[发明专利]一种基于三维可变形transformer的肺结节检测方法

说明书

本发明提供了一种基于三维可变形transformer的肺结节检测方法,包括获取三维肺部CT数据集，对数据集进行预处理；构建基于三维可变形transformer的肺结节检测网络模型；裁剪预处理后的数据；以序列进行位置编码后输入到3D可变形transformer模块进行数据处理；引用3D RPN网络进行肺结节检测的分类和回归；使用验证集输入到已构建的网络模型中，输出肺结节检测结果。本发明采用三维卷积神经网络，使用3D卷积核学习结节立体特征，充分利用了CT序列的三维空间信息；针对肺结节检测这一典型的小目标检测问题，采用多尺度融合模块，充分挖掘上下文信息；采用了可变形transformer模块，提升了检测效果，其次与其他transformer结构相比，可变形transformer只关注采样点附近，提升了检测效率，且训练收敛速度更快。

技术领域

本发明涉及医学影像处理技术领域，具体而言，特别涉及一种基于三维可变形transformer的肺结节检测方法。

背景技术

研究表明，临床上新冠肺炎患者除了表现出发热和呼吸道症状外，在计算机断层扫描（Computed Tomography，CT）上还会体现为磨玻璃结节。因此，将医学影像技术引入COVID-19的检测筛查中，在很大程度上推动了患者以及疑似患者的确诊筛查和及时诊疗。然而，当前大量的医学影像通常需要放射科医生的人工处理和分析，从而导致工作量巨大，造成准确性和客观性等问题。

为了减轻医生的工作量并提升检测的可靠性，计算机辅助诊断（Computer-aideddiagnosis，CAD）系统被发明并广泛应用。传统的CAD通常使用手工提取特征的方法检测肺结节，很大程度受限于结节的形状。随着深度学习的发展，卷积神经网络（CNN）也被引入了医学影像处理领域。目前，主流的肺结节检测方法主要分为二维特征提取和三维特征提取。二维特征提取方法是将三维的CT数据依照二维的切片顺序，依次输入到二维的卷积神经网络。二维的方法取得了比传统方法更好的效果，但采用部分切片不能充分利用CT序列的三维空间信息。与二维特征提取相比，三维特征提取方法是利用三维数据进行三维卷积，使用三维卷积核学习结节的立体特征，大大提升了检测和分类的性能，但仍无法突破灵敏度低，假阳性高的问题。最近，transformer的引入在计算机视觉领域中取得了显著的成果，特别是在语义分割和目标检测任务的相关研究。Transformer模型中的自注意力机制可以根据输入动态地调整感受野，在长距离依赖的捕捉上优于卷积层。因此，在医学影像领域，transformer同样具有广阔的应用前景。

发明内容

为了弥补现有技术的不足，本发明提供了一种基于三维可变形transformer的肺结节检测方法。

本发明是通过如下技术方案实现的：一种基于三维可变形transformer的肺结节检测方法，具体包括以下步骤：

S1：获取三维肺部CT数据集，记作 ；对数据集进行预处理；

S2：构建基于三维可变形transformer的肺结节检测网络模型；

S3：裁剪预处理后的数据，将训练集以128x128x128的图像大小输入到3D编码器进行特征提取；

S4：融合多尺度特征图，以序列进行位置编码（position embedding）后输入到3D可变形transformer模块进行数据处理，输出序列记作；

S5：对序列进行重采样，生成特征图，引用3D RPN网络进行肺结节检测的分类和回归；

S6：使用验证集输入到已构建的网络模型中，输出肺结节检测结果。

作为优选方案，步骤S1中具体包括以下步骤：

S1-1：采用肺结节公开数据集LUNA16构成本发明的数据集；采用十折交叉验证法，即将数据集分成十份，轮流将其中9份作为训练数据，记作；1份作为测试数据，记作；

S1-2：使用数据集提供的掩码，提取肺的实质区域；按照HU值将原始数据裁剪至[-1200,600]，并进行线性归一化至[0,1]；