一种肺结节自动检测方法、装置及计算机系统制造方法及图纸

本发明专利技术涉及一种肺结节自动检测方法、装置及计算机系统，所述方法包括以下步骤：获取待检测CT影像；对所述待检测CT影像进行滤波增强处理，获得肺部增强的CT影像序列；采用阈值法对所述CT影像序列进行分割处理，获得仅包含肺实质区域的图像；将所述肺实质分割模块获得的图像裁剪为若干图像块，通过一多尺度特征融合的U‑Net网络模型，获得感兴趣区域；采用一3D CNN模型对感兴趣区域进行自动检测识别，获得肺结节检测结果。与现有技术相比，本发明专利技术具有检测灵敏度和精度高等优点。

【技术实现步骤摘要】
一种肺结节自动检测方法、装置及计算机系统
本专利技术涉及计算机辅助检测领域，尤其是涉及一种肺结节自动检测方法、装置及计算机系统。
技术介绍
肺癌是死亡率最高的肿瘤疾病之一。每年世界上有超过130万人因为患肺癌而死亡。在肺癌的早期阶段，其表现不明显，70％以上的肺癌确诊患者基本上都处于肺癌晚期。根据有关医学统计数据，如果肺癌患者在癌症早期能获得正当的干预治疗，其5年存活率可达90％以上，然而处于2～3期的肺癌患者存活率下降到40％～5％。因此“早发现、早诊断、早治疗”是提高肺癌患者生存率的关键。肺癌早期一般表现为肺结节，对肺结节的检测是肺癌早期诊断的首要步骤。当前，肺癌的早期发现最常用的是通过CT断层扫描技术进行成像检查，然后由放射科医生进行筛查，但CT产生的大量影像加重了放射科医生的阅片负担，不但费时费力，而且随着阅片时间一长，会致使诊断的效率和准确率下降。在此背景下，提出了基于CT影像的肺癌计算机辅助检测系统(CAD)辅助放射科医生，作为“第二意见”辅助临床诊断。从目前的国内外研究现状来看，有许多研究者致力于对肺结节的检测，但现有方法还存在敏感性不高，假阳过多的情况。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种检测灵敏度和精度高的肺结节自动检测方法、装置及计算机系统。本专利技术的目的可以通过以下技术方案来实现：一种肺结节自动检测方法，该方法包括以下步骤：获取待检测CT影像；对所述待检测CT影像进行滤波增强处理，获得肺部增强的CT影像序列；采用阈值法对所述CT影像序列进行分割处理，获得仅包含肺实质区域的图像；将所述肺实质分割模块获得的图像裁剪为若干图像块，通过一多尺度特征融合的U-Net网络模型，获得感兴趣区域；采用一3DCNN模型对感兴趣区域进行自动检测识别，获得肺结节检测结果。进一步地，所述滤波增强处理包括图像滤波和窗宽窗位调节。进一步地，所述分割处理具体包括：使用阈值法对CT影像进行粗分割，并填充孔洞，采用三维联通区域标记法，选择初始肺实质区域；对分割出的所述初始肺实质区域进行修补，使用形态学闭运算调整肺部边缘，并边缘处向外扩张若干像素点，获得最终的肺实质区域。进一步地，使用凸包算法对初始肺实质区域进行所述修补。进一步地，所述多尺度特征融合的U-Net网络模型引入随机失活，包括多尺度特征融合单元、若干卷积最大池化单元和若干上采样单元，所述卷积最大池化单元和上采样单元获得的相同尺度大小的特征图相拼接。进一步地，所述多尺度特征融合单元和卷积最大池化单元均包括卷积层与batchnormalization层的组合。进一步地，所述3DCNN模型包括若干由DenseBlock单元和池化层组成的子模型，各子模型的输出端相连接，融合各子模型的预测结果后，输出最终的肺结节检测结果。进一步地，所述多尺度特征融合的U-Net网络模型和3DCNN模型进行训练时采用的样本数据集中，各样本包括CT影像及对应的肺结节标注结果，所述肺结节标注结果为至少三个手动标注结果的融合。本专利技术还提供一种肺结节自动检测装置，包括：CT影像获取模块，用于获取待检测CT影像；预处理模块，用于对所述待检测CT影像进行滤波增强处理，获得肺部增强的CT影像序列；肺实质分割模块，用于采用阈值法对所述CT影像序列进行分割处理，获得仅包含肺实质区域的图像；感兴趣区域提取模块，用于将所述肺实质分割模块获得的图像裁剪为若干图像块，通过一多尺度特征融合的U-Net网络模型，获得感兴趣区域；分类模块，用于采用一3DCNN模型对感兴趣区域进行自动检测识别，获得肺结节检测结果。本专利技术还提供一种肺结节自动检测计算机系统，包括：处理器；存储处理器可执行指令的存储器；其中，所述处理器耦合于所述存储器，用于读取所述存储器存储的程序指令，并作为响应，执行如上所述方法中的步骤。与现有技术相比，本专利技术具有如下有益效果：1、本专利技术提出的肺结节检测方法通过多尺度特征融合的U-Net网络模型和3DCNN模型两个模型实现，首先构建分割模型对肺结节的候选区域进行定位，然后构建分类模型对结节和非结节进行分类鉴别，从而达到对肺结节的检测。本专利技术在所述的处理数据上在保持8FPs/Scan的情况下，敏感性可达90％以上，具有较好的检测结果。2、本专利技术对肺结节的多尺度特征进行提取、融合，从而提高肺结节检测的敏感性，检测灵敏度较高，可对肺结节进行准确、高效检测。3、本专利技术具有对CT影像的预处理过程，有效降低图像的噪声，提升图像的质量，进而提高检测精度。4、本专利技术设计的多尺度特征融合的U-Net网络模型可提取、融合肺结节的多尺度特性信息，可实现细节信息的修补，特征准确性高，可以尽可能多的分割出结节。5、本专利技术建立的U-Net模型中引入了随机失活，且构建的网络中的卷积层均包括卷积层与batchnormalization(BN)层的组合，降低模型过拟合，有效提高了肺结节分割的准确率。6、本专利技术建立的3DCNN模型在每个池化层后均输出预测结果，通过各个预测结果的融合，得到最终的检测结果，进一步提高了检测精度。附图说明图1为基于多尺度信息的深度学习肺结节检测流程图；图2为设计的多尺度特征融合单元示意图；图3为设计的U-Net网络结构示意图；图4为设计的3DCNN网络结构示意图；图5为3DCNN网络中DenseBlock结构示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例1如图1所示，本实施例提供一种肺结节自动检测方法，该方法包括：步骤1、CT影像数据获取。步骤2、样本预处理，包括图像滤波和窗宽窗位调节。本实施例中，利用中值滤波、均值滤波等方式对肺部CT影像进行滤波，降低图像的噪声，提升图像的质量，然后对肺部CT影像进行调节窗宽、窗位操作，用于增强肺实质区域的对比度，得到肺部增强的CT影像序列。其中，调节窗宽、窗位的具体操作可为将HU值大于400的像素设置为400，将HU值小于-1000的像素设置为-1000。步骤3、肺实质分割。肺实质分割主要通过“阈值法”进行肺实质的分割，并对分割结果进行修补，以准确获得肺实质区域。具体地，首先，将CT影像的灰度值转化为HU值，进行归一化，然后使用设定的阈值T对肺实质进行粗分割，再经过孔洞的填充，然后使用“三维联通区域标记”的方法，选择出肺实质区域，使用“凸包”算法对分割后的肺实质区域进行修补，最后再使用形态学闭运算进行调整肺部的边缘，将得到的肺实质区域向外扩张若干个像素点，得到最终的肺实质区域。本实施例中，像素点扩张个数可设置为10。步骤4、感兴趣本文档来自技高网...

【技术保护点】
1.一种肺结节自动检测方法，其特征在于，该方法包括以下步骤：/n获取待检测CT影像；/n对所述待检测CT影像进行滤波增强处理，获得肺部增强的CT影像序列；/n采用阈值法对所述CT影像序列进行分割处理，获得仅包含肺实质区域的图像；/n将所述肺实质分割模块获得的图像裁剪为若干图像块，通过一多尺度特征融合的U-Net网络模型，获得感兴趣区域；/n采用一3D CNN模型对感兴趣区域进行自动检测识别，获得肺结节检测结果。/n

【技术特征摘要】
1.一种肺结节自动检测方法，其特征在于，该方法包括以下步骤：
获取待检测CT影像；
对所述待检测CT影像进行滤波增强处理，获得肺部增强的CT影像序列；
采用阈值法对所述CT影像序列进行分割处理，获得仅包含肺实质区域的图像；
将所述肺实质分割模块获得的图像裁剪为若干图像块，通过一多尺度特征融合的U-Net网络模型，获得感兴趣区域；
采用一3DCNN模型对感兴趣区域进行自动检测识别，获得肺结节检测结果。


2.根据权利要求1所述的肺结节自动检测方法，其特征在于，所述滤波增强处理包括图像滤波和窗宽窗位调节。


3.根据权利要求1所述的肺结节自动检测方法，其特征在于，所述分割处理具体包括：
使用阈值法对CT影像进行粗分割，并填充孔洞，采用三维联通区域标记法，选择初始肺实质区域；
对分割出的所述初始肺实质区域进行修补，使用形态学闭运算调整肺部边缘，并边缘处向外扩张若干像素点，获得最终的肺实质区域。


4.根据权利要求3所述的肺结节自动检测方法，其特征在于，使用凸包算法对初始肺实质区域进行所述修补。


5.根据权利要求1所述的肺结节自动检测方法，其特征在于，所述多尺度特征融合的U-Net网络模型引入随机失活，包括多尺度特征融合单元、若干卷积最大池化单元和若干上采样单元，所述卷积最大池化单元和上采样单元获得的相同尺度大小的特征图相拼接。


6.根据权利要求5所述的肺结节自动检测方法，其特征在于，所述多尺度特征融合单元...

【专利技术属性】
技术研发人员：黄钢，聂生东，陈阳，
申请(专利权)人：上海健康医学院，上海理工大学，
类型：发明
国别省市：上海;31