[发明专利]基于深度学习技术的肺结节筛查算法

说明书

本发明公开了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。该方法使用胸部CT作为输入，可以较为准确的筛查出所含肺结节，辅助医生提高阅片效率，解决医疗行业医生少需求多、医疗水平不平衡、误诊率高耗时长等问题。

技术领域

本发明涉及一种肺结节筛查算法，具体来讲是一种基于深度学习技术的肺结节筛查算法。

背景技术

肺结节筛查任务本质上是计算机视觉领域的目标检测问题，流行的解决方案有两种：传统机器学习模型的目标检测算法、基于深度学习方法的目标检测算法。

传统的目标检测一般使用滑动窗口结合分类器的方法，主要包括三个步骤：

利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域；提取候选区域相关的视觉特征，比如 Harr 特征、HOG 特征等；利用分类器进行识别，比如常用的SVM 模型。该类方法准确率不高，主要原因是传统特征需要大量的专家领域知识方能形成有效的 FeatureSet，且难以提取数据内部复杂的结构特征，模型算法的transfer learning 性质也不好。随着深度学习技术的发展，越来越多的机构和组织将其应用到医学影像的目标检测任务中。针对胸部 CT 的肺结节筛查任务主要有两种思路，第一种是分别对 CT 中每一层扫描图片进行 2D 图像结节筛查，最终将所有扫描层的筛查结果进行合并，给出最终筛查结果，由于这种方法未利用结节的三维结构特性，在筛查准确度上存在明显劣势。第二种方法使用了更全面的影像信息，首先将肺部组织从 CT 影像中分割出来，然后使用 FPN 网络针对提取出的肺部组织进行三维影像的结节筛查，效果往往较好，但现有算法的筛查效率及筛查效果仍然有较大的提升空间，这是由于肺部组织分割过程较为耗时，且肺部边缘分割不准确造成重要信息的丢失，特别是肺壁上存在较大体积的病灶时，影响更为显著，另外，微小结节小至 3mm，大至 80mm，在考虑显存及计算效率的情况下，FPN 网络对尺度变化如此之大的目标检测效果不好。

发明内容

因此，为了解决上述不足，本发明在此提供一种基于深度学习技术的肺结节筛查算法。本专利提出了一种高效的深度学习方法，该方法使用胸部 CT 作为输入，可以较为准确的筛查出所含肺结节，辅助医生提高阅片效率，解决医疗行业医生少需求多、医疗水平不平衡、误诊率高耗时长等问题。

本发明是这样实现的，构造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。

根据本发明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；