[发明专利]基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统

说明书

基于MaskScoring R‑CNN网络的迁移学习肺部病变组织检测系统，包括存储肺癌、肺炎、肺结核、肺气肿4种肺部疾病的存储模块，还包括一个诊断模块，诊断模块与存储模块通信连接，诊断模块包括：步骤1)医学图像预处理；步骤2)构建MaskScoring R‑CNN网络模型：1.构建共享卷积神经网络骨干(作特征提取)，2.对共享卷积神经网络做迁移学习，3.构建FPN网络，4.构建RPN网络5.构建ROIAlign层，6.添加MaskIoU head；步骤3)肺部医学图像病变组织识别：向构建好的MaskScoring R‑CNN网络，输入待检测的肺部CT影像，网络输出得到识别之后的图像，框出并掩膜mask识别到的病变组织，并标注出病变的类别。本发明满足医学图像分割高精度的要求，也能让网络拥有良好的泛化性。

技术领域

本发明涉及肺部病变的检测系统。

技术背景

近半个世纪以来，肺癌的发病率和死亡率不断上升，相隔15年约增加1倍，工业发达地区肺癌发病率高，吸烟越多发病率越高，呈明显剂量关系，我国的肺癌发病率和死亡率均占恶性肿瘤的首位。为了能够提早发现，在肺部病变的早期能够给予及时的治疗，准确的病变组织检测方法极为关键。

常见的肺部疾病包括肺脓肿、肺气肿、肺结核、肺结节等。在医学上，胸部X线检查是肺部疾病必做的基础检查项目之一，有助于诊断肺部炎症、肺不张、肺气肿、气胸、胸腔积液等疾病。胸部CT检查有助于对X线胸片发现的问题作出定性诊断，如肺部肿块性质的鉴别，肿块位置、范围、与纵隔的解剖联属等。这些病变组织的辨别难度很大，对医生的能力与经验的要求往往也非常的高。在现有的技术里，没有有效的帮助医生诊断肺部病变组织的技术。因此，我们将人工智能的技术运用到了肺部病变组织检测中来。

医学图像分割是医学图像处理与分析领域的复杂而关键的步骤，其目的是将医学图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断。随着人工智能的发展，尤其是人工神经网络的快速发展，每年都能涌现出大量的优秀论文以及算法和神经网络结构。在图像分割领域，不断地有新的网络结构刷新着图像分割精度的记录,这些网络分割的对象，通常是自然界的某些物体或者人和动物等，我们也可以将应用到医学图像分割中来。但把分割的对象直接换成医学图像，其分割准度定会大大降低，因为医学图像如CT图像几乎都是灰度图，在一张CT图像中，各个组织的形似度非常高，极容易造成误差，这对于精准度要求极高的医学图像分割来说是完全不能接受的。

本发明提出了一种基于MaskScoring R-CNN(一种的语义分割卷积神经网络)网络的迁移学习肺部病变组织检测系统。通过迁移学习训练MaskScoring R-CNN，提高了该网络对肺部医学图像中病变组织分割的准度，为医生的检测提供技术支持，降低误检率。

发明内容

为解决现有技术的上述不足，本发明提出基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统。本发明将用于自然图像语义分割的MaskScoring R-CNN神经网络能够应用到医学图像分割中来，用于解决肺部病变组织的分割问题。

图像分割领域近年来，涌现出非常多优秀的网络模型，它们不再是以往的单任务的网络结构，取而代之是集成、复杂的多任务网络模型。获得2017年国际计算机视觉大会ICCV的最佳论文的Mask R-CNN就是其中的代表。在实例分割的Mask R-CNN框架中主要完成了目标检测、目标分类、像素级目标分割任务，相较于之前的网络其显著提高了分割效果，同时结合了目标检测，在完成分割任务的同时能将目标识别并分类出来。本发明所用的MaskScoring R-CNN是在Mask R-CNN基础上改进而来，关键就在名字里的“Scoring”(打分)，提出一种新的算法给“实例分割假设”打分的新方法，这个分数打得是否准确就会影响实力分割模型的性能。通过这个算法，进一步地提升了mask检测的精度。