一种基于结直肠息肉CT影像数据的图像分析方法技术

本发明专利技术公开了一种基于结直肠息肉CT影像数据的图像分析方法，涉及医疗辅助技术领域。本发明专利技术包括数据集预处理、优化YOLOV3模型、基于空间连续性的息肉检测算法。本发明专利技术通过整合现有目标检测算法基础上，采用目前最新的Darknet

【技术实现步骤摘要】
一种基于结直肠息肉CT影像数据的图像分析方法


[0001]本专利技术属于医疗辅助
，特别是涉及一种基于结直肠息肉CT影像数据的图像分析方法。

技术介绍

[0002]随着深度学习和计算机视觉的迅速发展，目标分类、目标分割、目标检测等技术已经在计算机辅助诊断领域广泛应用。目标检测作为图像理解中的重要步骤，主要任务是从图像中勾画所有感兴趣的区域，确定它们的位置和大小，是机器视觉领域的核心问题之一。而对于医学影像感兴趣的目标区域相较于整个影像往往尺寸较小，而且伴有一些特定的形态学特征，因此针对图像特定目标检测方法对于医学图像病灶检测非常有意义。目前计算机辅助诊断(CAD)技术在面对一些癌症诊断和早期筛查时已经扮演十分重要的角色，在医疗临床诊断中70％的依据来源于医学影像，仅在2015年，中国影像检查就达到了14.4亿人次。与医学影像诊断年增长速度超过30％相对比，中国的放射科医生数量年增长率只有4.1％。现今结直肠癌(olorectal cancr CRC)是最常见的恶性肿瘤之一,2018年美国权威机构统计数据显示美国结直肠癌发病率和死亡率在所有癌症中位列前三,结直肠息肉是结直肠癌早期的癌前病变,通过筛查早期发现息肉并及时治疗是降低结直肠癌发病率及死亡率的有效途径,相对于光学结肠镜等传统的检查手段,虚拟结肠镜(virtualcolonosopy,VC)具有侵入性小,检查时间短,患者耐受性好等优点,特别适合用于大规模人群的早期筛查。基于虚拟结肠镜的结直肠息肉计算机辅助检测研究能够辅助医生自动检测发现病灶[7],能够达到减少工作量,提高检测准确率的目的,但传统的结直肠息肉计算机辅助检测技术主要在准确分割肠道内壁的基础上,通过计算形状指数、曲度等息肉的形状变化来进行检测,其缺陷在于仅依靠肠道表面的形状变化而忽略了息肉本身的组织差异,导致在检测中容易遗漏形状变化不显著的息肉如扁平息肉和部分体积较小的广基息肉,而这些息肉的风险程度可能更高。Cancer Statistics，2020统计数据显示，结直肠癌在美国的发病率和致死率在所有癌症中位列第三，结直肠息肉是结直肠癌的早期病变。结直肠息肉的早期检测是预防结直肠癌、降低发病率、死亡率的有效途径。当下，随着深度学习框架的不断成熟和CT、MR等医疗影像设备的成像技术不断提升，利用AI技术进行医疗影像初步诊断已经具备了基本的实施条件。然而在现有的技术框架下，针对复杂的病灶特征，缺乏足够的高质量的标签数据，如何更有效的提取到准确的目标特征，并利用这些经筛选高维特征进行自分类，是当前医学图像和机器学习面临的重大挑战。本专利技术就以上问题，提出了一种基于空间连续性的息肉检测算法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于结直肠息肉CT影像数据的图像分析方法，以解决了现有的问题：如何在现有的技术框架下，针对复杂的病灶特征，缺乏足够的高质量的标签数据，如何更有效的提取到准确的目标特征，并利用这些经筛选高维特征进行自分类。
[0004]为解决上述技术问题，本专利技术是通过以下技术方案实现的：
[0005]本专利技术为一种基于结直肠息肉CT影像数据的图像分析方法，包括数据集预处理、优化YOLOV3模型、基于空间连续性的息肉检测算法，所述数据集预处理对其进行中值滤波处理，使用图像增强技术提高图片对比度，通过Sobel算子锐化增强图像。构建正负样本的数据集，用于训练，所述优化YOLOV3模型替换了传统YLOLOV3模型中的激活函数和输出函数，通过数据增强增加训练的数据量，提高模型的泛化能力。增加噪声数据，提高模型的鲁棒性，所述基于空间连续性的息肉检测算法采用Darknet
‑
53作为基础分类网络，在传统深度卷积神经网络的基础上，加入了残差网络、上采样层、Concat层、多尺度分类回归和多分类器来提升检测精度。
[0006]进一步地，所述数据集预处理中将结直肠息肉CT影像数据进行数据标注，将归一化的标注文件转化为VOC格式的数据集。通过Open cv对结直肠息肉CT图像进行中值滤波处理，其中Open cv提供的函数为：
[0007]1.def median_blur_demo(image):
[0008]2.dst＝cv.medianBlur(image,5)
[0009]3.cv.imshow("median_blur_demo",dst)
[0010]通过Open cv对结直肠息肉CT影像图像进行图像增强，其中Open cv提供的函数为：
[0011]1.def clahe_demo(image):
[0012]2.gray＝cv.cvtColor(image,cv.COLOR_BGR2GRAY)
[0013]3.clahe＝cv.createCLAHE(clipLimit＝3.0,tileGridSize＝(8,8))
[0014]4.dst＝clahe.apply(gray)
[0015]5.cv.imshow("clahe_demo",dst)
[0016]为了补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰，还需要对图像锐化，用灰度的差分对边缘和轮廓进行提取，通过Open cv对结直肠息肉CT影像图像进行图像锐化，其中Open cv提供的函数为：
[0017]1.def custom_blur_demo(image):
[0018]2.kernel＝np.array([[0,
‑
1,0],[
‑
1,5,
‑
1],[0,
‑
1,0]],np.float32)#图像锐化
[0019]3.dst＝cv.filter2D(image,
‑
1,kernel＝kernel)。。
[0020]进一步地，所述优化YOLOV3模型中，YOLO3采用了3个不同尺度的特征图来进行对象检测，能够检测的到更加细粒度的特征，YOLOV3每个尺度的anchor不同，分类不是排他性质的softmax，快速，pipline简单。背景误检率低，通用性强，在VOC数据集上既保持了较高的Map值，又兼顾了高效的实时性，YOLOV3使用新的网络来实现特征提取darknet53，使用了残差网络Residual，darknet53中的残差卷积就是进行一次3X3、步长为2的卷积，然后保存该卷积layer，再进行一次1X1的卷积和一次3X3的卷积，并把这个结果加上layer作为最后的结果，残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题，YOLOV3中该网络最后输出的内容就是三个特征层每个网格点对应的预测框及其种类，同时，在每一个卷积层后增加了批量归一化操作(batch normalization)和去除dropout操作，防止出现过拟合现象，该网络比Darknet
‑
19功能强大，同时比Res本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于结直肠息肉CT影像数据的图像分析方法，包括数据集预处理(一)、优化YOLOV3模型(二)、基于空间连续性的息肉检测算法(三)，其特征在于，所述数据集预处理(一)对其进行中值滤波处理，使用图像增强技术提高图片对比度，通过Sobel算子锐化增强图像。构建正负样本的数据集，用于训练，所述优化YOLOV3模型(二)替换了传统YLOLOV3模型中的激活函数和输出函数，通过数据增强增加训练的数据量，提高模型的泛化能力。增加噪声数据，提高模型的鲁棒性，所述基于空间连续性的息肉检测算法(三)采用Darknet
‑
53作为基础分类网络，在传统深度卷积神经网络的基础上，加入了残差网络、上采样层、Concat层、多尺度分类回归和多分类器来提升检测精度。2.根据权利要求1所述的一种基于结直肠息肉CT影像数据的图像分析方法，其特征在于：所述数据集预处理(一)中将结直肠息肉CT影像数据进行数据标注，将归一化的标注文件转化为VOC格式的数据集。通过Open cv对结直肠息肉CT图像进行中值滤波处理，其中Open cv提供的函数为：1.def median_blur_demo(image):2.dst＝cv.medianBlur(image,5)3.cv.imshow("median_blur_demo",dst)通过Open cv对结直肠息肉CT影像图像进行图像增强，其中Open cv提供的函数为：1.def clahe_demo(image):2.gray＝cv.cvtColor(image,cv.COLOR_BGR2GRAY)3.clahe＝cv.createCLAHE(clipLimit＝3.0,tileGridSize＝(8,8))4.dst＝clahe.apply(gray)5.cv.imshow("clahe_demo",dst)为了补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰，还需要对图像锐化，用灰度的差分对边缘和轮廓进行提取，通过Open cv对结直肠息肉CT影像图像进行图像锐化，其中Open cv提供的函数为：1.def custom_blur_demo(image):2.kernel＝np.array([[0,
‑
1,0],[
‑
1,5,
‑
1],[0,
‑
1,0]],np.float32)#图像锐化3.dst＝cv.filter2D(image,
‑
1,kernel＝kernel)。3.根据权利要求1所述的一种基于结直肠息肉CT影像数据的图像分析方法，其特征在于：所述优化YOLOV3模型(二)中，YOLO3采用了3个不同尺度的特征图来进行对象检测，能够检测的到更加细粒度的特征，YOLOV3每个尺度的anchor不同，分类不是排他性质的softmax，快速，pipline简单。背景误检率低，通用性强，在VOC数据集上既保持了较高的Map值，又兼顾了高效的实时性，YOLOV3使用新的网络来实现特征提取darknet53，使用了残差网络Residual，darknet53中的残差卷积就是进行一次3X3、步长为2的卷积，然后保存该卷积layer，再进行一次1X1的卷积和一次3X3的卷积，并把这个结果加上layer作为最后的结果，残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。4.根据权利要求3所述的一种基于结直肠息肉CT影像数据的图像分析方法，其特征在于：所述YOLOV3中该网络最后输出的内容就是三个特征层每个网格点对应的预测框及其种类，同时，在每一个卷积层后增加了批量归一化操作(batch normalization)和去除
dropout操作，防止出现过拟合现象，该网络比Darknet
‑
19功能强大，同时比ResNet
‑
101或ResNet
‑
152更有效，在ImageNet数据集下的性能测试结果如图2所示，由图2可以看出，Darknet
‑
53比ResNet
‑
101检测效果更好，且速度提高了1.5倍，Darknet
‑
53比ResNet
‑
152具有相似的性能，速度提高了2倍，与Darknet
‑
19相比，检测准确率有较大提升，虽然速度不及Darknet
‑
19，但仍然满足实时性要求。5.根据权利要求3所述的一种基于结直肠息肉CT影像数据的图像分析方法，其特征在于：所述YOLOV3采用多个尺度融合的方式来进行预测。使用类似FPN(Feature Pyramid Networks)的融合做法，在...

【专利技术属性】
技术研发人员：曹月花，陈少杰，李辉，
申请(专利权)人：杭州电子科技大学信息工程学院，
类型：发明
国别省市：