一种基于胸部影像的病灶识别方法及装置制造方法及图纸

本发明专利技术提供一种基于胸部影像的病灶识别方法及装置。所述方法包括：构造异常征象检测模型，将胸部影像输入到训练好的所述模型进行特征提取和异常征象类别预测；构造病灶检测模型，将胸部影像输入到训练好的所述模型进行病灶特征提取；通过对提取的异常征象特征和病灶特征进行特征融合，输出病灶类别。本发明专利技术基于异常征象特征和病灶特征的融合输出最终的病灶类别，提高了病灶识别精度。提高了病灶识别精度。提高了病灶识别精度。

【技术实现步骤摘要】
一种基于胸部影像的病灶识别方法及装置


[0001]本专利技术属于医学影像
，具体涉及一种基于胸部影像的病灶识别方法及装置。

技术介绍

[0002]呼吸系统疾病在全球范围内构成了重大负担，慢性呼吸道疾病影响了占世界人口7.4％的大型患者群体，并占死亡总数的7.0％。每年有数百万人死于下呼吸道感染。肺癌是癌症相关发病率和死亡率的首要原因，中国新增病例占37.0％，死亡占39.2％。肺结核则是最常见的致命传染病。根据国际呼吸学会论坛，从流行角度来看，上述疾病被认为是全球最重要的肺部疾病。
[0003]放射学在各种呼吸道疾病的筛查、分诊和诊断中发挥着不可或缺的作用。计算机断层扫描(CT)可以生成三维图像，并提供更精确的病理信息，随着检查成本的降低，目前已经成为胸部疾病诊断医学成像的主流。虽然这些技术可以捕捉人眼看不见的数字纹理，但由于在放射学评估中缺乏观察者之间的一致性，因此准确诊断仍然具有挑战性。深度学习方法在年龄相关性黄斑变性和糖尿病黄斑水肿的分类、糖尿病视网膜病变的分级、识别皮肤癌亚型、检测乳腺癌转移以及头部CT异常进行分类方面具有普遍适用性。一些相关的研究中，基于深度学习的医学图像解释系统也可以用于COVID
‑
19的早期诊断和恶性肺结节的识别，这证明了其在急性和非急性呼吸道疾病诊断中的良好适用性。然而，此类已建立的人工智能系统仅侧重于一种疾病的鉴别诊断或单疾病的二元诊断，限制了其在各种呼吸状况的实际日常实践中的临床适用性和通用性。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供一种基于胸部影像的病灶识别方法及装置。
[0005]为了实现上述目的，本专利技术采用以下技术方案。
[0006]第一方面，本专利技术提供一种基于胸部影像的病灶识别方法，包括以下步骤：
[0007]构造异常征象检测模型，将胸部影像输入到训练好的所述模型进行特征提取和异常征象类别预测；
[0008]构造病灶检测模型，将胸部影像输入到训练好的所述模型进行病灶特征提取；
[0009]通过对提取的异常征象特征和病灶特征进行特征融合，输出病灶类别。
[0010]进一步地，所述异常征象包括条索、肺不张、支气管病变、钙化、空洞、实变、肺气肿、毛玻璃密度影、蜂窝征、淋巴结肿大、肿块、结节、斑片影、胸腔积液、胸膜增厚、气腹、气胸、肺大泡、网格影和空气支气管影。
[0011]进一步地，所述病灶类别包括支气管扩张、慢性阻塞性肺炎、间质性肺炎、肺癌、胸腔积液、肺炎、气胸和肺结核。
[0012]进一步地，通过将提取的异常征象特征和病灶特征输入自注意力机制模块实现特
征融合。
[0013]进一步地，利用标注异常征象的数据集对异常征象检测模型单独进行训练；基于训练好的异常征象检测模型，利用标注病灶类别的数据集对病灶识别整体模型进行训练。
[0014]进一步地，所述胸部影像为胸部CT图像。
[0015]进一步地，所述方法还包括生成异常征象位置热图和病灶类别位置热图。
[0016]第二方面，本专利技术提供一种基于胸部影像的病灶识别装置，包括：
[0017]第一建模模块，用于构造异常征象检测模型，将胸部影像输入到训练好的所述模型进行特征提取和异常征象类别预测；
[0018]第二建模模块，用于构造病灶检测模型，将胸部影像输入到训练好的所述模型进行病灶特征提取；
[0019]病灶识别模块，用于通过对提取的异常征象特征和病灶特征进行特征融合，输出病灶类别。
[0020]进一步地，所述异常征象包括条索、肺不张、支气管病变、钙化、空洞、实变、肺气肿、毛玻璃密度影、蜂窝征、淋巴结肿大、肿块、结节、斑片影、胸腔积液、胸膜增厚、气腹、气胸、肺大泡、网格影和空气支气管影。
[0021]进一步地，所述病灶类别包括支气管扩张、慢性阻塞性肺炎、间质性肺炎、肺癌、胸腔积液、肺炎、气胸和肺结核。
[0022]进一步地，通过将提取的异常征象特征和病灶特征输入自注意力机制模块实现特征融合。
[0023]进一步地，利用标注异常征象的数据集对异常征象检测模型单独进行训练；基于训练好的异常征象检测模型，利用标注病灶类别的数据集对病灶识别整体模型进行训练。
[0024]进一步地，所述胸部影像为胸部CT图像。
[0025]进一步地，所述装置还包括热图生成模块，用于生成异常征象位置热图和病灶类别位置热图。
[0026]与现有技术相比，本专利技术具有以下有益效果。
[0027]本专利技术构造异常征象检测模型，将胸部影像输入到训练好的所述模型进行特征提取和异常征象类别预测，构造病灶检测模型，将胸部影像输入到训练好的所述模型进行病灶特征提取，通过对提取的异常征象特征和病灶特征进行特征融合，输出病灶类别，实现了病灶类别的自动识别。本专利技术基于异常征象特征和病灶特征的融合输出最终的病灶类别，提高了病灶识别精度。
附图说明
[0028]图1为本专利技术实施例一种基于胸部影像的病灶识别方法的流程图。
[0029]图2为本专利技术实施例的一种网络结构示意图。
[0030]图3为异常征象和病灶类别的位置热图示意图。
[0031]图4为本专利技术实施例一种基于胸部影像的病灶识别装置的方框图。
具体实施方式
[0032]为使本专利技术的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方
式对本专利技术作进一步说明。显然，所描述的实施例仅仅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。
[0033]图1为本专利技术实施例一种基于胸部影像的病灶识别方法的流程图，包括以下步骤：
[0034]步骤101，构造异常征象检测模型，将胸部影像输入到训练好的所述模型进行特征提取和异常征象类别预测；
[0035]步骤102，构造病灶检测模型，将胸部影像输入到训练好的所述模型进行病灶特征提取；
[0036]步骤103，通过对提取的异常征象特征和病灶特征进行特征融合，输出病灶类别。
[0037]本实施例中，步骤101主要用于建立异常征象检测模型。异常征象检测模型用于通过对输入的胸部影像进行特征提取等处理，输出胸部影像中异常征象的类别。所述异常征象类别可以理解为影像科医生在撰写影像报告时的影像描述部分的内容，也就是对影像中存在哪些异常征象的总结，常见的异常征象包括肺不张、支气管病变等。所述异常征象检测模型的主干网络可采用三维深度神经网络结构，比如常见的3D
‑
ResNet或者Video Swin
‑
transformer(视频偏移窗transformer网络)等。由于异常征象通常都是多种同时存在，因此将其分类任务建模成一个多标签分类任务。模型结构确定后，便可通过构建训练数据集对所述模型进行训练了。练数据集由标注了异常征象标签的胸部影像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于胸部影像的病灶识别方法，其特征在于，包括以下步骤：构造异常征象检测模型，将胸部影像输入到训练好的所述模型进行特征提取和异常征象类别预测；构造病灶检测模型，将胸部影像输入到训练好的所述模型进行病灶特征提取；通过对提取的异常征象特征和病灶特征进行特征融合，输出病灶类别。2.根据权利要求1所述的基于胸部影像的病灶识别方法，其特征在于，所述异常征象包括条索、肺不张、支气管病变、钙化、空洞、实变、肺气肿、毛玻璃密度影、蜂窝征、淋巴结肿大、肿块、结节、斑片影、胸腔积液、胸膜增厚、气腹、气胸、肺大泡、网格影和空气支气管影。3.根据权利要求1所述的基于胸部影像的病灶识别方法，其特征在于，所述病灶类别包括支气管扩张、慢性阻塞性肺炎、间质性肺炎、肺癌、胸腔积液、肺炎、气胸和肺结核。4.根据权利要求1所述的基于胸部影像的病灶识别方法，其特征在于，通过将提取的异常征象特征和病灶特征输入自注意力机制模块实现特征融合。5.根据权利要求1所述的基于胸部影像的病灶识别方法，其特征在于，利用标注异常征象的数据集对异常征象检测...

【专利技术属性】
技术研发人员：张树，马杰超，王成弟，李为民，俞益洲，李一鸣，乔昕，
申请(专利权)人：杭州深睿博联科技有限公司，
类型：发明
国别省市：