[发明专利]基于多切片CT图像的肺结节分类和病灶定位方法和系统

说明书

本发明属于计算机视觉和机器学习领域，具体为一种基于2D深度神经网络和多切片CT图像的肺结节良恶性分类和病灶定位方法。本发明通过多切片的CT图像作为神经网络的输入来使得网络学习到同一结节的不同尺度和不同形态的特征，从而增强模型的鲁棒性和泛化能力。其次，解决了类激活映射不能对图像中感兴趣的细粒度区域进行准确定位的问题，本发明通过对网络最后一层的所有特征图分别加全链接层来实现细粒度的定位，即使得最终的特征之间的相互影响减弱，再将全链接层得到的特征向量与类似于U‑Net结构中的低维特征结合，实现更精确的恶性病灶的定位，提高分类的准确率。

技术领域

本发明属于计算机视觉及生物医学技术领域，具体涉及基于CT图像的肺结节分类和病灶定位方法和系统。

背景技术

基于CT图像和深度神经网络的肺结节良恶性分类是近年来深度学习兴起后迅速发展的一个研究方向。在临床得到病人的腹部CT扫描图像后，要求计算机通过机器学习、计算机视觉的算法以较高的准确率分辨出结节的良恶性。目前该领域已经有不少前人工作，其主要方法都是基于对图像做多尺度变换、多角度特征提取等方法。U-Net对于医学图像的分隔有着良好的性能，基于2D/3D的U-Net结构被广泛应用，该结构中的高层低维语义特征却鲜被关注。对图像中感兴趣区域的定位，或者对图像中具有区分性的区域的定位也有一些相关研究，但恶性肺结节的病灶定位需要更细粒度的定位方法。以下是相关方法的一些参考文献：

[1]Shan,H.；Zhang,Y.；Yang,Q.；Kruger,U.；Kalra,M.；Sun,L.；Cong,W.；andWang,G.2018.3-d convolu-tional encoder-decoder network for low-dose ct viatransfer learning from a 2-d trained network.IEEE Transactions on MedicalImaging(TMI)37(6):1522.

[2]Setio,A.A.A.；Ciompi,F.；Litjens,G.；et al.2016.Pulmonary noduledetection in CT images:false positive reduction using multi-viewconvolutional networks.IEEE Transactions on Medical Imaging(TMI)35(5):1160–1169.

[3]Hussein,S.；Gillies,R.；Cao,K.；Song,Q.；and Bagci,U.2017.Tumornet:Lung nodule characterization using multi-view convolutional neural networkwith Gaussian process.In 2017 IEEE 14th International Symposium on BiomedicalImaging(ISBI),1007–1010.

[4]Shen,W.；Zhou,M.；Yang,F.；Yang,C.；and Tian,J.2015.Multi-scaleconvolutional neural networks for lung nodule classification.In InternationalConference on Information Processing in Medical Imaging(IPMI),588–599.

[5]Ronneberger,O.；Fischer,P.；and Brox,T.2015.U-net:Convolutionalnetworks for biomedical image segmentation.In International Conference onMedical Image Computing and Computer-Assisted Intervention,234–241.