[发明专利]基于3D-Vnet和3D-resNet的CT图像肺结节检测方法及系统

权利要求书

1.一种基于视觉Transformer的3D-Vnet和3D-resNet的CT图像肺结节检测方法，其特征在于，所述方法包括如下步骤：

步骤1、构建基于视觉Transformer的3D-Vnet分割网络和3D-resNet分类网络；

步骤2、输入原始肺部CT图像；

步骤3、对获得的肺部CT图像进行预处理；

步骤4、利用基于视觉Transformer的3D-Vnet分割网络对候选结节进行分割，区分阳性结节和阴性结节；

步骤5、利用3D-resNet分类网络对步骤4中分割出的阳性结节进行结节精检测，剔除其中的假阳性结节；

步骤6、确定最终的肺结节区域，对结节区域进行可视化，获得最终的肺部CT影像。

2.如权利要求1所述的检测方法，其特征在于，步骤3中，所述预处理包括对CT影像分辨率重采样、图像形态学处理提取肺部、根据标签提取肺部Cubes；所述标签是指数据集中给定的关于肺结节信息的CSV文件，所述文件中详细标明了结节所在的位置坐标。

3.如权利要求2所述的检测方法，其特征在于，所述形态学处理包括图像二值化、清除图像边界、连通区域标记、删除小块区域、腐蚀操作将结节和血管剥离、闭运算操作保留贴近肺壁的结节、将肺区残余小孔区域填充、将二值化图像叠加到输入图像上。

4.如权利要求1所述的检测方法，其特征在于，步骤1中，所述网络模型的构建方法包括如下步骤：

步骤(1)、构建训练所需的数据集：通过对原始肺部CT影像数据的预处理，依据任务和标签的不同裁剪原始肺部CT图像获得分割数据集与分类数据集，并对分类数据集中正负样本极度不均衡的数据进行数据增强处理；

步骤(2)、使用步骤(1)中的分割数据集训练基于视觉Transformer的3D-Vnet分割网络，得到训练完成之后的肺结节分割网络，用于分割出阳性候选结节；所述阳性候选结节包括真阳性和假阳性结节；

步骤(3)、使用步骤(1)中的分类数据集训练3D-resNet分类网络，得到训练完成之后的结节精检测分类网络，用于对阳性候选结节进行精检测，剔除假阳性。

5.如权利要求4所述的检测方法，其特征在于，所述步骤(1)中，训练所需的数据集是由以肺结节为中心的区域进行切割获得的Cubes组成，依据任务和标签的不同分为分割数据集与分类数据集；对分割数据集的图像以记标签的方式分为有结节的正样本和无结节的负样本；并对分类数据集中所有正样本进行数据增强；所述数据增强方法包括平移、旋转、缩放、翻转、镜像。

6.如权利要求4所述的检测方法，其特征在于，所述步骤(2)中，所述分割网络，由编码器Encoder和解码器Decoder组成，相比于2D网络模型，兼顾抽象语义和底层特征，在不同分辨率的特征上检测对应尺度的目标；所述分割网络包含视觉3D Transformer，所述视觉3DTransformer模块位于3D-Vnet的编码器部分最后一层，从多个维度添加了注意力机制，解决了网络无法建模远程上下文交互和空间依赖性的问题。

7.如权利要求6所述的检测方法，其特征在于，所述视觉3D Transformer模块的结构包括多头自注意力机制、多层感知机、线性投影、逐层正则化。

8.如权利要求4所述的检测方法，其特征在于，所述步骤(3)中，使用3D的resNet-50作为Backbone，使用步骤(1)中准备好的分类数据集进行训练，损失函数使用Focal Loss，评价指标为Precision和Recall，训练直至网络收敛。

9.一种实现如权利要求1-8之任一项所述方法的系统，其特征在于，所述系统包括数据输入模块、数据预处理模块、神经网络模型模块、遗传规划算法参数优化模块、图像输出模块。

10.如权利要求9所述的系统，其特征在于，所述数据输入模块用于将原始CT图像输入到数据预处理模块中；

所述数据预处理模块用于对输入的CT图像进行形态学和重采样处理，输出给神经网络模型模块；

所述神经网络模型模块用于对输入的CT图像进行结节判断和精检测；

所述遗传规划算法参数优化模块用于神经网络模型模块的超参数选择与优化；

所述图像输出模块用于输出可视化的结节区域图像。