[发明专利]基于双通道密集连接的肺结节检测方法及装置

说明书

本发明公开了基于双通道密集连接的肺结节检测方法及装置。检测方法包括(1)预处理提升特征图维度；(2)下采样模块组提取特征；(3)上采样模块组提取特征与恢复尺寸；(4)预测模块得到结节概率与位置信息。检测装置，包括数据采集模块、检测模块和显示模块。数据采集模块用于采集肺部CT图像，输入到检测模块中。检测模块基于双通道密集连接的肺结节检测方法，输出肺部CT图像中结节的可能位置和概率。显示模块用于显示检测模块的输出结果。通过双路密集结构进行特征提取，提高网络对特征图的利用率，结合残差连接与注意力机制，解决了深度学习训练过程中网络退化的问题，提高检测准确率。

技术领域

本发明属于目标检测技术领域，涉及基于深度学习网络模型与注意力机制的目标检测，具体涉及基于双通道密集连接的肺结节检测方法及装置。

背景技术

目前医学上对肺部的检测主要使用计算机断层扫描得到肺部的CT图像。肺结节具有种类繁多、结构多样、尺寸体积不确定以及位置不固定等特点，且可能与周边肺环境粘连。这些特点导致了其形态上与正常组织相似，两者极易混淆。结节的上述特点使得查看CT图像对医生来说是一个十分繁重的工作，因此，利用计算机技术检测肺结节成为一种趋势。

目前，深度学习技术广泛应用于肺结节检测中。在医学图像领域，基于卷积神经网络的方法取得了较好的成果，其中以U-Net为代表的神经网络取得了优秀表现。Zhu等人提出了一种将三维双路径网络与U-Net结构相结合的DeepLung网络，用于肺结节的自动检测和分类。Cao等人提出两阶段方法用于肺结节检测，候选结节初始检测采用改进的U-Net网络，构建3D-CNN分类网络降假阳性。Gong等人利用三维深度挤压-激励网络自动检测肺结节，分别采用三维U型结构网络和3D-CNN网络对肺结节进行候选检测和假阳性降低，模型中均加入3D-SE-ResNet模块有效学习结节特征，提高模型检测性能。Wang等人提出双注意力3D-UNet网络，融合注意力模块提高肺结节分割精度。

以上述成果为代表的肺结节检测方法极大提高了计算机对肺结节的检测效率，减轻了医生的工作。但目前对肺结节的检测仍存在以下问题：对网络中特征图的利用率较低、网络深度加深后出现网络退化问题、检测准确率较低。

发明内容

针对现有技术的不足，本发明提出了基于双通道密集连接的肺结节检测方法及装置，设计了双通道密集连接结构，提高检测模型对特征图的利用率以及识别准确率，解决训练加深后网络退化的问题。

基于双通道密集连接的肺结节检测方法，具体包括以下步骤：

步骤一、图像预处理

将肺部CT图像输入预处理模块，提升特征维度后再进行特征提取。所述预处理模块包括两个3D卷积块，每个3D卷积块由一个核大小为3的卷积层、一个批归一化层与一个ReLU 激活函数层依次连接而成。

步骤二、特征提取

构建双路密集结构，用于特征提取，增强特征利用率。所述双路密集结构包括两路相同的卷积路径，每路卷积路径中包括依次连接的三个3D卷积块和一个SENet注意力块，卷积路径的输入特征采用密集连接的方式拼接输入3D卷积块，然后SENet注意力块的输出特征与卷积路径的输入特征在元素层面相加后作为卷积路径的输出特征。两路卷积路径的输出特征在通道维度拼接后，作为双路密集结构的输出。

s2.1、构建下采样模块组

所述下采样模块组包括第一～第五下采样模块、第一～第四池化层和特别反卷积层。预处理模块的输出图像依次经过第一池化层、第一下采样模块、第二池化层、第二下采样模块、第三池化层、第三下采样模块、第四池化层和第四下采样模块，作为下采样模块组的输出。其中第三下采样模块的输出经过特别反卷积层后，与第一下采样模块以及第二下采样模块的输出拼接后，输入第五下采样模块，进行特征增强。其中，下采样模块采用双路密集结构。

s2.2、构建上采样模块组