所述第三特征图的分辨率大小相同的第三预设特征图；将所述第三特征图与所述第三预设特征图生成与所述第三预设特征图的分辨率大小相同的第一特征图；将所述第四特征图与所述第四预设特征图进行融合生成与所述第四预设特征图的分辨率大小相同的第一特征图；以及将所述第五特征图与所述第五预设特征图进行融合生成与所述第五预设特征图的分辨率大小相同的第一特征图；所述第三预设特征图、所述第四预设特征图以及所述第五预设特征图分别包括病灶的位置；所述病灶的位置用于生成第一特征图中病灶的位置。4.如权利要求3所述的方法，其特征在于，所述第一神经网络，包括：卷积层以及与所述卷积层相级联的残差模块；所述第二神经网络，包括：3DU-Net网络，所述3DU...

【专利技术属性】
技术研发人员：黄锐，高云河，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京,11