【技术实现步骤摘要】
本专利技术属于计算机图像处理领域，尤其涉及一种基于肺部ct图像的肺结节识别处理方法。
技术介绍
1、经研究发现肺结节的筛查诊断在肺癌早期的诊断研究中具有重要作用。肺部计算机断层扫描检测结果能够包含肺部结节的形态、大小、位置、灰度等信息，使得ct在临床影像学检测中的应用越来越广，而从数百张ct图像中准确的检测和分割肺结节区域是极具挑战性的。肺部有复杂的支气管树内部结构，支气管树是由支气管的重复分支形成的，其中还含有许多血管，其轮廓大小随着切片变化，形状也各不相同，非常容易与小的肺结节混淆，使得肺结节检测分割非常耗费医生精力。
2、因此，如何优化计算机辅助诊断系统识别肺结节，进而辅助医生进行快速诊断成为亟待解决的技术问题。
技术实现思路
1、针对肺结节尺寸小分割低下问题。本专利技术提出了获取标注肺部样本图像，读取结节坐标，以所述结节坐标为中心获取64×64×64的区域图像，将图像标签值为0或1的图像分为两类输入网络训练；获得非结节图像数据集和结节图像数据集；将结节图像数据集经过增强处理扩增至第二数量，抽取第一数量的非结节图像；将第二数量的结节图像数据与第一数量的非结节图像混合后进行随机采样；将采样得到的数据中的90%作为训练数据用于训练分类网络，将采样得到的数据中的10%作为测试数据用于测试分类网络性能；将训练数据输入神经网络分类模型进行训练并调节模型参数，直到模型判断参数收敛；将待分析肺部图像数据输入分类模型进行肺结节的分类；将分类结果标注在待分析肺部图像中以及3d肺结节
2、本专利技术为解决以上技术问题所采取的技术方案是：
3、基于肺部ct图像的肺结节识别处理方法，该方法包括：
4、s1、获取标注肺部样本图像，读取结节坐标，以所述结节坐标为中心获取64×64×64的区域图像，将图像标签值为0或1的图像分为两类输入网络训练；获得非结节图像数据集和结节图像数据集；
5、s2、将结节图像数据集经过增强处理扩增至第二数量，抽取第一数量的非结节图像；将第二数量的结节图像数据与第一数量的非结节图像混合后进行随机采样；将采样得到的数据中的90%作为训练数据用于训练分类网络，将采样得到的数据中的10%作为测试数据用于测试分类网络性能；
6、s3、将训练数据输入神经网络分类模型进行训练并调节模型参数，直到模型判断参数收敛；
7、s4、将待分析肺部图像数据输入分类模型进行肺结节的分类；
8、s5、将分类结果标注在待分析肺部图像中以及3d肺结节模型中，以供医生根据患者生命体征参数进行综合判断。
9、进一步的，所述增强处理包括平移、翻转、缩放、旋转处理。
10、进一步的，所述标注肺部样本图像为ct图像。
11、进一步的，神经网络分类模型采用以resnet-50作为骨架网络的u-net网络模型或者transformer模型。
12、进一步的，分类模型损失函数为：
13、
14、上述表达式中i代表样本，yi代表样本i的标签，正类标签为1，负类标签为0；pi代表样本i被预测为正类的概率，1-pi代表样本i被预测为负类的概率,n表示样本总数，li表示第i个样本的损失值。
15、进一步的，在s1之前，方法还包括：s0、根据图像掩码文件，对肺部ct样本图像进行标注，获得结节中心坐标，获取切片厚度、窗宽和窗位后进行图像噪声过滤，对数据进行近邻插值采样，采样后得到的数据经过堆叠生成3d肺结节切片图。
16、进一步的，将分类结果标注在待分析肺部图像中以及3d肺结节模型中包括：将待分析肺部ct图像与单一亚型病理切片编码后输入pls映射模型，将分类模型中的数据映射到ct图像中，通过对不同病理亚型兴趣区进行伪彩处理。
17、计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，处理器执行所述计算机程序实施基于肺部ct图像的肺结节识别处理方法。
18、终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实施基于肺部ct图像的肺结节识别处理方法。
19、本专利技术的有益效果如下：
20、通过对肺部ct图像增强处理，扩增样本数量，优化样本比例，提高了肺结节分类识别模型的识别效率与识别精确性，降低了医生工作强度；
21、同时，采用resnet-50作为骨架网络进行下采样可以加深网络层，提高网络的分割精度。防止了模型退化和梯度消失，具有收敛速度快、减少模型数据量等优点。与原生的u-net相比，替换了其编码器，将其各个阶段的输出特征图与u-net的解码器连接，以保持特征不易丢失。
22、上述说明，仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术技术手段，可依照说明书的内容予以实施，并且为了让本专利技术的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
本文档来自技高网...【技术保护点】
1.一种基于肺部CT图像的肺结节识别处理方法，其特征在于，该方法包括：
2.根据权利要求1所述基于肺部CT图像的肺结节识别处理方法，其特征在于：所述增强处理包括平移、翻转、缩放、旋转处理。
3.根据权利要求1所述基于肺部CT图像的肺结节识别处理方法，其特征在于：所述标注肺部样本图像为CT图像。
4.根据权利要求1所述基于肺部CT图像的肺结节识别处理方法，其特征在于：神经网络分类模型采用以ResNet-50作为骨架网络的U-net网络模型或者Transformer模型。
5.根据权利要求4所述基于肺部CT图像的肺结节识别处理方法，其特征在于：分类模型损失函数为：
6.根据权利要求1所述基于肺部CT图像的肺结节识别处理方法，其特征在于：在S1之前，方法还包括：S0、根据图像掩码文件，对肺部CT样本图像进行标注，获得结节中心坐标，获取切片厚度、窗宽和窗位后进行图像噪声过滤，对数据进行近邻插值采样，采样后得到的数据经过堆叠生成3D肺结节切片图。
7.根据权利要求1所述基于肺部CT图像的肺结节识别处理方法，其特征在于：
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，处理器执行所述计算机程序实施如权利要求1-7任一项所述基于肺部CT图像的肺结节识别处理方法。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实施如权利要求1-7任一项所述基于肺部CT图像的肺结节识别处理方法。
...【技术特征摘要】
1.一种基于肺部ct图像的肺结节识别处理方法，其特征在于，该方法包括：
2.根据权利要求1所述基于肺部ct图像的肺结节识别处理方法，其特征在于：所述增强处理包括平移、翻转、缩放、旋转处理。
3.根据权利要求1所述基于肺部ct图像的肺结节识别处理方法，其特征在于：所述标注肺部样本图像为ct图像。
4.根据权利要求1所述基于肺部ct图像的肺结节识别处理方法，其特征在于：神经网络分类模型采用以resnet-50作为骨架网络的u-net网络模型或者transformer模型。
5.根据权利要求4所述基于肺部ct图像的肺结节识别处理方法，其特征在于：分类模型损失函数为：
6.根据权利要求1所述基于肺部ct图像的肺结节识别处理方法，其特征在于：在s1之前，方法还包括：s0、根据图像掩码文件，对肺部ct样本图像进行标注，获得结节中心坐标，获...
【专利技术属性】
技术研发人员：刘水，宋阳，
申请(专利权)人：天津博思特医疗科技有限责任公司，
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。