[发明专利]基于空间-语义显著性约束的CT图像模态对齐方法

说明书

本发明提供了一种基于空间‑语义显著性约束的CT图像模态对齐方法，包括：从不同的数据集中获取原始CT图像，标记并截取CT图像的肺结节区域，得到肺结节区域图像；通过不同数据集的肺结节区域图像对3D DenseNet网络进行训练，得到第一分类器和第二分类器；在循环一致生成对抗网络CycleGAN中引入3D掩模和置信度评估分数作为约束条件，得到基于空间‑语义显著性约束的循环一致生成对抗网络SSA‑CycleGAN；通过所述SSA‑CycleGAN对不同数据集的肺结节区域图像进行转换处理，得到统一模态的肺结节区域图像。本发明可以将不同模态的数据进行转换处理，从而提升肺结节检测算法的准确度。

技术领域

本发明涉及肺结节检测技术领域，具体地，涉及基于空间-语义显著性约束的CT图像模态对齐方法。

背景技术

随着医疗技术的发展，人类的平均寿命越来越长，但和疾病，尤其是癌症的斗争却从未停止。从全球范围内来看，肺癌是最常见的癌症类型之一，占整体癌症发病率的11.6％，并且也是癌症死亡的主要原因，占癌症总死亡数的18.4％。

目前，国内肺癌的发病率和死亡率非常接近，预后极差。医学上将肺癌分为五期，数据显示，原位癌患者治愈可能性近百分之百，I期肺癌患者的10年存活率也高达88％，而III/IV期肺癌患者5年存活率仅为15％左右。2015年我国肺癌的发病例数733,300人，死亡例数则高达610,200人，这一现象的出现主要是因为早期的肺癌无论是在临床表现还是病理学分析上都缺乏明显表征，只有约15％的肺癌患者能在肺癌早期被确诊，而晚期肺癌的手术效果甚微，故而极大降低了肺癌患者平均的五年存活率。因此，有效且精准的早期诊断措施，成为改善肺癌预后，提升肺癌治疗效果的关键一环。因为恶性肺结节多为原发性肺部肿瘤或转移灶，所以肺癌的可靠临床治疗方法在于早期准确检测肺结节。推广肺癌早期筛查工作的主要障碍是CT成像诊断的巨大工作量。早期肺癌的特征表现肺结节的尺寸小，对比度低，并且形状异质性高。因此，肺结节的检测主要依靠影像科医生人工诊断完成。

然而，每个受试者的胸部至少有100张CT图像(5mm层厚)，甚至600次精细扫描(小于1.25mm层厚)。随着CT检查的快速增长，人工诊断方法越来越难以满足需求。因此，通过使用计算机辅助检测(Computer-Aided Detection)系统的出现，可以自动发现可疑病变，从而进行肺结节的初步筛查，帮助放射科医师对潜在的异常进行鉴别，以有效地减少放射科医师的工作量，并显着提高肺结节诊断的准确性。但是，不同数据集之间存在上述的模态差异，数据集的直接融合反而对模型训练带来负面影响，从而使得肺结节的检测精度不高。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于空间-语义显著性约束的CT图像模态对齐方法。

根据本发明提供的一种基于空间-语义显著性约束的CT图像模态对齐方法，包括：

从不同的数据集中获取原始CT图像，标记并截取CT图像的肺结节区域，得到肺结节区域图像；其中，不同数据集中的原始CT图像对应不同的模态；

通过自适应高斯滤波，对不同数据集的肺结节区域图像进行掩模计算，得到对应的3D掩模；

通过不同数据集的肺结节区域图像对3D DenseNet网络进行训练，得到第一分类器和第二分类器；其中，所述第一分类器和所述第二分类器用于对肺结节区域图像中的肺结节进行置信度评估，得到对应的置信度评估分数；

在循环一致生成对抗网络CycleGAN中引入3D掩模和置信度评估分数作为约束条件，得到基于空间-语义显著性约束的循环一致生成对抗网络SSA-CycleGAN；

通过所述SSA-CycleGAN对不同数据集的肺结节区域图像进行转换处理，得到统一模态的肺结节区域图像。