[发明专利]肺部CT图像辅助检测处理装置

权利要求书

1.肺部CT图像辅助检测处理装置，其特征在于：包括：读取并解析CT图像模块、图像预处理模块、图像识别模块、深度学习模块及特征提取模块，其中，所述特征提取模块包括候选结节选取模块及假阳性筛选模块，其中：图像预处理模块是对数据集进行整理和提取，基于Faster-RCNN的候选结节模块使用图像预处理模块的数据集，进行深度学习，生成候选结节，并对图像进行分类，经过特征提取模块处理后，进入图像识别模块反馈进行深度学习，基于多维度残差网络的使用候选结节选取模块得到的候选结节进行多次迭代网络训练；其具体处理步骤包括：1)对读取并解析的CT图像进行预处理，即对CT图像依次进行重采样、提取肺实质和CT图像归一化；2)训练基于Faster-RCNN的分割网络并实现结节的图像分割，然后使用图像处理方法修正候选结节的区域；步骤3)采用正负样本集训练三维残差网络Resnet，进行候选结节的假阳性筛选。

2.根据权利要求1所述的肺部CT图像辅助检测处理装置，其特征在于：上述步骤2具体包括：2.1)在训练Faster-RCNN网络时，使用优化后的损失函数进行反向传播；2.2)将整张图片输入基于Faster-RCNN的卷积网络，进行特征提取，将建议窗口映射到卷积网络的最后一层卷积特征图上，生成固定大小的建议窗口；2.3)对分割图像进行二值化处理，将前景区域和背景区域分开，使用形态学的操作降低噪声，计算结节区域的三维连通区域的重心，该重心即为候选结节的中心，获得训练集的结节概率分布，对距离相近的连通区域进行合并操作。

3.根据权利要求2所述的肺部CT图像辅助检测处理装置，其特征在于：所述的训练，即基于所构建的三维残差网络，将三种模型分开独立训练，进行真假阳性的分类训练，得到多维度的Resnet3D网络；所述的独立训练是指：由于网络的输入大小不同，将三种独立训练，使用随机梯度下降算法向后传播更新网络的参数值，每次迭代多个样本，损失函数由正样本的评价损失和负样本的平均损失叠加产生，避免由于正负样本的不平衡导致损失函数被某一类别的样本所主导；所述的图像相似性判断是指：使用训练得到的多维度三维残差网络，将三种模型以不同的权重组合，对测试集的图像进行相似性判断，获得测试具有对应图案特征的概率，当概率大于设定的阈值时，即判断此图像具有图案特征。