[发明专利]基于深度学习的肺结节识别与分割方法及系统

权利要求书

1.一种基于深度学习的肺结节识别与分割方法，其特征在于，包括：

对DICOM文件进行预处理以生成胸部CT图像，从所述胸部CT图像中分割出肺部掩膜，并修补所述肺部掩膜的轮廓；

根据所述胸部CT图像及修补后的肺部掩膜生成三通道肺部图像，并将所述三通道肺部图像输入二维YOLO v3神经网络以检测肺结节的可疑区域；

根据所述可疑区域对所述胸部CT图像进行标准化处理以生成标准化矩阵，将所述标准化矩阵分别输入3D Dense Net神经网络及C3D神经网络以预测出肺结节的置信度及良恶性程度，并根据所述肺结节的置信度及良恶性度生成目标预测框；

根据所述目标预测框对所述胸部CT图像进行归一化处理以生成归一化矩阵，将所述归一化矩阵输入3D U-Net神经网络进行分割，并优化分割结果。

2.一种基于深度学习的肺结节识别与分割系统，其特征在于，包括：

预处理模块，用于对DICOM文件进行预处理以生成胸部CT图像，从所述胸部CT图像中分割出肺部掩膜，并修补所述肺部掩膜的轮廓；

检测模块，用于根据所述胸部CT图像及修补后的肺部掩膜生成三通道肺部图像，并将所述三通道肺部图像输入二维YOLO v3神经网络以检测肺结节的可疑区域；

识别模块，用于根据所述可疑区域对所述胸部CT图像进行标准化处理以生成标准化矩阵，将所述标准化矩阵分别输入3D Dense Net神经网络及C3D神经网络以预测出肺结节的置信度及良恶性程度，并根据所述肺结节的置信度及良恶性度生成目标预测框；

分割模块，用于根据所述目标预测框对所述胸部CT图像进行归一化处理以生成归一化矩阵，将所述归一化矩阵输入3D U-Net神经网络进行分割，并优化分割结果。

3.如权利要求2所述的基于深度学习的肺结节识别与分割系统，其特征在于，所述预处理模块包括预处理单元、分割单元及修补单元，所述预处理单元包括：

还原子单元，用于根据所述DICOM文件中的缩放截距及缩放斜率，还原所述DICOM文件中CT图像的CT值；

第一归一化子单元，用于将所述DICOM文件中位于数轴上且小于预设值的像素点间隔值进行归一化处理，截取目标区间内的CT值，将所述CT值标准化至标准区间；

第二归一化子单元，用于将所述DICOM文件中位于横轴、纵轴及数轴上的像素点间隔值进行归一化处理，截取目标区间内的CT值，将所述CT值标准化至标准区间，以生成胸部CT图像。

4.如权利要求3所述的基于深度学习的肺结节识别与分割系统，其特征在于，所述分割单元包括：

分割子单元，用于对所述胸部CT图像的CT值矩阵进行分割，生成二值矩阵，其中，将所述胸部CT图像中小于预设像素的像素值置为第一基准值，大于预设像素的像素值置为第二基准值；

标记子单元，用于对所述二值矩阵进行三维连通域标记，生成标签矩阵，并在所述标签矩阵上设置背景标签；

标签子单元，用于在所述二值矩阵中把标签等于背景标签的像素值置为第二基准值；

填充子单元，用于对所述二值矩阵中的像素值作减一处理，并填充最大三维连通域内的像素值；

反转子单元，用于反转所述二值矩阵，并保留所述最大三维连通域，其中，像素值为第一基准值的区域为肺部区域；

连通域计算子单元，用于计算反转后的二值矩阵的三维连通域，将所述三维连通域中心点坐标高度小于预设高度的区域及三维连通域容积小于预设容积的区域置为背景；

乘积子单元，用于把所述二值矩阵与预设值进行乘积运算，以生成肺部掩膜。