一种基于深度学习技术的肺结节筛查方法及筛查系统技术方案

本发明专利技术属于肺结节筛查技术领域，公开了一种基于深度学习技术的肺结节筛查方法及筛查系统，所述基于深度学习技术的肺结节筛查系统包括：信息获取模块、肺部影像采集模块、影像处理模块、中央控制模块、影像分析模块、肺组织分割模块、特征提取模块、筛查模型构建模块、模型训练模块、图像分割模块、肺部结节定性模块、云存储模块、更新显示模块。本发明专利技术通过2D空间根据分割轮廓的凹凸性能，够避免漏检肺壁上的结节；通过基于深度学习的病灶分类方法可以实现对各种类型结节的分类，充分利用CT序列影像的病灶局部三维信息，有效区分是否为肺结节并识别出结节的类型，更好地辅助医生提高诊断准确性；提高肺结节的筛查效率，减少假阳性结节。

【技术实现步骤摘要】
一种基于深度学习技术的肺结节筛查方法及筛查系统
本专利技术属于肺结节筛查
，尤其涉及一种基于深度学习技术的肺结节筛查方法及筛查系统。
技术介绍
目前，肺癌是常见的恶性肿瘤，因此早期发现和治疗至关重要，判断肺部是否存在肺结节是早期预防肺癌的有效方法。目前大量的CT图像是由医生进行筛查是否存在肺结节，加大医生的工作量，而且很容易导致漏诊或误诊。计算机辅助诊断系统可以利用机器学习的方法对肺部CT图像进行处理，最终对肺部CT图像中的肺结节进行筛查。这样不仅可以大大地减轻医生的阅片压力，也可以为医生提供判别肺结节的意见，对肺癌的诊断有着重要的意义。目前的CT图像中肺结节的自动识别和检测技术中，主要是利用卷积神经网络来提取图像的特征，从而检测出图像中的肺结节。但是肺部区域包含很多类似结节的生理结构，比如肺部血管，而且肺结节的大小、形状和类型又有很多种，所以肺结节检测结果中假阳性较高。通过上述分析，现有技术存在的问题及缺陷为：目前的CT图像中肺结节的自动识别和检测技术中，检测图像中的肺结节时没有进行肺部结构的分割，肺结节检测结果中假阳性本文档来自技高网...

【技术保护点】
1.一种基于深度学习技术的肺结节筛查方法，其特征在于，所述基于深度学习技术的肺结节筛查方法包括以下步骤：/n步骤一，在终端设置病例信息获取参数，通过信息获取模块将携带有病例信息获取参数的信息获取请求发送至服务器；服务器接收终端发送的信息获取请求，获取信息获取请求中的病例信息获取参数，并基于病例信息获取参数在数据库中获取目标病例信息集合；服务器设置病例信息反馈参数，并将目标病例信息集合以及病例信息反馈参数发送至所述终端；终端接收并保存目标病例信息集合以及病例信息反馈参数，通过信息获取程序基于病例信息反馈参数并执行设置病例信息获取参数，并将携带病例信息获取参数的病例信息获取请求发送至服务器，得到病...

【技术特征摘要】
1.一种基于深度学习技术的肺结节筛查方法，其特征在于，所述基于深度学习技术的肺结节筛查方法包括以下步骤：
步骤一，在终端设置病例信息获取参数，通过信息获取模块将携带有病例信息获取参数的信息获取请求发送至服务器；服务器接收终端发送的信息获取请求，获取信息获取请求中的病例信息获取参数，并基于病例信息获取参数在数据库中获取目标病例信息集合；服务器设置病例信息反馈参数，并将目标病例信息集合以及病例信息反馈参数发送至所述终端；终端接收并保存目标病例信息集合以及病例信息反馈参数，通过信息获取程序基于病例信息反馈参数并执行设置病例信息获取参数，并将携带病例信息获取参数的病例信息获取请求发送至服务器，得到病例信息；
步骤二，通过肺部影像采集模块利用CT机进行患者肺部影像的采集，得到肺部三维影像；通过影像处理模块获取待处理肺部三维影像，确定所述待处理影像所属的状态类型；利用影像处理程序根据所述状态类型查找对应的采样模型；根据所述采样模型对所述待处理影像进行非线性采样，获得采样点，根据所述采样点将所述待处理的肺部三维影像进行归一化处理；
步骤三，服务器终端采用基于形状特征的模板匹配算法和基于SIFT特征的检测算法进行检测，通过影像分析模块调用OpenCV视觉类库中封装好的图像处理算子，编程完成相应的C++代码，并利用应用软件界面中各个控件按钮实现算法的功能；
步骤四，利用影像分析程序进行图像预处理，图像预处理完成图像滤波处理和目标子图像的获取及其直方图均衡处理，将图像数据中包含的无用信息删除，得到待治疗区域图像信息；图像分割和自动化定量分析，获得目标的外部轮廓特征，在图像分割的基础上，分别获取目标区域最长和最宽距离内包含的像素个数，并按比例尺系数换算成实体的长宽值，完成三维视角变换；根据交互式的区域选择，显示不同部分的组织，实现对处理后肺部三维影像的分析，并生成肺部三维影像分析报告；
步骤五，通过肺组织分割模块利用肺组织分割进行肺部三维影像中肺部区域的分割，得到肺部图像；通过特征提取模块利用特征提取程序进行病例结果与肺部图像进行对比，得到病变部位特征点并标注；通过筛查模型构建模块利用肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型的构建；
步骤六，通过模型训练模块利用模型训练程序进行肺结节筛查模型的训练，得到训练后的肺结节筛查模型；通过图像分割模块利用图像分割程序进行肺部三维影像的分割，得到小尺寸影像；通过肺部结节定性模块利用结节定性程序依照训练后的肺结节筛查模型对小尺寸影像进行筛查，得到肺部结节定性结果；
步骤七，通过云存储模块利用云数据库服务器存储获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果；通过更新显示模块利用显示器对获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果的实时数据进行更新显示。


2.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤一中，所述病例信息获取参数还包括本批病例信息获取需求指示的起始时间以及结束时间；当所述服务器检测到所述起始时间等于所述结束时间时，记录当前时间，将所述结束时间设置为所述当前时间。


3.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤二中，所述根据所述采样点将所述待处理的肺部三维影像进行归一化处理的方法，包括：
(1)获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组；
(2)按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型；
(3)根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理影像的归一化。


4.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤四中，所述将图像数据中包含的无用信息删除的方法，包括：
用背景的灰度值来填充橡皮...

【专利技术属性】
技术研发人员：周成伟，陈子煊，李孝文，
申请(专利权)人：宁波大学医学院附属医院，
类型：发明
国别省市：浙江;33