一种肺结节生长预测方法和计算机设备技术

本发明专利技术提供了一种肺结节生长预测方法和计算机设备，肺结节生长预测方法包括：获取若干肺部CT图像，得到若干标注图像；将若干标注图像输入编码器得到若干初始特征图像；将若干初始特征图像输入级联convLSTM网络得到若干初始预测特征图像；将若干初始预测特征图像输入解码器得到若干候选预测特征图像；基于若干候选预测特征图像和分类器得到若干预测图像。本发明专利技术中，根据过去多个时间点的若干肺部CT图像，采用级联convLSTM网络确定肺结节在未来多个时间点的预测图像，不需要测量肺部CT图像中的大量数字特征，也不需要筛选肺结节生成因素，整个过程减少了大量人力资源，操作步骤更为简单，可以快速得到质量较高的预测图像。可以快速得到质量较高的预测图像。可以快速得到质量较高的预测图像。

【技术实现步骤摘要】
一种肺结节生长预测方法和计算机设备


[0001]本申请涉及图像处理领域，特别是涉及一种肺结节生长预测方法和计算机设备。

技术介绍

[0002]肺结节(Pulmonary Nodule,PN)是指人体肺部中直径小于或等于3cm的类圆形或不规则形病灶，其CT影像学表现为密度增高的阴影，可单发或多发，边界清晰或不清晰的病灶。
[0003]在传统的肺结节生长预测方法中，为了实现对肺结节生长规律的精确预测，必须先判断影响肺结节生长的影响因子，之后建立肺结节生长预测模型对未来一段时间的肺结节状态进行预测。这需要对病患大量的肺部CT图像中的肺结节区域进行标注，然后测量肺结节的直径、体积等数字特征。从整个过程来看，传统的预测方法过于繁琐，包括分析、建模、测量等多个步骤，并且每一步都需要耗费一定的人力资源，无法快速、有效地对肺结节生长情况进行预测。除此以外，在建立预测模型的步骤中，现有的方法大多采用线性或者指数型的生长模型，这一方法要求在提前筛选肺结节生长因素的基础上进行建模，预测的准确度主要由影响因子和模型选择决定，然而现有肺结节建模方法的准确率并没有达到理想的结果。
[0004]因此，现有技术有待改进。

技术实现思路

[0005]本专利技术所要解决的技术问题是，现有技术需要测量大量肺结节的数字特征，在提前筛选肺结节生长因素的基础上进行建模，过程繁琐，得到的预测结果质量不高。本专利技术提出了一种肺结节生长预测方法和计算机设备，采用级联convLSTM网络确定肺结节在未来多个时间点的预测图像，整个过程更为简单，可以快速得到质量较高的预测图像。
[0006]第一方面，本专利技术实施例提供了一种肺结节生长预测方法，应用于肺结节生长预测模型，所述肺结节生长预测模型包括编码器、级联convLSTM网络、解码器和分类器；所述肺结节生长预测方法包括：
[0007]获取若干肺部CT图像，并对所述若干肺部CT图像进行标注，得到若干标注图像；
[0008]将所述若干标注图像输入所述编码器，得到若干初始特征图像；
[0009]将所述若干初始特征图像输入所述级联convLSTM网络，得到若干初始预测特征图像；
[0010]将所述若干初始预测特征图像输入所述解码器，得到若干候选预测特征图像；
[0011]基于所述若干候选预测特征图像和所述分类器得到若干预测图像，其中，所述若干预测图像各自分别对应不同的时间点，且每张预测图像对应的时间点均晚于任意一张肺部CT图像对应的时间点。
[0012]作为进一步的改进技术方案，所述编码器包括依次连接的：第一卷积模块、第一激活模块、第一池化层、第二卷积模块、第二激活模块和第二池化层；所述将所述若干标注图
像输入所述编码器，得到若干初始特征图像，具体包括：
[0013]对于每张标注图像，将该标注图像输入所述第一卷积模块，得到第一图像；
[0014]将所述第一图像输入所述第一激活模块，得到第一激活图像；
[0015]将所述第一激活图像输入所述第一池化层，得到第一池化图像；
[0016]将所述第一池化图像输入所述第二卷积模块，得到第二图像；
[0017]将所述第二图像输入所述第二激活模块，得到第二激活图像；
[0018]将所述第二激活图像输入所述第二池化层，得到该标注图像对应的初始特征图像。
[0019]作为进一步的改进技术方案，所述级联convLSTM网络包括若干级联的convLSTM模块，所述若干初始特征图像包括若干精细预测特征图像和若干粗略预测特征图像，所述若干级联的convLSTM模块与所述若干精细预测特征图像一一对应；每个convLSTM模块的输入项均包括所述若干特征图像；每个convLSTM模块的输出项均包括该convLSTM模块对应的精细预测特征图像。
[0020]作为进一步的改进技术方案，所述级联convLSTM网络包括级联的第一convLSTM模块、第二convLSTM模块和第三convLSTM模块，所述若干精细预测特征图像包括：第一精细预测特征图像、第二精细预测特征图像和第三精细预测特征图像，所述若干粗略预测特征图像包括：若干第一粗略预测特征图像和第二粗略预测特征图像；所述将所述若干初始特征图像输入所述级联convLSTM网络，得到若干初始预测特征图像，具体包括：
[0021]将所述若干特征图像输入所述第一convLSTM模块，得到第一精细预测特征图像和若干第一粗略预测特征图像；
[0022]将所述第一精细预测特征图像和所述若干特征图像输入所述第二convLSTM模块，得到第二精细预测特征图像和第二粗略预测特征图像；
[0023]将所述第一精细预测特征图像、所述第二精细预测特征图像和所述若干特征图像输入所述第三convLSTM模块，得到第三精细预测特征图像。
[0024]作为进一步的改进技术方案，所述解码器包括：第一上采样模块、第三激活模块、第三卷积模块、第二上采样模块、第四激活模块和第四卷积模块；所述将所述若干初始预测特征图像输入所述解码器，得到若干候选预测特征图像，具体包括：
[0025]对于每张初始预测特征图像，将该初始预测特征图像输入所述第一上采样模块，得到第一上采样图像；
[0026]将所述第一上采样图像输入所述第三激活模块，得到第三激活图像；
[0027]将所述第三激活图像输入所述第三卷积模块，得到第三图像；
[0028]将所述第三图像输入所述第二上采样模块，得到第二上采样图像；
[0029]将所述第二上采样图像输入所述第四激活模块，得到第四激活图像；
[0030]将所述第四激活图像输入所述第四卷积模块，得到该初始预测特征图像对应的候选预测特征图像。
[0031]作为进一步的改进技术方案，所述基于所述若干候选预测特征图像和所述分类器得到若干预测图像，具体包括：
[0032]对于每张候选预测特征图像，将该候选预测特征图像进行降维处理，得到该候选预测特征图像对应的热图；
[0033]基于所述若干候选预测特征图像各自分别对应的热图确定热图序列；
[0034]将所述热图序列输入所述分类器，得到若干预测图像。
[0035]作为进一步的改进技术方案，所述对所述若干肺部CT图像进行标注，得到若干标注图像，具体包括：
[0036]对于每张肺部CT图像，确定该肺部CT图像的肺结节区域和肺部区域；
[0037]采用第一标识标注所述肺结节区域的边界，采用第二标识标注所述肺部区域的边界，采用第三标识标注其他区域，得到该肺部CT图像对应的标注图像，其中，所述其他区域是所述肺部CT图像中未被所述第一标识和所述第二标识标记的区域。
[0038]作为进一步的改进技术方案，所述肺结节生长预测模型，是基于标注训练集和优化器对预设网络模型进行训练得到的，所述标注训练集包括：多个已标注的肺部CT训练图像组，以及每个肺部CT训练图像组对应的真实图像组；所述预设网络模型的模型结构与所述肺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺结节生长预测方法，其特征在于，应用于肺结节生长预测模型，所述肺结节生长预测模型包括编码器、级联convLSTM网络、解码器和分类器；所述肺结节生长预测方法包括：获取若干肺部CT图像，并对所述若干肺部CT图像进行标注，得到若干标注图像；将所述若干标注图像输入所述编码器，得到若干初始特征图像；将所述若干初始特征图像输入所述级联convLSTM网络，得到若干初始预测特征图像；将所述若干初始预测特征图像输入所述解码器，得到若干候选预测特征图像；基于所述若干候选预测特征图像和所述分类器得到若干预测图像，其中，所述若干预测图像各自分别对应不同的时间点，且每张预测图像对应的时间点均晚于任意一张肺部CT图像对应的时间点。2.根据权利要求1所述的肺结节生长预测方法，其特征在于，所述编码器包括依次连接的：第一卷积模块、第一激活模块、第一池化层、第二卷积模块、第二激活模块和第二池化层；所述将所述若干标注图像输入所述编码器，得到若干初始特征图像，具体包括：对于每张标注图像，将该标注图像输入所述第一卷积模块，得到第一图像；将所述第一图像输入所述第一激活模块，得到第一激活图像；将所述第一激活图像输入所述第一池化层，得到第一池化图像；将所述第一池化图像输入所述第二卷积模块，得到第二图像；将所述第二图像输入所述第二激活模块，得到第二激活图像；将所述第二激活图像输入所述第二池化层，得到该标注图像对应的初始特征图像。3.根据权利要求1所述的肺结节生长预测方法，其特征在于，所述级联convLSTM网络包括若干级联的convLSTM模块，所述若干初始特征图像包括若干精细预测特征图像和若干粗略预测特征图像，所述若干级联的convLSTM模块与所述若干精细预测特征图像一一对应；每个convLSTM模块的输入项均包括所述若干特征图像；每个convLSTM模块的输出项均包括该convLSTM模块对应的精细预测特征图像。4.根据权利要求3所述的肺结节生长预测方法，其特征在于，所述级联convLSTM网络包括级联的第一convLSTM模块、第二convLSTM模块和第三convLSTM模块，所述若干精细预测特征图像包括：第一精细预测特征图像、第二精细预测特征图像和第三精细预测特征图像，所述若干粗略预测特征图像包括：若干第一粗略预测特征图像和第二粗略预测特征图像；所述将所述若干初始特征图像输入所述级联convLSTM网络，得到若干初始预测特征图像，具体包括：将所述若干特征图像输入所述第一convLSTM模块，得到第一精细预测特征图像和若干第一粗略预测特征图像；将所述第一精细预测特征图像和所述若干特征图像输入所述第二convL...

【专利技术属性】
技术研发人员：周富，赵英琦，罗飞，刘峰，
申请(专利权)人：武汉大学，
类型：发明
国别省市：