[发明专利]基于切片感知的三维神经网络的肺结节探测方法及系统

说明书

本发明公开一种基于切片感知的三维神经网络的肺结节探测方法及系统，包括：获取三维CT图像；根据成组切片非局部模块，三维区域候选网络和假阳减少模块构建三维神经网络，根据三维神经网络得到三维CT图像的肺结节探测结果；采用所述成组切片非局部模块提取三维CT图像的图像特征；采用所述三维区域候选网络根据图像特征获取肺结节候选目标；采用所述假阳减少模块获取肺结节候选目标的多尺度特征，将多尺度特征进行融合后得到肺结节探测结果。通过成组切片非局部模块学习成组切片内的元素间非局部依赖关系，以更好地学习判别性的特征；通过假阳减少模块对多尺度特征进行提取融合，以减少错误识别的肺结节，显著提高肺结节检测的效果。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于切片感知的三维神经网络的肺结节探测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

近年来随着计算机技术的不断发展以及日常生活中的广泛需求，图像处理技术得到了蓬勃的进步。图像处理中的目标探测技术用于探测图像中特定的目标类别，在自然图像和医学图像中都有较多的应用。肺癌已成为全世界癌症死亡的主要原因之一，肺结节是肺部的病变，具有发展成为恶性肿瘤的高可能性，早期诊断肺结节，并及时治疗是肺癌的最佳解决方案。胸部计算机断层扫描(CT)是早期诊断肺结节的有效工具，在降低肺癌的死亡率中起着重要的作用。在CT图像中，肺结节和其他组织的X射线吸收水平通常相同；但是，结节通常是孤立的球形，这与血管和支气管的连续管状结构大不相同。由于解析CT数据需要一次分析数百张图像，因此经验丰富的医生通常需要花费大约10分钟才能对患者进行彻底检查，而且，肺部存在大量的小结节，并且不同类型的结节具有不同的形态。因此准确地识别并诊断结节的危害性对医生来说是一个巨大的挑战。

近年来，计算机辅助诊断(CAD)系统被大量开发，以帮助医生更有效且更准确地解释CT图像。传统的计算机辅助诊断系统主要依靠形态学运算或低阶的描述子来检测肺结节候选目标。然而，由于结节的大小、形状和类型多种多样，这些方法会通常获得较差的检测结果。

随着深度学习的发展，一些基于卷积神经网络(CNN)的网络结构，例如Faster R-CNN、SSD和YOLO等被提出并证明在目标探测中非常有效。对于医学图像分析领域的肺结节检测，基于CNN的方法也被提出。与自然图像中的二维目标探测相比，肺结节探测是使用三维CT数据的三维目标探测问题，因此要困难得多。一些研究利用二维的区域候选网络(RPN)在三维CT图像中的每个二维切片中获取候选目标，然后将二维候选目标跨切片合并以生成三维的候选目标。如今，考虑到三维卷积神经网络在三维目标探测中的性能优越性，越来越多的方法采用基于三维卷积神经网络的模型来处理CT数据，并直接生成三维的候选目标；与二维卷积神经网络相比，三维卷积神经网络具有大量的参数，因此需要更多时间和更多GPU显存进行训练。

然而，已有的利用三维卷积神经网络进行肺结节探测的方法，通常是将二维目标探测网络模型中的二维卷积直接替换为三维卷积，进而直接生成三维的肺结节探测结果。这类方法忽略三维CT数据中不同切片之间的深层联系，不能很好的应对具有多种不同形状的肺结节。此外，这类方法没有考虑在医学图像处理中非常重要的假阳性问题，没有减少假阳性肺结节的模块，因此在探测较小的肺结节时效果相对较差。

发明内容

为了解决上述问题，本发明提出了一种基于切片感知的三维神经网络的肺结节探测方法及系统，改进三维卷积神经网络，提出基于切片感知的三维神经网络技术，通过成组切片非局部模块学习成组切片内的元素间非局部依赖关系，以更好地学习判别性的特征；通过假阳减少模块对多尺度特征进行提取融合，以减少错误识别的肺结节，显著提高肺结节检测的效果。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于切片感知的三维神经网络的肺结节探测方法，包括：

获取三维CT图像；