[发明专利]基于深度卷积神经网络自动分割肺结节的辅助检测方法

说明书

本发明公开了一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，首先读取肺部CT图像数据；对肺部CT图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；然后对得到的预处理图像提取肺实质区域和血管区域，剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；使用深度卷积神经网络对独立候选区域进行识别，获得结节区域；最后对结节区域的边界进行微调，得到精确分割的三维肺结节模型。本发明能够有效探测和分割肺结节，并很好地区分结节与其他类似物的边界。

技术领域

本发明属于医学影像探测方法技术领域，具体涉及一种基于深度卷积神经网络自动分割肺结节的辅助检测方法。

背景技术

计算机辅助诊断治疗主要指借助影像学和医学图像处理技术，使用计算机分析病人X光、CT、MRI、超声等影像和其他生理、生化数据，辅助医生发现病灶、诊断疾病、规划治疗方案。实践证明，计算机辅助诊断在提高诊断准确率、提高工作效率、减少漏诊等方面取得了极大的促进作用。随着计算机技术和人工智能技术的发展，计算机辅助诊断也在走向智能化。

肺癌是近年来发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一，分别占据男性和女性恶性肿瘤发病率和死亡率的第一名和第二名。而跟据统计调查显示，早期肺癌的诊断能够大幅提高治疗方案的效果，使其五年生还率从15％提升到65％-80％。医学影像为肺癌筛查提供了一个良好的无创方法，探测和识别肺结节对于早期肺癌的诊断具有十分重要的意义。肺结节是一些CT影像中的小病灶、高密度阴影的统称。肺结节大多在3cm以下，影像学的表现十分复杂。有些结节完全呈实性，边界光滑，无分叶或毛刺；有些结节在影像上表现似毛玻璃样，而根据毛玻璃影中实性成分的多少，又可以分为纯毛玻璃影、部分实性毛玻璃影和完全实性毛玻璃影。

由于影像学表现的复杂性和其重要临床意义，全自动化计算机辅助探测肺结节一直是医学影像领域的重要问题。有很多图像算法应用于肺结节探测和分割，例如阈值法、形态学算法、活动轮廓法以及非线性回归等。近年来，研究者提出了一些深度学习模型，用于肺结节探测与分割，效果较以前的方法有明显改善，但也面临着如下问题：二维网络无法很好的利用三维形状和纹理信息，难以正确分割三维边界；肺区域影像和结节特征具有较高复杂性，难以区分结节和其他类似物体(例如血管)。本发明提出了一种新的基于深度卷积网络探测与分割肺结节的方法，有效地克服了这些不足。

发明内容

本发明的目的是提供一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，能够有效探测和分割肺结节，并很好地区分结节与其他类似物的边界。

本发明所采用的技术方案是，一种基于深度卷积神经网络自动分割肺结节的辅助检测方法，具体包括以下步骤：

步骤1、读取肺部CT图像数据；

步骤2、对肺部CT图像数据进行预处理，依次包括图像插值、去噪及归一化处理，进而获得预处理图像；

步骤3、对所述步骤2得到的预处理图像提取肺实质区域和血管区域，然后剔除所述预处理图像中肺实质区域外的数据和血管区域数据，获得候选区域；然后使用深度卷积神经网络探测并分割所述候选区域，获得若干个独立候选区域；

步骤4、使用深度卷积神经网络对所述独立候选区域进行识别，获得结节区域；

步骤5、对结节区域的边界进行微调，得到精确分割的三维肺结节模型。

本发明的特点还在于：

步骤1中CT图像数据为层厚不大于2.5mm的原始薄层数据。

步骤2中图像插值时将体素间隔拉伸为正方体，提取肺实质区域时使用深度卷积神经网络分割肺实质，提取血管区域时使用Frangi血管增强滤波方法，所述图像的去噪及归一化时采用各项异性滤波方法。