[发明专利]肺结节检测方法及系统

说明书

本发明提供一种肺结节检测方法及系统，属于图像识别技术领域，包括：获取待检测的肺部CT扫描图像；对获取的进行待检测的肺部CT扫描图像重采样、归一化以及对掩码进行膨胀操作处理；利用训练好的检测模型，对处理后的待检测的肺部CT扫描图像进行处理，获取检测结果；所述检测结果包括待检测的肺部CT扫描图像是否存在肺结节，以及肺结节的标定位置和区域大小；所述训练好的检测模型，为利用训练集训练得到；所述训练集包括多张肺部CT扫描图像，以及标注图像中肺结节位置和区域的标签。本发明实现了对肺结节区域的准确检测，提高了检测效率，保证了检测质量，提高了辅助医生进行疾病诊断的稳定性和效率。

技术领域

本发明涉及图像识别技术领域，具体涉及一种肺结节检测方法及系统。

背景技术

早期及时发现患者潜在的肺癌微小病灶并加以治疗，对于降低肺癌患者 的发病率和死亡率具有重要作用。在现阶段主要用低剂量计算机断层扫描 (Low dose CT，LDCT)来进行肺结节筛查，强化CT影像是医生通过直接观 察即可诊断肺癌的直接依据。CT影像中的肺结节种类、结构、大小、位置各 不相同，医生筛查切片难以处理和分析影像数据，更容易受医生主观性的影 响，同时强化CT影像的数量也在增加，给医生的工作带来了巨大挑战。

显然，仅依靠人类视觉系统观察和发现切片中微小病变肺结节极其困 难，必须借助计算机辅助系统(Computer-aided diagnosis,CAD)作为参考意 见来帮助医生进行诊断。

随着信息时代的发展，深度学习的应用越来越广泛，近年来肺结节自动 辅助检测系统的研究十分活跃，基于卷积神经网络(CNN)的计算机辅助诊 断系统已被证实具有识别肺结节的能力，可以自主的学习结节高级特征，帮 助医生进行临床诊断，无需人工对切片进行筛查。

现有的基于卷积神经网络的肺结节检测的方法，大多基于二维卷积神经 网络，虽然二维卷积网络在肺结节检测方面较比传统手工提取特征提高了 15％～20％，但强化CT图像实质是三维的，二维卷积神经网络不能很好的利用 CT的三维空间信息进行检测，3DCNN能很好的学习到强化CT三维重建后的 特征，但是目前所提出的三维卷积神经网络结构复杂，所用配置参数多，误 差率高。

发明内容

本发明的目的在于提供一种提高了肺结节自动检测精度的基于多尺度模 块的CT图像的肺结节检测方法及系统，以解决上述背景技术中存在的至少一 项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种肺结节检测方法，包括：

获取待检测的肺部CT扫描图像；

对获取的进行待检测的肺部CT扫描图像重采样、归一化以及对掩码进行 膨胀操作处理；

利用训练好的检测模型，对处理后的待检测的肺部CT扫描图像进行处 理，获取检测结果；所述检测结果包括待检测的肺部CT扫描图像是否存在肺 结节，以及肺结节的标定位置和区域大小；

所述训练好的检测模型，为利用训练集训练得到；所述训练集包括多张 肺部CT扫描图像，以及标注图像中肺结节位置和区域的标签。

优选的，训练所述检测模型包括：

对原始强化肺部CT扫描图像进行重采样、归一化以及对掩码进行膨胀操 作，提取肺部区域，并进行肺结节位置和区域的标注，得到训练集；

基于训练集对构建的基础网络进行训练，结合损失函数，使用SGD优化 算法，对基础网络参数进行优化，直至输出的预测值与真实值之间的差异最 小，得到训练好的检测模型。

优选的，构建基础网络，以3D Resnet18为基础，与U-Net编码器解码器相 结合，增加了多尺度特征提取模块，使用不同的卷积核获取不同范围的感受 野。