基于CT影像信息的肺结节组织自动检测方法及设备技术

本发明专利技术涉及一种基于CT影像信息的肺结节组织自动检测方法及设备，包括以下步骤：获取肺部CT影像，采用阈值分割法从所述肺部CT影像中提取获得肺实质部分，并进行图像增强处理，生成待检测图像；将所述待检测图像作为一经训练的候选结节预测模型的输入，获得候选结节区域，其中，所述候选结节预测模型为带有基于条件随机场的多尺度相关器机制的二维多层卷积神经网络模型；基于所述候选结节区域的坐标信息，获取相邻的切片影像信息，聚合为一组三维图像组，将该三维图像组作为一经训练的筛选模型的输入，获得最终检测结果，其中，所述筛选模型基于阶乘关系的条件随机场模型构建。与现有技术相比，本发明专利技术具有种检测结果精度高等优点。点。点。

【技术实现步骤摘要】
基于CT影像信息的肺结节组织自动检测方法及设备


[0001]专利技术涉及计算机辅助医学领域，尤其是涉及一种基于CT影像信息的肺结节组织自动检测方法及设备。

技术介绍

[0002]即使在现代医学技术高度发展的现今，肺癌仍然是全球最常见的肺部原发恶性肿瘤。在早期的肺癌临床影像筛查中，早期肺癌一般表现为肺结节形式。精确且快速的肺结节检测算法不仅可以提高患者的生存几率，也可以减少放射科医生的工作负担。因此，基于CT影像的肺结节检测和分割是计算机辅助肺癌早期诊断的基础步骤。
[0003]目前，根据国际通用的肺结节检测方法，主要依赖影像科医生进行人工阅片。而大量的CT影像处理是一项繁重的工作，同时需要每位参加阅片的影像科医生有丰富的临床经验并且保持高度集中的注意力。然而，将这种机械重复的检测工作交给计算机辅助检测算法可以有效的提高大规模CT影像数据的处理效率。影像科医生也能借助辅助检测算法获得更为精准的像素级检测结果进行参考，实现更有效地病灶分析。因此有必要深入研究基于CT影像的计算机辅助检测算法，从而提高肺结节的检测精准度。
[0004]理论上，最大的肺结节体积约为30*30*30mm3。与体积约为400*400*400mm3的全肺CT图像相比，肺结节检测可定义为一项难度较大的小物体检测任务。这种小物体目标的检测对计算机辅助检测系统的开发提出了更高的精度要求。此外，由于肺结节边缘不规则、密度不同、大小不一，所以从原始CT影像中准确地检测出真正的结节是一项具有挑战性的工作。同时也有部分假阳性样本与真实肺结节的影像表现相似，导致检测结果有偏差。因此在这种情况限制下，改进从原始CT图像中检测肺结节的全自动算法至关重要。

技术实现思路

[0005]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结果精度高的基于CT影像信息的肺结节组织自动检测方法及设备。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于CT影像信息的肺结节组织自动检测方法，包括以下步骤：
[0008]获取肺部CT影像，采用阈值分割法从所述肺部CT影像中提取获得肺实质部分，并进行图像增强处理，生成待检测图像；
[0009]将所述待检测图像作为一经训练的候选结节预测模型的输入，获得候选结节区域，其中，所述候选结节预测模型为带有基于条件随机场的多尺度相关器机制的二维多层卷积神经网络模型；
[0010]基于所述候选结节区域的坐标信息，获取相邻的切片影像信息，聚合为一组三维图像组，将该三维图像组作为一经训练的筛选模型的输入，获得最终检测结果，其中，所述筛选模型基于阶乘关系的条件随机场模型构建。
[0011]进一步地，所述图像增强处理包括分辨率增强和对比度增强。
[0012]训练所述候选结节预测模型时，采用的损失函数包括各层卷积神经网络侧向输出的总体损失函数和各个尺度的条件随机场损失函数。
[0013]进一步地，所述候选结节预测模型包括多层卷积神经网络、侧向附加网络和全连接网络，候选结节预测模型对待检测图像的处理具体为：
[0014]待检测图像输入所述候选结节预测模型中，在各层级的卷积神经网络中产生不同尺度的特征图，所述不同尺度的特征图经过一组侧向附加网络进行输出，将不同尺度的特征图按照线性链状条件随机场模式聚合，聚合获得的特征与最后一层卷积神经网络输出的特征进行融合后输入全连接网络，根据概率值获得候选结节区域。
[0015]进一步地，获取相邻的切片影像信息时，分别从X、Y、Z三个方向上进行多层相邻切片分析。
[0016]进一步地，基于加权平均集成学习策略剔除假阳性预测结果，获得所述最终检测结果。
[0017]进一步地，对所述候选结节预测模型和筛选模型进行训练时采用的CT影像数据集中包括CT影像数据和各个组织目标的标签信息，所述标签信息包括肺结节的坐标信息和尺寸。
[0018]进一步地，所述CT影像数据集中的CT影像数据基于原始数据经预处理后获得，所述预处理包括：
[0019]获取包含病灶区域的原始影像序列段，提取肺实质部分，采用双线性插值算法调整图像块大小；
[0020]采用直方图均衡化增强图像对比度；
[0021]采用强度归一化操作将图像中对应像素值标准化；
[0022]扩充图像样本量。
[0023]本专利技术还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于CT影像信息的肺结节组织自动检测方法的指令。
[0024]本专利技术还提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于CT影像信息的肺结节组织自动检测方法的指令。
[0025]与现有技术相比，本专利技术通过构建多层二维卷积神经网络模型分析肺部CT影像，并分别在候选结节检测阶段提取多尺度特征信息，在假阳性结节筛选阶段提取连续切片影像之间的关联信息，实现肺结节的检测，具有以下有益效果：
[0026]1、本专利技术设计了多尺度相关器机制(Motion
‑
Slice Enhance，MSE)和动态切片增强机制(Motion
‑
Slice Enhance，MSE)，借助多尺度特征信息和连续切片影像的关联信息进行自动肺结节检测，有效提升了检测结果的精度。
[0027]2、本专利技术利用概率图模型代替传统的多尺度金字塔融合模型，将高低层级的特征图进行关联性分析，增强对低层级特征图的细节特征的分析和高层特征图语意特征的学习，从而提高相似影像特征的肺结节目标的识别率。
[0028]3、针对不同序列的CT影像，本专利技术提出一种基于连续切片分析的方法，利用CT影像的多层连续切片成像原理，对疑似肺结节的前后关联影像进行分析，充分地利用相邻切
片层之间的动态变化信息。相对于传统假阳性筛选操作，本专利技术利用概率图模型的观察序列对多层切片进行建模，可以有效地降低复杂的多路径神经网络的设计，同时显著性提升分类召回率，鲁棒性更强。
[0029]4、本专利技术设计可以实现全自动的端到端网络训练，进一步提升模型的性能和泛化能力。
附图说明
[0030]图1为本专利技术的候选结节的检测阶段网络示意图；
[0031]图2为本专利技术的假阳性结节筛选阶段的网络示意图；
[0032]图3为一种多层相邻切片分析算法示意图。
具体实施方式
[0033]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。
[0034]本专利技术实施例提供一种基于CT影像信息的肺结节组织检测方法，包括如下步骤：获取肺部CT影像，采用阈值分割法从所述肺部CT影像中提取获得肺实质部分，并进行图像增强处理，生成待检测图像；将所述待检测图像作为一经训练的候选结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CT影像信息的肺结节组织自动检测方法，其特征在于，包括以下步骤：获取肺部CT影像，采用阈值分割法从所述肺部CT影像中提取获得肺实质部分，并进行图像增强处理，生成待检测图像；将所述待检测图像作为一经训练的候选结节预测模型的输入，获得候选结节区域，其中，所述候选结节预测模型为带有基于条件随机场的多尺度相关器机制的二维多层卷积神经网络模型；基于所述候选结节区域的坐标信息，获取相邻的切片影像信息，聚合为一组三维图像组，将该三维图像组作为一经训练的筛选模型的输入，获得最终检测结果，其中，所述筛选模型基于阶乘关系的条件随机场模型构建。2.根据权利要求1所述的基于CT影像信息的肺结节组织自动检测方法，其特征在于，所述图像增强处理包括分辨率增强和对比度增强。3.根据权利要求1所述的基于CT影像信息的肺结节组织自动检测方法，其特征在于，训练所述候选结节预测模型时，采用的损失函数包括各层卷积神经网络侧向输出的总体损失函数和各个尺度的条件随机场损失函数。4.根据权利要求1所述的基于CT影像信息的肺结节组织自动检测方法，其特征在于，所述候选结节预测模型包括多层卷积神经网络、侧向附加网络和全连接网络，候选结节预测模型对待检测图像的处理具体为：待检测图像输入所述候选结节预测模型中，在各层级的卷积神经网络中产生不同尺度的特征图，所述不同尺度的特征图经过一组侧向附加网络进行输出，将不同尺度的特征图按照线性链状条件随机场模式聚合，聚合获得的特征与最后一层卷积神经网络输出的特征进行融合后输入全连接网络，根据概率值获得候选结节区域。...

【专利技术属性】
技术研发人员：黄钢，夏巽鹏，张荣福，聂生东，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：