[发明专利]一种基于最优多尺度感知的肺结节辅助检测方法

说明书

本发明公开了一种基于最优多尺度感知的肺结节辅助检测方法。包括如下步骤，获取同一病人的多张连续肺部CT图像，将CT图像进行拼接并输入到视觉感受野滤波器进行肺结节尺度特征提取，肺结节区域生成网络根据肺结节尺度特征对不同尺度的肺结节进行框选，最后使用基于定位的soft非极大值抑制方法将置信度最优的肺结节的候选框保留，从而得到一张框选出不同尺度下置信度最优的肺结节的图像。在本发明中，通过设计基于Gabor‑Unet的视觉感受野滤波器，以及设计肺结节区域生成网络，将多个不同尺度的肺结节中置信度最优的肺结节框选出，便于肺结节的检测诊断，补充现有肺结节辅助诊断系统中存在的不足，使得本发明提出的基于多尺度最优化感知肺结节辅助检测方法更加的精准。

技术领域

本发明涉及肺结节辅助检测方法的领域，尤其涉及一种基于最优多尺度感知的肺结节辅助检测方法。

背景技术

肺结节筛查用于肺癌早期防控的形势依然严峻。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。因此，无论是过去的发展期，还是现在的成熟期，肺结节辅助诊断推荐依然是一门热门的研究内容。

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。围绕肺结节检测、分割、分类、属性特征学习，设计肺结节辅助诊断新型网络结构成为肺结节筛查技术的发展重点，涌现出U-Net、V-Net等适用于医学影像分析的新型神经网络结构。这些网络通过堆叠深度学习模型结构来获取图像的信息，最终达到不同的医学影像分析目的。但现有的辅助诊断系统检测尺度、形态、结构、纹理较为单一，对较大、单一形态、固定结构、相同纹理的结节具有较稳定的检测结果，对于不同尺度、多样形态、复杂结构、不同纹理结节检测能力弱。其原因在于现有的辅助诊断系统检测中存在视觉特征空间分辨率下降导致肺结节的边缘、纹理和细节信息的逐渐丢失的问题，传统肺结节网络在中、小肺结节检测在网络特征传递过程中，无法重用特征和特征可能消失的问题。

肺结节辅助检测的关键在能够对肺结节进行多尺度最优化感知，因为它的检测精准率依赖于辅助检测对肺结节不同尺度、多形态、多结构、多纹理的感知。肺结节视觉特征、空间分辨率、细节信息是重要的信息，相较于那些不同特点的肺部组织，能够轻易判断此肺部组织是否为肺结节。例如钙化型肺结节，因为这种结节其视觉特征、空间分辨率、细节信息异于周围的肺部组织使得其检测结果稳定。除了视觉特征、空间分辨率、细节信息这些特点。肺结节的尺度对于肺结节辅助检测来说是一项重要的特征，而且不同的尺度的肺结节之间存在着不同的诊断关系。例如，一些较大的疑似肺结节的肺部组织符合肺结节的视觉特征、空间分辨率、细节信息，但是因为它的尺寸不符合，就不会诊断为结节。

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：发明一种能够对多尺度肺结节进行准确检测的辅助检测方法。

为解决上述技术问题，本发明采用如下技术方案：

一种基于最优多尺度感知的肺结节辅助检测方法，包括如下步骤：

S100：获取同一病人的多张连续肺部CT图像。

S200：将多张肺部CT图像进行拼接得到一张肺结节图像，所述肺结节图像包含S100中的所有肺部CT图像。

S300：将S200得到的肺结节图像输入到视觉感受野滤波器，视觉感受野滤波器分小、中、大三个尺度分支对所述肺结节图像中的肺结节的尺度特征进行提取，得到三组肺结节尺度特征。

所述三组肺结节尺度特征分别为小尺度肺结节尺度特征组、中尺度肺结节尺度特征组和大尺度肺结节尺度特征组，所述每个肺结节尺度特征组中均包含多个同一尺度的肺结节尺度特征。