[发明专利]基于深度学习的肺结节识别与分割方法及系统

说明书

本发明公开了一种基于深度学习的肺结节识别与分割方法，包括：对DICOM文件进行预处理以生成胸部CT图像，从胸部CT图像中分割出肺部掩膜并修补；根据胸部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；根据可疑区域对胸部CT图像进行标准化处理以生成标准化矩阵，将标准化矩阵分别输入3D Dense Net神经网络及C3D神经网络进行预测，并根据预测结果生成目标预测框；根据目标预测框对胸部CT图像进行归一化处理以生成归一化矩阵，将归一化矩阵输入3D U‑Net神经网络进行分割，并优化分割结果。本发明还公开了一种基于深度学习的肺结节识别与分割系统。采用本发明，可有效提高识别与分割的准确性及速度。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种基于深度学习的肺结节识别与分割方法及一种基于深度学习的肺结节识别与分割系统。

背景技术

在对影像图片的肺部结节识别过程中，通常使用的识别方法主要包括以下几种：

一、传统形态结构学方法：基于三维形状对采用不同的三维形状(如球形、圆柱形、曲面)分别模拟结节、血管与胸膜。但是，该方法容易依赖于结节与球形的相似性，容易造成与模拟形状不相似导致的漏检。

二、影像组学方法：在三维图像上采用OTSU(最大类间方差法)阈值、分水岭等传统分割方法提取肺结节可疑区域，然后提取分割后的病灶区域的纹理、形状、大小、分布等特征，对其采用K-Means(硬聚类算法)、KNN(K-NearestNeighbor，临近算法)、决策树、随机森林等一种或多种机器学习方法进行分析，得出可疑区域为病灶的概率。但是，采用传统分割方法容易漏检磨玻璃结节，容易受到血管干扰，不能很好地分割出黏连血管的结节，且可疑区域包含血管容易在计算纹理、形状、大小、分布等特征数值时发生偏移，进而影响模型效果。

三、深度学习方法：设计小型3D CNN(Convolutional Neural Network，卷积神经网络)识别网络模型，采用滑动窗口机制用训练好的模型来预测肺结节病灶；或者设计大型3D CNN检测网络模型，在大范围CT内检测肺结节病灶。但是，小型3D CNN识别网络的准确率与速度均依赖于滑动窗口的步长，两者互相牵制；而大型3D CNN检测网络在训练上由于训练参数庞大不易于收敛，预测速度相对慢一点。

发明内容

本发明所要解决的技术问题在于，提供一种基于深度学习的肺结节识别与分割方法及系统，可提高识别与分割的准确性及速度。

为了解决上述技术问题，本发明提供了一种基于深度学习的肺结节识别与分割方法，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。