[发明专利]一种用于肺部肿块计算机辅助检测的图像分析方法和系统

说明书

本发明属于模式识别、图像处理、计算机视觉技术领域，具体为一种用于肺部肿块计算机辅助检测的图像分析方法和系统。本发明根据临近帧图像的变化检测，发现疑似肿块的区域，并进一步根据区域形态进行过滤。本发明的图像分析系统由以下几个环节组成：图像采集、前景点标记、临近帧变化检测、疑似肿块形态过滤、结果可视化。本发明优点是：无需图像数据标注，可以以无监督的方式自动从CT切片图像序列中发现肺部肿块。实验结果表明：本发明方法可以实现肿块的自动发现和标记，可用于辅助医生诊断。

技术领域

本发明属于模式识别、图像处理、计算机视觉技术领域，具体涉及一种肺部肿块图像分析方法和系统，可以用于计算机辅助诊断。

背景技术

医学影像的计算机辅助诊断一直以来受到广泛关注。目前，深度神经网络[1][2][3]成为主流方法，但是需要大量的训练数据。然而，数据标注的代价很大，而且不是可以轻易获取的。此外，由于设备的差异使得原始图像值往往存在不一致的问题，这会使一个数据集合上训练的模型在另一个数据集合上性能下降。因此，本发明提出无监督的计算机辅助诊断方法，它是基于知识的，因此具有更好的场景适应性。

本发明方法可以用于CT图像中的肺部肿块自动发现。根据观察，如果遍历CT图像切片并将其看作是类似视频的图像序列，肿块总是以近乎突变的方式出现，并且持续存在的帧数很短。这启发我们按照视频处理中变化检测的方式来解决肺部肿块自动发现的问题。

深度神经网络方法[1][2][3]是基于图像块卷积的，需要大量训练数据，其近乎穷举的特征图计算方法开销很大。无监督方法在图像分割方面有一些应用[4][5]，但是图像分割往往是不鲁棒的，时常会出现过分割或者欠分割的情况；由于肿块往往与正常器官组织是粘连的，采用图像分割技术确定肿块是非常困难的。另一个方案是采用图像配准技术进行变化检测[6][7]；这类方法计算开销大并且不够稳定。此外，上述方法都依赖于对肺的精确分割和定位，而这是非常困难的[8][9][10]。本发明提出了一种用于肺部肿块计算机辅助检测的图像分析方法和系统，它的原理是监测CT图像序列中突然出现并且持续时间很短的突变，因此不需要精确的肺部分割；且由于只需要计算像素的差异，计算量明显小于其它方法；此外，它是基于知识的，对数据集合的依赖不大，普适性较强。

参考文献：

[1]Hongyang Jiang,He Ma,Wei Qian,Mengdi Gao,and Yan Li,“An AutomaticDetection System of Lung Nodule Based on Multigroup Patch-Based Deep LearningNetwork”,IEEE Journal of Biomedical and Health Informatics,Vol.22,No.4,pp.1227-1237,July 2018.

[2]MariosAnthimopoulos,StergiosChristodoulidis,Lukas Ebner,AndreasChriste,and StavroulaMougiakakou,“Lung Pattern Classification forInterstitial Lung Diseases Using a Deep Convolutional Neural Network”,IEEETransactions on Medical Imaging,Vol.35,No.5,pp.1207-1216,May 2016.