一种自动检测放射影像中局部性病变的方法和系统技术方案

这是一种能够改善现有放射图像异常(如肺癌局部性病变)检测流程的自动检测方法和系统。该检测方法和系统使用多重解析率技术，提高对不同尺寸局部性病变的检测效率，并进一步使用虚拟局部性病变进行关联和匹配，以检测所有或大多数尺寸的局部性病变。该检测方法和系统使用球面参数表征局部性病变，从而更准确的检测出非显著性局部性病变。该检测方法和系统使用的多个分类器包括反向传播神经网络、数据融合、基于决策的修剪神经网络和卷积神经网络结构，用来生成肺部局部性病变分类的分类评分，并最终决策时选择高可疑性图像进一步检验。

A method and system for automatic detection of radiographic local lesions

The present invention relates to an automatic detection method and system for improving the detection process of the existing radiation image abnormality, such as lung cancer local lesion. The detection method and system using multiple resolution technology, improve the detection efficiency of different size of local lesions, and further use of virtual local lesions associated with local lesions and matching, detection of all or most of the size of the. The detection method and system use the spherical parameters to characterize the local lesions, so as to detect the non significant local lesions more accurately. Multiple classifiers using the detection method and system includes back-propagation neural network, data fusion, decision pruning neural network and convolutional neural network structure based on classification is used to generate local pulmonary lesions classification, and the final decision to choose high suspicious image further inspection.

【技术实现步骤摘要】
1.
本专利技术用于数字图像处理的方法和系统，更具体地用于一种再筛选和异常自动检查的方法和系统，例如：多重解析率处理放射性胸部图像肺局部性病变，数字图像处理和深度学习神经网络。2.
技术介绍
肺癌是全球男性和女性的主要癌症类型，对潜在可治疗阶段的局部性肺癌进行早期检查和治疗可以明显提高患者的生存率。有研究表明由一个放射科医生阅片，肺癌被诊断出的概率接近68％，而增加一个阅片者成为第二阅片者，概率增加到82％。在梅奥诊所进行的一项长期肺癌筛选项目发现，追溯早期肺癌的X光胸片，90％的小尺寸周围型肺癌是可以发现的。与常用的检测技术如胸部X射线、痰标本中的细胞类型的分析、支气管通道纤维光学检查等相比，胸部放射影像仍然是最有效和使用最广泛的方法。那些经验丰富的肺部放射医生可以达到较高准确度的诊断，然而在医生的培训阶段，虽然已有高水平的临床技巧和经验，但是总有一些错误很难纠正，因此检测胸片X光图像的肺局部性病变仍然存在问题。于是计算机技术，如计算机辅助诊断(CAD)被引进用于辅助诊断非小细胞肺癌阶段的局部性病变。计算机辅助诊断技术要求计算机系统作为第二个医生再次检查第一个医生审查过的胸片。减少检查的假阳性，提高检测的精准度是CAD主要目的。3.
技术实现思路
本专利技术的一方面提供一种用于提高放射影像诊断程序的自动化方法和系统，另一方面使用多重解析率方法、数字图像处理和深度学习神经网络检测X光胸片图像肺局部性r>病变，进一步对已被放射科医生确认为阴性的X光胸片重新筛查。本专利技术也可用于其他疾病的筛查，包括但不限于微钙化簇，肿块，肿瘤和乳腺X线图像。本专利技术的自动方法和系统采用了多个阶段的多重解析率处理、数字图像处理和深度学习神经网络以消除假阳性，增加检测的精准度。当从X光胸片中接收到图像数据，数据将提交给多项数字图像处理技术，可初步确认几个可疑区域。首先，在图像增强阶段，利用多重解析率匹配技术对数据进行背景-对象对比增强。再次，在快速选择阶段，数据经过球形检验，检测经过一系列像素阈值切割得到的每个图像生长区域的圆度值，并对可疑区域进行分割，阈分割阈以初步确定候选的疑似局部性病变。像素阈值通过可疑局部性病变区域的数量和大小、图像的信噪比(SNR)和图像的CDF得到的，以保障图像最大的灵敏度。在分类阶段，图像使用基于特征参数和图像区域的分类器进行处理。两种分类器都由深度学习神经网络实现：反向传播神经网络、基于修剪神经网络决策树和卷积神经网络。这些分类的检测结果汇集到一个数据融合中心，以获得最佳的分类评分。一些解剖结构除和阳性局部性病变被当做训练类，以开发神经网络分类器。在最后阶段——决策阶段，根据患病率、风险因子和系统性能分析可疑局部性病变，以确定需要进一步检查的放射图像。使用这些多重解析率、多分类器技术将高可疑的影像图片提供给医生做最后诊断，相比以前的诊断流程，消除了大量的假阳性，提高了检测精度。本专利技术是进一步对医师首次诊断为阴性肺局部性病变(即无肺局部性病变)的X光胸片做再次医学诊断筛查的方法和过程。阴性图像经本专利技术计算机的再筛选单元处理，以确定潜在肺局部性病变。被计算机确定的含有可疑肺局部性病变的图像将被送到医生那里做最后的决定。计算机辅助设备或再筛查单元包括图像输入单元(例如，激光胶片扫描器)、检测单元和显示单元。扫描仪将X光胸部胶片转化成数字图像数据，检测单元具有先进的图像处理能力以检测数字图像肺局部性病变的能力，显示单元将显示检测结果，作为医生的诊断参考。使用这种筛查方法，可减少假阴性以达到较高的检测精度。4.附图说明为了更彻底理解本专利技术及其优点，现结合附图描述如下：图1.用于肺癌检测的再筛查肺局部性病变过程的示意图；图2.是形成图1计算机辅助再筛查(CARE)中使用再筛查单元的流程图；图3.是形成图2中检测单元系统的方框图；图4.是形成图3检测单元的图像增强单元方框图；图5.是形成图3检测单元的快速选择单元方框图；图6.是形成图5快速选择单元的像素阈值生成单元方框图；图7.是形成图3决策单元的分类单元方框图；图8.说明了形成图7中分类单元的一个反向传播训练的前馈神经网络分类器形成的体系结构；图9.说明了形成图7分类单元的二叉决策树分类器；图10.说明了形成图7分类单元的基于剪枝神经网络分类器决策树的体系结构；图11.说明了形成图7分类单元的卷积神经网络分类器的体系结构；图12.是形成图3中决策单元的做出决定单元的方框图5.具体实施方式图1表示的是提高可疑局部性病变检测的诊断步骤。患者的X光胸片13首先被安装在放射装置中的灯箱13A中，放射科医生仔细审查图像13中被确定存在的可以肺局部性病变，由放射科医生确认确实含有可疑肺局部性病变的图像被定义为阳性图像14，以备进一步的放射诊断。由放射科医生确定没有含有可疑局部性病变的阴性图像15传输到本专利技术的计算机辅助再筛选(CARE)系统12做进一步诊断。计算机辅助再筛选(CARE)系统12是基于计算机的，包含多个阶段的处理。CARE系统12案例确认的类型有两种：阳性案例16和阴性案例17。阳性案例16被送回到放射科医生那里以备其根据X光胸片做最终决定。本专利技术方法和程序可用于两种模式：(1)成批处理模式，放射科工作人员向CARE12传输一组阴性图像进行处理。(2)即时互动模式，当放射科医生初步诊断后立即通过CARE12运行这些阴性图像。图2表示了本专利技术放射性图像数字处理的计算机辅助再筛查(CARE)系统12。尽管系统12和操作方法在此处是根据使用数字图像处理、多重解析率处理和深度学习神经网络有关的X光片肺局部性病变的自动检测和再筛选来描述的，但是系统12和其操作方法也在很多其他数字图像处理中应用。使用系统12，将感兴趣解剖区域的图像数据，如胸部(未显示)，输入图像输入单元32.输入图像可以来自摄像仪，CR系统，直接数字化X线摄影(DDR)系统，图像接收和传输(PACS)系统，或者胶片扫描仪。图像输入单元32的数据存储以备用于存储单元34的后期检索，以及发送到检测单元36。任何合适的存储单元设置34，如磁带，计算机硬盘，光学激光存储等等，都可以使用。检测单元36使用本专利技术的深度学习分类方法(包括后面讨论的再筛查方法)检测输入图像的肺局部性病变。正如下面描述，检测单元36包括多个阶段，分别对应本专利技术深度学习分类方法几个主要步骤的。随后，图像被传输到存储单元34以备存储和/或发送到输出单元38，如显示器，打印机，绘图仪，图像记录器本文档来自技高网...

【技术保护点】
这是一种用于重新筛选异常(如，放射图像中的局部性病变)的系统，系统接收前期放射性诊断技术识别为阴性的放射图像，该系统的检测单元包括以下部分：1.1一种图像增强单元，使用多重解析率匹配滤波方法来增强任何可能出现的异常和图像背景之间的对比度；1.2一种快速选择单元，使用像素阈值法初步选择一个可疑的异常；1.3一种分类单元，对异常的出现位置和分类评分进行判断，能识别虚假异常；1.4一种决策单元，选择图像的一部分用于进一步检查诊断；1.5利用深度学习人工智能实行分类。其中，如果影像图由上述检测单元分析被确定为阳性，对其进行进一步的放射学诊断，以确认是否存在真实局部性病变；如果影像图由上述检测单元分析被确定为阴性，无需进一步执行放射学诊断。

【技术特征摘要】
1.这是一种用于重新筛选异常(如，放射图像中的局部性病变)的系统，系统接收前期
放射性诊断技术识别为阴性的放射图像，该系统的检测单元包括以下部分：
1.1一种图像增强单元，使用多重解析率匹配滤波方法来增强任何可能出现的异常和
图像背景之间的对比度；
1.2一种快速选择单元，使用像素阈值法初步选择一个可疑的异常；
1.3一种分类单元，对异常的出现位置和分类评分进行判断，能识别虚假异常；
1.4一种决策单元，选择图像的一部分用于进一步检查诊断；
1.5利用深度学习人工智能实行分类。
其中，如果影像图由上述检测单元分析被确定为阳性，对其进行进一步的放射学诊断，
以确认是否存在真实局部性病变；如果影像图由上述检测单元分析被确定为阴性，无需进
一步执行放射学诊断。
2.根据权利要求1所述，其中所述多重解析率匹配滤波方法生成低分辨率子图像，相比
原始图像具有不同的分辨率和有多个不同大小的异常。
3.根据权利要求1所述，其中所述多重解析率匹配滤波方法利用单一局部性病变假体
作为参考。
4.根据权利要求3所述，其中，所述局部性病变假体被与上述图象关联来确定异常可能
的位置。
5.根据权利要求1所述，系统还包括：图像抽取单元，其生成低分辨率子图像，所述低分
辨率子图像象素比输入的原始数字图像像素更小，通过丢弃多余图像象素，上述子图像覆
盖原始图像相同的区域。
6.根据权利要求1所述，其所述图像增强单元包括：低通滤波单元用于平滑所述图像。
7.根据权利要求1所述，其所述快速选择单元包括至少一个以下内容作为用于确定所
述像素阈值的方法，包括：信噪比(SNR)估算单元，累积分布函数(CDF)生成单元，分数估算
...

【专利技术属性】
技术研发人员：刘远明，权申文，段淑婷，周浩，
申请(专利权)人：深圳市智影医疗科技有限公司，
类型：发明
国别省市：广东;44