一种生成对抗网络改进的CT医学图像肺结节检测方法技术

本发明专利技术公开了一种生成对抗网络改进的CT医学图像肺结节检测方法，包括步骤：1)获取肺部CT图像的切片；2)根据图像形态学性质分离得到ROI肺实质区域；3)根据二值化图像构成的连通域得到不同的疑似肺结节候选集；4)建立辅助分类器生成对抗网络的模型产生正类样本克服正负类样本数量不均衡的情况；5)建立卷积神经网络对疑似肺结节部分进行分类得到肺结节区域；6)使用非极大抑制算法得到肺结节的最终区域。本发明专利技术可充分利用计算机的高效处理性能，提供一定的可扩展性，加快数据的处理效率，同时通过卷积神经网络算法提高分类的准确率，提高CT图像数据的处理性能，更加高效地构建分析肺结节图像。

【技术实现步骤摘要】
一种生成对抗网络改进的CT医学图像肺结节检测方法
本专利技术涉及医学图像处理领域，尤其是指一种生成对抗网络改进的CT医学图像肺结节检测方法。
技术介绍
中国庞大的人口基数给医疗系统带来的既是挑战也是机遇。医疗制度的不完善以及医疗资源的不平衡严重制约了中国医疗事业的发展。当前中国医疗行业正处于一个重要的转折点，一方面，全民的医疗费用占GDP的比例不断提升，人们越来越重视健康问题；另一方面，全国的老龄化问题日益严重，老年人的医疗问题成了政府需要积极面对的问题。因此医疗保健行业的发展预计将会迎来一个黄金时代。但是相对于庞大的人口，我们的医疗机构不足以及相关从业人员紧缺，是我们亟待解决的问题。通过组医学数据和临床医学的结合，可以有效提高医学诊断的准确率，精准医学这几年飞速的发展在一定程度上提高了病人的治疗效果。医疗器材的越来越精密，也为人类探索人类基因组，蛋白质组等数据提供了可靠的保障。利用这些数据，结合机器学习、数据挖掘方法对可能的关系进行有效挖掘，从而帮助医学工作者作出正确的决策。CT图像肺结节检测是医学图像处理中的核心内容。一般要经过以下几个步骤，包括数据采集，图像预处理，肺实质分割，疑似肺结节检测，肺结节性质分析。本专利技术处理的前提是CT图像已经采集好。图像的预处理步骤包括切片，去除噪声等等。这个步骤的目的是得到二维切片图片，以便于计算机处理。肺实质的分割目的在于提取肺实质，对胸前内区域及胸廓进行分割，提取肺部区域分离得到感兴趣区域(ROI)肺实质区域，这一步尤其重要，因为切片中其它的区域会对疑似肺结节检测造成干扰，从而对检测的准确率造成影响。现有对肺结节检测的算法在特征提取的过程中需要花费大量的时间。传统的特征提取算法提取大量的人工特征，这些特征需要大量的先验知识。而使用深度学习对结节进行分类的方法可以避免人工特征的提取过程，因为深度学习模型能够自动学习提取适合当前任务的特征。医学图像处理中的一个突出问题是正负类样本不均衡问题，即真实肺结节样本(正类样本)远远少于非肺结节样本(负类样本)。本专利技术使用的方法是训练辅助分类器生成对抗网络的模型产生真实肺结节样本，使不同类别样本均衡，从而避免模型偏好某一类样本，减少模型过拟合或者欠拟合的情况发生。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出了一种生成对抗网络改进的CT医学图像肺结节检测方法，可充分利用计算机的高效处理性能，提供一定的可扩展性，加快数据的处理效率，同时通过卷积神经网络算法提高分类的准确率，提高CT图像数据的处理性能，更加高效地构建分析肺结节图像。为实现上述目的，本专利技术所提供的技术方案为：一种生成对抗网络改进的CT医学图像肺结节检测方法，首先，从CT图像中得到切片，然后分离出肺实质部分，去除影响检测的噪声区域，通过最大类间方差法(OSTU)算法得到图像二值化最优的阈值，然后对图像进行形态学的操作得到图像的掩膜，从而提取到切片图像的各个区域；接着，根据肺部区域和其它的连续区域的位置和大小的差异，分离得到ROI肺实质区域，由于肺结节CT值与其它实质CT值的不同，二值化之后构成的连通域得到不同的疑似肺结节候选集，采用基于辅助分类器生成对抗网络的模型产生真实肺结节样本的方法，克服不同样本数量不均衡的情况，通过建立卷积神经网络模型对疑似肺结节部分进行分类得到肺结节，最后使用非极大抑制算法得到肺结节的最终定位；其包括以下步骤：1)获取肺部CT图像的切片；2)根据图像形态学性质分离得到ROI肺实质区域；3)根据二值化图像构成的连通域得到不同的疑似肺结节候选集；4)建立辅助分类器生成对抗网络的模型产生真实肺结节样本克服不同类别样本数量不均衡的情况；5)建立卷积神经网络对疑似肺结节部分进行分类得到肺结节区域；6)使用非极大抑制算法得到肺结节的最终区域。在步骤1)中，由于不同扫描面的像素尺寸、粗细粒度是不同的，这不利于进行模型的训练任务，采用同构采样的方法避免这种情况。处理方法是从全数据集中以固定的同构分辨率重新采样，重新对病人的切片图像进行取样，将其映射到相同的分辨率：1mm×1mm×1mm，得到同构的切片。在步骤2)中，根据图像形态学性质分离得到ROI肺实质区域，首先对肺部CT切片图像二值化，二值化过程采用的是OTSU算法。对图像进行形态学的操作，腐蚀，膨胀得到图像的掩膜，通过掩膜得到各个区域。根据肺部区域和其它的连续区域的位置和大小的差异，对胸前内区域及胸廓进行分割，提取肺部区域分离得到ROI肺实质区域。OTSU算法是一种自适应的计算阈值的方法，首先将原始切片图像灰度化，根据图像的灰度值，将图像所有的像素点分为前景(目标)和背景两个不同的类别。两个类之间的差别体现在类间方差，前景和背景的区别越大，这两个类的类间的方差越大。OTSU算法就是通过遍历全部的灰度值，找到合适的阈值，使得这两个类的类间的方差最大。在步骤3)中，根据二值化图像构成的连通域得到不同的疑似肺结节候选集。由于肺结节CT值与其它实质CT值的不同，对分离后的肺实质部分进行二值化，构成连通域得到不同的疑似肺结节候选集。使用种子填充法作为连通域构建的算法。种子填充方法是计算机图形学中的一种常见的算法，常用于对图形进行填充。构成连通区域需要满足两个基本的条件：像素值相同并且像素点相邻。算法的流程：首先，选取一个前景像素点作为种子，然后根据连通区域的构成条件，将与种子相邻的前景像素合并到同一个集合中，最终得到的像素集合则为一个连通区域。扫描结束后，就可以得到图像中所有的连通区域，扫描得到的连通域即为疑似肺结节。在步骤4)中，建立辅助分类器生成对抗网络的模型产生真实肺结节样本克服不同类别样本数量不均衡的情况。由于提取的疑似肺结节中非肺结节样本(负类样本)和真实肺结节样本(正类样本)数量不均衡，非肺结节样本的数量远高于真实肺结节样本，提出一种基于辅助分类器生成对抗网络的模型产生真实肺结节样本的方法。生成对抗网络(GenerativeAdversarialNetworks，简称GAN)由两个网络构成，分别是生成网络和判别网络。生成网络的输入是噪声，输出是一张满足输入样本分布的图片。判别网络是一个二分类网络，它的输入是图像，输出是图像的来源。生成网络尽量拟合训练样本中分布使判别网络无法正确分辨某个样本是来自训练样本还是生成样本，判别网络尽量正确判断样本的正确来源。在训练的过程中先固定一个网络，然后训练更新另一个网络的网络权重，交替训练迭代，在这个过程中，生成网络和判别网络都极力优化自己的网络，此时生成网络成功得到了训练数据的分布(生成了和原始样本同分布的样本)，判别网络也无法正确判别出结果。辅助分类器生成对抗网络(AuxiliaryClassifierGenerativeAdversarialNetworks，简称ACGAN)是生成对抗网络的一种变种，它在GAN网络中的输入中添加了额外的类别信息，使得其生成器可以生成具有该类别信息的样本。由于疑似肺结节样本中包含的真实肺结节样本缺乏，所以采用ACGAN生成真实肺结节样本的方法让不同类别样本数量均衡。在步骤5)中，建立卷积神经网络对疑似肺结节部分进行分类得到肺结节区域。生成对抗网络得到足够的样本之后，通过训练卷积神经网络模型提高算法识别的准确率。卷本文档来自技高网...

【技术保护点】
1.一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于，首先，从CT图像中得到切片，然后分离出肺实质部分，去除影响检测的噪声区域，通过OSTU算法得到图像二值化最优的阈值，然后对图像进行形态学的操作得到图像的掩膜，从而提取到切片图像的各个区域；接着，根据肺部区域和其它的连续区域的位置和大小的差异，分离得到ROI肺实质区域，由于肺结节CT值与其它实质CT值的不同，二值化之后构成的连通域得到不同的疑似肺结节候选集，采用基于辅助分类器生成对抗网络的模型产生真实肺结节样本的方法，克服疑似肺结节正负类样本数量不均衡的问题，通过建立卷积神经网络模型对疑似肺结节部分进行分类得到肺结节，最后使用非极大抑制算法得到最终肺结节的区域；其包括以下步骤：1)获取肺部CT图像的切片；2)根据图像形态学性质分离得到ROI肺实质区域；3)根据二值化图像构成的连通域得到不同的疑似肺结节候选集；4)建立辅助分类器生成对抗网络的模型产生真实肺结节样本克服不同类别样本数量不均衡的情况；5)建立卷积神经网络对疑似肺结节部分进行分类得到肺结节区域；6)使用非极大抑制算法得到肺结节的最终区域。

【技术特征摘要】
1.一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于，首先，从CT图像中得到切片，然后分离出肺实质部分，去除影响检测的噪声区域，通过OSTU算法得到图像二值化最优的阈值，然后对图像进行形态学的操作得到图像的掩膜，从而提取到切片图像的各个区域；接着，根据肺部区域和其它的连续区域的位置和大小的差异，分离得到ROI肺实质区域，由于肺结节CT值与其它实质CT值的不同，二值化之后构成的连通域得到不同的疑似肺结节候选集，采用基于辅助分类器生成对抗网络的模型产生真实肺结节样本的方法，克服疑似肺结节正负类样本数量不均衡的问题，通过建立卷积神经网络模型对疑似肺结节部分进行分类得到肺结节，最后使用非极大抑制算法得到最终肺结节的区域；其包括以下步骤：1)获取肺部CT图像的切片；2)根据图像形态学性质分离得到ROI肺实质区域；3)根据二值化图像构成的连通域得到不同的疑似肺结节候选集；4)建立辅助分类器生成对抗网络的模型产生真实肺结节样本克服不同类别样本数量不均衡的情况；5)建立卷积神经网络对疑似肺结节部分进行分类得到肺结节区域；6)使用非极大抑制算法得到肺结节的最终区域。2.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤1)中，采用同构采样的方法获取肺部CT图像的切片，该方法的处理过程是从全数据集中以固定的同构分辨率重新采样，重新取样病人的像素，将其映射到一个同构分辨率1mm×1mm×1mm，得到同构的切片。3.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤2)中，根据图像形态学性质分离得到ROI肺实质区域，首先对肺部CT切片图像二值化，二值化过程采用的是OTSU算法，对图像进行形态学的操作，腐蚀，膨胀得到图像的掩膜，通过掩膜得到各个区域，根据肺部区域和其它的连续区域的位置和大小的差异，对胸前内区域及胸廓进行分割，提取肺部区域分离得到ROI肺实质区域；其中，OTSU算法是一种自适应的计算阈值的方法，首先将原始切片图像灰度化，根据图像的灰度值，将图像所有的像素点分为前景即目标和背景两个不同的类别，两个类之间的差别体现在类间方差，前景和背景的区别越大，这两个类的类间的方差越大，OTSU算法就是通过遍历全部的灰度值，找到合适的阈值，使得这两个类的类间的方差最大。4.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤3)中，根据二值化图像构成的连通域得到不同的疑似肺结节候选集，由于肺结节CT值与其它实质CT值的不同，对分离后的肺实质部分进行二值化，构成连通域...

【专利技术属性】
技术研发人员：张声超，赵跃龙，柏朋成，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44