一种肺结节图像分割方法技术

本发明专利技术实施例公开了一种肺结节图像分割方法，涉及计算机技术和医学图像分析领域，所述肺结节图像分割方法包括：对所有胸部CT图像进行标注，获取标注后的CT图像数据集；构建肺结节检测卷积神经网络模型，将CT图像数据集输入肺结节检测卷积神经网络模型中；设置卷积神经网络模型的超参数，通过Caffe训练所述肺结节检测卷积神经网络模型，并生成训练模型；将CT图像数据集输入至所述训练模型中，完成训练后输出检测到的肺结节位置信息；使用阈值方法对所检测到的肺结节区域二值化，得到肺结节主要区域；在肺结节主要区域内随机选取种子点，使用区域生长法对肺结节进行分割。本发明专利技术能够解决现有医学诊断技术中不能准确自动地分割肺结节，给治疗带来困难的问题。

【技术实现步骤摘要】
一种肺结节图像分割方法
本专利技术涉及计算机技术和医学图像分析领域，具体涉及一种肺结节图像分割方法。
技术介绍
根据世界卫生组织调查结果显示，肺癌是发病率最高的癌症，也是死亡率最高的癌症。早期发现和治疗肺癌是降低肺癌死亡率的重要举措。随着医学图像的出现，医生可以通过医学图像及时判断肿瘤的性质，从而提供诊断意见。医学图像的种类有很多，而在众多种类中，计算机CT断层图像是最常用于肺部检测。但由于CT图像所包含的扫描图像数量很多，给医生带来了巨大的工作负担。随着计算机技术的不断发展，通过计算机对医学图像进行分析可以大大降低医生的工作量，而医学图像分割是其一个基本但极具挑战的研究。在过去几十年中，研究人员提出了各种各样的肺结节分割算法，但是由于肺结节的多样性，以及肺结节与其他组织如肺中血管的相似性很高，还不能准确自动地分割肺结节，给肺部病症治疗带来困难。
技术实现思路
本专利技术实施例的目的在于提供一种肺结节图像分割方法，用以解决现有医学诊断技术中不能准确自动地分割肺结节，给治疗带来困难的问题。为实现上述目的，本专利技术实施例提供一种肺结节图像分割方法，所述肺结节图像分割方法包括：对所有胸部CT图像进行标注，获取标注后的CT图像数据集；构建肺结节检测卷积神经网络模型，将所述CT图像数据集输入肺结节检测卷积神经网络模型中；设置卷积神经网络模型的超参数，通过Caffe训练所述肺结节检测卷积神经网络模型，并生成训练模型；将CT图像数据集输入至所述训练模型中，完成训练后输出检测到的肺结节位置信息；使用阈值方法对所检测到的肺结节区域二值化，得到肺结节主要区域；在肺结节主要区域内随机选取种子点，使用区域生长法对肺结节进行分割。作为优选的技术方案，所述CT图像数据集为LIDC-IDRI数据集，所述LIDC-IDRI数据集由胸部医学图像文件和对应诊断结果、病变标注组成。作为优选的技术方案，获取所述CT图像数据集之前包括CT图像的预处理操作，所述CT图像的预处理操作包括：首先选取CT图像中横穿肺结节中心的切片，然后对得到的切片数据进行数据扩增，扩增方法是将数据集中的每个切片向60度、90度、120度、150度、180度、210度、240度和300度八个方向旋转。作为优选的技术方案，通过Caffe训练所述肺结节检测卷积神经网络模型的方法包括：使用ImageNet的ResNet-101的预训练卷积神经网络模型为肺结节检测卷积神经网络进行参数初始化。作为优选的技术方案，所述生成训练模型的条件包括：当代价损失函数减少到理想程度且训练达到所要求的最大迭代次数时。作为优选的技术方案，所述肺结节检测卷积神经网络模型的构建方法包括:使用ResNet-101卷积神经网络模型作为特征提取模型，将经过预处理操作后的CT图像作为输入；使用区域建议网络得到图像中肺结节的区域建议；基于所述区域建议生成肺结节区域的边框信息。作为优选的技术方案，所述生成肺结节区域的边框信息的方法包括：通过一层卷积神经网络将特征提取模型输出的维度降至为1024；然后采用一个k2(C+1)通道的卷积层为每个类别产生k2个scoremaps，其中C表示需要检测物体的所有类别数，1表示背景类别，将每个感兴趣区域划分为k2个小块，分别对应每个感兴趣区域的k2个位置，通过ROIpooling层将每个scoremaps上对应位置的小块组成新的scoremap，再计算每个类的最终得分和计算损失，最后通过回归函数得到肺结节区域的边框信息。作为优选的技术方案，所述区域检测建议网络输出为：其中，x、y代表边界框的中心内点坐标，w、h分别表示边界框的宽和高，xa、ya、wa、ha为对应的x、y、w、h的真值。另外，区域检测建议网络的损失函数为：L(p,p*,t,t*)＝Lcls(p,p*)+λp*Lreg(t,t*)其中，p表示边界框中为物体的概率，p*表示其对应的真值，Lreg表示使用SmoothL1的损失，t表示区域检测建议网络。作为优选的技术方案，所述二值化的计算方法包括：ω1＝Pr(C1)＝1-ω0其中，L表示总灰度值，pi表示灰度i的概念值，σB和σw分别代表类间方差和类内方差，k表示阈值。本专利技术实施例具有如下优点：本专利技术提供的一种肺结节图像分割方法，基于卷积神经网络检测和区域生长技术，能够实现对肺结节的自动分割，利用卷积神经网络模型，加快了肺结节分割的速度。附图说明图1为本专利技术实施例1提供的一种肺结节图像分割方法的流程图。图2为本专利技术实施例1提供的一种肺结节图像分割方法的分割模型结构图。具体实施方式以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、右”、“中间”等的用语，亦仅为便于叙述的明了，而非用以限定本专利技术可实施的范围，其相对关系的改变或调整，在无实质变更
技术实现思路
下，当亦视为本专利技术可实施的范畴。实施例1参考图1，本实施例提供一种肺结节图像分割方法，所述肺结节图像分割方法包括：S1：对所有胸部CT图像进行标注，获取标注后的CT图像数据集；S2：构建肺结节检测卷积神经网络模型，将所述CT图像数据集输入肺结节检测卷积神经网络模型中；S3：设置卷积神经网络模型的超参数，通过Caffe训练所述肺结节检测卷积神经网络模型，并生成训练模型；其中，生成训练模型的条件包括：当代价损失函数减少到理想程度且训练达到所要求的最大迭代次数时。S4：将CT图像数据集输入至所述训练模型中，完成训练后输出检测到的肺结节位置信息；S5：使用阈值方法对所检测到的肺结节区域二值化，得到肺结节主要区域；S6：在肺结节主要区域内随机选取种子点，使用区域生长法对肺结节进行分割。进一步地，S1中的CT图像数据集为LIDC-IDRI数据集，LIDC-IDRI数据集由胸部医学图像文件和对应诊断结果、病变标注组成该数据是由美国国家癌症研究所发起收集的，目的是为了研究高危人群早期癌症检测。标准的LIDC-IDRI数据集包含1018个病人的胸部CT图像，每个实例包含一个CT扫描图像和一个对应标注信息的XML文件。本实施例中剔除掉扫描切片厚度大于2.5mm的CT图像，最终我们得到888张CT图像，共包含1186个标注的肺结节。进一步地，本专利技术中获取所述CT图像数据集之前包括CT图像的预处理操作，所述CT图像的预处理操作包括：首先选取CT图像中横穿肺结节中心的切片，然后对得到的切片数据进行数据扩增，扩增方法是将数据集中的每个切片向60度、90度、120度、150度、180度、210度、240度和300度八个方向旋转。进一步地，caffe是一个清晰，可读性高，快速的深度学习框架。通过Caffe训练所述肺结节检测卷积神经网络模型的方法包括：使用ImageNet的ResNet-101的预训练卷积神经网络模型为肺结节检测卷积本文档来自技高网...

【技术保护点】
1.一种肺结节图像分割方法，其特征在于，所述肺结节图像分割方法包括：对所有胸部CT图像进行标注，获取标注后的CT图像数据集；构建肺结节检测卷积神经网络模型，将所述CT图像数据集输入肺结节检测卷积神经网络模型中；设置卷积神经网络模型的超参数，通过Caffe训练所述肺结节检测卷积神经网络模型，并生成训练模型；将CT图像数据集输入至所述训练模型中，完成训练后输出检测到的肺结节位置信息；使用阈值方法对所检测到的肺结节区域二值化，得到肺结节主要区域；在肺结节主要区域内随机选取种子点，使用区域生长法对肺结节进行分割。

【技术特征摘要】
1.一种肺结节图像分割方法，其特征在于，所述肺结节图像分割方法包括：对所有胸部CT图像进行标注，获取标注后的CT图像数据集；构建肺结节检测卷积神经网络模型，将所述CT图像数据集输入肺结节检测卷积神经网络模型中；设置卷积神经网络模型的超参数，通过Caffe训练所述肺结节检测卷积神经网络模型，并生成训练模型；将CT图像数据集输入至所述训练模型中，完成训练后输出检测到的肺结节位置信息；使用阈值方法对所检测到的肺结节区域二值化，得到肺结节主要区域；在肺结节主要区域内随机选取种子点，使用区域生长法对肺结节进行分割。2.如权利要求1所述的一种肺结节图像分割方法，其特征在于，所述CT图像数据集为LIDC-IDRI数据集，所述LIDC-IDRI数据集由胸部医学图像文件和对应诊断结果、病变标注组成。3.如权利要求1所述的一种肺结节图像分割方法，其特征在于，获取所述CT图像数据集之前包括CT图像的预处理操作，所述CT图像的预处理操作包括：首先选取CT图像中横穿肺结节中心的切片，然后对得到的切片数据进行数据扩增，扩增方法是将数据集中的每个切片向60度、90度、120度、150度、180度、210度、240度和300度八个方向旋转。4.如权利要求1所述的一种肺结节图像分割方法，其特征在于，通过Caffe训练所述肺结节检测卷积神经网络模型的方法包括：使用ImageNet的ResNet-101的预训练卷积神经网络模型为肺结节检测卷积神经网络进行参数初始化。5.如权利要求1所述的一种肺结节图像分割方法，其特征在于，所述生成训练模型的条件包括：当代价损失函数减少到理想程度且训练达到所要求的最大迭代次数时。6.如权利要求1所述的一种肺结...

【专利技术属性】
技术研发人员：薛健，檀彦豪，吕科，董继阳，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：北京,11