[发明专利]基于通道注意力机制的断层扫描图像分类装置和方法

说明书

本发明属于医学图像分类、医疗设备领域，为实现辅助专业医生对肺结节的快速、精确的诊断，能在一定程度上解决人工识别面临的漏诊、误诊以及无法全面识别的问题。为此，本发明采取的技术方案是，基于通道注意力机制的断层扫描图像分类装置和方法，采集断层扫描图像，利用深度卷积神经网络对采集的断层扫描图像进行分类，其中深度卷积神经网络是在密集连接神经网络DenseNet121中以密集连接的方式加入高效通道注意力机制并采用加权焦点损失函数用于网络的训练。本发明主要应用于医疗设备设计制造场合。

技术领域

本发明属于医学图像分类领域，涉及一种利用深度学习算法对3种肺结节的分类方法。将深度学习算法应用于医学图像的判别，完成对3种肺结节的分类。具体涉及基于高效通道注意力机制的肺结节分类装置和方法。

背景技术

肺癌的早期检测对成功治疗至关重要，其中计算机断层扫描(ComputedTomography,CT)筛查被认为是检测肺癌早期迹象的最佳方法之一。近年来，我国肺癌发病率已达73.33万，居各类癌症之首。根据临床数据，研究人员发现，如果肺癌患者在肺癌早期接受治疗，他们的5年生存率将从14％显著提高到49％。因此肺结节检测对早期肺癌的诊断治疗具有重大意义。然而一个病人往往就有上百张CT图像，仅仅依靠人工对CT图像进行诊断工作量大、易漏诊，并且高强度的工作会造成医生的误诊。目前，已经有一些用来协助放射科医师诊断肺结节良恶性的计算机辅助诊(Computer-Aided Diagnosis,CAD)系统，这些系统提高了医生的工作效率和诊断准确率。一般来说，传统的计算机辅助诊断系统的诊断过程包括以下步骤：分割肺结节，从候选结节中提取图像底层特征(如纹理、形态、灰度、形状等)，然后把这些特征输入传统分类器(如支持向量机、K近邻、神经网络、决策树)中进行学习，最后得出候选结节良恶性的分类结果。这样的肺结节分类方法存在以下问题：1)将提取图像特征作为肺结节分割的后继步骤，导致提取的特征很容易受分割结果好坏的影响；2)底层特征的提取是通过计算机对图像像素之间的灰度关系进行计算得到的，底层特征虽然可以被计算机理解，但是与医生描述肺结节的语言有很大差异。该方法很难得到医生易理解的分类结果，也无法为医生的临床诊断提供合理性依据。

得益于计算机性能的提升和人工智能理论的发展，深度学习作为机器学习领域的一个分支出现在人们的视野中。深度学习是一种使用多层复杂结构或由多重非线性变换构成的多个处理层进行数据处理的方法。深度学习在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域取得了突破性进展。深度学习方法模拟人类神经网络，通过组合多个非线性处理层对原始数据进行逐层抽象，从数据中获得不同层面的抽象特征并用于分类预测。深度学习的优点在于用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。采用深度学习的方法对医学图像进行分类，总体来看其分类效果优于传统的特征提取方法，且省去了人工设计要提取的特征这一复杂、耗时的步骤，促进了医学图像分类研究工作的发展。

虽然基于深度学习的肺结节分类研究目前已经取得了较好的研究结果和进展，但是仍旧存在以下比较普遍的问题：(1)肺结节CT数据集的类不平衡现象会对网络模型的分类准确度造成影响；(2)肺结节图像的多样化导致深度神经网络对每种结节的识别表现不稳定；(3)CT图像复杂特征的学习与分类难以使网络做出更加精准的判断。

发明内容

为克服现有技术的不足，本发明旨在实现辅助专业医生对肺结节的快速、精确的诊断，能在一定程度上解决人工识别面临的漏诊、误诊以及无法全面识别的问题。为此，本发明采取的技术方案是，基于通道注意力机制的断层扫描图像分类方法，采集断层扫描图像，利用深度卷积神经网络对采集的断层扫描图像进行分类，其中深度卷积神经网络是在密集连接神经网络DenseNet121中以密集连接的方式加入高效通道注意力机制并采用加权焦点损失函数用于网络的训练。

具体步骤如下：

第一步，利用CT设备获取断层图像：此次分类任务采用的数据集是美国肺部图像数据联盟(LIDC-IDRI)，该数据集是全世界最大的公开肺部影像数据集。