[发明专利]基于图神经网络的CT肋骨骨折病灶关系建模方法及装置

说明书

本发明提供了一种基于图神经网络的CT肋骨骨折病灶关系建模方法及装置，其中方法包括：创建图结构，其中，图结构包括：结点和边，检测结果定义为结点，结点通过预设连接关系进行连接形成边；提取结点特征，将结点特征按照预设方式连在一起得到结点特征表达；采用图神经网络对结点间的关系进行建模，对结点特征利用图神经网络进行推理，得到关系建模后的结点特征；利用关系建模后的结点特征对每个结点进行骨折分类。通过采用图的方法来建模病灶之间的关系，将一份CT中的所有疑似病灶看作图上的结点，而结点之间通过边连接，并通过图神经网络学习结点之间消息传播的方法，从而提升明显骨折附近细微骨折的召回，同时降低伪影误检。

技术领域

本发明涉及计算机领域，尤其涉及一种基于图神经网络的CT肋骨骨折病灶关系建模方法及装置。

背景技术

肋骨骨折的检测是医生在实际阅片中重要的工作内容之一，为了达到准确的检查效果，CT通常采用薄层重建，导致平均一份CT有数百层需医生进行审查，对医生的工作带来极大的负担。长时间阅片导致的注意力下降、医生的经验不足，都会导致骨折的漏检或误检，引起医疗纠纷。随着计算机技术和医疗影像技术的发展，医生可以借助计算机辅助技术来提升病灶检出的准确率与速度。这些辅助诊断系统采用机器学习或深度学习的方法，从数据中学习病灶的影像表现，具有较高的准确率与泛化性。

现有的计算机辅助病灶检出主要遵循两个步骤。第一步为病灶的初筛，采用目标检测的方法逐层或逐块对病灶可能出现的位置进行预测，并最终合并为多个疑似病灶；第二步为假阳性消除，对每个疑似病灶分别提取特征，采用更加复杂的机器学习或深度学习模型对疑似病灶进行分类，对其是否为真实病灶进行区分，以便消除明显假阳，提升特定误报下的系统的敏感性。

现有的CT中病灶的自动诊断方法采用机器学习的方法，从数据中直接学习病灶外观与正常组织的不同。这些方法中采用手工特征或深度学习的方法，单独对每个病灶是否为病变进行学习与建模，而并未考虑病灶与病灶之间的关系。考虑到肋骨骨折，尤其是骨折中最为普遍的创伤性骨折，通常受外力的影响，骨折呈多发状分布。如果某根肋骨骨折，其相邻肋骨将有很大概率发生骨折。考虑到某些骨折在影像上表现不明显，单纯根据某根肋骨的影像表现很难将骨折与伪影进行区分，导致模型容易在这些骨折上产生漏检，或在伪影上形成误检。

发明内容

本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于图神经网络的CT肋骨骨折病灶关系建模方法及装置。

为达到上述目的，本发明的技术方案具体是这样实现的：

本发明的一个方面提供了一种基于图神经网络的CT肋骨骨折病灶关系建模方法，包括：创建图结构，其中，图结构包括：结点和边，检测结果定义为结点，结点通过预设连接关系进行连接形成边；提取结点特征，将结点特征按照预设方式连在一起得到结点特征表达；采用图神经网络对结点间的关系进行建模，对结点特征利用图神经网络进行推理，得到关系建模后的结点特征；利用关系建模后的结点特征对每个结点进行骨折分类。

其中，预设连接关系包括：预设连接关系包括：全连接或者基于解剖位置进行连接。

其中，预设方式包括：串接。

其中，结点特征包括但不限于：位置信息、解剖信息、病灶的表观信息和/或检测置信度信息。

其中，提取结点特征，将结点特征按照预设方式连在一起得到结点特征表达包括：提取结点特征，将结点特征送入全连接层进行特征融合，得到融合后的结点特征；采用图神经网络对结点间的关系进行建模，对结点特征利用图神经网络进行推理，得到关系建模后的结点特征：将结点特征送入图神经网络运算单元，结合相邻结点信息，更新自身结点特征状态；将更新后的结点特征，以及不同运算单元层的输出加到一起，得到最终的特征表达；利用所述关系建模后的结点特征进行骨折分类包括：将最终的特征表达送入两结点的全连接层进行分类，得到属于骨折和/或非骨折的概率；或者将最终的特征表达送入多个全连接层后送入两(多)个节点的全联接层进行分类，得到属于骨折和/或非骨折的概率。