基于卷积神经网络的肺癌良恶性判别系统和实现装置制造方法及图纸
【技术实现步骤摘要】
基于卷积神经网络的肺癌良恶性判别方法系统和实现装置
本专利技术涉及医学影像
，尤其是涉及基于卷积神经网络的肺癌良恶性判别方法系统和实现装置。
技术介绍
当前，肺癌作为全球第一大癌症，发病率逐年提升。肺癌的生存率与首次确诊时所处的病程阶段高度相关，肺癌影像学诊断是发现早期肺癌的重要手段，目前智能医疗是推动我国卫生事业和健康产业发展、更好地保障人民健康的重要内容，智能医疗将辅助我们更加合理地配置医疗资源。通常来说，通过影像医学发现肺结节的患者，需在三个月后再回访，根据前后两次肺结节的大小比对，判别肺结节的良恶性，并作出相应处理。当前，肺结节检测识别并不准确，以至于对发现肺结节的患者来说，需经过较长的时间才能回访检测肺结节，不利于患者及时对恶性的肺结节进行切除。
技术实现思路
有鉴于此，本专利技术的目的在于提供基于卷积神经网络的肺癌良恶性判别方法系统和实现装置，缩短回访时间，能够准确识别肺结节细小差别，进而判别肺结节良恶性。第一方面，本专利技术实施例提供了基于卷积神经网络的肺癌良恶性判别方法，包括：获取肺部CT图像，其中，所述CT图像包括第一CT图像和第二CT图像；将...
【技术保护点】
一种基于卷积神经网络的肺癌良恶性判别方法，其特征在于，包括：获取肺部CT图像，其中，所述CT图像包括第一CT图像和第二CT图像；将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像；分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本；通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性，其中，所述训练样本为经过病理检测的所述3D样本。
【技术特征摘要】
1.一种基于卷积神经网络的肺癌良恶性判别方法，其特征在于，包括：获取肺部CT图像，其中，所述CT图像包括第一CT图像和第二CT图像；将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像；分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本；通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性，其中，所述训练样本为经过病理检测的所述3D样本。2.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，所述分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到多个第一CT样本和多个第二CT样本包括：分别通过自动检测或手动勾选出所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本，其中，所述CT样本为包裹所述病灶位置的最小立方体积。3.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，所述将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本包括：分别获取所述第一CT样本的第一参数值与所述第二CT样本的第二参数值；将所述第一参数值与所述第二参数值作差，得到3D样本，其中，所述参数值包括所述CT样本的像素值和CT值。4.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，所述通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性包括：将多个所述3D样本经过病理检测，得到训练样本；通过所述训练样本训练所述良恶性判别卷积神经网络；通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性。5.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，在所述获取肺部CT图像之前，还包括：从已有肺叶CT图像中选取基准图像；在所述基准图像中标注关键点；根据所述关键点和所述基准图像训练卷积神经网络。6.根据权利要求1所述...
【专利技术属性】
技术研发人员：胡飞，王方，
申请(专利权)人：北京青燕祥云科技有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。