[发明专利]一种结合多尺度注意力的深层网络肺部纹理识别方法

说明书

本发明公开了一种结合多尺度注意力的深层网络肺部纹理识别方法，属于图像处理和计算机视觉领域。为了能准确识别肺部计算机断层扫描(Computed Tomography，CT)图像中弥漫性肺疾患的典型纹理，通过设计独特的注意力机制模块和多尺度特征融合模块，构建了一种结合多尺度和注意力的深层卷积神经网络，实现了弥漫性肺疾患典型纹理的高精度自动识别。此外，所提出的网络结构清晰，容易构建，易于实现。

技术领域

本发明属于医学图像处理和计算机视觉领域，具体涉及到一种结合多尺度注意力的深层网络肺部纹理识别方法。

背景技术

弥漫性肺疾患是指肺部区域内由于炎症或损伤等因素造成的肺间质异常纹理的总称。CT图像因为能够清晰呈现肺组织状态，常被用于该类疾病的检测。然而由于采集图像数量庞大、肺部纹理复杂等因素，即使对于经验丰富的放射线科专家，也很难准确识别不同类型的肺部纹理，造成漏诊、误诊等问题。因此，需要建立一种计算机辅助诊断(ComputerAided Diagnosis，CAD)系统，协助放射线科专家对CT图像中的肺部纹理进行准确且高效的自动诊断。建立这种CAD系统的一项关键技术，是对CT图像肺部区域中任意感兴趣区域包含的肺部纹理进行准确且高效的自动识别。

传统CT图像肺部纹理识别方法通常基于两步式，即首先人工设计能表征肺部纹理特性的特征量，随后训练能够有效区分这些特征量的分类器。因训练分类器技术相对成熟，研究人员更关注于如何设计更有表征能力的特征量，如一种基于特征袋的肺部纹理识别方法(R.Xu,Y.Hirano,R.Tachibana,and S.Kido,“Classification of diffuse lungdisease patterns on high-resolution computed tomography by a bag of wordsapproach,”in International Conference on Medical Image ComputingComputer-assisted Intervention(MICCAI),2011,p.183.)。然而，人工设计特征量有限的表征能力使得这些识别方法识别精度与CAD系统需求差距较大。

近几年，深度神经网络在图像处理领域带来了革命性影响，该技术同样被应用于肺部纹理识别中，如一种基于卷积神经网络(Convolutional Neural Network，CNN)对肺部纹理进行分类的方法(M.Anthimopoulos,S.Christodoulidis,and et.al.,“Lung patternclassification for interstitial lung diseases using a deep convolutionalneural network,”IEEE Transactions on Medical Imaging,vol.35,no.5,pp.1207–1216,2016)。这些方法大多采用常规堆叠式CNN结构或使用原本用于其他图像处理任务(如自然图像识别)的CNN结构进行迁移学习，尚未充分且直接发挥CNN在肺部纹理识别任务上的性能。虽然基于深度神经网络的方法的识别精度相比于传统方法有所提升，但是仍与CAD系统需求精度存在差距。

上述方法存在以下两个问题。第一，CT图像中肺部纹理呈现灰度和尺度信息两种放射学特征，目前用于肺部纹理识别的CNN多数仅使用灰度特征信息，尚未关注于学习肺部纹理中包含的尺度特征信息，因此需要设计并使用一种机制使CNN能够学习肺部纹理多尺度特征信息。第二，目前用于肺部纹理识别的CNN参数规模普遍较大，CNN中卷积层学习的特征图存在冗余信息，影响最终识别精度，需要设计并使用一种机制自动筛选对识别任务有益的特征图，同时自动抑制与识别任务关系较弱的特征图以降低特征图中冗余信息的影响并提升最终识别精度。

发明内容