基于transform注意力机制的肺结节检测方法及装置制造方法及图纸

本发明专利技术涉及一种基于transform注意力机制的肺结节检测方法及装置，所述方法包括以下步骤：获取3D肺部图像，对所述3D肺部图像进行预处理；构建Transformer自注意力机制的肺结节检测模型；输入所述3D肺部图像至训练和测试后的所述肺结节检测模型；利用所述肺结节检测模型对所述3D肺部图像进行结节检测，输出肺结节候选区域；消除所述肺结节候选区域的非结节区域，得到肺结节检测结果；本发明专利技术实现对肺部图像的肺结节自动检测，灵敏度高，准确性强，效率高。高。高。

【技术实现步骤摘要】
基于transform注意力机制的肺结节检测方法及装置


[0001]本专利技术涉及医学图像处理
，更具体地说，涉及一种基于transform注意力机制的肺结节检测方法及装置。

技术介绍

[0002]肺癌是癌症死亡的主要原因，因此早期发现和治疗至关重要。判断肺部是否存在肺结节是判定癌症的一项有力指标。目前，可以借助胸部薄层(thin－section，CT)图像，判断是否存在肺结节，这大大增加了医生的工作量。为减轻医生的负担，实现对CT图像中肺结节的自动识别已成为非常关键的技术，目前的肺结节检测技术中，基于卷积神经网络(ConvolutionalNeuralNetwork，CNN)识别CT图像中的肺结节，但是由于肺结节的变化多样，有各种大小，各种形状，并且CT图像中存在很多容易跟肺结节混淆的物体，导致检测灵敏度不高且检测的结果中的假阳性较高。

技术实现思路

[0003]本专利技术的目的在于提出一种基于transform注意力机制的肺结节检测方法及装置，以解决现有技术中肺部图像的肺结节自动识别的灵敏度不高，检测结果不准确的问题。
[0004]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0005]在第一方面，本申请实施例提供了一种基于transform注意力机制的肺结节检测方法，所述方法包括以下步骤：
[0006]获取3D肺部图像，对所述3D肺部图像进行预处理；
[0007]构建Transformer自注意力机制的肺结节检测模型；
[0008]输入所述3D肺部图像至训练和测试后的所述肺结节检测模型；
[0009]利用所述肺结节检测模型对所述3D肺部图像进行结节检测，输出肺结节候选区域；
[0010]消除所述肺结节候选区域的非结节区域，得到肺结节检测结果。
[0011]在其中一些实施例中，所述构建Transformer自注意力机制的肺结节检测模型之前，还包括：
[0012]获取原始数据集，并对所述原始数据集进行预处理；
[0013]利用预处理后的原始数据集对肺结节检测模型进行训练和测试。
[0014]在其中一些实施例中，所述预处理包括：数据清洗、图像翻转、颜色变换、去均值、归一化、标准化中的至少一种。
[0015]在其中一些实施例中，所述对所述3D肺部图像进行预处理，包括：
[0016]对所述3D肺部图像进行灰度化处理，得到灰度图像。
[0017]在其中一些实施例中，所述利用所述肺结节检测模型对所述3D肺部图像进行结节检测，输出肺结节候选区域，包括：
[0018]对所述灰度图像进行堆叠，其中，将连续层叠的M层所述灰度图像按照预设策略堆
叠生成一层紧凑图像；M的取值为正整数；
[0019]将所述紧凑图像、所述紧凑图像中存在的实际肺结节的标注，输入到所述候选生成器，进行收敛训练，输出候选区域与对候选区域的判断，分别为背景区域、肺结节候选区域和假阳性候选区域；其中，所述标注包括肺结节的位置和直径；
[0020]将所述候选生成器输出的肺结节候选区域与所述标注对比，分出肺结节候选区域与假阳性候选区域，得到肺结节候选区域并输出。
[0021]在其中一些实施例中，所述消除所述肺结节候选区域的非结节区域，得到肺结节检测结果，包括：
[0022]提取所述肺结节候选区域中候选结节的3D特征；
[0023]以候选结节的中心为球心，产生有序均匀视点；
[0024]确定对所述候选结节中心且与视线垂直的平面上的图像作为所述视点的2D再生图像；
[0025]对每个所述2D再生图像，使用基于区域的活动轮廓模型对所述候选结节进行分割；
[0026]计算各分割区域图像的2D特征；
[0027]使用所述2D特征和所述3D特征对候选结节进行分类，区分候选结节为肺结节或假阳性结节；
[0028]消除假阳性结节区域，输出肺结节检测结果。
[0029]在第二方面，本申请实施例提供了一种基于transform注意力机制的肺结节检测装置，包括：
[0030]图像处理模块，用于获取3D肺部图像，对所述3D肺部图像进行预处理；
[0031]模型构建模块，用于构建Transformer自注意力机制的肺结节检测模型；
[0032]图像检测模块，用于输入所述3D肺部图像至训练和测试后的所述肺结节检测模型；
[0033]结节检测模块，用于利用所述肺结节检测模型对所述3D肺部图像进行结节检测，输出肺结节候选区域；
[0034]结果生成模块，消除所述肺结节候选区域的非结节区域，得到肺结节检测结果。
[0035]在第三方面，本申请实施例提供了一种计算机设备，包括存储器以及一个或多个处理器；
[0036]所述存储器，用于存储一个或多个程序；
[0037]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的基于transform注意力机制的肺结节检测方法。
[0038]在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于transform注意力机制的肺结节检测方法。
[0039]本专利技术的有益效果是：本专利技术获取3D肺部图像，对所述3D肺部图像进行预处理；构建Transformer自注意力机制的肺结节检测模型；输入所述3D肺部图像至训练和测试后的所述肺结节检测模型；利用所述肺结节检测模型对所述3D肺部图像进行结节检测，输出肺结节候选区域；消除所述肺结节候选区域的非结节区域，得到肺结节检测结果；实现对肺部
图像的肺结节自动检测，灵敏度高，准确性强，效率高。
附图说明
[0040]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0041]图1是一种基于transform注意力机制的肺结节检测方法的步骤示意图；
[0042]图2是一种基于transform注意力机制的肺结节检测方法的步骤400的具体示意图；
[0043]图3是一种基于transform注意力机制的肺结节检测装置的结构示意图；
[0044]图4是一种基于transform注意力机制的肺结节检测方法的计算机设备示意图。
具体实施方式
[0045]下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
[0046]请参照图1，示出了本专利技术的一种基于transform注意力机制的肺结节检测方法，所述方法包括以下步骤：
[0047]100、获取3D肺部图像，对所述3D肺部图像进行预处理；
[0048]具体的，对所述3D肺部图像进行灰度化处理，得到灰度图像。可以理解的是，对图像进行灰度处理的方式有多种，本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于transform注意力机制的肺结节检测方法，其特征在于：所述方法包括以下步骤：获取3D肺部图像，对所述3D肺部图像进行预处理；构建Transformer自注意力机制的肺结节检测模型；输入所述3D肺部图像至训练和测试后的所述肺结节检测模型；利用所述肺结节检测模型对所述3D肺部图像进行结节检测，输出肺结节候选区域；消除所述肺结节候选区域的非结节区域，得到肺结节检测结果。2.根据权利要求1所述的一种基于transform注意力机制的肺结节检测方法，其特征在于：所述构建Transformer自注意力机制的肺结节检测模型之前，还包括：获取原始数据集，并对所述原始数据集进行预处理；利用预处理后的原始数据集对肺结节检测模型进行训练和测试。3.根据权利要求2所述的一种基于transform注意力机制的肺结节检测方法，其特征在于：所述预处理包括：数据清洗、图像翻转、颜色变换、去均值、归一化、标准化中的至少一种。4.根据权利要求1所述的一种基于transform注意力机制的肺结节检测方法，其特征在于：所述对所述3D肺部图像进行预处理，包括：对所述3D肺部图像进行灰度化处理，得到灰度图像。5.根据权利要求4所述的一种基于transform注意力机制的肺结节检测方法，其特征在于：所述利用所述肺结节检测模型对所述3D肺部图像进行结节检测，输出肺结节候选区域，包括：对所述灰度图像进行堆叠，其中，将连续层叠的M层所述灰度图像按照预设策略堆叠生成一层紧凑图像；M的取值为正整数；将所述紧凑图像、所述紧凑图像中存在的实际肺结节的标注，输入到所述候选生成器，进行收敛训练，输出候选区域与对候选区域的判断，分别为背景区域、肺结节候选区域和假阳性候选区域；其中，所述标注包括肺结节的位置和直径；将所述候选生成器输出的肺结节候选区域与所述标注对比，分出肺结节候选区域与假...

【专利技术属性】
技术研发人员：邵立伟，黄德皇，陈庆武，马力，王艳芳，
申请(专利权)人：中山市北京理工大学研究院，
类型：发明
国别省市：