[发明专利]一种基于深度学习的早期肺癌检测分类一体化设备及系统

说明书

本发明公开了一种基于深度学习的早期肺癌检测分类一体化设备及系统Cancer Early Test System；包括早期肺癌检测触控终端、肺癌检测服务器、肺癌检测病例存储设备；CETS基于U‑NET设计了TNet，用于早期肺癌和肺结节检测分类；数据预处理模块将患者肺CT影像数据处理成CETS可读的3D肺图像，利用TNet肺结节3D检测分类网络对肺图像进行语义分割，按恶性程度输出肺结节区域和概率；通过TNet肺癌3D检测分类网络对肺结节的特征进行分析，最终得到肺癌种类、概率和肺结节种类、形态等详细信息检测报告；CETS在TNet中首次引入光流追踪算法，解决了由于CT影像的层状性特点形成的数据缺失、相互矛盾以及网络检测遗漏所丢失的结节信息，辅助医生进行肺癌诊断，减少了漏诊误诊的风险。

技术领域

本发明属于医学影像计算机辅助诊断研究领域，它具体涉及一种基于深度学习的早期肺癌检测分类一体化设备及系统。

背景技术

肺癌是发病率和死亡率最高的恶性肿瘤，其早期症状不明显，而中晚期肺癌极难治愈，因此早期肺癌检测是延长病人生存期、降低死亡率的主要手段；早期肺癌多表现为肺结节，数量多尺寸小、对比度低、易与其他组织混淆；目前主要采用肺部CT检查的方式进行肺部结节诊断，医生需要根据病人CT影像中肺结节的大小和形态来判断其恶性程度，而一个肺癌患者的CT图片数量在百张级别，医生工作负荷较重，评估的准确性上会受到医生经验、疲劳程度、个人情绪等主观因素的影响，同时各地区专家医生资源分布不均匀，采取传统诊疗方式容易出现漏诊和误诊的情况。

近年来，随着计算机计算能力的提高、数据量的阶梯式增长，深度学习技术的得到了快速发展，被大量的应用于医疗领域，国内外学者、研究机构在关于早期肺癌检测的计算机辅助系统上做了大量研究工作，其主要技术步骤包括数据预处理和利用卷积网络检测肺结节，但是这些方法主要将焦点放在识别肺结节区域和非肺结节区域，一方面并未对肺结节的类别进行细致区分，而另一方面肺结节癌变的种类、概率与肺结节种类、尺寸、形态等特征关系密切，传统检测卷积网络只能得出患者患肺癌的总概率，无法对肺癌的具体种类进行区分，所以往往需要医生去进行评估，没有实现早期肺癌检测流程的一体化。

针对现有技术的不足，本发明提出了一种新的早期肺癌检测设备及系统CETS(Cancer Early Test System)：一种基于深度学习的早期肺癌检测分类一体化设备及系统，该设备能够检测出患者早期肺癌的种类和概率，同时可以精确识别出肺结节的种类、尺寸、位置和恶性程度，医生只需将CT设备计算机系统和CETS设备数据输入端口对接，通过在CETS触控终端上进行简单参数设置操作，即可得到患者早期肺癌和肺结节的详细检测报告。

发明内容

本发明所述的CETS早期肺癌检测服务器系统首次将光流追踪算法和U-NET网络结构相结合，并引入偏置结节，开发了一种可以自动检测肺结节和肺癌种类的3D深度卷积网络结构TNet，同时提供了快速检测TNet-VE和精确检测TNet-VQ两种检测模型；同时服务器检测系统在训练阶段采用了数据增强、交替训练、样本平衡等策略，使得CETS在肺结节和肺癌的检测上，具有高灵敏度和精准度，即使微小结节也能精准识别，辅助医生进行肺癌诊断，降低肺癌诊断的假阳性率，实现了早期肺癌检测分类流程一体化。

本发明所述早期肺癌检测一体化设备及系统CETS主要由3部分组成：早期肺癌检测触控终端、肺癌检测服务器和肺癌检测病例存储设备，主要操作流程如下：

步骤1：医生根据实际需要，在早期肺癌检测触控终端设置相应模型参数，选择所要使用的检测模型(TNet-VE or TNet-VQ)，CETS将自动读取患者肺部CT扫描影像，加载至早期肺癌检测服务器；

步骤2：将患者肺部CT扫描影像处理成CETS可读的3D肺部影像数据；