[发明专利]一种基于CT图像的肺结节检测方法及系统

说明书

本发明公开了一种基于CT图像的肺结节检测方法及系统，其中的检测方法具体包含以下步骤：(1)基于UNet网络的快速定位处理：利用基于UNet网络的模型获取疑似肺结节的掩码；(2)基于DSSD网络的目标检测处理：利用基于DSSD网络的模型对与第(1)步所获得的肺结节掩码对应的图像块进行处理，以获得肺结节的检测结果；(3)基于3DCNN的假阳性筛选处理：利用基于3DCNN的模型对候选结节进行筛选，以剔除假阳性结节。本发明通过对CT图像中肺结节检测方法的整体流程以及各个功能模块的设计进行改进，实现了较为理想的检测性能，即其可以对各种类型的肺结节进行检测，与现有技术相比，能够有效地减少对检测结果的人工干预。

技术领域

本发明属于医学图像分析和计算机辅助诊断等技术领域，更具体地，涉及一种基于CT图像的肺结节检测方法及系统。

背景技术

肺癌是导致患癌死亡的最危险的疾病之一，其发病率占所有癌症的三分之二，且5年存活率为18％。临床经验表明，如果能够在早期诊断出肺癌，那么患者存活的几率将会大幅度提升。使用基于肺部的计算机断层扫描(CT)图像的诊断方法，是早期肺癌诊断和提高患者存活率的重要策略。在基于医学影像学的诊断方法中，准确地对肺结节进行检测是诊断早期肺癌的重要步骤。为了开发健壮的肺结节自动检测系统具有重要的临床意义。但由于CT图像上肺结节的异质性，导致很难获得一个令人满意的检测结果。例如，对于钙化状结节、空洞型结节和磨玻璃状结节而言，它们从形状，纹理以及灰度等多个方面均反映出肺结节的异质性。此外，由于肺结节与其周围组织之间的高度相似性，对开发一个鲁棒的检测系统也是一个挑战。例如，对于并发型结节而言，由于结节与肺壁的灰度几乎相同，导致我们很难自动定位出它的准确位置。类似地，对于直径小于6mm的小型结节，由于其与周围的噪声具有相似的灰度，导致此类结节难以区分。

近年来，为了获得一个较好的检测效果，很多方法被提出。这些方法通常可分为传统的检测方法，机器学习类算法以及基于卷积神经网络的方法。在传统的检测方法中，为了从背景较为复杂的肺部环境中检测出结节，形态学操作，基于阈值的方法，聚类算法以及能量优化算法等等，已被广泛应用。例如，Rezaie等人于2017年提出了“Detection of LungNodules on Medical Images by the Use of Fractal Segmentation”，该方法首先基于阈值类方法选择可能存在结节的感兴趣区域，然后使用边缘检测类算法对肺结节进行定位。在机器学习方法中，人们将分类模型与高级特征相结合以用于肺结节的检测。例如，Aghabalaei等人于2017年提出了“Automatic lung nodule detection based onstatistical region merging and support vector machines”，该方法设计了一组光谱，纹理和形状特征来表征结节，之后使用SVM分类器对候选结节进行分类。在卷积神经网络的方法中，研究人员以有监督的方式端到端地训练肺结节检测模型，同时使用卷积神经网络来学习结节的相关特征，取代传统人工设计的特征，如形状和纹理特征。例如，Ding等人于2017年提出了“Accurate Pulmonary Nodule Detection in Computed TomographyImages Using Deep Convolutional Neural Networks”，该方法首先基于Faster R-CNN进行候选结节的检测，之后使用三维的深度卷积神经网络来减少候选结节中的假阳性。为了进一步提高肺结节检测方法的泛化能力，本发明提出了一种基于UNet，DSSD和3DCNN的肺结节检测方法。

发明内容