【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
...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。