一种用于肺结节假阳性删减的方法、设备及存储介质

本发明属于医学图像处理，具体涉及一种用于肺结节假阳性删减的方法、设备及存储介质。

背景技术：

1、肺癌是全球范围内最常见的癌症之一，每年造成数百万人死亡。早期发现和治疗肺癌是提高肺癌生存率和减少死亡率的关键。传统肺癌筛查方法包括x射线、磁共振成像和ct（computed tomography，即电子计算机断层扫描）扫描等，但这些基于人工判读的方法存在诊断准确性低、辐射剂量高和成本昂贵等问题。因此，许多研究人员开始探索利用深度学习技术进行肺癌筛查和肺结节检测的方法。但是受制于技术条件和影像质量，结节检测精度往往很难满足要求，为了避免结节漏检，就需要推荐相对较多的候选结节，但这也带来了更多假阳性结节的干扰。如果肺结节检测系统误将非结节性病变或伪影识别为肺结节，可能会导致医生给予患者不必要的治疗或手术，从而降低肺癌的治疗成功率和生存率。此外，误诊的结果还可能导致患者产生心理负担和经济负担，影响其生活质量和经济状况。

2、在当前基于深度学习的假阳结节删减方法中，可以分为二维和三维两类。二维的假阳性删减方法基于候选结节的单张影像进行分类，这种方法很难从单个平面的影像上将结节和其他一些被错误识别为结节的血管、气管等影像准确区分开。三维的假阳性删减方法使用同一候选结节的多张影像，虽然可以提取到候选结节的更多空间特征，但是三维深度学习模型的参数量大，需要更多的计算成本。

技术实现思路

1、本发明提供了一种用于肺结节假阳性删减的方法、设备及存储介质，利用候选肺结节在多张电子计算机断层扫描ct图像上的空间信息提取更有利于肺结节分类（真结节/假阳结节）的影像特征，以训练肺结节假阳性删减网络模型，实现对候选结节图像的准确分类，提升肺结节假阳性删减性能。

2、一方面，本发明提供了一种用于肺结节假阳性删减的方法，具体包括下列步骤：

3、步骤1，获取ct扫描数据和肺结节类别的人工标注信息，所述肺结节类别包括两类：真结节和假阳结节；

4、步骤2，对ct扫描数据和肺结节类别的人工标注信息进行数据预处理，得到ct图像以及对应的肺结节类别标签；

5、步骤3，基于深度学习的图像检测方法对各ct图像进行肺结节检测处理，得到若干个肺结节检测结果，所述肺结节检测结果包括检测框、肺结节类别和置信度分数；

6、通过调整每张ct图像的置信度阈值，控制同一患者的每张ct图像的候选结节的推荐数量相同；基于置信度阈值从每张ct图像的多个肺结节检测结果中提取出指定数量的候选结节，通过卡尔曼滤波追踪方法融合同一患者在多张ct图像上的同一候选结节的肺结节检测结果，得到融合结果；

7、步骤4，采用最大密度投影法（maximum intensity projection，mip）将每个融合结果所对应的候选结节的检测框的图像区域投影到同一张图像上，得到包含多张图像空间信息的候选结节切片图像，并基于融合结果设置各候选结节切片图像的肺结节类别标签；

8、基于候选结节切片图像和其肺结节类别标签构建肺结节假阳性删减数据集；

9、步骤5，基于肺结节假阳性删减数据集训练肺结节假阳性删减网络模型，得到训练好的肺结节假阳性删减网络模型，用于对输入的目标对象的候选结节切片图像集进行肺结节分类预测，基于分类预测结果删减候选结节切片图像集中的假阳性候选结节切片图像并输出目标对象的最终候选结节切片图像集。

10、进一步的，步骤3中，通过卡尔曼滤波追踪方法融合多张ct图像上的同一候选结节的肺结节类别检测结果，得到融合结果具体包括：

11、定义n表示同一患者的ct图像数量；

12、对当前患者，随机选取n张ct图像中的一张ct图像上的一个候选结节初始化一个卡尔曼滤波追踪器，得到追踪器tj，并基于当前选取的候选结节的肺结节检测结果初始化追踪器tj的最优估计结果，所述最优估计结果包括检测框、肺结节类别和置信度分数，下标j表示追踪器编号；

13、基于当前追踪器tj对各ct图像进行候选结节追踪处理：

14、依次遍历同一患者的n张ct图像中的每一个候选结节，对当前ct图像，基于追踪器tj的最优估计结果获取追踪器tj在当前ct图像中的候选结节的预测结果；并计算当前ct图像中的每个候选结节的检测框与当前追踪器tj的最优估计结果的检测框的中心距离，若该中心距离小于预设的距离阈值，则表示当前候选结节为追踪器tj在当前ct图像上的匹配候选结节并记录该匹配候选结节；

15、基于当前ct图像中的匹配候选结节更新追踪器tj：基于追踪器tj的预测结果和匹配候选结节的肺结节检测结果的加权更新追踪器tj的最优估计结果；再基于更新后的追踪器tj继续对下一张ct图像进行候选结节追踪处理；

16、若当前ct图像中的各候选结节的检测框与当前追踪器tj的最优估计结果的检测框的中心距离均大于或等于所述距离阈值，则从非匹配候选结节中随机选取一个重新初始化一个新的追踪器tj+1，基于该新的追踪器tj+1对各ct图像进行候选结节追踪处理，直到不存在非匹配候选结节；

17、基于对每个追踪器的最终的最优估计结果得到每个追踪器的融合结果。

18、进一步的，步骤5中，所述肺结节假阳性删减网络模型为基于二维残差卷积神经网络模型。

19、进一步的，步骤5中，所述肺结节假阳性删减网络模型的网络结构依次包括：卷积层、最大池化层、若干个由残差模块堆叠的残差堆叠模块、平均池化层和至少一层的全连接层。

20、进一步的，所述肺结节假阳性删减网络模型的残差模块依次包括：1×1的卷积层、3×3的卷积层和1×1的卷积层，且残差模块的输入与第二个1×1的卷积层的之间为跳跃连接。

21、进一步的，步骤5中，训练肺结节假阳性删减网络模型时采用的损失函数为交叉熵损失。

22、另一方面，本发明提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现上述所述的本发明提供的一种用于肺结节假阳性删减的方法。

23、另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现上述所述的本发明提供的一种用于肺结节假阳性删减的方法。

24、本发明提供的技术方案至少带来如下有益效果：

25、本发明根据ct扫描中的影像特点，即同一肺结节的影像会分布在多张ct图像中，且影像明亮度呈现由暗到亮，再由亮到暗的变化特征，且相较于血管、支气管的影像，肺结节在连续ct图像中的位置相对不变，再采用卡尔曼滤波追踪方法，对检测得到的多个进行追踪融合，同时使用最大密度投影法将融合裁剪后的候选结节切片投影至同一张2维图像，充分利用了候选结节在多ct图像中分布的空间信息，从图像处理的角度增加了真假结节的对比差异；最后使用2维残差卷积神经网络模型对处理后的候选结节切片进行分类预测，在不增加参数量的前提下，提高假阳性删减的准确度。