[发明专利]非小细胞肺癌检测方法、装置、计算机设备和存储介质

说明书

本申请涉及一种非小细胞肺癌检测方法、装置、计算机设备和存储介质。该方法包括获取包含肺部CT影像的数据集，对所述数据集中肺部CT图进行预处理，提取实质检测的肺部组织；通过2D卷积神经网络逐片检测所述肺部组织，提取感兴趣区域，对非小细胞肺癌进行定位，并输出可疑目标的位置信息后进行切割成块；通过3D网络对输出的切块进行筛选，去除所述非小细胞肺癌中的假阳性切块，筛选出真实的肺结节块；通过3D网络对分类后的所述肺结节块进行语义级分割，显示处理后检测的肺结节位置、大小、形状信息，完成所述非小细胞肺癌的检测。通过该方法的对非小细胞肺癌检测显著提高检测的准确率和检测效率。

技术领域

本申请涉及医学诊断领域，特别是涉及一种非小细胞肺癌检测方法、装置、计算机设备和存储介质。

背景技术

随着吸烟和食用高热量食物人数的增加，肺癌已成为目前世界上头号致死的恶性肿瘤之一。提高肺癌的生存时间和治愈率最好的方式是按时体检，及早检测，其中肺癌的早中期主要表现形式为肺结节。为了缓解医师诊断压力，计算机辅助诊断系统(CAD)近些年被广泛应用于肺癌的检测。

但是，如今基于深度学习的算法还存在一些问题。例如，肺癌(肺结节)的尺寸多样，大多数尺寸较小，难样本问题对于网络模型的训练往往是困难的。此外，肺结节在三维空间上有丰富的信息。若忽略空间信息，则会大大降低检测的准确率；若使用三维卷积利用其三维信息，显存和时间复杂度等急剧增加的问题让人难以承受；而且肺部存在大量干扰区域，例如肺部组织、血管等与肺结节有较高的相似度。

发明内容

基于此，有必要针对上述技术问题，提供一种能够快速检测出异常使用权限的非小细胞肺癌检测方法、装置、计算机设备和存储介质。

第一方面，本发明实施例公开了一种非小细胞肺癌检测方法，包括以下步骤：

获取包含肺部CT影像的数据集，对所述数据集中肺部CT图进行预处理，提取实质检测的肺部组织；

通过2D卷积神经网络逐片检测所述肺部组织，提取感兴趣区域，对非小细胞肺癌进行定位，并输出可疑目标的位置信息后进行切割成块；

通过3D-InResNet网络对输出的切块进行筛选，去除所述非小细胞肺癌中的假阳性切块，筛选出真实的肺结节块；

通过3D-BIRUNet网络对分类后的所述肺结节块进行语义级分割，显示处理后检测的肺结节位置、大小、形状信息，完成所述非小细胞肺癌的检测。

进一步的，所述获取包含肺部CT影像的数据集，对所述数据集中肺部CT图进行预处理，提取实质检测的肺部组织，包括：

将载入的CT数据转换为Houns-field单位，所述Houns-field用来描述放射性密度的标准定量；

将肺部CT图Houns-field值范围控制在[-1000,400]，处理过亮和过暗的点，使用min-max归一化图像，并进行二值化和取反操作，

进行弥补肺区域中的小漏洞的闭运算，并再次取反后进行空洞填充，通过掩膜相减后删除区域中床板的无关组织。

进一步的，所述通过2D卷积神经网络逐片检测所述肺部组织，提取感兴趣区域，对非小细胞肺癌进行定位，并输出可疑目标的位置信息后进行切割成块，包括：

通过将图像进行水平翻转、旋转和水平移动扩充预处理后的数据集，避免训练过程中的过拟合；

将每张CT切片作为独立的图像经过预处理后输入至所述2D卷积神经网络进行训练；

利用Yolov5目标检测网络对所述肺部组织进行粗定位，定位网络根据图像特征对可疑非小细胞肺癌作出定位预测。