一种基于改进图像分割算法的肺癌影像病变区域划分方法

本发明涉及医学图像识别领域，具体是一种基于改进图像分割算法的肺癌影像病变区域划分方法。

背景技术：

在癌症诊断和治疗领域，经常要对病人的ct和mri等医学图像进行分析，对病灶进行定位以及提取病灶的特征。但现有医学图像分析技术普遍存在以下问题：在对病灶区域提取特征前，需要从医学图像中识别并裁剪出小目标的病灶区域，以排除无关信息的干扰，目前这一过程是需要人工操作完成，效率极低，难以实现对大批量医学图像的处理，同时裁剪病灶区域的精度较低；在特征提取过程中，使用灰度共生矩阵等现有技术提取到的是手工特征，这类特征提取算法依赖数据集的质量，对噪声很敏感，泛化能力差，而且需要占用大量的计算资源；在使用神经网络进行图像处理时，将单通道的医学图像输入到神经网络中，神经网络能获取到的细节信息较少；在使用未经改进的unet等传统网络进行图像处理时，在连续采样过程中容易丢失信息。上述问题造成了现有技术分析精度和效率处于较低的水平。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于改进图像分割算法的肺癌影像病变区域划分方法，其特征在于，包括如下步骤：

步骤一，数据采集，采集肺部影像，形成肺部影像数据集，并对采集到的肺部影像数据进行预处理；

步骤二，将预处理后的肺部影像数据集输入到癌变检测、分类模型中，对癌变影像中的癌变区域和非癌变区域进行识别和分类，分别得到识别结果和分类结果；

步骤三，将检测结果和分类结果进行联合，得到最终的识别结果；

步骤四，根据识别结果分别得到肺部影像中的癌变区域和非癌变区域。

进一步的，所述的对采集到的肺部影像数据进行预处理包括如下过程：

对采集的肺部影像进行图像分割，将每张肺部影像均分为n张切片，并以肺部影像几何中心为图像中心再切分出与均分的n张切片同样大小的切片，得到第n+1张切片，用深度学习方法对切片处理后的图像数据进行预处理，将切分得到的图像利用opencv库自带重置函数进行图像大小重置，同时将图像数据进行归一化，完成图像的预处理器。

进一步的，所述的将预处理后的肺部影像数据集输入到癌变检测、分类模型中，对癌变影像中的癌变区域和非癌变区域进行识别和分类，分别得到识别结果和分类结果，包括如下过程：

将预处理后的肺部影像数据集输入到癌变检测、分类模型中时，先将图像缩放到检测模型设定的大小，提取图像特征图，将图像特征图切分成与肺部影像相同数量的切分图，通过检测算法检测到癌变图像在哪个切分图中，则将该切分图对应的肺部影像切片提取出来，直到提取出所有的包含癌变图像的切片，得到癌变区域切片和非癌变区域切片；

对提取出的癌变区域切片按照肺部影像位置进行组合，组合后再次进行切片，对每个切片均分为4个切片，得到二次切分图，再次提取图像特征图，将图像特征图切分成与二次切分图相同数量的切分图，通过检测算法检测到癌变图像在哪个切分图中，则将该切分图对应的肺部影像切片提取出来，直到提取出所有的包含癌变图像的切片，得到癌变区域切片和非癌变区域切片；

重复以上过程，直到得到非癌变区域切片与癌变区域切片的比例小于设定值，则完成癌变区域与非癌变区域的检测；

通过分类算法对第n+1张切片进行分类检测，识别出癌变区域和非癌变区域；若第n+1张切片中未识别到非癌变区域，则对该切片的邻接的切片分别进行检测，若邻接切片检测到癌变区域，则同样检测该切片的邻接切片，重复上述检测步骤，直到邻接的切片中未识别到癌变区域，则停止识别；

若第n+1张切片中识别到非癌变区域，则对该切片的癌变区域邻接的切片分别进行检测，若邻接切片检测到癌变区域，则同样检测该切片的邻接切片，重复上述检测步骤，直到邻接的切片中未识别到癌变区域，则停止识别；

若第n+1张切片中未识别到非癌变区域，则对该切片邻接的切片分别进行检测，直到检测到包含癌变区域的邻接切片，以该邻接切片为中心，检测该切片的邻接切片，若邻接切片检测到癌变区域，则同样检测该邻接切片的邻接切片，重复上述检测步骤，直到邻接的切片中未识别到癌变区域，则停止识别；经过上述步骤，得到分类识别出的癌变区域。

进一步的，所述的将检测结果和分类结果进行联合，得到最终的识别结果，包括如下过程：

将检测算法识别出的癌变区域与分类算法识别出的癌变区域进行叠加，重合的部分即为癌变区域，肺部影像中去除癌变区域的图像即为非癌变区域。

本发明的有益效果是：通过本发明的方法可以实现在使用神经网络进行图像处理时，神经网络能获取到的细节信息丰富；使得分析精度和效率得到很大提高。

附图说明

图1为一种基于改进图像分割算法的肺癌影像病变区域划分方法的流程示意图；

图2为检测算法检测癌变区域示意图；

图3为分类算法识别癌变区域示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于改进图像分割算法的肺癌影像病变区域划分方法，包括如下步骤：

步骤一，数据采集，采集肺部影像，形成肺部影像数据集，并对采集到的肺部影像数据进行预处理；

步骤二，将预处理后的肺部影像数据集输入到癌变检测、分类模型中，对癌变影像中的癌变区域和非癌变区域进行识别和分类，分别得到识别结果和分类结果；

步骤三，将检测结果和分类结果进行联合，得到最终的识别结果；

步骤四，根据识别结果分别得到肺部影像中的癌变区域和非癌变区域。

所述的对采集到的肺部影像数据进行预处理包括如下过程：

对采集的肺部影像进行图像分割，将每张肺部影像均分为n张切片，并以肺部影像几何中心为图像中心再切分出与均分的n张切片同样大小的切片，得到第n+1张切片，用深度学习方法对切片处理后的图像数据进行预处理，将切分得到的图像利用opencv库自带重置函数进行图像大小重置，同时将图像数据进行归一化，完成图像的预处理器。

所述的将预处理后的肺部影像数据集输入到癌变检测、分类模型中，对癌变影像中的癌变区域和非癌变区域进行识别和分类，分别得到识别结果和分类结果，包括如下过程：

将预处理后的肺部影像数据集输入到癌变检测、分类模型中时，先将图像缩放到检测模型设定的大小，提取图像特征图，将图像特征图切分成与肺部影像相同数量的切分图，通过检测算法检测到癌变图像在哪个切分图中，则将该切分图对应的肺部影像切片提取出来，直到提取出所有的包含癌变图像的切片，得到癌变区域切片和非癌变区域切片；

对提取出的癌变区域切片按照肺部影像位置进行组合，组合后再次进行切片，对每个切片均分为4个切片，得到二次切分图，再次提取图像特征图，将图像特征图切分成与二次切分图相同数量的切分图，通过检测算法检测到癌变图像在哪个切分图中，则将该切分图对应的肺部影像切片提取出来，直到提取出所有的包含癌变图像的切片，得到癌变区域切片和非癌变区域切片；

重复以上过程，直到得到非癌变区域切片与癌变区域切片的比例小于设定值，则完成癌变区域与非癌变区域的检测；

通过分类算法对第n+1张切片进行分类检测，识别出癌变区域和非癌变区域；若第n+1张切片中未识别到非癌变区域，则对该切片的邻接的切片分别进行检测，若邻接切片检测到癌变区域，则同样检测该切片的邻接切片，重复上述检测步骤，直到邻接的切片中未识别到癌变区域，则停止识别；

若第n+1张切片中识别到非癌变区域，则对该切片的癌变区域邻接的切片分别进行检测，若邻接切片检测到癌变区域，则同样检测该切片的邻接切片，重复上述检测步骤，直到邻接的切片中未识别到癌变区域，则停止识别；

若第n+1张切片中未识别到非癌变区域，则对该切片邻接的切片分别进行检测，直到检测到包含癌变区域的邻接切片，以该邻接切片为中心，检测该切片的邻接切片，若邻接切片检测到癌变区域，则同样检测该邻接切片的邻接切片，重复上述检测步骤，直到邻接的切片中未识别到癌变区域，则停止识别；

经过上述步骤，得到分类识别出的癌变区域。

所述的将检测结果和分类结果进行联合，得到最终的识别结果，包括如下过程：

将检测算法识别出的癌变区域与分类算法识别出的癌变区域进行叠加，重合的部分即为癌变区域，肺部影像中去除癌变区域的图像即为非癌变区域。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。