[发明专利]一种医学图像病变检出合并方法、系统、终端及存储介质

说明书

本申请提供一种医学图像病变检出合并方法、系统、终端及存储介质，包括：将3D医学图像扫描切分为2D层面图像，将其输入2D卷积神经网络进行2D病变检测，并获取2D层面图像疑似病变区域的位置信息、特征向量及置信度；根据所述位置信息、特征向量计算相邻2D层面图像任意两疑似病变区域的特征相似度及空间相邻度；根据所述特征相似度及空间相邻度计算相邻2D层面图像任意两疑似病变区域属于同一病变区域的概率分数；根据所述概率分数构建图结构；利用图的求解算法进行图结构求解，得到图结构的各连通子图；基于特征跟踪与层间位置关系对2D检出进行3D合并，实现3D医学图像病变检出合并的高效性和准确性。

技术领域

本申请涉及医学影像处理技术领域，尤其是涉及一种医学图像病变检出合并方法、系统、终端及存储介质。

背景技术

电子计算机断层扫描(Computed Tomography，CT)是一种基于X射线的成像技术，广泛应用于临床中，对人体内组织器官进行高精度断层成像，以供医生进行诊断。CT图像的诊断耗时长、复杂度高，同时受到临床医生经验和能力的限制，具有局限性；而基于深度学习的CT病变检测技术，可以自动地对CT扫描进行病变检出，大幅提升医生的工作效率，提高诊断的准确度，已广泛用于肺结节检测、肺部多征象病变检测、骨折检测等医学任务中。由于医学图像成像的连续性，所得结果为若干2D扫描断层所组成的3D影像；因此基于深度学习的医学图像病变检测也主要分为2D检测与3D检测两种方法。

基于3D检测的方法，使用原始的3D图像进行卷积神经网络的训练、推断流程，具有直观、高效的优点。但由于3D的卷积神经网络与2D网络相比参数数量庞大，缺少预训练模型，往往具有较高的训练难度，难以取得较好的效果。

基于2D检测的方法，在CT扫描的每一层面上进行病变检出，而后选取某种合并策略对所得2D检出进行合并，得到CT扫描中每个病变的3D空间位置。该方式避免了3D网络难以训练的缺点。但如何将检出的2D结果合并成一个在3D医学图像中的3D检出结果成为该方案中的难点，不同合并策略将对最终病变检出效果具有较大的影响。传统的方法仅仅依靠2D检出结果的上下层之间的连续性以及类别一致性进行3D框合并。一种典型的做法是，对于一份CT的2D逐层检出结果，仅考虑2D层面的连续相邻分布，将相邻距离小于一定阈值，且在空间位置上有重叠的2D框合并为一个3D检出。由于没有考虑特征相似度，因此合并结果经常会出现错误。现有医学图像病变检出算法中，这种简单的合并方式精度一般，效果有限。

因此，目前亟需一种医学图像病变检出合并方法，以提高病变检出的准确性和鲁棒性。

发明内容

针对现有技术的上述不足，本申请提供一种医学图像病变检出合并方法、系统、终端及存储介质，用于将2D医学图像逐层的病变检出合并为3D检出，实现3D医学图像病变检出合并的高效性和准确性。

第一方面，为解决上述技术问题，本申请提供一种医学图像病变检出合并方法，包括：

将3D医学图像扫描切分为2D层面图像，将其输入2D卷积神经网络进行2D病变检测，并获取2D层面图像疑似病变区域的位置信息、特征向量及置信度；

根据所述位置信息、特征向量计算相邻2D层面图像任意两疑似病变区域的特征相似度及空间相邻度；

根据所述特征相似度及空间相邻度计算相邻2D层面图像任意两疑似病变区域属于同一病变区域的概率分数；

根据所述概率分数构建图结构；

利用图的求解算法进行图结构求解，得到图结构的各连通子图。

可选的，所述将3D医学图像扫描切分为2D层面图像，将其输入2D卷积神经网络进行2D病变检测，获取2D层面图像疑似病变区域的位置信息、特征向量及置信度，包括：

将3D医学图像扫描切分为若干2D层面图像；