[发明专利]一种基于3D挤压-激励残差网络的肺结节自动检测系统

说明书

本发明公开了一种基于3D挤压‑激励残差网络的肺结节自动检测系统，实现自动、精准高效的肺结节检测。该系统将自然图像中最先进的目标检测算法应用于医学图像领域，能够快速地在CT图像中定位可疑结节区域，确保在假阳性结节检出率更低的同时达到更高的检测灵敏度。该系统经济，高效，可作为辅助医生诊断肺结节的有利工具，减轻医生工作负担，提高医生的工作效率。

技术领域

本发明涉及图像处理技术领域，属于计算机与医学图像领域交叉的前沿学科，尤其涉及一种基于3D挤压-激励残差网络的肺结节自动检测系统。

背景技术

肺癌是世界上对人类生命危害最大的恶性肿瘤之一，是中国男性和女性癌症死亡的主要原因，发病率和死亡率最高。由于近70％的患者在没有有效治疗的情况下被诊断为晚期癌症，肺癌的5年生存率在10-16％之间。然而，若可以在早期及时发现病灶，5年生存率可以增加到52％。肺癌早期的病灶表现为肺结节，即直径小于30mm且位于肺部的类圆形不透明病灶。因此肺结节的检测对肺癌的早期治疗和提高患者的生存率具有重要意义。目前，低剂量CT是检测肺结节最敏感且有效的方式，其是对患者的肺部进行薄层扫描，每一位患者的CT扫描图像数量从几百幅到上千幅不等。在早期CT影像中肺部结节体积微小，形态和分布位置各异，且经常容易与其他组织连接，肉眼不易判断。在大量医学图像数据和肺结节人工检测难度高的负担下，医生长时间工作容易造成视觉疲劳和精神疲劳，结节漏诊和误判的概率高。同时，肺结节的人工检测需要医生具有极高的医学专业度和大量实践经验，诊断结果易受到医生的主观判断，即使是两个经验丰富的医生也常有不同的诊断结果。

计算机辅助诊断技术(CAD)是通过计算机辅助医生定位肺结节在CT图像中的位置，减轻医生工作量，提高检测效率与准确率。传统肺结节自动检测算法，基于先验知识(形状、强度、大小等)设计人工结节特征，并利用分类器根据人工设计的结节特征进行分类。由于肺结节在CT扫描中的广泛差异性，结节形态特征复杂，有孤立型、血管粘连型、胸壁粘连型、毛玻璃型等类型，使人工设计的特征无法完全表征复杂的结节，导致其肺结节辨识能力有限。近年来，在海量数据和强大计算能力的推动下，深度学习技术在许多计算机视觉应用中得到了突破性的应用，这些技术被广泛应用于医学图像分析，包括肺结节检测。相较于传统的肺结节检测方法，基于深度学习的卷积神经网络检测方法具有许多优点：1.可以从大量医学图像数据中自主学习具有高鉴别性的结节特征而无需依赖于人工特征。2.传统的检测方法难以适应多种类型结节的检测，而基于深度学习的卷积神经网络检测方法可以检测各种类型结节，检测适应性能力强。3检测效果比传统方法更加精确和高效，检测方法简单，检测速度更快。现有的卷积神经网络算法是对二维医学图像切片进行处理，无法充分利用三维医学图像中结节的三维信息，因此本专利提出一种基于3D挤压-激励残差网络的肺结节检测系统，通过对肺部三维CT图像进行分析实现肺结节的精确检测。通过研究表明，肺结节的检测对病人的早期诊断和治疗至关重要，其影响肺部癌症的治疗效果和病人的存活机率。

发明内容

本发明旨在提出一种基于3D挤压-激励残差网络的肺结节自动检测系统，实现自动、精准高效的肺结节检测。该系统将自然图像中最先进的目标检测算法应用于医学图像领域，能够快速地在CT图像中定位可疑结节区域，确保在假阳性结节检出率更低的同时达到更高的检测灵敏度。该系统经济，高效，可作为辅助医生诊断肺结节的有利工具，减轻医生工作负担，提高医生的工作效率。

为实现本发明的目的，本发明提供了一种基于3D挤压-激励残差网络的肺结节自动检测系统，该系统包括三个模块，其一，CT图像预处理模块，其二，候选结节检测模块，其三，假阳性消除模块。

CT图像预处理模块实现对病人图像的预处理，提取肺实质部分。该模块可读取DICOM、MHD/RAW格式的CT图像，并能自动获取图像中所包含的信息。预处理利用高斯滤波平滑图像来去除图像噪声，对图像进行重采样，并将数据归一化。肺实质采用Otsu自适应阈值算法和三维连通性分析算法分割图像得到肺部区域，并采用Convexhull算法和形态学操作修复肺部边缘轮廓。