[发明专利]基于深度学习的病灶体积测量方法、系统、终端及存储介质

权利要求书

1.一种基于深度学习的病灶体积测量方法，其特征在于，包括：

采集CT图像2D层面数据；

根据医生对CT图像2D层面数据的标注结果，确定标准标注数据；

将CT图像2D层面数据输入至预设的深度学习网络模型，将模型自身的预测结果和标准标注数据对比计算损失，通过梯度反传算法进行模型参数更新，得到训练好的分割网络模型；

获取待测试CT图像2D层面数据，并将其输入至训练好的分割网络模型，预测2D层面分割结果；

将各2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；

根据所述3D分割结果计算出各病灶的体积；

将相同患者的各种病灶数量和体积按照检测时间绘制波形图进行可视化显示。

2.根据权利要求1所述的基于深度学习的病灶体积测量方法，其特征在于，所述病灶包括磨玻璃阴影、实变影、结节、纤维化、胸腔积液、白肺多种性质病灶。

3.根据权利要求1所述的基于深度学习的病灶体积测量方法，其特征在于，所述将CT图像2D层面数据输入至预设的深度学习网络模型，将模型自身的预测结果和标准标注数据对比计算损失，通过梯度反传算法进行模型参数更新，得到训练好的分割网络模型，包括：

将CT图像2D层面数据连续的上下三个层面合并作为分割网络模型的三个通道的输入，输入至特征金字塔网络为主干网络的Mask-RCNN神经网络模型进行目标的检测和分割训练，得到训练好的分割网络模型。

4.根据权利要求1所述的基于深度学习的病灶体积测量方法，其特征在于，所述获取待测试CT图像2D层面数据，并将其输入至训练好的分割网络模型，预测2D层面分割结果，包括：

通过DICOM数据库获取待测试CT图像2D层面数据；

将所述待测试CT图像2D层面数据进行患者编号、患者检测时间标识；

将标识好的待测试CT图像2D层面数据输入至训练好的分割网络模型，预测2D层面分割结果。

5.根据权利要求1所述的基于深度学习的病灶体积测量方法，其特征在于，所述将各2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果，包括：

将各2D层面上预测的分割结果进行平滑处理，合并成一个完整的3D分割结果。

6.根据权利要求1所述的基于深度学习的病灶体积测量方法，其特征在于，所述根据所述3D分割结果计算出各病灶的体积，包括：

通过DICOM数据库获取肺叶的分割坐标，通过肺叶的分割坐标分别计算肺叶、各病灶的像素数；

获取DICOM数据库中相邻像素中心点之间的距离、层面间距；

通过像素个数*相邻像素中心点之间的距离*相邻像素中心点之间的距离*层面间距的公式分别计算肺叶和病灶的体积。

7.根据权利要求1所述的基于深度学习的病灶体积测量方法，其特征在于，所述将相同患者的各种病灶数量和体积按照检测时间绘制波形图进行可视化显示，包括：

通过DICOM数据库获取相同患者编号的CT图像2D层面数据；

将所述CT图像2D层面数据按照所述方法进行病灶体积测量，得到不同检测时间、相同患者的各种病灶数量和体积；

将病灶的体积和数量按照检测时间变化绘制曲线波形图进行展示。