[发明专利]基于图像增强的肺结节检测方法及系统

说明书

技术领域

本发明涉及肺结节检测领域，具体涉及一种基于图像增强的肺结节检测方法及系统。

背景技术

早期的肺癌在医学影像上呈现为一小团阴影，即肺结节。迄今为止，国内外已经出现了很多检测肺结节的工具。传统的X射线是一种简单、廉价、并广泛应用的胸片检测方式。然而，它检测早期肺癌的能力受技术和医生水平的限制而且识别率并不能得到很好的保证。影响最大、识别率最高的是多层螺旋CT技术，但其高辐射的危害也制约着这种技术的使用。随着医学影像技术的发展，胸片的分辨率和对比度都有了很大的提高，很多医院还是会利用胸片做一次初步诊断，而且一次胸片的辐射量不到CT的十分之一。

相对于CT图像，胸片的干扰因素很多，即使经验丰富的医生，偶尔也会因为长期看片的疲劳和压力发生漏诊误诊的情况。为了减少医生的工作量和压力，提高肺结节的检出率，很多研究人员开始从事计算机辅助诊断系统的研究。

在肺结节的诊断过程中，由于胸片的干扰因素多。现在常用的肺结节分割技术，例如基于边缘的分割方法、基于区域的分割方法、基于特征空间的分割方法，往往效率很低而且效果并不理想。

发明内容

针对现有技术的不足，本发明提供了一种基于图像增强的肺结节检测方法及系统，解决了肺结节检测效率低的缺陷。

为实现以上目的，本发明通过以下技术方案予以实现：

根据本发明的第一方面，提供一种基于图像增强的肺结节检测方法，包括：

一种基于图像增强的肺结节检测方法，其特征在于，包括：

解析出图像数据库中的胸片正位图，将所述胸片正位图转换成JPG图像；

利用自适应直方图均衡化算法对转换成JPG图像的胸片正位图进行预处理，并将进行预处理后的所述胸片正位图按预设比例分为训练集、验证集及测试集；

利用所述训练集及所述验证集训练和调整卷积神经网络模型，并通过所述测试集评测所述卷积神经网络模型的准确率；

在所述训练集及所述验证集上将胸片正位图中抠出的肺结节区域作为模型训练的负样本，将胸片正位图中其他区域随机裁剪作为模型训练的正样本，对所述负样本进行变形处理以增强负样本数量；

利用滑动窗口将整张的JPG图像的胸片正位图分成不重叠的图像块，然后将所述图像块输入到所述卷积神经网络模型中判断所述图像块的为正样本或负样本；

如果所述图像块为负样本，则所述胸片正位图上存在肺结节区域。

进一步地，所述将进行预处理后的所述胸片正位图按预设比例分为训练集、验证集及测试集，包括：

将进行预处理后的所述胸片正位图按7:1:2的比例分为训练集、验证集及测试集。

进一步地，所述在所述训练集及所述验证集上将胸片正位图中抠出的肺结节区域作为模型训练的正样本，包括：

根据XML文件中的标注信息抠出所述肺结节区域，将肺结节区域作为模型训练的正样本；

其中，所述图像数据库为肺部影像数据库，所述肺部影像数据库包括针对胸片正位图上肺结节的XML标注文件。

进一步地，所述对所述负样本进行变形处理以增强负样本数量，包括：

将所述负样本经过遮盖、旋转、添加噪声、挤压扭曲中的至少一种进行变形处理成为新的负样本，将所述新的负样本作为训练数据。

进一步地，所述利用滑动窗口将整张的JPG图像的胸片正位图分成不重叠的图像块，包括：

所述滑动窗口的步长设定为100，将整张的JPG图像的胸片正位图分成不重叠的图像块。

根据本发明的第二方面，提供一种基于图像增强的肺结节检测系统，包括：

转换模块，用于解析出图像数据库中的胸片正位图，将所述胸片正位图转换成JPG图像；

划分模块，用于利用自适应直方图均衡化算法对转换成JPG图像的胸片正位图进行预处理，并将进行预处理后的所述胸片正位图按预设比例分为训练集、验证集及测试集；

训练模块，用于利用所述训练集及所述验证集训练和调整卷积神经网络模型，并通过所述测试集评测所述卷积神经网络模型的准确率；

增强模块，用于在所述训练集及所述验证集上将胸片正位图中抠出的肺结节区域作为模型训练的负样本，将胸片正位图中其他区域随机裁剪作为模型训练的正样本，对所述负样本进行变形处理以增强负样本数量；

检测模块，用于利用滑动窗口将整张的JPG图像的胸片正位图分成不重叠的图像块，然后将所述图像块输入到所述卷积神经网络模型中判断所述图像块的为正样本或负样本；