The invention discloses a pulmonary nodule screening algorithm based on deep learning technology, which is characterized by three stages: firstly, the task of candidate nodule generation, which is used to extract a large number of suspected nodules and ensure the detection rate of more than 99.5% nodules under a certain false positive rate; secondly, the task of False Positive Reduction, which is used to reduce the false positive rate and screen out the real nodules; It is used to diagnose benign and malignant pulmonary nodules, observe the signs and provide diagnostic basis for doctors. This method uses chest CT as input, which can screen pulmonary nodules accurately, assist doctors to improve the efficiency of film reading, and solve the problems of fewer doctors, more imbalanced medical level, high misdiagnosis rate and long time-consuming.
【技术实现步骤摘要】
基于深度学习技术的肺结节筛查算法
本专利技术涉及一种肺结节筛查算法,具体来讲是一种基于深度学习技术的肺结节筛查算法。
技术介绍
肺结节筛查任务本质上是计算机视觉领域的目标检测问题,流行的解决方案有两种:传统机器学习模型的目标检测算法、基于深度学习方法的目标检测算法。传统的目标检测一般使用滑动窗口结合分类器的方法,主要包括三个步骤:利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域;提取候选区域相关的视觉特征,比如Harr特征、HOG特征等;利用分类器进行识别,比如常用的SVM模型。该类方法准确率不高,主要原因是传统特征需要大量的专家领域知识方能形成有效的FeatureSet,且难以提取数据内部复杂的结构特征,模型算法的transferlearning性质也不好。随着深度学习技术的发展,越来越多的机构和组织将其应用到医学影像的目标检测任务中。针对胸部CT的肺结节筛查任务主要有两种思路,第一种是分别对CT中每一层扫描图片进行2D图像结节筛查,最终将所有扫描层的筛查结果进行合并,给出最终筛查结果,由于这种方法未利用结节的三维结构特性,在筛查准确度上存在明显劣势。第二种方法使用了更全面的影像信息,首先将肺部组织从CT影像中分割出来,然后使用FPN网络针对提取出的肺部组织进行三维影像的结节筛查,效果往往较好,但现有算法的筛查效率及筛查效果仍然有较大的提升空间,这是由于肺部组织分割过程较为耗时,且肺部边缘分割不准确造成重要信息的丢失,特别是肺壁上存在较大体积的病灶时,影响更为显著,另外,微小结节小至3mm,大至80mm,在考虑显存及计算效率的情况下,FPN网络对尺度 ...
【技术保护点】
1.一种基于深度学习技术的肺结节筛查算法,其特征在于:为三个阶段,首先是候选结节生成任务,用于提取大量疑似结节,在一定假阳率的情况下,保证 99.5% 以上的结节检出率;其次是 False Positive Reduction 任务,用于降低假阳率,筛选出真正的结节;结节定性,用于诊断肺结节的良恶性、观察征象,为医生提供诊断依据。
【技术特征摘要】
1.一种基于深度学习技术的肺结节筛查算法,其特征在于:为三个阶段,首先是候选结节生成任务,用于提取大量疑似结节,在一定假阳率的情况下,保证99.5%以上的结节检出率;其次是FalsePositiveReduction任务,用于降低假阳率,筛选出真正的结节;结节定性,用于诊断肺结节的良恶性、观察征象,为医生提供诊断依据。2.根据权利要求1所述基于深度学习技术的肺结节筛查算法,其特征在于:候选结节生成:针对候选结节提取任务,模型结合Unet、RetinaNet的优势,训练时采用FocalLoss,实现了基于3D图像的结节筛查模型;过程可分为四个阶段:对图像的预处理、使用骨干网络进行特征提取、多尺度候选结节预生成、候选结节的非极大抑制;具体为;(1)图像的预处理:由于输入CT大多是100-700层的512×512大小的图像,层数不同导致模型无法直接训练,而3D图像过大限制了模型的复杂度,甚至无法构建基于主流显卡显存的3D结节筛查网络,由此,对CT进行预处理的工作必不可少,从而得到模型可用于训练和预测的数据形式;(2)骨干网络:结节筛查骨干网络使用基于三维ResNet的Unet,主要包含两部分:Contract-ingPath和ExpansivePath;其中ContractingPath是一个三维化的ResNet,共4个Block,每个Block之前是max-pooling层,最后一个Block之后是一层CNN,且每个Block是由多层CNN组成;ExpansivePath的结构与...
【专利技术属性】
技术研发人员:韩伟,赵二超,
申请(专利权)人:成都蓝景信息技术有限公司,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。