[发明专利]肺部CT图像辅助检测处理装置

说明书

本发明涉及肺部CT图像辅助检测处理装置，包括预处理模块、候选结节选取模块以及假阳性筛选模块，其中：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预处理模块的数据集，进行网络模型训练，生成候选结节，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网络训练。本发明在候选结节选取以及假阳性筛选步骤均采用深度学习方法，将Faster‑RCNN网络应用于肺结节位置识别，并基于多维度的三维残差网络实现假阳性筛选，本发明识别具有肺结节特征的CT图像的敏感度达到94.5％。

技术领域

本发明涉及肺部图像检测装置领域，具体是肺部CT图像辅助检测处理装置。

背景技术

CT是用X线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器(analog/digitalconverter)转为数字，输入计算机处理。图像形成的处理有如对选定层面分成若干个体积相同的长方体，称之为体素(voxel)。扫描所得信息经计算而获得每个体素的X线衰减系数或吸收系数，再排列成矩阵，即数字矩阵(digitalmatrix)，数字矩阵可存贮于磁盘或光盘中。经数字/模拟转换器(digital/analogconverter)把数字矩阵中的每个数字转为由黑到白不等灰度的小方块，即像素(pixel)，并按矩阵排列，即构成CT图像。所以，CT图像是重建图像。每个体素的X线吸收系数可以通过不同的数学方法算出。CT图像又是层面图像，常用的是横断面，为了显示整个器官，需要多个连续的层面图像。

肺癌是对人类健康和生命威胁最大的恶性肿瘤之一。在我国，肺癌已成为恶性肿瘤首位死亡原因。如果肺癌能被早期诊断及治疗，患者5年生存率将从14％上升到49％。而作为肺癌早期诊断重要指标的肺部小结节检测就成为整个诊断流程中非常重要的一个环节。目前肺部小结节的CT鉴别诊断是放射科医生日常医疗工作中常面临的难题，现有肺部肿瘤影像学诊断是依据CT成像原理拍摄的图像，根据病灶图像形态表现和解剖学关系及医生以往的诊断经验而推断的结论。而现用于胸部诊断的CT肺部扫描多为二维黑白图像，对于一些特殊部位，医生很难通过观看图像来准确判断是否存在小结节，因此容易造成漏诊误诊。

发明内容

本发明所要解决的技术问题是提供肺部CT图像辅助检测处理装置，以解决现有技术中存在的缺陷。

本发明解决上述技术问题的技术方案如下：

一种肺部CT图像辅助检测处理装置，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：

步骤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；

步骤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。

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；