[发明专利]纵隔肿物识别方法、系统及装置

说明书

本发明公开了一种纵隔物识别方法、系统及装置，所述方法包括如下步骤：S1、对纵隔肿物的CT图像进行预处理；S2、对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；S3、将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet前，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果。本发明使用了深度学习并结合注意力机制，同时利用了2D和3D的优势，因此模型精度较高、推理速度快；此外，由于数据库规模较大，其泛化性能可以得到保障。

技术领域

本发明涉及人工智能领域，尤其是涉及一种纵隔物识别方法、系统及装置。

背景技术

在医学上，纵隔指的是前到胸骨，后到脊椎，上到颈部，下到隔肌的一块区域。它包含心脏，胸腺，某些淋巴结和部分气道(气管)等，不包括肺。长在纵隔区域的肿瘤按部位分可以分为：前纵隔，中纵隔和后纵隔肿瘤。

纵隔肿物包含多种疾病类型。以胸腺肿肿瘤为例，胸腺肿瘤中90％为胸腺瘤，其余是胸腺癌、淋巴瘤及类癌等。纵隔肿物具有发病率低的特点，例如胸腺瘤在全部成人恶性肿瘤中不足1％；同时在发病位置上也有特点，例如在成人前纵隔肿瘤中胸腺瘤约占30％，据美国国家癌症研究所报告，美国胸腺瘤的发病率为0.15/10万，因此可学习样本较少。

影像学检查可以辅助医生诊断纵隔肿物。以胸腺瘤为例，近80％胸腺瘤患者在正位胸片上表现为纵隔轮廓异常或肿物。胸部增强CT是诊断前纵隔肿物的首选影像检查方法，CT不仅能显示病变大小、密度、边缘，而且能提示病变与胸腔内周围器官包括大血管、肺、心包、心脏、胸膜等的关系。在增强CT序列中，血管等会呈现高密度特征，此时纵隔肿物呈低密度特征，较易识别。

综合上述特点，CT可以帮助医生快速诊断纵隔肿物，但其中存在两个难点。一是是由于发病率低，可学习的影像样例少，再加上个别类型在整体发病率中所占更少，其样本就更少；二是疾病分型很多。通过CT诊断纵隔肿物对于经验较少的影像科医生是一个很大的挑战，很容易出现漏诊现象。

随着计算机和数字图像处理技术的发展，出现了许多计算机图像算法用于处理CT图像，帮助医生诊断癌症。但是一方面这些算法有相当一部分基于传统机器学习，取得的诊断精度有限；另一方面，受限于纵隔肿物发病率低，可学习样本较难收集，因此其泛化性能收到限制。

发明内容

本发明的目的在于提供一种纵隔物识别方法、系统及装置，旨在解决纵隔物识别方法。

本发明提供一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别方法，包括如下步骤：

S1、对纵隔肿物的CT图像进行预处理；

S2、对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；

S3、将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet前，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果。

本发明还提供一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别系统，包括：

预处理模块：用于对纵隔肿物的CT图像进行预处理；

切片模块：对预处理后的CT图像取连续的多个切片，并将每个切片处理成多个窗宽窗位的矩阵；

融合模块：将处理成多个窗宽窗位的矩阵的多个切片输入两级自注意力机制的2.5DUNet前，对所述多个切片分组卷积，然后输入两级自注意力机制模块进行融合，得到识别结果。

本发明实施例还提供一种基于两级自注意力机制的2.5DUNet的纵隔肿物识别系统，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。