一种基于人工智能的肺结节识别方法及系统

本发明涉及人工智能领域，尤其是涉及到利用人工智能识别肺结节。

背景技术：

1、肺癌是全球最常见的恶性肿瘤之一，其发病率和死亡率仍然居高不下。早期发现和治疗肺癌对于提高生存率和改善患者预后至关重要。在肺癌的早期阶段，往往没有明显的症状，导致许多患者在发现时已经进入晚期，治疗难度大大增加。而肺结节的出现是肺癌的早期表现之一，对肺结节的筛查是早期发现肺癌的重要途径。肺结节筛查是通过影像学检查，如计算机断层扫描(ct)或x射线，检测患者肺部是否存在结节或异常病变。通过肺结节筛查，医生可以及早发现患者肺部的异常结节，并进一步评估其性质和可能性，以确定是否需要进行进一步的检查和治疗。

2、目前对肺结节的识别主要依靠医生识别，医生需要耗费大量时间和精力进行分析，因而可能会面临漏诊或误诊的风险。同时，人工判读存在主观性和个体差异，可能导致诊断结果的不一致性，影响患者的治疗效果。而且医生在辨识微小结节或对复杂病例的分析时也存在一定难度。特别是在早期肺癌中，病灶直径较小，形态较隐蔽，容易被忽视。此外，某些良性肺结节的特征与恶性结节相似，识别难度大。为了克服这些局限性，近年来，人工智能技术在肺结节识别中的应用引起了广泛关注。ai技术具有处理大量数据的优势，能够从复杂的医学影像中快速准确地提取特征，并辅助医生进行肺结节的检测和分类。深度学习模型，尤其是卷积神经网络(cnn)，在肺结节识别中表现出卓越的性能。通过训练这些ai模型，可以提高肺结节识别的准确率和敏感性，从而帮助医生更早地发现和诊断肺癌，提高治疗成功率和患者生存率。但是现有的基于人工智能的识别准确度不高，尤其是对于小的结节，会出现漏检或者错检的情况。

技术实现思路

1、为了解决上述问题，本发明提供了一种基于人工智能的肺结节识别方法，所述方法包括以下步骤：

2、获取拍摄的肺部ct图像序列，对于肺部ct图像序列中的每个图像进行预处理，将预处理后的图像作为预设模型的骨干网络的输入，得到骨干网络输出的张量，以及检测头的识别结果，根据所述识别结果确定所述张量中的目标向量，根据目标向量得到每个识别结果对应的类别权重；所述预设模型包括骨干网络和检测头；

3、获取每个图像对应的识别结果中边界框的中心坐标以及图像在所述肺部ct图像序列中的编号，根据所述中心坐标和所述编号对中心坐标进行聚类得到聚类的中心，以聚类的中心为中心截取所述肺部ct图像序列中多张预设大小的区域构成待识别图像块序列，并得到所述待识别图像块序列对应的累计类别权重；

4、将所述待识别图像块序列中的每个图像块作为一个patch，按照所述待识别图像块序列中图像块的顺序得到patch序列，将所述patch序列作为分类模型的输入得到分类概率，根据分类概率和所述累计类别权重得到分类结果，在所述肺部ct图像序列中标识分类结果。

5、优选地，所述根据所述识别结果确定所述张量中的目标向量，根据目标向量得到每个识别结果对应的类别权重，具体为：

6、获取识别结果中的边界框的中心坐标、宽与高，根据所述中心坐标、宽与高在所述张量中查找，得到目标向量；

7、获取目标向量中每个类别的概率值和每个边界框的置信度，根据公式计算得到每个识别结果对应的类别权重，其中n表示预测边界框的个数，b_ci表示第i个边界框的置信度，clj表示第j个类别的概率值，i、j为正整数。

8、优选地，所述根据所述中心坐标和所述编号对中心坐标进行聚类得到聚类的中心，具体为：

9、获取所述中心坐标(x,y)和所述编号k，得到一个三维坐标中的点(x,y,k)，根据公式对中心点进行聚类，其中m、n表示中心坐标的序号，k为肺部ct图像的比值尺，d为ct层间距。

10、优选地，所述以聚类的中心为中心截取所述肺部ct图像序列中多张预设大小的区域构成待识别图像块序列，并得到所述待识别图像块序列对应的累计类别权重，具体为：

11、以聚类的中心为中心构建一个长宽高为l、w、h的立方体，保留肺部ct图像序列中在所述立方体中的图像块，按照图像块所在的肺部ct图像的序号对图像块排列得到待识别图像块序列；

12、获取聚类中包括的中心坐标，每个中心坐标对应一个识别结果，进而获取每个识别结果的类别权重，将类别权重中相同类别对应的权重相加得到所述待识别图像块序列的累计类别权重。

13、优选地，所述根据分类概率和所述累计类别权重得到分类结果，具体为：

14、根据公式pi＝k1*classi+k2*weighti计算每个类别的概率，选取概率最大的类别作为分类结果；其中i为正整数，且1≤i≤i,i表示类别数；classi表示第i个类别的分类概率；weighti表示第i个类别的累计类别权重；k1、k2表示权重。

15、优选地，所述预设模型为yolov1模型；所述分类模型为vit模型。

16、在另外一个实施例中，本发明提供了一种基于人工智能的肺结节识别系统，所述系统包括以下模块：

17、第一识别模块，用于获取拍摄的肺部ct图像序列，对于肺部ct图像序列中的每个图像进行预处理，将预处理后的图像作为预设模型的骨干网络的输入，得到骨干网络输出的张量，以及检测头的识别结果，根据所述识别结果确定所述张量中的目标向量，根据目标向量得到每个识别结果对应的类别权重；所述预设模型包括骨干网络和检测头；

18、处理模块，用于获取每个图像对应的识别结果中边界框的中心坐标以及图像在所述肺部ct图像序列中的编号，根据所述中心坐标和所述编号对中心坐标进行聚类得到聚类的中心，以聚类的中心为中心截取所述肺部ct图像序列中多张预设大小的区域构成待识别图像块序列，并得到所述待识别图像块序列对应的累计类别权重；

19、第二识别模块，用于将所述待识别图像块序列中的每个图像块作为一个patch，按照所述待识别图像块序列中图像块的顺序得到patch序列，将所述patch序列作为分类模型的输入得到分类概率，根据分类概率和所述累计类别权重得到分类结果，在所述肺部ct图像序列中标识分类结果。

20、优选地，所述根据所述识别结果确定所述张量中的目标向量，根据目标向量得到每个识别结果对应的类别权重，具体为：

21、获取识别结果中的边界框的中心坐标、宽与高，根据所述中心坐标、宽与高在所述张量中查找，得到目标向量；

22、获取目标向量中每个类别的概率值和每个边界框的置信度，根据公式计算得到每个识别结果对应的类别权重，其中n表示预测边界框的个数，b_ci表示第i个边界框的置信度，clj表示第j个类别的概率值，i、j为正整数。

23、优选地，所述根据所述中心坐标和所述编号对中心坐标进行聚类得到聚类的中心，具体为：

24、获取所述中心坐标(x,y)和所述编号k，得到一个三维坐标中的点(x,y,k)，根据公式对中心点进行聚类，其中m、n表示中心坐标的序号，k为肺部ct图像的比值尺，d为ct层间距。

25、优选地，所述以聚类的中心为中心截取所述肺部ct图像序列中多张预设大小的区域构成待识别图像块序列，并得到所述待识别图像块序列对应的累计类别权重，具体为：

26、以聚类的中心为中心构建一个长宽高为l、w、h的立方体，保留肺部ct图像序列中在所述立方体中的图像块，按照图像块所在的肺部ct图像的序号对图像块排列得到待识别图像块序列；

27、获取聚类中包括的中心坐标，每个中心坐标对应一个识别结果，进而获取每个识别结果的类别权重，将类别权重中相同类别对应的权重相加得到所述待识别图像块序列的累计类别权重。

28、优选地，所述根据分类概率和所述累计类别权重得到分类结果，具体为：

29、根据公式pi＝k1*classi+k2*weighti计算每个类别的概率，选取概率最大的类别作为分类结果；其中i为正整数，且1≤i≤i,i表示类别数；classi表示第i个类别的分类概率；weighti表示第i个类别的累计类别权重；k1、k2表示权重。

30、优选地，所述预设模型为yolov1模型；所述分类模型为vit模型。

31、此外，本发明还提供了一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。

32、本发明采用了双重识别的方式对肺结节识别，其中第一次识别是根据单个ct图像，第二次识别是根据第一次识别结果抽取出每个肺结节的三维空间信息，本发明不仅能识别小的肺结节，而且有效提高了识别准确率，对于难易识别或者难易分类的肺结节也有较好的识别率。而且对应微小的肺结节一旦在单个ct图像中识别，就会进一步在第二次从空间上进一步识别，防止了选取单个ct图像识别肺结节时存在的漏检。