一种肺部结节的良恶性预测模型构建方法及该模型与诊断器技术

本发明专利技术提供一种肺部结节的良恶性预测模型构建方法及该模型与诊断器，涉及深度学习及图像处理技术领域，为解决现有技术无法从空间维度和特征维度上提取三维结节的全局特征，且无法摆脱自我注意模块计算复杂度和内存消耗的限制的问题。本发明专利技术肺部结节良恶性预测模型，采用3D

【技术实现步骤摘要】
一种肺部结节的良恶性预测模型构建方法及该模型与诊断器


[0001]本专利技术涉及深度学习及图像处理
，具体而言，涉及一种肺部结节的良恶性预测模型构建方法及该模型与诊断器。

技术介绍

[0002]肺癌是全球发病率及死亡率最高的恶性肿瘤。肺癌的5年总生存率为22％，而早期肺癌总生存可达90％以上。对肺癌做到早诊断，将有利于及时采取正确的治疗，降低患者病死率。
[0003]现通过机器学习或深度学习方法对胸部CT影像学进行肺结节良恶性鉴别的模型较多。但诊断的准确率不尽如人意。另外对于那些基于卷积神经网络(Convolutional Neural Networks,CNN)的模型，它们倾向于使用小核，如3*3,5*5，来进行特征提取。在此配置下，基于CNN模型的每个阶段只能提取局部特征。然而，局部特征和全局特征对于分类任务都是至关重要的，尤其是良恶性结节分类需要完整的3D信息。其次，有效地建模像素之间的长期依赖关系是捕获全局上下文信息以进一步提高评价性能的关键。最近，自我注意机制，特别是迁移学习，被认为是一种构建长期依赖关系的有效方法，并且在自然语言处理和2D图像分析方面取得了成功。然而，现有的自注意模块仅仅通过计算空间维度上的相关性来建立依赖关系，而忽略了特征维度之间的关系。另外，当遇到高内存消耗和占用的数据时，特别是对于三维医学图像，由于自我关注的计算复杂度与标记的数量成二次方，因此，具有很高的计算复杂性和巨大的内存消耗。上述现象限制了普通的自我注意模块在三维医学图像分析领域的有效性。既往影像学模型将诊断准确率提高到90.22％，假阳性率降低到11.06％，但是具有前述缺陷的这些模型仍能进一步改进。

技术实现思路

[0004]本专利技术要解决的技术问题是：
[0005]现有技术无法从空间维度和特征维度上提取三维结节的全局特征，且无法摆脱自我注意模块计算复杂度和内存消耗的限制的问题。
[0006]本专利技术为解决上述技术问题所采用的技术方案：
[0007]本专利技术提供了一种肺部结节的良恶性预测模型构建方法，包括如下步骤：
[0008]S1、构建胸部CT扫描影像数据集，对胸部CT扫描影像中的肺结节进行分割、标注，得到三维结节，对每个三维结节进行归一化处理，将数据集随机划分为训练集、验证集和测试集；
[0009]S2、构建肺部结节良恶性预测模型，所述模型中构建有MVCS模块；
[0010]所述MVCS模块包括空间注意模块和维度注意模块，所述维度注意模块设置在空间注意模块之后；所述的空间注意模块为：对于给定的输入数据X∈R
B
×
D
×
H
×
W
×
C
，H
×
W为空间分辨率，D为深度维度，即CT影像的层数，C为通道，B为尺寸大小，首先将其转换为三个视图，即X0∈R
BD
×
H
×
W
×
C
，X1∈R
BH
×
W
×
D
×
C
和X2∈R
BW
×
H
×
D
×
C
；将每个视图映射成一个空间key、query和
value，用二维1
×
1卷积表示为和其中t为视图索引；用这些embedding来独立生成空间注意图；在空间注意里面，计算出位置注意和通道注意；Embedding和首先被重塑为HW
×
C
’
，和C
’×
HW的大小；由生成空间相似性矩阵以从空间角度模拟长距离的依赖关系；由生成通道相似性矩阵以探讨沿通道维度的依赖关系；然后，计算视图0的空间注意图为：
[0011][0012]所述维度注意模块将输入特征X首先映射成一个空间key、query和value，分别表示为X
k
∈R
B
×
D
×
H
×
W
×
C
,X
q
∈R
B
×
D
×
H
×
W
×
C
和X
v
∈R
B
×
D
×
H
×
W
×
C
，使用3
×1×
1卷积代替；然后通过重塑X
q
和X
k
来计算沿三维的相似性矩阵
[0013]计算维度注意为：
[0014][0015]S3、采用训练集对模型进行训练，采用验证集对最优模型参数进行选择，模型输出结节恶性风险的概率，将概率结果与预设的概率阈值比较，小于阈值的概率划分为肺部良性结节，否则预测为恶性结节；
[0016]S4、通过测试集对模型预测效能进行评估。
[0017]进一步地，所述MVCS模块生成的输出特征为：
[0018][0019]进一步地，所述肺部结节良恶性预测模型采用3D
‑
CNN作为模型的主干，3D
‑
ResNet框架作为模型的基本框架，不同的卷积层中构建有MVCS模块。
[0020]进一步地，S1中采用Z
‑
score标准化方法对每个三维结节进行归一化处理。
[0021]进一步地，S1中采用随机添加高斯噪声、3D翻转的方法进行数据扩充。
[0022]进一步地，S3中通过评估1
‑
5次交叉验证和5次交叉验证的平均结果作为最终结果。
[0023]进一步地，S3中通过评估计算灵敏度、准确度、假阳性率和F1分数指标综合评价模型的分类性能。
[0024]一种肺部结节的良恶性预测模型，由上述技术方案任一项所述的肺部结节的良恶性预测模型构建方法构建而成。
[0025]一种诊断器，所述诊断器含有上述技术方案所述的肺部结节良恶性预测模型。
[0026]相较于现有技术，本专利技术的有益效果是：
[0027]本专利技术一种肺部结节的良恶性预测模型构建方法及该模型与诊断器，本专利技术的肺结节良恶性预测模型构建有视图耦合自注意模块(MVCS)，包括空间注意模块和维度注意模块，获取三维肺部结节局部和全局特征的相关性；空间注意模块探索了位置注意和通道注意的空间和通道维度的依赖关系；维度注意模块贴附于空间注意模块，利用维度相关性沿着三维建立距离相关性，避免了巨大的内存消耗和较高的计算复杂度。本专利技术MVCS模块可以很容易地添加到其他基于3D的架构中，在不改变网络结构的情况下提高网络性能。本专利技术的诊断器对于患者需要检测的项目要求简单，对人体无创，可准确预测患者患肺癌的可
能性，为肺癌的早期诊断及是否需要及时进行有创的病理活检提供重要参考，并且仅需少量特征因素，应用十分便利。
附图说明
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺部结节的良恶性预测模型构建方法，其特征在于包括如下步骤：S1、构建胸部CT扫描影像数据集，对胸部CT扫描影像中的肺结节进行分割、标注，得到三维结节，对每个三维结节进行归一化处理，将数据集随机划分为训练集、验证集和测试集；S2、构建肺部结节良恶性预测模型，所述模型中构建有MVCS模块；所述MVCS模块包括空间注意模块和维度注意模块，所述维度注意模块设置在空间注意模块之后；所述的空间注意模块为：对于给定的输入数据X∈R
B
×
D
×
H
×
W
×
C
，H
×
W为空间分辨率，D为深度维度，即CT影像的层数，C为通道，B为尺寸大小，首先将其转换为三个视图，即X0∈R
BD
×
H
×
W
×
C
，X1∈R
BH
×
W
×
D
×
C
和X2∈R
BW
×
H
×
D
×
C
；将每个视图映射成一个空间key、query和value，用二维1
×
1卷积表示为和其中t为视图索引；用这些embedding来独立生成空间注意图；在空间注意里面，计算出位置注意和通道注意；Embedding和首先被重塑为HW
×
C
’
，和C
’×
HW的大小；由生成空间相似性矩阵以从空间角度模拟长距离的依赖关系；由生成通道相似性矩阵以探讨沿通道维度的依赖关系；然后，计算视图0的空间注意图为：所述维度注意模块将输入特征X首先映射成一个空间key、query和value，分别表示为X
k
∈R
B
×
D
×
H
×
W
×
C
,X
q
∈R...

【专利技术属性】
技术研发人员：钟文昭，杨雄雯，朱其奎，
申请(专利权)人：广东省人民医院，
类型：发明
国别省市：