基于深度学习的肺结节图像识别系统及方法技术方案

公开了一种基于深度学习的肺结节图像识别系统及方法

【技术实现步骤摘要】
基于深度学习的肺结节图像识别系统及方法


[0001]本申请涉及图像识别领域，且更为具体地，涉及一种基于深度学习的肺结节图像识别系统及方法
。

技术介绍

[0002]肺结节是肺部组织中的异常增生或炎症，其形态多样，大小不一，位置随机，与正常肺组织的对比度低，给人工诊断带来了很大的困难
。
及时准确地识别肺结节，对于肺癌的早期诊断和治疗具有重要意义
。
[0003]然而，由于肺结节的特征多样，且常常与周围组织相似或重叠，传统的图像处理难以有效地检测肺结节
。
深度学习方法为解决此技术问题提供了一种新的解决思路
。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种基于深度学习的肺结节图像识别系统及方法
。
其可以利用深度学习算法，从肺部
CT
图像中捕捉并分析结节病变特征，从而实现智能化地识别肺部
CT
图像中的结节病变
。
[0005]根据本申请的一个方面，提供了一种基于深度学习的肺结节图像识别方法，其包括：
[0006]获取肺部
CT
图像；
[0007]对所述肺部
CT
图像进行图像特征提取以得到拓扑全局肺部
CT
图像局部特征矩阵；以及
[0008]基于所述拓扑全局肺部
CT
图像局部特征矩阵，确定所述肺部
CT
图像中是否存在结节病变
。
[0009]根据本申请的另一个方面，提供了一种基于深度学习的肺结节图像识别系统，其包括：
[0010]图像获取模块，用于获取肺部
CT
图像；
[0011]图像特征提取模块，用于对所述肺部
CT
图像进行图像特征提取以得到拓扑全局肺部
CT
图像局部特征矩阵；以及
[0012]结节病变判断模块，用于基于所述拓扑全局肺部
CT
图像局部特征矩阵，确定所述肺部
CT
图像中是否存在结节病变
。
[0013]与现有技术相比，本申请提供的基于深度学习的肺结节图像识别系统及方法，其首先获取肺部
CT
图像，接着，对所述肺部
CT
图像进行图像特征提取以得到拓扑全局肺部
CT
图像局部特征矩阵，然后，基于所述拓扑全局肺部
CT
图像局部特征矩阵，确定所述肺部
CT
图像中是否存在结节病变
。
这样，可以利用深度学习算法，从肺部
CT
图像中捕捉并分析结节病变特征，从而实现智能化地识别肺部
CT
图像中的结节病变
。
附图说明
[0014]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨
。
[0015]图1为根据本申请实施例的基于深度学习的肺结节图像识别方法的流程图
。
[0016]图2为根据本申请实施例的基于深度学习的肺结节图像识别方法的架构示意图
。
[0017]图3为根据本申请实施例的基于深度学习的肺结节图像识别方法的子步骤
S120
的流程图
。
[0018]图4为根据本申请实施例的基于深度学习的肺结节图像识别方法的子步骤
S122
的流程图
。
[0019]图5为根据本申请实施例的基于深度学习的肺结节图像识别方法的子步骤
S130
的流程图
。
[0020]图6为根据本申请实施例的基于深度学习的肺结节图像识别方法的子步骤
S131
的流程图
。
[0021]图7为根据本申请实施例的基于深度学习的肺结节图像识别系统的框图
。
[0022]图8为根据本申请实施例的基于深度学习的肺结节图像识别方法的应用场景图
。
具体实施方式
[0023]下面将结合附图对本申请实施例中的技术方案进行清楚
、
完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例
。
基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围
。
[0024]如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和
/
或“该”等词并非特指单数，也可包括复数
。
一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素
。
[0025]虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和
/
或服务器上
。
所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块
。
[0026]本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作
。
应当理解的是，前面或下面操作不一定按照顺序来精确地执行
。
相反，根据需要，可以按照倒序或同时处理各种步骤
。
同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作
。
[0027]下面，将参考附图详细地描述根据本申请的示例实施例
。
显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制
。
[0028]针对上述技术问题，本申请的技术构思为利用深度学习算法，从肺部
CT
图像中捕捉并分析结节病变特征，从而实现智能化地识别肺部
CT
图像中的结节病变
。
[0029]基于此，图1为根据本申请实施例的基于深度学习的肺结节图像识别方法的流程
图
。
图2为根据本申请实施例的基于深度学习的肺结节图像识别方法的架构示意图
。
如图1和图2所示，根据本申请实施例的基于深度学习的肺结节图像识别方法，包括步骤：
S110
，获取肺部
CT
图像；
S120
，对所述肺部
CT
图像进行图像特征提取以得到拓扑全局肺部
CT
图像局部特征矩阵；以及，
S130
，基于所述拓扑全局肺部
CT
图像局部特征矩阵，确定所述肺部
CT
图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的肺结节图像识别方法，其特征在于，包括：获取肺部
CT
图像；对所述肺部
CT
图像进行图像特征提取以得到拓扑全局肺部
CT
图像局部特征矩阵；以及基于所述拓扑全局肺部
CT
图像局部特征矩阵，确定所述肺部
CT
图像中是否存在结节病变
。2.
根据权利要求1所述的基于深度学习的肺结节图像识别方法，其特征在于，对所述肺部
CT
图像进行图像特征提取以得到拓扑全局肺部
CT
图像局部特征矩阵，包括：对所述肺部
CT
图像进行图像分块处理以得到肺部
CT
图像块的序列；从所述肺部
CT
图像块的序列中提取节点信息和拓扑信息以得到全局肺部
CT
图像局部特征矩阵和余弦相似度拓扑特征矩阵；以及将所述全局肺部
CT
图像局部特征矩阵和所述余弦相似度拓扑特征矩阵通过图神经网络模型以得到所述拓扑全局肺部
CT
图像局部特征矩阵
。3.
根据权利要求2所述的基于深度学习的肺结节图像识别方法，其特征在于，从所述肺部
CT
图像块的序列中提取节点信息和拓扑信息以得到全局肺部
CT
图像局部特征矩阵和余弦相似度拓扑特征矩阵，包括：将所述肺部
CT
图像块的序列分别通过基于卷积神经网络模型的肺部图像特征提取器以得到肺部
CT
图像局部特征向量的序列；计算所述肺部
CT
图像局部特征向量的序列中每两个肺部
CT
图像局部特征向量之间的余弦相似度以得到余弦相似度拓扑矩阵；将所述余弦相似度拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述余弦相似度拓扑特征矩阵；以及将所述肺部
CT
图像局部特征向量的序列进行二维排列以得到所述全局肺部
CT
图像局部特征矩阵
。4.
根据权利要求3所述的基于深度学习的肺结节图像识别方法，其特征在于，基于所述拓扑全局肺部
CT
图像局部特征矩阵，确定所述肺部
CT
图像中是否存在结节病变，包括：对所述拓扑全局肺部
CT
图像局部特征矩阵进行特征分布优化以得到优化拓扑全局肺部
CT
图像局部特征矩阵；以及将所述优化拓扑全局肺部
CT
图像局部特征矩阵通过分类器以得到分类结果，所述分类结果用于表示肺部
CT
图像中是否存在结节病变
。5.
根据权利要求4所述的基于深度学习的肺结节图像识别方法，其特征在于，对所述拓扑全局肺部
CT
图像局部特征矩阵进行特征分布优化以得到优化拓扑全局肺部
CT
图像局部特征矩阵，包括：将所述肺部
CT
图像局部特征向量的序列进行级联以获得第一级联特征向量；通过所述第一级联特征向量来对所述拓扑全局肺部
CT
图像局部特征矩阵的各个行特征向量级联后得到的第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；以及将所述优化第二级联特征向量进行特征向量重构以得到所述优化拓扑全局肺部
CT
图像局部特征矩阵
。6.
根据权利要求5所述的基于深度学习的肺结节图像识别方法，其特征在于，通过所述
第一级联特征向量来对所述拓扑全局肺部
CT
...

【专利技术属性】
技术研发人员：焦嘉，
申请(专利权)人：郑州大学第一附属医院，
类型：发明
国别省市：