本发明涉及的是一种图像处理领域的技术，具体是一种基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法。
背景技术：
肺癌高危人群中进行低剂量ct(low-dosecomputedtomography,ldct)检查是筛查肺癌的有效手段，肺癌早期诊断能有效改善预后和降低死亡率，准确确定高危人群不仅能提高筛查效率，还能减少医疗资源浪费，避免让低危人群接受不必要的辐射。ct判读对专业水平和临床经验有较高要求，大型三甲医院水平较高，可满足筛查和诊疗的需求，然而在基层医院，则存在相当困难，容易造成误诊、漏诊。在医疗资源极其不平衡的现况下，利用稳定的人工智能系统，迁移专业高水平医生的知识，减少专家重复劳动，避免其因重复劳动而造成的错误，提高低年资医生的诊断准确率，是非常有意义的。针对接受筛查人群的ct影像图片中发现的肺结节，目前已经有一些基于深度学习的方法；然而现有的大部分方法都并未引入目前深度学习方法研究最前沿的成果，在准确性上尚有提升空间；同时在功能上也有欠缺，这使得现有方法无法成为解决临床医生痛点的完整方案。
技术实现要素：
本发明针对现有技术无法有效辅助临床医生诊疗肺癌，提出一种基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法，可基于ct影像自动识别包括肺部小结节在内的病灶，并提供病灶分割、良恶性诊断和浸润程度判断，提高医生发现和诊断肺部结节的效率和效果。
本发明是通过以下技术方案实现的：
本发明包括以下步骤：
步骤1、基于ct的肺部结节检测，具体为：1)将原始ct按照肺窗划分并进行等距、变向的数据标准化操作；2)在标准化过的数据上利用形态学的自动阈值、开闭运算、区域生长的区域分割操作；3)在肺内部以预设步长取出非结节区域的负样本和结节区域的正样本；4)训练专门设计的深度神经网络分割结节区域；5)训练专门的深度神经网络完成假阳性衰减；6)利用训练好的神经网络在肺内部完成各个小块的结节分割并通过预设策略将每个小块的分割结果拼接起来。
步骤2、基于ct的肺部结节良恶性判断，具体为：
1)利用步骤1的方法完成肺部ct数据标准化；2)将结节区域取出，并分为标准化的良性样本和恶性样本；3)训练专门的深度神经网络区分良恶性样本；4)利用经过训练的深度神经网络区分良恶性结节。
步骤3、基于ct的肺部结节浸润程度判断，具体为：
1)利用步骤1的方法完成肺部ct数据标准化；2)将结节区域取出，并分为标准化的浸润后样本和浸润前样本，并标记每个样本具体的浸润类别；3)训练专门的深度神经网络区分不同浸润的样本，这个深度神经网络的初始化采用步骤2中经过训练的深度神经网络；4)利用经过训练的深度神经网络区分不同的浸润程度。
步骤4、基于ct的肺部结节病灶分割并实现辅助诊断，具体为：
1)利用步骤1的方法完成肺部ct数据标准化；2)将结节区域取出，并取出结节的像素级标注；3)训练专门的深度神经网络直接划分结节区域；4)利用经过训练的深度神经网络分割结节区域。
优选地，在每一步步骤开始之前，预先收集并标准化公开数据集和私有数据集，其中私有数据集来自于合作医院，数据标注请合作医生完成。
技术效果
与现有技术相比，本发明技术效果包括：
1)全自动。该发明的整体运行流程除了需要人工输入指定文件外，所有计算不需要任何人工干预，就能得到肺部结节检测、良恶性诊断、浸润程度分类和边缘分割的结果。
2)准确。目前该发明在肺部结节检测的敏感度和假阳性、良恶性的特异度和敏感度方面均为业界领先，同时能够提供清晰的分割结果。
3)功能全面。可以完成肺部结节检测到诊断的完整流程，并提供肺部结节的浸润程度判断。
4)快速。该发明基于高效的深度学习和并行计算，速度远高于传统方法。
附图说明
图1为本发明流程示意图；
图2～图9为实施例实施效果示意图。
具体实施方式
实施例1
如图1所示，本实施例包括以下步骤：
步骤1、基于ct的肺部结节检测，具体为：1)将原始ct按照肺窗划分并进行等距、变向的数据标准化操作；2)在标准化过的数据上利用形态学的自动阈值、开闭运算、区域生长的区域分割操作；3)在肺内部以预设步长取出非结节区域的负样本和结节区域的正样本；4)训练专门设计的深度神经网络分割结节区域；5)训练专门的深度神经网络完成假阳性衰减；6)利用训练好的神经网络在肺内部完成各个小块的结节分割并通过预设策略将每个小块的分割结果拼接起来。
步骤2、基于ct的肺部结节良恶性判断，具体为：
1)利用步骤1的方法完成肺部ct数据标准化；2)将结节区域取出，并分为标准化的良性样本和恶性样本；3)训练专门的深度神经网络区分良恶性样本；4)利用经过训练的深度神经网络区分良恶性结节。
步骤3、基于ct的肺部结节浸润程度判断，具体为：
1)利用步骤1的方法完成肺部ct数据标准化；2)将结节区域取出，并分为标准化的浸润后样本和浸润前样本，并标记每个样本具体的浸润类别；3)训练专门的深度神经网络区分不同浸的样本，这个深度神经网络的初始化采用步骤2中经过训练的深度神经网络；4)利用经过训练的深度神经网络区分不同的浸润程度。
步骤4、基于ct的肺部结节病灶分割，具体为：
1)利用步骤1的方法完成肺部ct数据标准化；2)将结节区域取出，并取出结节的像素级标注；3)训练专门的深度神经网络直接划分结节区域；4)利用经过训练的深度神经网络分割结节区域。
优选地，在每一步步骤开始之前，预先收集并标准化公开数据集和私有数据集，其中私有数据集来自于合作医院，数据标注请合作医生完成。
如图2～图9所示，本方法在实施时具体通过以下界面得以操作：
1)用户在pc端，即电脑上打开浏览器，访问网址，即可出现图2登录界面；2)登录后，出现图3所示界面，点击“添加dicom影像文件”按钮，若添加成功，出现图4所示界面，添加失败，出现图5所示界面。提交后，请等待约1分钟，系统将完成分析并显示分析结果，出现图6所示界面，右侧功能框中，用户通过铅笔按钮修改结节信息，眼睛按钮选择哪些结节可以打印到报告，并手动输入临床建议，图7为右侧功能框放大图；3)完善病人信息并导出报告；4)退出登录。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。