The invention discloses a method for screening candidate nodules based on CT images, which relates to the field of medical image processing, including the following steps: step 1. Obtaining the lung CT image F0 (x, y) to be detected; step 2. Binary processing of the lung CT image F0 (x, y) in step 1 and extracting the lung parenchyma preliminary template F1 (x, y); Preliminary template F1 (x, y) was used to repair the lung parenchyma and calculate the lung parenchyma area image F2 (x, y); Step 4. Binary processing of the lung parenchyma area image F2 (x, y) and screening candidate nodules to obtain candidate nodule set R; Step 5. Construct a 3DCNN network structure for the classification of candidate nodules; Step 6. According to the structure of 3D CNN network and 3D CNN network. The 3D CNN network model is trained from the database of lung CT images in LIDC. Step 7. According to the 3D CNN network model, the probability of each candidate nodule in the candidate nodule set R is judged to be a pulmonary nodule.
【技术实现步骤摘要】
一种基于CT图像的候选结节的筛选方法
本专利技术涉及一种肺结节的检测方法,具体涉及一种基于CT图像的候选结节的筛选方法。
技术介绍
肺结节的检测对于肺部CT图像的处理十分关键,CT可以提供肺部的高分辨率图像,为分析肺部组织中肺结节的存在与否以及肺结节的具体位置、形态提供重要依据。数量巨大的CT在提供准确信息的同时,也极大地增加了放射科医生的工作负担。因此CT图像的智能处理应运而生,它不仅可以减轻医生的劳动强度以及单独查看肺部CT图像可能存在的疏漏,还能通过图像分割、特征量化等技术为医生提供精确的定量分析。目前,对肺部中肺实质的分割主要是采用基于阈值及基于区域的分割方法,以及相关的边缘检测方法,这些方法虽然能够完成肺实质轮廓的基本分割,但是肺实质内部存在大量的支气管、血管,而且肺实质内也会出现肺结节与胸腔黏连的情况,而上述分割方法对于这些情况常常出现过分割或者欠分割的现象,不能实现理想的分割效果。对于肺结节的检测而言,传统的方法是先手工地提取特征,例如灰度特征、纹理特征、形态特征等,然后再基于提取的特征利用支持向量机、贝叶斯分类器、线性判别分类器等分类算法,完成肺结节的提取。然而由于存在大量的非肺结节的特征点,这种方法在非肺结节的剔除方面面临着很大的挑战。
技术实现思路
本专利技术的目的在于:为解决在处理肺部CT图像的过程中,出现肺实质过分割或肺实质欠分割问题以及未对大量非肺结节的图像特征点进行剔除而造成筛选疑似肺结节的图像特征点困难的问题,提供了一种基于CT图像的候选结节的筛选方法。本专利技术采用的技术方案如下:一种基于CT图像的候选结节的筛选方法,包括以下步 ...
【技术保护点】
1.一种基于CT图像的候选结节的筛选方法,其特征在于,包括以下步骤:步骤1.获取待检测的肺部CT图像f0(x,y);步骤2.对步骤1中的肺部CT图像f0(x,y)进行二值化处理并提取肺实质初步模板f1(x,y);步骤3.对肺实质初步模板f1(x,y)进行肺实质修补并计算,得到肺实质区域图像f2(x,y);步骤4.对肺实质区域图像f2(x,y)进行二值化处理并筛选候选结节,得到候选结节集R[R1,R2,…,Rn‑1,Rn];步骤5.构建用于对候选结节分类的3DCNN网络结构;步骤6.根据3DCNN网络结构和LIDC肺部图像数据库中的库肺部CT图像训练出3DCNN网络模型;步骤7.根据3DCNN网络模型判断候选结节集R中各候选结节为肺结节的概率。
【技术特征摘要】
1.一种基于CT图像的候选结节的筛选方法,其特征在于,包括以下步骤:步骤1.获取待检测的肺部CT图像f0(x,y);步骤2.对步骤1中的肺部CT图像f0(x,y)进行二值化处理并提取肺实质初步模板f1(x,y);步骤3.对肺实质初步模板f1(x,y)进行肺实质修补并计算,得到肺实质区域图像f2(x,y);步骤4.对肺实质区域图像f2(x,y)进行二值化处理并筛选候选结节,得到候选结节集R[R1,R2,…,Rn-1,Rn];步骤5.构建用于对候选结节分类的3DCNN网络结构;步骤6.根据3DCNN网络结构和LIDC肺部图像数据库中的库肺部CT图像训练出3DCNN网络模型;步骤7.根据3DCNN网络模型判断候选结节集R中各候选结节为肺结节的概率。2.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述步骤2的具体步骤如下:步骤2.1.将获取的待检测的肺部CT图像f0(x,y)进行高斯滤波处理,得到CT滤波图像;步骤2.2.记分割阈值为T(T∈(0,255)),将分割阈值T作为CT滤波图像的分割值并进行前景图像与背景图像分割,记CT滤波图像的前景点数占图像比例为wa1、前景平均灰度为ua1、后景点数占图像比例为wb1、后景平均灰度为ub1、图像总平均灰度为u1、前景图像和背景图像的方差为g1;步骤2.3.迭代不同的分割阈值T并计算对应的方差g1的值,得到CT分割阈值Tg1;步骤2.4.根据CT分割阈值Tg1对CT滤波图像进行二值化处理,得到CT二值化图像;步骤2.5.从CT二值化图像所在的左右肺区域内选择种子点,以种子点为起始点,完成对左右肺区域中空洞的填充,得到空洞填充图像;步骤2.6.将CT二值化图像和空洞填充图像做差计算,得到差值图像;步骤2.7.对差值图像进行区域连通运算得到连通区域集S[S1,S2,…,Sn-1,Sn],其中,Sn表示下标为n的连通区域;步骤2.8.将连通区域集S中所有面积小于连通区域Smax面积的连通区域Si(1≤i≤n)进行区域填充,得到肺实质初步模板f1(x,y);其中,Smax表示连通区域集S中面积最大的区域。3.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述步骤3中,得到肺实质区域图像f2(x,y)的具体步骤如下:步骤3.1.创建一个正灰度图像,并根据正灰度图像生成一个球形模板;步骤3.2.利用Laplacian算子获取肺实质初步模板f1(x,y)的肺实质边界;步骤3.3.根据球形模板和肺实质边界确定肺实质模板;步骤3.4.将肺部CT图像f0(x,y)和肺实质模板做乘计算,得到肺实质区域图像f2(x,y)。4.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述步骤4的具体步骤如下:步骤4.1.对肺实质区域图像f2(x,y)先进行形态学腐蚀运算,再进行形态学膨胀运算,得到区域运算图像;步骤4.2.将分割阈值T作为区域运算图像的分割值进行前景图像与背景图像分割,记区域运算图像的前景点数占图像比例为wa2、前景平均灰度为ua2、后景点数占图像比例为wb2、后景平均灰度为ub2、图像总平均灰度为u2、前景图像和背景图像的方差为g2;步骤4.3.迭代不同的分割阈值T并计算对应的方差g2的值,得到区域分割阈值Tg2;步骤4.4.根据区域分割阈值Tg2对区域运算图像进行二值化处理,得到由若干个白色区域构成的白色区域集r[r1,r2,…,rn-1,rn];步骤4.5.计算白色区域集r中每个白色区域ri(1≤i≤n)的圆形度,得到保留区域集r'[r'1,r'2,…,r'n-1,r'n];步骤4.6.计算保留区域集r'中每个保留区域r'i(1≤i≤n)的中心位置,并以中心位置为中心,选择尺寸大小为64×64的正方形区域作为候选结节,得到候选结节集R[R1,R2,…,Rn-1,Rn]。5.根据权利要求1所述的一种基于CT图像的候选...
【专利技术属性】
技术研发人员:孟明明,彭真明,蒲红,杨吕鹏,秦琛烨,孙翎马,赵学功,王卓然,曹思颖,张天放,袁国慧,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
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。