(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 202210820319.3 (22)申请日 2022.07.13 (71)申请人 北京深睿博 联科技有限责任公司 地址 100080 北京市海淀区海淀大街8号A 座21层A区 申请人 杭州深睿博 联科技有限公司 (72)发明人 张树　马杰超　王成弟　李为民　 俞益洲　李一鸣　乔昕　 (74)专利代理 机构 北京天方智力知识产权代理 事务所(普通 合伙) 11719 专利代理师 路远 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G16H 50/20(2018.01) (54)发明名称 一种基于胸部影像的病灶识别方法及装置 (57)摘要 本发明提供一种基于胸部影像的病灶识别 方法及装置。 所述方法包括： 构造异常征象检测 模型， 将胸部影像输入到训练好的所述模型进行 特征提取和异常征象类别预测； 构造病灶检测模 型， 将胸部影像输入到训练好的所述模型进行病 灶特征提取； 通过对提取的异常征象特征和病灶 特征进行特征融合， 输出病灶类别。 本发明基于 异常征象特征和病灶特征的融合输出最终的病 灶类别， 提高了病灶识别精度。 权利要求书1页 说明书6页 附图2页 CN 115019110 A 2022.09.06 CN 115019110 A 1.一种基于胸部影 像的病灶识别方法， 其特 征在于， 包括以下步骤： 构造异常征 象检测模型， 将胸部影像输入到训练好的所述模型进行特征提取和 异常征 象类别预测； 构造病灶检测模型， 将胸部影 像输入到训练好的所述模型进行病灶特 征提取； 通过对提取的异常征象特 征和病灶特 征进行特征融合， 输出病灶类别。 2.根据权利要求1所述的基于胸部影像的病灶识别方法， 其特征在于， 所述异常征 象包 括条索、 肺不张、 支气管病变、 钙化、 空洞、 实变、 肺气肿、 毛玻璃密度影、 蜂窝征、 淋巴结肿 大、 肿块、 结节、 斑片影、 胸腔 积液、 胸膜增厚、 气腹、 气胸、 肺大泡、 网格 影和空气支气管影。 3.根据权利要求1所述的基于胸部影像的病灶识别方法， 其特征在于， 所述病灶类别包 括支气管扩张、 慢性阻塞性肺炎、 间质性肺炎、 肺癌、 胸腔 积液、 肺炎、 气胸 和肺结核。 4.根据权利要求1所述的基于胸部影像的病灶识别方法， 其特征在于， 通过将提取的异 常征象特 征和病灶特 征输入自注意力机制模块实现特 征融合。 5.根据权利要求1所述的基于胸部影像的病灶识别方法， 其特征在于， 利用标注异常征 象的数据集对异常征象检测模型单独进行训练； 基于训练好的异常征象检测模型， 利用标 注病灶类别的数据集对病灶识别整体模型进行训练。 6.根据权利要求1所述的基于胸部影像的病灶识别方法， 其特征在于， 所述胸部影像为 胸部CT图像。 7.根据权利要求1所述的基于胸部影像的病灶识别方法， 其特征在于， 所述方法还包括 生成异常征象位置热图和病灶类别位置热图。 8.一种基于胸部影 像的病灶识别装置， 其特 征在于， 包括： 第一建模模块， 用于构造异常征象检测模型， 将胸部影像输入到训练好的所述模型进 行特征提取和异常征象类别预测； 第二建模模块， 用于构造病灶检测模型， 将胸部影像输入到训练好的所述模型进行病 灶特征提取； 病灶识别模块， 用于通过对提取的异常征象特征和病灶特征进行特征融合， 输出病灶 类别。 9.根据权利要求8所述的基于胸部影像的病灶识别装置， 其特征在于， 通过将提取的异 常征象特 征和病灶特 征输入自注意力机制模块实现特 征融合。 10.根据权利要求8所述的基于胸部影像的病灶识别装置， 其特征在于， 所述装置还包 括热图生成模块， 用于生成异常征象位置热图和病灶类别位置热图。权　利　要　求　书 1/1 页 2 CN 115019110 A 2一种基于胸部影像的病灶 识别方法及装置 技术领域 [0001]本发明属于医学影像技术领域， 具体涉及 一种基于胸部影像的病灶识别方法及装 置。 背景技术 [0002]呼吸系统疾病在全球范围内构成了重大负担， 慢性呼吸道疾病影响了占世界人口 7.4％的大型患者群体， 并占死亡总数的7.0％。 每年有 数百万人死于下呼吸道感染。 肺癌是 癌症相关发病率和死亡率的首要原因， 中 国新增病例占37.0％， 死亡占39.2％。 肺结核则是 最常见的致命传染病。 根据国际呼吸学会论坛， 从流行角度来看， 上述疾病被认为是全球最 重要的肺部疾病。 [0003]放射学在各种呼吸道疾病的筛查、 分诊和诊断中发挥着不可或缺的作用。 计算机 断层扫描(CT)可以生 成三维图像， 并提供更精确的病理信息， 随着 检查成本的降低， 目前已 经成为胸部疾病诊断医学成像的主流。 虽然这些技术可以捕捉人眼看不见 的数字纹理， 但 由于在放射学评估中缺 乏观察者之间的一致性， 因此准确诊断仍然具有挑战性。 深度学习 方法在年龄相关性黄斑变性和糖尿病黄斑水肿的分类、 糖尿病视网膜病变的分级、 识别 皮 肤癌亚型、 检测乳腺癌转移以及头部CT异常进行分类方面具有普遍适用性。 一些相关的研 究中， 基于深度学习的医学图像解释系统也可以用于C OVID‑19的早期诊断和恶性肺结节的 识别， 这证明了其在急性和非急性呼吸道疾病诊断中的良好适用性。 然而， 此类已建立的人 工智能系统仅侧重于一种疾病的鉴别诊断或单疾病的二元诊断， 限制了其在各种呼吸状况 的实际日常实 践中的临床适用性和通用性。 发明内容 [0004]为了解决现有技术中存在的上述问题， 本发明提供一种基于胸部影像的病灶识别 方法及装置 。 [0005]为了实现上述目的， 本发明采用以下技 术方案。 [0006]第一方面， 本发明提供一种基于胸部影 像的病灶识别方法， 包括以下步骤： [0007]构造异常征象检测模型， 将胸部影像输入到训练好的所述模型进行特征提取和异 常征象类别预测； [0008]构造病灶检测模型， 将胸部影 像输入到训练好的所述模型进行病灶特 征提取； [0009]通过对提取的异常征象特 征和病灶特 征进行特征融合， 输出病灶类别。 [0010]进一步地， 所述异常征象包括条索、 肺不张、 支气管病变、 钙化、 空洞、 实变、 肺气 肿、 毛玻璃密度影、 蜂窝征、 淋巴结肿大、 肿块、 结节、 斑片影、 胸腔积液、 胸膜增厚、 气腹、 气 胸、 肺大泡、 网格 影和空气支气管影。 [0011]进一步地， 所述病灶类别包括支气管扩张、 慢性阻塞性肺炎、 间质性肺炎、 肺癌、 胸 腔积液、 肺炎、 气胸 和肺结核。 [0012]进一步地， 通过将提取的异常征象特征和病灶特征输入自注意力机制模块实现特说　明　书 1/6 页 3 CN 115019110 A 3