1.一种基于深度学习的ct图像肺结节快速筛查方法,包括如下步骤:
(1)ct图像的预处理:根据窗宽和窗位对原始三维图像进行归一化;
(2)分类模型的构建:构建至少一个二分类网络,输入是三维图像,输出是包含肺结节的概率;
(3)分类网络的训练数据准备:训练数据包含结节的具体信息,将图像切割成小尺寸图像;
(4)分类网络的测试数据准备并预测:将切割后的图像输入至分类网络中进行预测,给定阈值,根据该阈值筛选图像,去除包含结节的概率小于该阈值的切割后的图像;
(5)分割模型的数据准备:训练数据包含肺结节的图像,尺寸与最后一个分类网络输入图像的尺寸一致,图像包含肺结节的mask作为标签;测试数据是最后一个网络中包含肺结节概率较大的图像;
(6)分割模型的构建:构建一个输入是三维图像,输出是肺结节的mask的分割模型。
2.如权利要求1所述的一种基于深度学习的ct图像肺结节快速筛查方法,其特征在于:所述步骤(4)中,第一个分类网络的测试数据是将整个三维ct图像切割为小尺寸图像,直接利用分类网络进行预测,计算出小尺寸图像有肺结节的概率;后面的分类网络输入的图像,是对上一个网络测试结果中包含肺结节概率大于阈值的图像进一步切割得到的更小尺寸图像。
3.如权利要求1所述的一种基于深度学习的ct图像肺结节快速筛查方法,其特征在于:所述步骤(3)中,根据结节的位置,切割出正样本数据和负样本数据;包含肺结节的小尺寸三维图像作为正样本,不包含肺结节的小尺寸三维图像作为负样本;每个分类网络的训练图像尺寸均不相同。
4.如权利要求1所述的一种基于深度学习的ct图像肺结节快速筛查方法,其特征在于:所述分类模型采用resnet、vgg或inception网络。
5.如权利要求1所述的一种基于深度学习的ct图像肺结节快速筛查方法,其特征在于:所述分割模型采用unet、nnunet或resunet网络。