[发明专利]基于深度学习技术的肺结节筛查算法

权利要求书

1.一种基于深度学习技术的肺结节筛查算法，其特征在于：为三个阶段，首先是候选结节生成任务，用于提取大量疑似结节，在一定假阳率的情况下，保证 99.5% 以上的结节检出率；其次是 False Positive Reduction 任务，用于降低假阳率，筛选出真正的结节；结节定性，用于诊断肺结节的良恶性、观察征象，为医生提供诊断依据。

2.根据权利要求1所述基于深度学习技术的肺结节筛查算法，其特征在于：候选结节生成：针对候选结节提取任务，模型结合 Unet、RetinaNet 的优势，训练时采用 FocalLoss，实现了基于 3D 图像的结节筛查模型；过程可分为四个阶段：对图像的预处理、使用骨干网络进行特征提取、多尺度候选结节预生成、候选结节的非极大抑制；具体为；

（1）图像的预处理：由于输入 CT 大多是 100-700 层的 512×512 大小的图像，层数不同导致模型无法直接训练，而 3D 图像过大限制了模型的复杂度，甚至无法构建基于主流显卡显存的 3D 结节筛查网络，由此，对 CT 进行预处理的工作必不可少，从而得到模型可用于训练和预测的数据形式；

（2）骨干网络：结节筛查骨干网络使用基于三维 ResNet 的 Unet，主要包含两部分：Contract-ing Path 和 Expansive Path；其中 Contracting Path 是一个三维化的ResNet，共 4 个Block，每个 Block 之前是 max-pooling 层，最后一个 Block 之后是一层 CNN，且每个 Block 是由多层 CNN 组成；Expansive Path 的结构与 Expansive Path相反，只是每一个 Block 的输入为前一个 Block 输入和 Expansive Path 对称 Block输出的和，Block 之间不使用 max-pooling，而是使用 deconvolution 进行 upsampling；

（3）多尺度候选结节预生成：骨干网络 Expansive Path 中的 4 个 Block 分别输出4 个三维特征图，针对每个特征图，分别经过类似 Retina-Head 的 CNN 网络，进行分类和定位预测；

（4）非极大抑制：得到将整个 CT 不同 patch 预生成的候选结节后，可以采用 Non-Maximum-Suppression 将重叠度高于 threshold 的 boxes 进行合并，抑制冗余 box，最终得到候选结节。

3.根据权利要求1所述基于深度学习技术的肺结节筛查算法，其特征在于：FalsePositive Reduction 任务，分为两个阶段：候选结节预处理、结节分类；预

处理过程裁剪肺结节附近的图像 patch，区域物理大小固定，再放缩到结节分类模型所需的大小；结节分类模型使用 CNN 网络，并与候选结节生成任务的预测结果 ensamble，得到更好的肺结节检测效果。

4.根据权利要求1所述基于深度学习技术的肺结节筛查算法，其特征在于：结节定性；通过对结节周围体素的分析，在结节分类、结节边缘、实性成分边缘、分叶征、毛刺征、血管成像征、晕征、颗粒状、蜂窝征、空泡征、瘢痕样、叶间裂相关、生长长轴与支气管一致、与胸膜关系密切等十余种观察征象进行诊断，并给出结节良恶性和具体癌症分型信息。