[发明专利]一种可解释的肺结节良恶性分类方法

说明书

本发明涉及一种可解释的肺结节良恶性分类方法，具体包括：S1、首先将肺结节的各医学征象进行划分，构建医学征象谱；S2、然后利用传统图像特征方法提取肺结节特征集，即图像特征谱；S3、通过对抗学习的医学征象和图像特征谱映射网络，来建立医学征象谱与肺结节图像特征的映射关系；S4、构建可解释的CNN的征象属性学习和分类诊断联合优化网络模型，最终通过设计可解释的卷积神经网络学习获得结节征象属性和良恶性的分类。本发明利用传统图像特征方法提取肺结节特征集，即图像特征谱，并建立医学征象谱与图像特征谱之间的内在关系，然后设计可解释的卷积神经网络进行的结节征象属性学习和良恶性预测，为结节的预测结果提供可解释性。

技术领域

本发明涉及肺结辅助诊断良恶性分类的技术领域，特别涉及一种可解释的肺结节良恶性分类方法。

背景技术

肺结节辅助诊断在临床实践中面临诸多瓶颈。肺结节筛查用于肺癌早期防控的形势依然严峻。我国患肺癌人数多，发病率高，医疗花费大。按发病人数顺位排序，肺癌占所有癌症的20.3％，位居恶性肿瘤发病首位。据国家肿瘤质控中心发布的《2019年全国癌症报告》，恶性肿瘤死亡高达居民全部死因的23.91％，且近十几年来恶性肿瘤的发病死亡呈持续上升态势,每年恶性肿瘤所致的医疗花费超过2200亿。

近几年，随着深度学习相关技术的发展，深度学习智能技术辅助肺结节筛查为严峻的肺癌防控工作带来了新机遇。自深度学习技术应用于医学影像以来，在肺癌防控强烈需求驱动下，肺结节计算机辅助筛查技术表现出深度学习、数据驱动、特征自学习、处理端到端等新特征。肺结节计算机辅助诊断系统的工作流程可以大致分为结节检测、假阳性去除、结节分割以及结节良恶性分类。结节的良恶性分类是在检测、假阳性去除和分割的基础之上，对结节的良恶性做出最终判断，是必不可少也是至关重要的一个环节。医生可以综合辅助诊断系统的结果和临床经验，快速做出诊断结果，所以精准的辅助分类结果可以大幅减少医生的诊断时间。但是肺结节辅助诊断在临床实践中面临诸多瓶颈，其中最重要的一点就是现有的辅助诊断系统可解释性较差，对肺结节关键属性特征提取能力较差，诊断结果脱离专家共识，难于被医生理解，导致医生“会用，但是不敢用”。这严重制约了影像辅助诊断系统在实际推广过程中的应用，导致了肺结节辅助诊断系统在科研、概念上火热，在临床应用中不温不火的尴尬境地。因此，无论是过去的探索期，还是现在的发展期，对肺结节的良性分类以及分类可解释研究依然是一门热门的研究内容。本发明设计了一种具有可解释性良恶性分类方法，为提高肺结节辅助诊断系统的可用性提供理论和技术支撑。

肺结节良恶性分类的可解释性是指算法能同时给出诊断结果和相应的医学征象判定。提供可解释的良恶性诊断结果是保证医生和病人可用、敢用的重要前提。但是现有的研究对模型构建研究多，对模型的可解释性表征学习研究少。传统的肺结节辅助诊断，运用深度学习方法提高计算机辅助医学影像诊断的能力。目前已经有一些工作利用大规模的数据训练深度学习模型，使得模型能够达到甚至超过医生的诊断水平。然而，它是像一个“黑箱”，只能看到输入输出，看不到内部的结构原理。在临床实践中，要让计算机系统能真正有效地辅助医生进行诊断，则系统的输出结果必须让医生理解和信服。此外，结节的各个属性特征是支撑良恶性分类判断的重要依据，但肺结节单任务分类模型并没有综合利用结节的各属性特征信息，导致现有的分类模型的准确率还有较大的提升空间，因此有必要设计结节特征提取和良恶性分类联合优化模型，以提升模型的表现，同时结合专家共识对肺结节属性特征进行完整的提取，构建用于辅助医生依据医学影像做出诊断的语义特征集，即医学征象谱，用于定性描述或解释肺结节良恶分类和恶性等级分级，以提高分类效果。

发明内容

针对现有技术存在的上述问题，本发明的要解决的技术问题是：现有肺结节辅助诊断系统可解释低，导致医生不敢用的问题，以及单任务结节良恶性分类没有综合利用到结节各个属性的问题，最终导致分类效果差。