[发明专利]基于多任务卷积模型的肺部CT感兴趣区域自动检测方法

权利要求书

1.一种基于多任务卷积模型的肺部CT感兴趣区域自动检测，其特征在于，通过对CT扫描进行解析得到张量形式的图像，对该图像进行肺部粗分割、重采样以及像素值归一化处理，得到仅包含肺部区域的三维CT图像体素矩阵；然后对三维图像切片后，将横截面切片输入基于编码器解码器结构的二维语义分割网络得到，得到若干个ROI粗略轮廓；再以ROI粗略轮廓为中心截取三维图像块，通过三维分类器分别给出各个ROI为真实ROI的概率，经筛选后将得到的包含真实ROI的三维图像块输入由多任务训练得到的三维卷积模型，得到精确ROI轮廓，并根据ROI为真实ROI的概率将轮廓渲染为不同的颜色。

2.根据权利要求1所述的基于多任务卷积模型的肺部CT感兴趣区域自动检测，其特征是，所述的二维语义分割网络，基于U2-Net的神经网络，其整体为编码器解码器结构，同时编码器与解码器的每一个单元也为编码解码结构，其中编码器通过若干降采样逐步扩大卷积层的感受野，提取特征图中的高维语义特征，得到当前输入中结节的粗略位置；解码器通过若干上采样逐步将特征图采样至与输入相同的分辨率，提取特征图中的低维视觉特征，得到结节在输入图像中的掩膜。

3.根据权利要求2所述的基于多任务卷积模型的肺部CT感兴趣区域自动检测，其特征是，所述的编码器与解码器各层的输出{e_i|i∈[1，N]}与{d_j|j∈[1，N]}的分辨率均不相同，即编码器解码器结构通过多层的降采样与上采样，N为编码器与解码器的层数；

所述的编码器和解码器对应层之间设有短路连接，即第j层的解码器的输入为Concat(e_j，Up(d_j-1))，其中：Concat表示将特征图按通道维度拼接，Up指利用插值法将特征图上采样为原分辨率的二倍。

4.根据权利要求1所述的基于多任务卷积模型的肺部CT感兴趣区域自动检测，其特征是，所述的三维分类器，为基于残差网络的三维变种，其残差结构具体为：y＝F(x，{W_i})+x，其中：下标i指网络的第i层，x为当前层的输入，y为当前层的输出，{W_i}为第i层的参数，为某一函数形式例如瓶颈层通过将特征图映射到高维空间进行处理再压缩至低维空间。

5.根据权利要求1所述的基于多任务卷积模型的肺部CT感兴趣区域自动检测，其特征是，所述的精确ROI轮廓，通过对筛选后的ROI，以其为中心的大小为128×128×64的三维图像块输入基于编码器解码器结构的三维语义分割网络，得到ROI的精确轮廓；然后将各ROI的轮廓输出至RT STRUCT文件中，其根据分类器输出的概率大小使用不同的颜色对各ROI轮廓进行渲染。

6.根据权利要求5所述的基于多任务卷积模型的肺部CT感兴趣区域自动检测，其特征是，所述的三维语义分割网络，为上述二维语义分割网络的三维变种，仅将其中的二维操作更改为相应的三维操作，即将二维的卷积、池化、归一化层分别更改为三维的卷积、池化、归一化层。

7.根据权利要求6所述的基于多任务卷积模型的肺部CT感兴趣区域自动检测，其特征是，所述的多任务训练是指：在训练三维语义分割网络时，除了输出ROI掩膜这个主任务，再加一个判断ROI良恶性的辅助任务；具体来说，在三维语义分割网络中，除了对输入的CT图像进行特征提取的编码器与输出ROI掩膜的解码器外，添加一个判断当前ROI为良性或恶性的分类器；该分类器以编码器各层的输出为输入，通过适当的降采样与卷积操作，最后得表示当前ROI为良性的概率值；在训练过程中，编码器的参数同时由来自解码器与分类器的反传梯度进行更新。