[发明专利]肺部病灶识别方法、装置和实现装置

说明书

技术领域

本发明涉及医学影像技术领域，尤其是涉及一种肺部病灶识别方法、装置和实现装置。

背景技术

肺癌作为全球第一大癌症，发病率逐年提升。肺癌的生存率与首次确诊时所处的病程阶段高度相关，因此肺癌影像学诊断是发现早期肺癌的重要手段，但受限于设备、经验、人眼客观识别能力，外加超负荷工作的影响，医生难免会出现漏诊和误诊；将大数据驱动的人工智能应用于早期肺癌影像诊断中，通过机器辅助医生，提高诊疗效率，可以缓解医生的超负荷工作状态，降低漏诊及误诊，提升医生诊疗质量，进而挽救更多患者的生命。

肺部病灶大多通过CT图像识别；现有的CT图像识别方式，通过图像检测、机器学习等手段可以识别出尺寸较大、特征明显的病灶区域，对于尺寸较小或特征不明显的病灶识别难度较大，依然难以有效解决漏诊的问题。

针对上述现有的肺部病灶识别方式识别不全面，容易发生遗漏的问题，尚未提出有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种肺部病灶识别方法、装置和实现装置，以更加全面地识别CT图像中的大小病灶区域。

第一方面，本发明实施例提供了一种肺部病灶识别方法，该方法包括：获取肺部的CT图像；将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述获取肺部的CT图像的步骤，包括：采集肺部的初始CT图像；对初始CT图像进行预处理，生成与第一识别模型和第二识别模型相匹配的CT图像；预处理至少包括滤波处理和删除患者信息处理。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述第一识别模型通过Faster RCNN神经网络训练而成；第二识别模型通过U-net神经网络训练而成。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述第一识别模型或第二识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中病灶的位置、病灶的特征和病灶的诊断结果；建立神经网络的网络结构，设置网络结构对应的训练参数；其中，第一识别模型对应的训练参数至少包括第一阈值；第二识别模型对应的训练参数至少包括第二阈值；将CT图像和对应的标注信息输入至网络结构中进行训练，生成第一识别模型或第二识别模型。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果的步骤，包括：查找第一识别结果和第二识别结果中，相互重复的病灶区域；删除第一识别结果或第二识别结果中重复的病灶区域；将第一识别结果和第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。

第二方面，本发明实施例提供了一种肺部病灶识别装置，该装置包括：图像获取模块，用于获取肺部的CT图像；图像输入模块，用于将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；结果确定模块，用于根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，上述第一识别模型通过Faster RCNN神经网络训练而成；第二识别模型通过U-net神经网络训练而成。

结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，上述第一识别模型或第二识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中病灶的位置、病灶的特征和病灶的诊断结果；建立神经网络的网络结构，设置网络结构对应的训练参数；其中，第一识别模型对应的训练参数至少包括第一阈值；第二识别模型对应的训练参数至少包括第二阈值；将CT图像和对应的标注信息输入至网络结构中进行训练，生成第一识别模型或第二识别模型。