[发明专利]在放射图像中检测肺部局部性病变的分割分类方法和系统

说明书

1.技术领域

本发明是关于一种自动处理数字放射图像的方法和系统，更具体地说，是一种在放射胸片中使用分区 数字图像处理和深度学习人工智能技术来检测异常(如肺局部性病变)的方法和系统。

肺癌是发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一。近50年来许多国家 都报道肺癌的发病率和死亡率均明显增高，男性肺癌发病率和死亡率均占所有恶性肿瘤的第一位，女性发 病率占第二位，死亡率占第二位。成功检测早期癌症能提高加治愈率。通过X光胸片检测和诊断肺癌局部 性病变是放射科医生最重要、最困难的任务之一。到目前为止，X线胸片诊断是检测早期、临床上隐匿期 肺癌最重要的诊断方法。但是，胸片检测肺癌局部性病变的漏诊率还是相当的高。观测失误会导致错过 这些病变，这些失误可能是由于目标局部性病变周围存在解剖背景干扰所致，或者是放射科 医生的主观决策标准变化造成。另外读片失误还可以归咎于其它多种原因，比如缺乏临床数 据、过于关注其它临床问题产生的异常等等。然而，再次回顾之前漏诊的胸片，大多数周围 型肺癌都是可以被发现。因此，需要一种自动化方法和系统对放射图像进行数字图像处理， 以提醒放射科医师重点关注高度怀疑异常区域(SAAs)的位置。

早期放射检测肺局部性病变可显著提高肺癌患者生存的机会。通常系统能够在X光胸片上定位被肋骨、 支气管、血管和其他正常的解剖组织结构掩盖的局部性病变，将大大提高检测的效率。本发明的自动系统 和方法将减少诊断的假阴性，从而实现高精度的检测早期肺癌。

3.发明内容

本发明是通过在放射胸片中应用分割方法检测异常(如，检测肺局部性病变)，它克服了之前提到的 问题，解决了已有技术应用于图像切割时产生的问题。基于对胸廓的了解(即肺区的边界)，本发明将所 述肺区按照相似图像特征分成不同的区域(包括含有异常局部性病变的解剖结构和正常的解剖结构)，通 过利用不同的数字图像处理技术和基于每个区域不同的图像特性来训练深度学习分类，提高了真阳性，并 克服了降低假阳性时所遇到的困难。肺区分割成不同的区域，如脊柱、锁骨、纵隔、周围型肺边缘、周围 型肺中心和心脏区域。对于每个区域采用不同的图像处理技术，针对性的提高对象-背景的对比度，以筛选 出高可疑区。

此外，本发明分别对每个区域进行特征提取、发展并训练神经网络，最终深度学习分类出哪些是高可 疑区域，使得从放射图像中检测局部性病变真阳率得到最大化。将每个区域中潜在高可疑区域聚成簇，用 来训练深度学习人工智能分类器。为了避免潜在的边界问题，该区域可能会相互重叠。本发明为每个区开 发特定的域特征提取算法，并在区域内增强高可疑区的图像特征。然后使用每个特定区域内的高可疑区来 训练该定区域的分类器。不同的区域分类器训练之后，在每个区域形成不同的敏感性和特异性。本发明采 用SUB-A_z(读“SUB-A-SUB-Z”)验证不同分类器的分类性能。一些分类器将有很高的特异性(即，非常 低的假阳性率)但敏感性相对较低，而有些分类器则会有很高的灵敏度。在本发明中可以实现在并行处理 环境下进行，每个区域都可以独立处理。各个分类器根据自己的分类敏感度和特定表现输出分类结果，再 经系统的组合单元处理，整合输出最终结果。

本发明的一个具体实施案例包括：并行处理系统，不同区域并行处理，组合单元对不同分类器的输出 进行组合。其中不同的分类器用各自的高可疑区训练得到。

4.附图说明

为了更彻底理解本发明及其优点，现结合附图描述如下：

图1.图示根据本发明实施方案系统；

图2.是根据本发明实施案例示意图；

图3.是图像分区单元的示意图；

图4.是基于区域的图像增强单元的示意图；

图5.是一个疑似异常区域选择单元的的示意图；

图6.是一个基于区域的特征提取单元的示意图；

图7.是基于区域的分类单元的示意图；

图8.显示了使用的反向传播训练前馈深度学习分类器的系统架构；

图9.表示一个区域数据融合单元，将不同区域分类器中可疑分类评分进行组合；

图10.表示是一个并行处理引擎的架构，平行处理每个区

5.具体实施方式