CT图像的处理方法、终端及计算机存储介质技术

本发明专利技术涉及医疗辅助方法技术领域，提供一种CT图像的处理方法、终端及计算机存储介质，所述方法包括：步骤100，进行样本学习，得到CT图像的第一分级样本；步骤200，使用区域增长算法基于VGG

【技术实现步骤摘要】
CT图像的处理方法、终端及计算机存储介质


[0001]本专利技术涉及医疗辅助方法
，尤其涉及一种CT图像的处理方法、终端及计算机存储介质。

技术介绍

[0002]胸部CT图像的判断一直以来都是业界一个难题，分为临床派和技术派，临床派主导人工肉眼查看医学图像，坚持在图像中人工查找病变位置和影像学特征，但是人工处理，第一严重依赖医生的个人经验，无法做到标准化，第二存在误诊和漏诊的可能，医疗质量非常难以控制；另一种希望使用机器学习对分型分症进行辅助判断，其中又有两种方式，一种通过自定义的神经网络进行传统的机器学习，一种通过深度神经网络进行学习影像学特征，将使用后者结合最新的科技手段进行图像处理。
[0003]目前结合深度学习的CT图像处理方法，主要面对两类难题，第一类问题是：由于一般其他机器学习任务样本数量都是万以上数量级，医疗图像的同一个样本的训练集一般只有百或者千数量级别医疗场景下的样本问题，而CT图像的样本量少且不平衡，考虑到患者疾病的多样性，特别是各种压型等情况，找到非常标准的样本非常少；同时更要命的是样本不均衡，例如肺癌，在同一个医院找到的数据，肺癌1期的要远远大于肺癌3期的数据，这样会严重影响机器学习的准确率。第二类问题是：判断标准困难，由于疾病复杂性，外加亚型等问题存在，加上各种误诊漏诊，导致影像学标注非常困难，肺癌2期3期，2.5期怎么标注，患者影像学上有一部分2期的特征，又有一部分3期的特征，临床上会归纳为2.5期，机器学习上应该怎么标注，也会严重影响机器学习的准确率。

技术实现思路

[0004]本专利技术主要解决现有技术的CT图像的样本量少且不平衡以及判断标准困难，会严重影响机器学习的准确率的技术问题，提出一种CT图像的处理方法、终端及计算机存储介质，能有效适应不同实际用户不同型号的CT图像采集设备，提高CT图像处理的可靠性。
[0005]本专利技术提供一种CT图像的处理方法，包括以下过程：
[0006]步骤100，利用CT图像的公开数据集，采用PG
‑
GAN对抗网络进行样本学习，得到CT图像的第一分级样本；
[0007]步骤200，利用CT图像的分级样本，使用区域增长算法基于VGG
‑
16网络进行分类学习，得到CT图像识别的预训练模型；
[0008]步骤300，利用实际用户的CT图像采集设备，采集的CT图像的样本数据，采用PG
‑
GAN对抗网络进行样本学习，得到CT图像的第二分级样本；
[0009]步骤400，根据CT图像的第二分级样本，将图像直方图信息继续执行图像归一化，将图像映射到预训练模型对应的图像数据域内；
[0010]步骤500，对预训练模型进行微调，得到适用于实际场景数据的应用模型；
[0011]步骤600，针对患者真实的CT图像，利用实际运行模型计算对CT图像进行分类预
测，得到预测结果报告。
[0012]进一步的，所述步骤200，包括：
[0013]步骤201，对CT图像的分级样本进行预处理；
[0014]步骤202，使用区域增长算法对CT图像的分级样本进行机器学习，使用VGG
‑
16网络进行特征提取；
[0015]步骤203，使用区域生长算法对CT图像的分级样本进行边界提取；使用灰度图像的色差进行生长，当满足如下生长停止的条件时，则停止生长：
[0016][0017]其中，y
i
表示当前节点，x
i
表示当前CT图像所有节点；
[0018]步骤204，利用全连接条件随机场架构对CT图像的分级样本进行处理；
[0019]步骤205，过参数优化，得到CT图像识别的预训练模型。
[0020]进一步的，步骤201，对CT图像的分级样本进行预处理，包括以下过程：
[0021]使用平衡滤波器去除采样过程中的噪声和底纹；
[0022]对CT图像的强度值进行标准量化，使用统计直方图进行图像灰度统计，采用Z
‑
Score标准化进行CT图像归一化操作，对序列x1，x2，
…
，x
n
进行变换：
[0023][0024]其中，其中为序列x1，x2，
…
，x
n
的均值，σ为序列x1，x2，
…
，x
n
的标准差。
[0025]进一步的，所述步骤500，包括：
[0026]步骤501，把训练好的模型的权重拿来建模；
[0027]步骤502，在VGG
‑
16网络上运行提取瓶颈特征，单独保存；
[0028]步骤503，瓶颈特征层数据，之后连接全连接层，进行微调；
[0029]步骤504，最终生成实际运行模型，并且发布生产。
[0030]对应的，本专利技术还提供一种终端，包括CT图像采集设备、计算模型终端和打印终端；
[0031]所述计算模型终端，包括：处理器和存储器；
[0032]所述存储器用于存储计算机程序，所述处理器运行计算机程序，所述计算机程序执行本专利技术任意实施例提供的CT图像的处理方法。
[0033]对应的，本专利技术还提供一种计算机存储介质，所述计算机存储介质存储所述计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行本专利技术任意实施例提供的CT图像的处理方法。
[0034]本专利技术提供的一种CT图像的处理方法、终端及计算机存储介质，针对CT图像的样本量少且不平衡的情况，通过机器学习训练，同时引入迁移学习方式，在不进行数据共享的情况，进行模型训练，最终模型能有效适应不同实际用户不同型号的CT图像采集设备，提高CT图像处理的可靠性。本专利技术使用标注工具对数据进行标注，能提高80％以上的效率，在提高效率的同时，集成了图像切割等功能，大大提高批量数据操作效率；通过本专利技术的专利技术平均疾病分类准确率均超过87％，最高准确率可以达到93.4％。
附图说明
[0035]图1是本专利技术提供的CT图像的处理方法的实现流程图；
[0036]图2是本专利技术采用的VGG
‑
16网络的示意图；
[0037]图3是本专利技术步骤500的示意图。
具体实施方式
[0038]为使本专利技术解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部内容。
[0039]如图1所示，本专利技术实施例提供的CT图像的处理方法，包括以下过程：
[0040]步骤100，利用CT图像的公开数据集，采用PG
‑
GAN对抗网络进行样本学习，得到CT图像的第一分级样本。
[0041]本步骤的第一分级样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CT图像的处理方法，其特征在于，包括以下过程：步骤100，利用CT图像的公开数据集，采用PG
‑
GAN对抗网络进行样本学习，得到CT图像的第一分级样本；步骤200，利用CT图像的分级样本，使用区域增长算法基于VGG
‑
16网络进行分类学习，得到CT图像识别的预训练模型；步骤300，利用实际用户的CT图像采集设备，采集的CT图像的样本数据，采用PG
‑
GAN对抗网络进行样本学习，得到CT图像的第二分级样本；步骤400，根据CT图像的第二分级样本，将图像直方图信息继续执行图像归一化，将图像映射到预训练模型对应的图像数据域内；步骤500，对预训练模型进行微调，得到适用于实际场景数据的应用模型；步骤600，针对患者真实的CT图像，利用实际运行模型计算对CT图像进行分类预测，得到预测结果报告。2.根据权利要求1所述的CT图像的处理方法，其特征在于，所述步骤200，包括：步骤201，对CT图像的分级样本进行预处理；步骤202，使用区域增长算法对CT图像的分级样本进行机器学习，使用VGG
‑
16网络进行特征提取；步骤203，使用区域生长算法对CT图像的分级样本进行边界提取；使用灰度图像的色差进行生长，当满足如下生长停止的条件时，则停止生长：其中，y
i
表示当前节点，x
i
表示当前CT图像所有节点；步骤204，利用全连接条件随机场架构对CT图像的分级样本进行处理；步骤205，过参数优化，得到CT图...

【专利技术属性】
技术研发人员：邢静，张华，王竞，袁洁，
申请(专利权)人：上海商涌科技有限公司，
类型：发明
国别省市：