[发明专利]一种利用双流网络进行肺结节假阳性分类的方法

说明书

本发明涉及图像识别技术领域，涉及一种利用双流网络进行肺结节假阳性分类的方法。包括获取患者肺部的CT原始图像并进行预处理获取光流图像、搭建双流网络模型、将CT单张切片导入空间流神经网络获取图像的RGB特征、将光流图像导入时间流神经网络获取图像的光流特征、进行特征融合、输出分类结果等步骤。本发明设计采用光流法对同一切片位置不同采样时间点的图片进行特征提取，可以降低肺结节识别的假阳性比例，减轻人工的工作量，提高检测判断的工作效率及准确度；通过搭建双流网络模型，采用卷积神经网络分别对单独CT切片和光流图像进行特征提取和分类，再对不同模型得到的特征结果进行融合，从而可以对肺结节进行更精确的识别判断。

技术领域

本发明涉及图像识别技术领域，具体地说，涉及一种利用双流网络进行肺结节假阳性分类的方法。

背景技术

肺结节病是一种病因未明的多系统多器官的肉芽肿性疾病，肺结节的主要检测项目有影像学检查，例如胸片或者是胸部CT检查。但是，在肺结节检测中经常有气管和血管被误认为肺结节。通常在人为识别气管和血管时，观察的气管和血管是CT不同切片上的走向。气管和血管不会单独出现在某一张切片上，在CT切片形式上会将同一个气管或者血管截断，各显示一小部分。对于两张切片上的位置相差不大的情况，识别比较容易；对于两张切片上位置相差很大的情况，识别比较困难。人为识别的工作效率低，耗费大量时间和人力，且识别准确率较低，容易出现误判的情况。若通过人工智能的图像识别技术，通过对大量的胸部CT切片图像进行训练识别，则可以有效减轻人工的工作量。然而，目前常规的图像识别技术，对于肺结节的检测分类操作中，仍然存在准确度不高的问题。在对肺部CT切片检测中进行连续采样时，血管、气管内的血液、气流都在不断流动，若可以对移动的血液、气体在不同时段的切片图片中进行特征提取，则可以更准确地识别出血管和气管。

发明内容

本发明的目的在于提供一种利用双流网络进行肺结节假阳性分类的方法，以解决上述背景技术中提出的问题。

为实现上述技术问题的解决，本发明的目的之一在于，提供了一种利用双流网络进行肺结节假阳性分类的方法，包括如下步骤：

S1、对患者进行胸部CT检查，获取患者肺部的CT原始图像，对原始图像进行预处理，并获取肺部CT切片的光流图像；

S2、搭建双流网络模型，模型包括2D的卷积并行的空间流神经网络和时间流神经网络；

S3、将原始图像中的CT单张切片导入空间流神经网络中，通过空间信息特征网络及空间注意力机制，获取图像的RGB特征；

S4、将从原始图像中获取的光流图像导入时间流神经网络中，通过序列特征抽取网络及通道注意力机制，获取图像的光流特征；

S5、将提取到的RGB特征与光流特征进行特征融合；

S6、输出双流网络模型对肺结节检测分类结果，结果包括肺结节、血管、气管及其他假阳性结节等。

作为本技术方案的进一步改进，所述S1中，对原始图像进行预处理的方法包括如下步骤：

S1.1、对患者进行胸部CT检查，在患者肺部位置进行连续取样，获取肺部的立体图像；

S1.2、对获取的单张CT切片图像进行筛选，筛除结构不清晰的CT切片图片；

S1.3、将同一切片位置的CT切片图片按连续取样的顺序进行排序；

S1.4、对同一切片位置的若干连续取样的CT切片图片进行像素运动分析，获取各像素的光流矢量，进而获取该切片位置的光流信息图像。

作为本技术方案的进一步改进，所述S1.4中，获取CT切片图片各像素的光流矢量的计算表达式如下：