一种生成对抗网络改进的CT医学图像肺结节检测方法与流程

技术特征：

1.一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于，首先，从CT图像中得到切片，然后分离出肺实质部分，去除影响检测的噪声区域，通过OSTU算法得到图像二值化最优的阈值，然后对图像进行形态学的操作得到图像的掩膜，从而提取到切片图像的各个区域；接着，根据肺部区域和其它的连续区域的位置和大小的差异，分离得到ROI肺实质区域，由于肺结节CT值与其它实质CT值的不同，二值化之后构成的连通域得到不同的疑似肺结节候选集，采用基于辅助分类器生成对抗网络的模型产生真实肺结节样本的方法，克服疑似肺结节正负类样本数量不均衡的问题，通过建立卷积神经网络模型对疑似肺结节部分进行分类得到肺结节，最后使用非极大抑制算法得到最终肺结节的区域；其包括以下步骤：

1)获取肺部CT图像的切片；

2)根据图像形态学性质分离得到ROI肺实质区域；

3)根据二值化图像构成的连通域得到不同的疑似肺结节候选集；

4)建立辅助分类器生成对抗网络的模型产生真实肺结节样本克服不同类别样本数量不均衡的情况；

5)建立卷积神经网络对疑似肺结节部分进行分类得到肺结节区域；

6)使用非极大抑制算法得到肺结节的最终区域。

2.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤1)中，采用同构采样的方法获取肺部CT图像的切片，该方法的处理过程是从全数据集中以固定的同构分辨率重新采样，重新取样病人的像素，将其映射到一个同构分辨率1mm×1mm×1mm，得到同构的切片。

3.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤2)中，根据图像形态学性质分离得到ROI肺实质区域，首先对肺部CT切片图像二值化，二值化过程采用的是OTSU算法，对图像进行形态学的操作，腐蚀，膨胀得到图像的掩膜，通过掩膜得到各个区域，根据肺部区域和其它的连续区域的位置和大小的差异，对胸前内区域及胸廓进行分割，提取肺部区域分离得到ROI肺实质区域；

其中，OTSU算法是一种自适应的计算阈值的方法，首先将原始切片图像灰度化，根据图像的灰度值，将图像所有的像素点分为前景即目标和背景两个不同的类别，两个类之间的差别体现在类间方差，前景和背景的区别越大，这两个类的类间的方差越大，OTSU算法就是通过遍历全部的灰度值，找到合适的阈值，使得这两个类的类间的方差最大。

4.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤3)中，根据二值化图像构成的连通域得到不同的疑似肺结节候选集，由于肺结节CT值与其它实质CT值的不同，对分离后的肺实质部分进行二值化，构成连通域得到不同的疑似肺结节候选集，使用种子填充法作为连通域构建的算法；其中，构成连通区域需要满足两个基本的条件：像素值相同，并且像素点相邻；种子填充法的流程：首先，选取一个前景像素点作为种子，然后根据连通区域的构成条件，将与种子相邻的前景像素合并到同一个集合中，最终得到的像素集合则为一个连通区域；

扫描结束后，就能够得到图像中所有的连通区域，扫描得到的连通域即为疑似肺结节。

5.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤4)中，由于提取的疑似肺结节中真实肺结节样本即正类样本和非肺结节样本即负类样本的数量不均衡，非肺结节样本的数量高于真实肺结节样本，提出一种基于辅助分类器生成对抗网络的模型产生真实肺结节样本的方法；辅助分类器生成对抗网络是生成对抗网络的一种变种，生成对抗网络由两个网络构成，分别是生成网络和判别网络；生成网络的输入是噪声，输出是一张满足输入样本分布的图片；判别网络是一个二分类网络，它的输入是图像，输出是图像的来源；生成网络尽量拟合训练样本中分布使判别网络无法正确分辨某个样本是来自训练样本还是生成样本，判别网络尽量正确判断样本的正确来源；在训练的过程中先固定一个网络，然后训练更新另一个网络的网络权重，交替训练迭代，在这个过程中，生成网络和判别网络都极力优化自己的网络，此时生成网络成功得到训练数据的分布，即生成和原始样本同分布的样本，而判别网络也无法正确判别出结果；

辅助分类器生成对抗网络在生成对抗网络中的输入中添加额外的类别信息，使得其生成器能够生成具有该类别信息的样本，由于疑似肺结节样本中包含的真实肺结节样本缺乏，所以采用辅助分类器生成对抗网络生成真实肺结节样本的方法让两个类的样本保持均衡。

6.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤5)中，使用两层卷积神经网络作为分类器对疑似肺结节部分进行分类得到肺结节区域。

7.根据权利要求1所述的一种生成对抗网络改进的CT医学图像肺结节检测方法，其特征在于：在步骤6)中，使用非极大抑制算法得到肺结节的最终区域，步骤5)中的卷积神经网络的输出结果是每个疑似肺结节区域是否是真实肺结节以及是真实肺结节的概率，得到分类结果属于真实肺结节的区域以及它们的概率作为区域分数并进行汇总；由于不同区域之间可能有交叉的情况发生，根据预测的结节位置与得分使用非极大抑制算法得到最终的肺结节区域；其中，所述非极大抑制算法是首先计算区域分数最高的区域，然后计算剩下的区域与该区域的IOU，排除IOU大于某个设定的阈值的区域；重复上述过程，直到得到最终的区域。