纵隔肿物识别方法、系统及装置制造方法及图纸

本发明专利技术公开了一种纵隔物识别方法、系统及装置，所述方法包括如下步骤：S1、对纵隔肿物的CT图像进行预处理；S2、对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；S3、将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet后，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果。本发明专利技术使用了深度学习并结合注意力机制，同时利用了2D和3D的优势，因此模型精度较高、推理速度快；此外，由于数据库规模较大，其泛化性能可以得到保障。

【技术实现步骤摘要】
纵隔肿物识别方法、系统及装置
本专利技术涉及人工智能领域，尤其是涉及一种纵隔物识别方法、系统及装置。
技术介绍
在医学上，纵隔指的是前到胸骨，后到脊椎，上到颈部，下到隔肌的一块区域。它包含心脏，胸腺，某些淋巴结和部分气道（气管）等，不包括肺。长在纵隔区域的肿瘤按部位分可以分为：前纵隔，中纵隔和后纵隔肿瘤。纵隔肿物包含多种疾病类型。以胸腺肿肿瘤为例，胸腺肿瘤中90%为胸腺瘤，其余是胸腺癌、淋巴瘤及类癌等。纵隔肿物具有发病率低的特点，例如胸腺瘤在全部成人恶性肿瘤中不足1%；同时在发病位置上也有特点，例如在成人前纵隔肿瘤中胸腺瘤约占30%，据美国国家癌症研究所报告，美国胸腺瘤的发病率为0.15/10万，因此可学习样本较少。影像学检查可以辅助医生诊断纵隔肿物。以胸腺瘤为例，近80%胸腺瘤患者在正位胸片上表现为纵隔轮廓异常或肿物。胸部增强CT是诊断前纵隔肿物的首选影像检查方法，CT不仅能显示病变大小、密度、边缘，而且能提示病变与胸腔内周围器官包括大血管、肺、心包、心脏、胸膜等的关系。在增强CT序列中，血管等会呈现高密度特征，此时纵隔肿物呈低密度特征，较易识别。综合上述特点，CT可以帮助医生快速诊断纵隔肿物，但其中存在两个难点。一是是由于发病率低，可学习的影像样例少，再加上个别类型在整体发病率中所占更少，其样本就更少；二是疾病分型很多。通过CT诊断纵隔肿物对于经验较少的影像科医生是一个很大的挑战，很容易出现漏诊现象。随着计算机和数字图像处理技术的发展，出现了许多计算机图像算法用于处理CT图像，帮助医生诊断癌症。但是一方面这些算法有相当一部分基于传统机器学习，取得的诊断精度有限；另一方面，受限于纵隔肿物发病率低，可学习样本较难收集，因此其泛化性能收到限制。
技术实现思路
本专利技术的目的在于提供一种纵隔物识别方法、系统及装置，旨在解决纵隔物识别方法。本专利技术提供一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，包括如下步骤：S1、对纵隔肿物的CT图像进行预处理；S2、对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；S3、将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet后，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果。本专利技术还提供一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别系统，包括：预处理模块：用于对纵隔肿物的CT图像进行预处理；切片模块：对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；融合模块：将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet后，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果。本专利技术实施例还提供一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。采用本专利技术实施例，结合注意力机制开发兼顾2D和3D信息的算法，从而实现对纵隔肿物的分割。由于使用了深度学习并结合注意力机制，同时利用了2D和3D的优势，因此模型精度较高、推理速度快；此外，由于数据库规模较大，其泛化性能可以得到保障。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例的基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法的流程图；图2是本专利技术实施例的基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法的网络结构示意图；图3是本专利技术实施例的基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法的分组卷积示意图；图4是本专利技术实施例的基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法的切片间位置注意力示意图；图5是本专利技术实施例的基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法的切片间融合注意力示意图；图6是本专利技术实施例的基于两级自注意力机制的2.5DUNet的纵隔肿物识别系统的示意图；图7是本专利技术实施例的基于两级自注意力机制的2.5DUNet的纵隔肿物识别装置的示意图。附图标记说明：610：预处理模块；620切片模块；630：融合模块。具体实施方式下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，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。在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。方法实施例根据本专利技术实施例，提供了一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，图1是本专利技术实施例的基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法的流程图，如图1所示，具体包括：S1、对纵隔肿物的CT图像进行预处理；S1具体包括：将图像重采样统一分辨率，对重采样后的图像灰度化，对灰度后的图像采用大津算法得到二值图，对二值图进行开运算处理噪声，对本文档来自技高网...

【技术保护点】
1.一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，包括如下步骤：/nS1、对纵隔肿物的CT图像进行预处理；/nS2、对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；/nS3、将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet后，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果。/n

【技术特征摘要】
1.一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，包括如下步骤：
S1、对纵隔肿物的CT图像进行预处理；
S2、对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；
S3、将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet后，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果。


2.根据权利要求1所述的一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，所述S1具体包括：
将图像重采样统一分辨率，对重采样后的图像灰度化，对灰度后的图像采用大津算法得到二值图，对二值图进行开运算处理噪声，对处理噪声后的二值图进行边缘检测得到身体区域范围，去除大部分图像中无关区域。


3.根据权利要求1所述的一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，所述S2具体包括：
对预处理后的CT图像取连续的多个切片，并将每个切片处理成2个窗宽窗位的矩阵，得到W×H×(2×n)的数据，其中W和H代表矩阵的宽度和高度，2代表2个窗宽窗位，n代表连续的n个切片。


4.根据权利要求1所述的一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，所述S3具体包括：
将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet后，对得到的多个切片按通道维度进行分组，得到C个组，将分组后的切片先输入切片间位置注意力结构提取特征，后输入融合注意力结构进行融合，得到识别结果。


5.根据权利要求4所述的一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，所述将分组后的切片先输入切片间位置注意力结构提取特征具体包括：将分组卷积后的切片使用带步长的卷积，将特征图由H×W×C处理为N×N×C的分辨率，其中N与整个网络结构中最小特征图尺寸的分辨率相同，然后对N×N×C分辨率的特征分别使用三个权重提取Query特征向量、Key特征向量和Value特征向量，Query特征向量和Key特征向量做矩阵乘法，得到不同位置的特征之间的影响因子，将此结果作为加权因子与Value特征向量相乘即得到经过位置信息加权的特征。


6.根据权利要求4所述的一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，其特征在于，所述后输入融合注意力结构进行融合，得到识别结果具体包括:将特征图划分网格，将网格内的特征展开为1维向量后，每个通道可以得到N×N个特征向量，将所有特征向量输入线性映射器进行映射，将不同通道中的相同位置的网格对应的向量作为一组特征送入1D的线性映射结构从而得到第i个位置不同通道间的自注意力加强后的特征，再将得到的结果拼接起来得到特征图，作为加权因子与原始特征相乘，不同通道间的特征融合，之后再通过一次位置注意力结构，实现了切片不同空间位置间特征的融合。


7.一...

【专利技术属性】
技术研发人员：杜强，高泽宾，郭雨晨，聂方兴，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：北京;11