申请/专利权人：中国人民解放军陆军军医大学第一附属医院;重庆知见生命科技有限公司;北京知见生命科技有限公司;任菲

申请日：2021-11-03

公开（公告）日：2024-04-12

公开（公告）号：CN115082909B

主分类号：G06V20/60

分类号：G06V20/60;G06V20/70;G06V10/764;G06V10/80;G06V10/82;G06V10/40;G06N3/045;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.10.11#实质审查的生效;2022.09.20#公开

摘要：本发明提出一种肺部病变识别方法及系统。通过目标检测和实例分割算法对肺部医学影像中的磨玻璃区域和支气管伴扩张区域进行检测，从而用于肺部病变的识别。本方法使用多尺度多深度的卷积神经网络结构提取肺部医学影像的基础视觉特征，通过特征金字塔网络来融合不同尺度和深度的特征。通过病变候选区域识别网络来提取可能是目标的区域的特征，同时过滤掉无用的背景信息。然后将提取出的目标区域特征通过分类头网络，检测头网络以及分割头网络得到检测分割的结果，最后通过非极大值抑制后处理得到最终预测结果。整体网络结构采用端到端的多任务模型，使得网络可以有效的学习医学影像的特征信息，增强算法的鲁棒性和泛化能力。

主权项：1.一种肺部病变识别方法，其特征在于，包括：步骤1、构建包括卷积神经网络、特征金字塔网络、病变候选区提取网络和联合识别网络的病变识别模型，其中该联合识别网络包括分类头网络、检测头网络和分割头网络三个网络；获取肺部医学影像作为训练数据，且该训练数据已标注病变区域和病变类别；步骤2、通过该卷积神经网络提取该训练数据多尺度的影像特征；该特征金字塔网络对该影像特征中相邻特征进行上采样和求和，融合不同尺度深度的特征，得到增强特征；将该增强特征输入该病变候选区提取网络，得到该增强特征中所有包含病变的候选区域特征；步骤3、将所有该候选区域特征输入该联合识别网络中，得到该训练数据的病变类别和病变区域，并结合该训练数据已标注的病变区域和病变类别构建损失函数，通过该损失函数迭代训练该病变识别模型，直到该损失函数收敛或达到预设迭代次数，使用当前病变识别模型识别得到指定肺部医学影像的病变区域；其中该步骤3包括：通过该联合识别网络中分类头、检测头和分割头网络分别执行对应的分类、坐标框回归和语义分割任务，得到肺部医学影像中磨玻璃和伴支气管扩张区域识别结果；且在训练时通过同时优化该分类头、该检测头和该分割头各自对应的损失函数，联合训练该联合识别网络。

全文数据：

权利要求：

百度查询： 中国人民解放军陆军军医大学第一附属医院;重庆知见生命科技有限公司;北京知见生命科技有限公司;任菲 一种肺部病变识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD