[发明专利]基于注意力机制的神经网络的肺结节图像检测方法及系统在审

专利信息
申请号: 202111049299.6 申请日: 2021-09-08
公开(公告)号: CN113902676A 公开(公告)日: 2022-01-07
发明(设计)人: 万洪林;赵莹莹;王嘉鑫;王晓敏 申请(专利权)人: 山东师范大学
主分类号: G06T7/00 分类号: G06T7/00;G06T5/00;G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
代理公司: 济南圣达知识产权代理有限公司 37221 代理人: 董雪
地址: 250014 山*** 国省代码: 山东;37
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 注意力 机制 神经网络 结节 图像 检测 方法 系统
【说明书】:

本公开提供了一种基于注意力机制的神经网络的肺结节图像检测方法及系统,包括以下步骤:获取肺结节图像;根据获取的图像和预设的神经网络检测模型,得到肺结节的分类结果;其中,所述神经网络检测模型采用注意力机制和3D残差神经网络。本公开将可训练的3D注意力机制模块融合到神经网络中,有效的提取数据的高级抽象特征,直接用于识别、分类和检测,自动化程度高,能有效区分真实结节和非结节,在提高检测率、降低假阳性率方面获得了较好的效果。

技术领域

本公开属于医学影像检测技术领域,具体涉及一种基于注意力机制的神经网络的肺结节图像检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。

大部分早期肺癌病人没有明显的临床症状,也没有特异的生物标记物,因此目前早期筛查的主要方法是通过放射影像检查肺部是否存在可疑病灶。早期肺癌大多表现为肺部结节,它们尺寸小、对比度低、形状异质化高。人工读片的工作量巨大,每位被检者的胸腔CT图像至少有100多张,精细级的扫描甚至多达600张,容易造成医生疲劳,增加误判和漏判概率。显然,仅仅依靠医生来人工筛查CT图像中的肺结节极其困难。

近年来大型数据集的出现以及深度卷积神经网络的兴起在一系列视觉任务上取得了突破性的进展,研究人员进一步借鉴了人类视觉中的注意力思维方式提出了注意力机制。基于可训练的注意机制的计算机视觉方法能够有效的自主聚焦于任务所感兴趣的区域,抑制不相关的区域,进一步提升模型的性能,逐渐成为了热点研究问题。

现有技术存在着检测准确率低、假阳性高的特点,难以被用于实际的临床检测中。

发明内容

为了解决上述问题,本公开提出了一种基于注意力机制的神经网络的肺结节图像检测方法及系统,将可训练的3D注意力机制模块融合到神经网络中,有效的提取数据的高级抽象特征,直接用于识别、分类和检测,自动化程度高,能有效区分真实结节和非结节,在提高检测率、降低假阳性率方面获得了较好的效果。

根据一些实施例,本公开的第一方案提供了一种基于注意力机制的神经网络的肺结节图像检测方法,采用如下技术方案:

一种基于注意力机制的神经网络的肺结节图像检测方法,包括以下步骤:

获取肺结节图像;

根据获取的图像和预设的神经网络检测模型,得到肺结节的分类结果;

其中,所述神经网络检测模型采用注意力机制和3D残差神经网络。

作为进一步的技术限定,所述获取肺结节图像是预处理后的肺部CT图像,所述预处理包括图像增强和图像实质分割。

进一步的,所述图像增强包括图像纹理增强和图像去噪;其中,所述图像纹理增强采用直方图均衡化使得肺部CT图像的纹理更加清晰,所述图像去噪采用中值滤波法来去除肺部CT图像中的噪声。

进一步的,所述神经网络检测模型由3D残差卷积模块和注意力机制模块组成;预处理后的肺部CT图像经过3D残差卷积模块后进入注意力模块通道,在平均池化层和最大池化层的作用下进行图像压缩,生成平均汇集特征和最大汇集特征,基于共享权重层的特征融合,生成最终的注意力通道。

进一步的,所述3D残差卷积模块采用两个1*1*1的卷积核和一个3*3*3的卷积核。

作为进一步的技术限定,所述神经网络检测模型采用随机梯度下降算法进行模型的训练。

作为进一步的技术限定,所述神经网络检测模型的损失函数包括分类损失和回归损失。

根据一些实施例,本公开的第二方案提供了一种基于注意力机制的神经网络的肺结节图像检测系统,采用如下技术方案:

一种基于注意力机制的神经网络的肺结节图像检测系统,包括:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东师范大学,未经山东师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202111049299.6/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top