(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210624924.3 (22)申请日 2022.06.02 (71)申请人 大连东软信息学院 地址 116000 辽宁省大连市甘井 子区软件 园路8号 (72)发明人 李迎秋　严凤龙　周慧　 (74)专利代理 机构 大连至诚专利代理事务所 (特殊普通 合伙) 21242 专利代理师 王丹　陈义华 (51)Int.Cl. G06V 10/50(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进训练网络的CT图像病变识别 方法 (57)摘要 本发明公开了一种基于改进训练网络的CT 图像病变识别方法， 包括， 获取CT图像， 对CT图像 进行直方图均衡化处理； 采用基于病变目标形状 相似度的聚类方法生成初始锚点框； 构建深度卷 积神经网络模型， 在深度卷积神经网络模型的 RPN中嵌入特征金字塔及注意力模块， 并将处理 后的CT图像放入深度卷积神经网络模型中， 生成 特征映射空间； 以生成的初始锚点框为基础， 采 用滑窗机制在特征映射空间中生 成新的候选框， 对候选框进行分类与回归训练， 候选框用于病变 目标检测。 本发明解决了因网络复杂、 候选框质 量差造成的算法效率和检测质量低的问题， 具有 较好的准确性。 权利要求书2页 说明书7页 附图1页 CN 115019065 A 2022.09.06 CN 115019065 A 1.一种基于改进训练网络的CT图像病变识别方法， 其特 征在于， 包括， 获取CT图像， 对CT图像进行直方图均衡化处 理； 采用基于病变目标 形状相似度的聚类方法生成初始锚点框； 构建深度卷积神经网络模型， 在所述深度卷积神经网络模型的RPN中嵌入特征金字塔 FPN及注意力模块CBAM， 并将处理后的CT图像放入 所述深度卷积神经网络模 型中， 生成特征 映射空间； 以CT图像的每个像素点为中心， 以初始锚点框为固定范围在特征映射空间进行窗口滑 动， 生成新的候选框， 在深度卷积神经网络模型的全连接层对候选框进 行分类与回归训练， 所述候选框用于病变目标检测， 在所述模型 的分类层中判断候选框中是否有病变目标， 在 所述模型的回归层中输出病变目标的坐标位置 。 2.根据权利要求1所述的一种基于改进训练网络的CT图像病变识别方法， 其特征在于， 所述对CT图像进行直方图均衡化处 理包括， 获取CT图像的直方图， 获取CT图像的灰度级范围， 所述灰度级范围表示为[0,L ‑1]， L为 CT图像中灰度的最大值， 构建CT图像的离散函数h(rk)＝nk， 所述离散函数表示为CT图像直 方图， 其中rk是第k级灰度值， nk是CT图像中灰度值 为rk的像素个数， 对直方图进行归一化处理， 获取CT图像的维数是M、 N， M*N表示图像的像素总数， 根据公 式(1)对直方图进行归一 化处理， 其中， p(rk)为灰度值 为rk的像素在CT图像中所占的比重， 根据公式(2)对CT图像进行均衡化处 理， 其中， sk为均衡化后CT图像的灰度值， T为变换函数， j∈[0,k]。 3.根据权利要求1所述的一种基于改进训练网络的CT图像病变识别方法， 其特征在于， 所述采用基于病变目标 形状相似度的聚类方法生成初始锚点框包括， 首先从CT数据集中选择k个初始目标的病变目标真实边框， 将所述初始目标的病变目 标真实边框作为簇中心， 将CT数据集的剩余数据分别通过公式(3)计算CT数据对应的簇标 签label， 所述标签为疾病类型， uj表示簇中心， xi表示第i个CT数据中的病变目标， dSSD表示 基于形状的距离公式， j∈[0,k]， labeli表示第i个CT数据中病变目标对应的疾病类型， 从CT数据集中随机选择k个样本作为初始的k个质心向量， 根据簇中心生成簇划分C， C ＝{C1,C2,...Ck}， 当j＝1,2,...,k,对Cj中所有的样本点重新计算新的质心向量， 即通过式 (4)计算平均值更新每 个簇中心,nj表示每个簇划分中样本的数量， 重复计算(3)和(4)， 直到达到式(5)表示的平方误差收敛至局部最优解， 或通过预设的 循环次数获得平方误差，权　利　要　求　书 1/2 页 2 CN 115019065 A 2其中， 基于形状的距离公式dSSD如公式(6)所示， dED为欧式距离， dMD为曼哈顿距离， dAD为 向量差值和的绝对值， 向量x为4维向量， 用于存储真实目标边框的坐标， 分别记录目标的 xmin、 xmax、 ymin和ymax， 聚成k个新的形状大小作为锚点框的初始超参数， n为向量x的维 度， 对聚类后的病变目标边框根据映射函数f进行非极大值抑制并进行回归训练， 如公式 (10)所示， fAx,Ay,Aw,Ah)＝(G′x,G′y,G′w,G′h)≈(Gx,Gy,Gw,Gh) G′x＝Aw.dx(A)+Ax,G′y＝Ah.dy(A)+Ay, G'h＝Ah.exp(dh(A),G'w＝Aw.exp(dw(A))     (10) 式中Gx、 Gy为中心点坐标， dx(A)为x的偏移量、 dy(A)为y的偏移量， dw(A)、 dh(A)， A表示原 始的候选区域， Ax,Ay,Aw,Ah分别表示原始候选区域的中心点坐标、 宽、 高， G表示目标的实际 区域标签， Gx,Gy,Gw,Gh表示目标实际区域标签的中心点坐标、 宽、 高， f表示映射， 用于将A经 过f映射到回归窗口G'。 4.根据权利要求1所述的一种基于改进训练网络的CT图像病变识别方法， 其特征在于， 所述在深度卷积神经网络模 型的RPN中嵌入 特征金字塔FPN及注 意力模块CBAM包括， 将图像 放入深度 卷积神经网络模型的RPN中， RPN的Conv1、 Conv2、 Conv3、 Conv4、 Conv5层为自下而 上的特征映射， 通过 RPN形成{C1， C2， C3， C4， C5}层， 在C5输出后通过CBAM模块计算特征映射 的关注度， 再通过自顶向下 的路径进行上采样， 获得来自C5层的特征映射Conv5*； {C1， C2， C3， C4， C5}经过1 ×1的卷积核与上采样结果横向连接， 形成新的特征映射{P1， P2， P3， P4， P5}， P1～P5进行一次3 ×3的卷积， 形成特 征金字塔FPN。权　利　要　求　书 2/2 页 3 CN 115019065 A 3