基于深度神经网络的肺结节良恶性检测方法及装置制造方法及图纸

本发明专利技术公开一种基于深度神经网络的肺结节良恶性检测方法及装置，能够提高肺结节良恶性判断的准确度。所述方法包括：S1、获取用户一次X线计算机断层摄影扫描的所有医学图像，根据扫描的间隔，利用所述所有医学图像构建立体图形；S2、将肺结节的位置、所述立体图形以及所述用户的属性信息输入预设的深度神经网络模型，得到所述用户的肺结节为良性的概率以及所述用户的肺结节为恶性的概率，其中，所述用户的属性信息包括所述用户的肺结节的直径，所述深度神经网络模型的输出层神经元增加了置信度权重，所述置信度权重基于所述用户的属性信息确定。

A method and device for detection of benign and malignant pulmonary nodules based on deep neural network

The invention discloses a method and device for detecting the benign and malignant pulmonary nodules based on the deep neural network, which can improve the accuracy of the benign and malignant diagnosis of the pulmonary nodules. The method comprises the following steps: S1, get the user a X-ray computed tomography scan of the medical image, based on the scanning interval, using the medical image to build three-dimensional graphics; S2, the depth of the neural network model of pulmonary nodule location, the three-dimensional graphics and the user input attribute information preset, get the user of the pulmonary nodules as benign pulmonary nodules and the probability of the user for the probability of malignancy, the attribute information of the user to the user including pulmonary nodule diameter, the depth of the neural network model of output layer neurons increased confidence weights, the confidence weighted attribute information the user is determined based on the.

【技术实现步骤摘要】
基于深度神经网络的肺结节良恶性检测方法及装置
本专利技术涉及医学领域，具体涉及一种基于深度神经网络的肺结节良恶性检测方法及装置。
技术介绍
基于深度神经网络的计算机辅助诊断可以准确的检测肺结节以及进行良恶性判断。但由于神经网络自身限制，现有方法对输出结果不能给出有效的置信度，导致对肺结节良恶性判断不准确。
技术实现思路
针对现有技术存在的缺陷，本专利技术提供一种基于深度神经网络的肺结节良恶性检测方法及装置。一方面，本专利技术实施例提出一种基于深度神经网络的肺结节良恶性检测方法，包括：S1、获取用户一次X线计算机断层摄影扫描的所有医学图像，根据扫描的间隔，利用所述所有医学图像构建立体图形；S2、将肺结节的位置、所述立体图形以及所述用户的属性信息输入预设的深度神经网络模型，得到所述用户的肺结节为良性的概率以及所述用户的肺结节为恶性的概率，其中，所述用户的属性信息包括所述用户的肺结节的直径，所述深度神经网络模型的输出层神经元增加了置信度权重，所述置信度权重基于所述用户的属性信息确定。另一方面，本专利技术实施例提出一种基于深度神经网络的肺结节良恶性检测装置，包括：建立单元，用于获取用户一次X线计算机断层摄影扫描的所有医学图像，根据扫描的间隔，利用所述所有医学图像构建立体图形；计算单元，用于将肺结节的位置、所述立体图形以及所述用户的属性信息输入预设的深度神经网络模型，得到所述用户的肺结节为良性的概率以及所述用户的肺结节为恶性的概率，其中，所述用户的属性信息包括所述用户的肺结节的直径，所述深度神经网络模型的输出层神经元增加了置信度权重，所述置信度权重基于所述用户的属性信息确定。本专利技术实施例提供的基于深度神经网络的肺结节良恶性检测方法及装置，将人工对肺结节良恶性诊断的临床经验知识，即肺结节的直径作为先验，在神经网络的输出层神经元增加置信度权重，从而能够提高肺结节良恶性判断的准确度。附图说明图1是本专利技术基于深度神经网络的肺结节良恶性检测方法一实施例的流程示意图；图2是本专利技术基于深度神经网络的肺结节良恶性检测装置一实施例的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参看图1，本实施例公开一种基于深度神经网络的肺结节良恶性检测方法，包括：S1、获取用户一次X线计算机断层摄影(CT)扫描的所有医学图像，根据扫描的间隔，利用所述所有医学图像构建立体图形；S2、将肺结节的位置、所述立体图形以及所述用户的属性信息输入预设的深度神经网络模型，得到所述用户的肺结节为良性的概率以及所述用户的肺结节为恶性的概率(该2个概率是通过根据肺结节的位置确定出立体图形上的肺结节立体图像，由深度神经网络提取肺结节立体图像特征并经过输出层激活函数处理得到)，其中，所述用户的属性信息包括所述用户的肺结节的直径，所述深度神经网络模型的输出层神经元增加了置信度权重，所述置信度权重基于所述用户的属性信息确定。可以理解的是，如果由多个肺结节的位置，则经步骤S2，对于每个位置的肺结节，都可以得到相应的肺结节良恶性概率。本专利技术实施例提供的基于深度神经网络的肺结节良恶性检测方法，将人工对肺结节良恶性诊断的临床经验知识，即肺结节的直径作为先验，在神经网络的输出层神经元增加置信度权重，从而能够提高肺结节良恶性判断的准确度。在前述方法实施例的基础上，所述用户的属性信息还可以包括：所述用户的年龄和身体质量指数，若所述深度神经网络模型的输出层的激活函数为softmax激活函数，所述softmax激活函数的表达式为其中，wi为权重，K＝2，i∈[1，2]，p1为肺结节为良性的概率，p2为肺结节为恶性的概率，T＝a×(x+y+z)+b，x＝肺结节直径/5，y＝max[年龄-50，1]/100，z＝身体质量指数/30，T为先验特征，T∈[0，1]，a和b为参数，根据多个样本用户的属性信息确定。本实施例中，可以理解的是，根据多个样本用户的属性信息可以确定多组x、y和z，根据所述多组x、y和z可以计算出合适的a和b使得T∈[0，1]。在对一个用户的CT医学图像进行肺结节良恶性检测时，可以先根据该用户的属性信息计算出该用户对应的x、y和z，之后根据该用户对应的x、y和z计算出该用户对应的T，最后利用深度神经网络以及该用户的肺结节立体图像即可确定出该用户的肺结节为良性、恶性的概率。在前述方法实施例的基础上，在所述根据扫描的间隔，利用所述所有医学图像构建立体图形之前，还可以包括：将所述所有医学图像缩放为预设大小的图像(比如512×512大小)，选取合适的窗宽窗位，将缩放后的所有医学图像转换为灰度图像，对所述灰度图像进行缩放、旋转，以满足一定程度的图像变形，得到预设规格的医学图像；其中，所述根据扫描的间隔，利用所述所有医学图像构建立体图形，可以包括：根据扫描的间隔，利用所述预设规格的医学图像构建立体图形。参看图2，本实施例公开一种基于深度神经网络的肺结节良恶性检测装置，包括：建立单元1，用于获取用户一次X线计算机断层摄影扫描的所有医学图像，根据扫描的间隔，利用所述所有医学图像构建立体图形；本实施例中，所述建立单元，具体可以用于：将所述所有医学图像缩放为预设大小的图像，将缩放后的所有医学图像转换为灰度图像，对所述灰度图像进行缩放、旋转，得到预设规格的医学图像，根据扫描的间隔，利用所述预设规格的医学图像构建立体图形。计算单元2，用于将肺结节的位置、所述立体图形以及所述用户的属性信息输入预设的深度神经网络模型，得到所述用户的肺结节为良性的概率以及所述用户的肺结节为恶性的概率，其中，所述用户的属性信息包括所述用户的肺结节的直径，所述深度神经网络模型的输出层神经元增加了置信度权重，所述置信度权重基于所述用户的属性信息确定。本实施例中，所述用户的属性信息还可以包括：所述用户的年龄和身体质量指数，若所述深度神经网络模型的输出层的激活函数为softmax激活函数，所述softmax激活函数的表达式为其中，wi为权重，K＝2，i∈[1，2]，p1为肺结节为良性的概率，p2为肺结节为恶性的概率，T＝a×(x+y+z)+b，x＝肺结节直径/5，y＝max[年龄-50，1]/100，z＝身体质量指数/30，T为先验特征，T∈[0，1]，a和b为参数，根据多个样本用户的属性信息确定。本专利技术实施例提供的基于深度神经网络的肺结节良恶性检测装置，将人工对肺结节良恶性诊断的临床经验知识，即肺结节的直径作为先验，在神经网络的输出层神经元增加置信度权重，从而能够提高肺结节良恶性判断的准确度。虽然结合附图描述了本专利技术的实施方式，但是本领域技术人员可以在不脱离本专利技术的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。本文档来自技高网...

【技术保护点】
一种基于深度神经网络的肺结节良恶性检测方法，其特征在于，包括：S1、获取用户一次X线计算机断层摄影扫描的所有医学图像，根据扫描的间隔，利用所述所有医学图像构建立体图形；S2、将肺结节的位置、所述立体图形以及所述用户的属性信息输入预设的深度神经网络模型，得到所述用户的肺结节为良性的概率以及所述用户的肺结节为恶性的概率，其中，所述用户的属性信息包括所述用户的肺结节的直径，所述深度神经网络模型的输出层神经元增加了置信度权重，所述置信度权重基于所述用户的属性信息确定。

【技术特征摘要】
1.一种基于深度神经网络的肺结节良恶性检测方法，其特征在于，包括：S1、获取用户一次X线计算机断层摄影扫描的所有医学图像，根据扫描的间隔，利用所述所有医学图像构建立体图形；S2、将肺结节的位置、所述立体图形以及所述用户的属性信息输入预设的深度神经网络模型，得到所述用户的肺结节为良性的概率以及所述用户的肺结节为恶性的概率，其中，所述用户的属性信息包括所述用户的肺结节的直径，所述深度神经网络模型的输出层神经元增加了置信度权重，所述置信度权重基于所述用户的属性信息确定。2.根据权利要求1所述的方法，其特征在于，所述用户的属性信息还包括：所述用户的年龄和身体质量指数，若所述深度神经网络模型的输出层的激活函数为softmax激活函数，所述softmax激活函数的表达式为其中，wi为权重，K＝2，i∈[1，2]，p1为肺结节为良性的概率，p2为肺结节为恶性的概率，T＝a×(x+y+z)+b，x＝肺结节直径/5，y＝max[年龄-50，1]/100，z＝身体质量指数/30，T为先验特征，T∈[0，1]，a和b为参数，根据多个样本用户的属性信息确定。3.根据权利要求2所述的方法，其特征在于，在所述根据扫描的间隔，利用所述所有医学图像构建立体图形之前，还包括：将所述所有医学图像缩放为预设大小的图像，将缩放后的所有医学图像转换为灰度图像，对所述灰度图像进行缩放、旋转，得到预设规格的医学图像；其中，所述根据扫描的间隔，利用所述所有医学图像构建立体图形，包括：根据扫描...

【专利技术属性】
技术研发人员：刘超飞，刘立，
申请(专利权)人：北京医拍智能科技有限公司，
类型：发明
国别省市：北京,11