[发明专利]一种病灶图像检测装置、方法和计算机可读存储介质

说明书

本发明提供一种病灶图像检测装置，所述病灶图像检测装置包括：图像获取模块，获取待检测的医学图像；检测模块，根据经训练的神经网络模型对所述医学图像进行病灶检测；其中，所述神经网络模型包括M级依次级联的神经网络结构，在训练时，输入到第二级至第M级神经网络结构的负样本包括上一级神经网络结构的假阳性样本，M为大于1的正整数。

技术领域

本发明主要涉及医学图像领域，特别涉及一种病灶检测装置、方法和计算机可读存储介质。

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，或者可以提升病人5年的存活率。随着医疗影像设备的普及以及国民健康意识的提升，越来越多的人选择医疗影像(如低剂量CT)来进行癌症的早期筛查。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。随着医疗影像设备的普及，医疗影像数据几何倍增长，而放射科医生的数量增长缓慢，这导致了医生工作量大幅的增加，对计算机辅助检测(Computer-Aided Detection,CAD)系统的需求也变得非常迫切。使用CAD系统可以减少医生病灶漏检率，提升医生阅片的效率。在整个阅片流程中，CAD系统可以充当第二阅片人的作用。

目前CAD系统依据是否采用深度学习技术，可分为两大类。第一类的CAD系统是基于传统机器学习的方法，一般包括三个步骤：1)图像预处理，如去噪，去伪影以及图像滤波等操作，主要是用来提升病灶在影像中的对比度，提升后续步骤病灶检出率；2)针对图像中每一个位置，设计并提取图像特征，然后训练分类器(如支持向量机，随机森林等)来区分当前位置是否存在病灶；3)利用先验知识来去除假阳性病灶，如在肺结节筛查中，可以利用肺分割来去掉算法在肺外检测到的假阳性病灶。基于传统及其学习的CAD系统需要手动设计影像特征，在病灶检测敏感性和特异性上效果不佳。第二类的CAD系统是基于深度学习的方法，与传统方法不同的是在第二步，深度学习方法将特征提取与分类器混合在神经网络的训练过程中，通过在大量带有病灶标注的影像数据上进行迭代训练，深度学习的方法可以自适应地学习到有用的影像特征来帮助病灶的检测，从而省去了手动设计影像特征这一步。相比于第一类传统的CAD系统，基于深度学习的CAD系统在病灶检测敏感性和特异性上都有了显著的提高。

现有的基于深度学习的CAD系统，如肺部CAD系统，采用二维U-Net网络筛查出可疑肺结节，然后通过三维的卷积神经网络根据可疑肺结节局部图像特征来减少假阳性；或者使用二维的Faster R-CNN网络筛查出可疑肺结节，然后同样地通过三维的卷积神经网络来减少假阳性。现有的深度学习的CAD系统在病灶检出率上有显著的提高，但是仍然存在下列问题：1)当前CAD系统都是针对单一病灶进行开发，没有很好的普适性，无法适用于其他病灶或者其他模态上的病灶检测问题；2)当前CAD系统只能检测单一尺度的病灶。同一种病灶的大小往往差异很大，以肺结节为例，小的肺结节仅有3-5毫米，而大的肺结节可能有30毫米。使用单一尺度的深度学习网络来检测这类病灶，所训练的网络往往只能针对某一尺度的病灶有很强的敏感性，无法适用于不同大小的病灶检测。3)目前的CAD系统在提高病灶检出率的同时，存在大量的假阳性，降低了临床使用的用户体验。

发明内容

本发明要解决的技术问题是提供一种病灶检测装置、方法和计算机可读存储介质，以提高病灶检测的普适性，降低病灶检测的假阳性率。

为了解决上述技术问题，本发明的一方面提供一种病灶图像检测方法，所述病灶图像检测方法包括：获取待检测的医学图像；根据经训练的神经网络模型对所述医学图像进行病灶检测；其中，所述神经网络模型包括M级依次级联的神经网络结构，在训练时，输入到第二级至第M级神经网络结构的负样本包括上一级神经网络结构的假阳性样本，M为大于1的正整数。

在本发明的一实施例中，第一级神经网络结构至第M-1级神经网络结构配置为将检测到的疑似病灶传递给下一级神经网络结构。

在本发明的一实施例中，输入到每一级神经网络结构的负样本和正样本的数量是均衡的。