[发明专利]一种钡餐造影图像的食道癌检测方法及系统

说明书

本发明提供了一种钡餐造影图像的食道癌检测方法及系统，包括：获取待检测的食道的钡餐造影图像；根据经训练的目标检测模型对钡餐造影图像进行病灶区域检测；其中，目标检测模型采用改进的Faster R‑CNN，其基础网络由携带注意力机制的卷积神经网络构成；根据基础网络获取图像的特征图，通过注意力机制增强特征图的特征显著性；根据特征图生成感兴趣区域及感兴趣区域的特征向量，根据感兴趣区域的特征向量得到病灶区域的检测信息。本发明通过在基础网络中嵌入注意力机制，改进了目标检测模型获取感兴趣区域的特征的能力，通过对多影像、多体位的检测信息的融合，提高了系统对食道癌的检测准确率。

技术领域

本发明涉及医学图像领域，尤指一种钡餐造影图像的食道癌检测方法及系统。

背景技术

癌症是当今对人类身体健康危害最大的疾病之一，许多癌症的早期诊断与治疗可以起到防治的效果。癌症早期在影像上往往表现为小型的病灶，需要花费医生很多时间进行筛查。使用计算机辅助检测(Computer-Aided Detection，CAD)系统可以减少医生病灶漏检率，提升医生阅片的效率。

食道癌是发生在食管上皮组织的恶性肿瘤，早发现早诊断，早治疗仍然是治愈食道癌最有效的方法。目前食道癌CAD系统主要为针对食道癌细胞图像和食管内窥镜图像的研究，还未见基于钡餐造影图像的食道癌CAD系统的相关研究。钡餐造影图像是指患者吞食糊状硫酸钡后，通过钡剂经食道到达胃、十二指肠部位的显影过程来进行诊断。钡餐造影能很好地显示病变部位，黏膜改变及癌瘤长度。既可以对病变进行定位又可以定性。在实际的临床研究中X线钡餐和CT检查各有优势，两者结合有利于食道癌诊断及指导临床治疗。

近年来计算机视觉有了很大发展，其中目标的分类、检测和分割算法已成熟应用于钡餐造影图像处理。

在2014年ROSS B.Girshick等人提出了基于感兴趣区域(Region of Interest，RoI)与卷积神经网络(Convolutional Neural Networks，CNN)相结合的目标检测算法R-CNN。R-CNN首先从输入图像中筛选出2000个包含可疑目标的感兴趣区域，然后将这2000个感兴趣区域送入CNN模型中得到特征向量，这些特征向量作为SVM(支持向量机)和边框回归模型的输入，经过SVM得到RoI属于某类对象的概率，经过边框回归模型得到待检测目标的坐标位置。虽然R-CNN实现了基于深度学习的目标检测算法，但在RoI的特征向量提取过程中，无法实现卷积层的参数共享。

2015年ROSS B.Girshick提出了基于RoI的深度学习目标检测算法Fast R-CNN，该算法首次提出了RoI Pooling(池化)层，使得用于RoI特征向量提取的卷积层实现了参数共享，也将分类和回归任务同时加入了网络。但它的缺点是在RoI提取中使用的是选择性搜索(Selective Seacrh)算法，该算法是在CPU上运行，存在运行速度慢等问题。

2016年任少卿等人采用区域生成网络(Region Proposal Network，RPN)进行RoI的提取，提出了目标检测算法Faster R-CNN(fasterregion-convolution neuralnetwork，更快速的区域卷积神经网络)。至此目标检测的三个基本步骤：提取原始图片中的RoI，RoI特征提取，RoI分类及边框回归全部被统一到同一个深度网络框架中，真正地实现了目标检测任务端到端的学习。

虽然使用Faster R-CNN网络的CAD系统在钡餐造影图像检测问题上表现出相对其他网络的明显优势，但距离实际应用还存在进一步提高的空间。

发明内容

本发明的目的是提供一种钡餐造影图像的食道癌检测方法及系统，用于进一步提升病灶区域的检测能力。

本发明提供的技术方案如下：