[发明专利]基于数据增强及CA-YOLO-V4的肺CAD系统

说明书

本发明公开了一种基于数据增强及CA‑YOLO‑V4的肺CAD系统。在采集LUNA16肺部图像数据集并进行预处理，使用CT‑GAN生成带标注的肺结节数据，扩充数据集，并将生成数据与LUNA16数据一起送至检测网络；通过引入CA机制，辅助检测网络捕获肺结节在下采样过程中丢失的特征信息及位置信息，提升对感兴趣区域的定位能力，得出肺结节检测结果。本发明将数据增强技术与检测网络结合，丰富了数据集的特征多样性，提升后续检测模型的精度；通过将CA机制引入YOLO‑V4检测框架，构造CA‑YOLO‑V4肺CAD系统，与数据增强结合后用于肺结节检测，提高检测精度，在一定程度上减少结节的漏检。

技术领域

本发明涉及医学图像处理领域，具体涉及一种针对带标注数据稀缺的情况下基于生成式对抗网络（Generative Adversarial Networks, GAN）的数据增强及基于注意力机制的YOLO-V4检测框架的肺计算机辅助检测（Computer Aided Detection, CAD）系统，特别适用于肺结节检测。在进行肺结节检测之前，为提高检测准确度，采用生成式对抗网络生成带标注的数据，并插入注意力机制捕捉肺结节的特征信息，进而提升YOLO-V4对肺结节的检测能力。

背景技术

肺癌发病率和致死率在我国所有癌症中均居第一。肺癌早期病灶在计算机断层扫描成像(Computed Tomography, CT)上的表现形式为结节，是直径小于30mm的圆形或类圆形致密影。目前，肺癌患者5年生存率仍不超过20%。肺癌的早诊早治是提高患者5年生存率的关键。因此，尽早发现肺结节可以有效地提高肺癌患者的生存率，避免错过最佳治疗机会。

近年来，深度学习的成功可以归功于海量的训练数据。但与自然图像不同，包括肺结节在内的医学图像数据较少，带标注的数据成本较高，因此需要利用有效的数据增强获得更好的效果。而GAN则是目前较为优秀的数据增强方法之一。

CT产生的海量影像数据为放射科医生带来的巨大的阅片压力，并且不同年资的医生会在人工检测时导致漏检及误检的情况。目前，深度学习技术在肺CAD系统中得到了广泛的应用，主要包括肺结节的检测、识别、分割等。其中肺结节的检测是肺CAD系统的关键步骤，检测的结果可以为医生提供第三方检测辅助意见，降低漏检和误检的可能性。

现有GAN技术存在着生成数据质量不佳的问题，从而生成数据与真实数据质量差距过大，无法明显提升检测模型的学习能力。现有检测技术存在着带标注的数据不足、在下采样过程中丢失肺结节的特征信息、无法捕捉位置特征等问题，从而导致肺结节检测精度不高。

发明内容

为了解决现有技术的问题，本发明基于CT影像的生成式对抗网络（CT-GAN）技术、在YOLO-V4中引入坐标注意力（Coordinate Attention, CA）机制，分别充分发挥两项技术的优势，提供了一种基于数据增强及CA-YOLO-V4检测框架的肺CAD系统方法。

所述技术A（CT-GAN）方案如下：

步骤1. 采集肺部CT图像，来源于公开数据集LUNA16；

步骤2. 根据结节的标注信息对结节进行定位、裁剪；

步骤3. 使用掩膜填充肺结节位置，将其覆盖，然后输入网络，训练后得到模型；

步骤4. 读取模型，在肺CT图像上生成肺结节，最后整合写入文件并保存标注。

所述技术B（CA-YOLO-V4）方案如下：

步骤1. 采集肺部CT图像，来源于公开数据集LUNA16及CT-GAN生成的肺结节数据；

步骤2. 对数据进行预处理，然后进行肺实质分割；

步骤3. 数据经过骨干网络CSPDarknet53及CA机制进行特征提取；