[发明专利]基于对抗网络和Faster R-CNN的肺结节辅助诊断系统

说明书

基于对抗网络和Faster R‑CNN的肺结节辅助诊断系统,属于医疗仪器,技术领域，它包括：包括用于获取患者肺部CT影像数据的数据获取模块、用于分割得到完整肺实质的肺实质分割模块、基于深度学习模型构建肺结节检测网络，将所述肺实质分割图像输入所述肺结节检测网络进行结节检测识别；用于自动确定肺结节的定性定量数据并展示给用户，最后给出图文诊断报告，以辅助医生进行诊断的智能分析模块。本发明能进行微小肺结节的精确检测和诊断，为医生更加快速、精准、科学地解决阅片问题，对肺癌的临床辅助决策提供影像学支持。

技术领域

本发明涉及医疗诊断技术领域，特别涉及一种基于对抗网络和Faster R-CNN的肺结节辅助诊断方法和系统。

背景技术

肺癌是世界范围内发病率和死亡率增长最快的恶性肿瘤之一，已经严重危害人类健康。在我国，肺癌临床诊断病例多已为晚期，错过了最好的治疗时机。因此，进行高危人群早期筛查早期诊断早期治疗是改善肺癌生存期，降低肺癌死亡率的重要措施。

早期肺癌主要表现为直径小于3cm的孤立性肺结节，低剂量CT(Low-dosecomputed tomography,LDCT)是早期肺癌的主要筛查手段，可以提前发现微小病灶，及时发现并切除恶性肺结节。由于肺结节形态复杂，依靠肉眼难以识别。影像数量增长迅速，专业影像科医生不足，人工阅片的压力大，既耗费时间又可能带来误诊漏诊，智能化水平不高。计算机辅助诊断系统能够帮助医生快速阅片，增加诊断准确度，为医生找到可疑的病灶，以便医生详细检查并作出最后的诊断决策。因此，自动的肺结节辅助诊断系统越发受到医生的关注。

现有的计算机辅助诊断(CAD)方法大致有两类：传统的机器学习方法，或者通过传统方法筛选候选结节并利用深度学习方法进行筛选。传统的机器学习方法使用人工设计的特征，而肺结节特征复杂，此类特征可能涉及到很多专业领域知识，难以适应新的数据和诊断场景，存在较高的假阳性率。此外，现有的部分采用深度学习的辅助诊断方法和CAD系统不是全自动的，处理速度较慢，难以实时获取诊断结果，具有很大的提升空间。

因此，借助深度学习方法处理海量医疗数据，并实现一种肺结节辅助诊断方法和系统，具有十分重要的临床应用价值。

发明内容

为解决上述问题，本发明提供一种基于深度学习的肺结节辅助诊断方法和系统，既能进行微小肺结节的精确检测和诊断，又能在实时性方面满足实际应用需求，为医生对肺癌的临床辅助决策提供影像学支持。

本发明采用以下技术方案：

一种基于对抗网络和Faster R-CNN的肺结节辅助诊断系统，包括：处理器，存储器和计算机程序，执行所述计算机程序以创建应用，所述应用对医学图像使用深度神经网络进行实时诊断并给出图文诊断报告。

基于对抗网络和Faster R-CNN的肺结节辅助诊断系统还包括用于获取患者肺部CT影像数据的数据获取模块、用于分割得到完整肺实质的肺实质分割模块、基于深度学习模型构建肺结节检测网络，将所述肺实质分割图像输入所述肺结节检测网络进行结节检测识别；用于自动确定肺结节的定性定量数据并展示给用户，最后给出图文诊断报告，以辅助医生进行诊断的智能分析模块。

另一方面，提供了一种基于对抗网络和Faster R-CNN的肺结节辅助诊断系统，包括数字处理设备，该数字处理设备包括：处理器，存储器和计算机程序，执行所述计算机程序以创建应用，所述应用对医学图像使用深度神经网络进行实时诊断并给出图文诊断报告。

数据获取模块，用于获取患者肺部CT影像；

肺实质分割模块，用于分割得到包含完整的肺部区域的分割图像；

肺结节检测模块，基于深度学习模型构建肺结节检测网络，用于将所述肺实质分割图像输入所述肺结节检测网络进行结节检测识别；