一种肺部CT图像的识别方法与流程

本发明属于计算机图像处理领域，尤其涉及一种肺部ct图像的识别方法。

背景技术：

1、癌症仍然是严重危害人类生命安全的疾病之一，肺癌的一般表现为肺部组织中的病变细胞不受抑制的无限扩散，形成位于肺部的恶性肿瘤，导致人体肺功能异常。如果不能及时发现并采取相应的治疗手段，病变细胞便不停的增殖并扩散至肺部以外的人体组织中，有着极高的致死率。肺癌中，虽然肺腺癌患者的病变细胞增殖分裂速度相对其他肺癌类型来说较为缓慢，但是其病变前中期的症状发展不太明显比较难以察觉，导致患者当被确诊后通常会错过最佳的治疗时机。

2、随着计算机断层扫描（ct）的应用和发展，较以往相比，更多的肺腺癌病人能够在发病早期就能发现并进行相对应的治疗。由于ct图像中所蕴含的信息比较丰富，阅片诊断都是以人工方式进行，导致人的主观性和人眼视觉局限性会对诊断结果有着较大的影响，只通过观察ct图像很难对患者肿瘤进行性质鉴别和肿瘤分化程度的确定。因此，如何实现计算机识别病灶区域，进而辅助医生进行快速诊断成为亟待解决的技术问题。

技术实现思路

1、针对人工阅片速度慢的不足，人眼视觉局限性会对诊断结果有着较大的影响的问题。本发明提出了获取肺部ct图像，对所述肺部ct图像进行预处理；将预处理后的肺部ct图像与原图像进行哈达玛积运算，获得增强肺部ct图像；

2、根据u-net 全卷积神经网络模型对所述增强肺部 ct 图像的肿瘤病灶区域进行分割；所述病灶区包括一个或多个肺结节；在肺部ct图像肿瘤病灶区域中对腺癌的病理亚型进行伪彩标注，根据偏最小二乘回归pls映射模型将分类模型中的数据映射到ct图像中，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到iaslc分级结果；对所述iaslc分级结果进行校验，生成带有伪彩标注肿瘤病灶区域的肺部ct图像。通过对图像增强处理，获得病灶区域的粗定位，通过u-net 全卷积神经网络模型对病灶区域的精准定位分割，提高了病灶区域的识别效率与识别精确性，降低了医生工作强度；同时，采用pls映射模型对病灶区域进行伪彩标注，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到iaslc分级结果，医生根据分级结果可以结合其他体征指标，病灶区域的其他参数，对病灶区域进行综合判断，降低了人眼视觉局限性的影响，实现了更高精度的判断。

3、本发明为解决以上技术问题所采取的技术方案是：

4、一种肺部ct图像的识别方法，该方法包括：

5、s1、获取肺部ct图像，对所述肺部ct图像进行预处理；

6、s2、将预处理后的肺部ct图像与原图像进行哈达玛积运算，将所述运算结果与原图像叠加，获得增强肺部ct图像；

7、s3、根据u-net 全卷积神经网络模型对所述增强肺部 ct 图像的肿瘤病灶区域进行分割；所述病灶区包括一个或多个肺结节；

8、s4、在肺部ct图像肿瘤病灶区域中对腺癌的病理亚型进行伪彩标注，根据偏最小二乘回归pls映射模型将分类模型中的数据映射到ct图像中，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到iaslc分级结果；

9、s5、对所述iaslc分级结果进行校验，生成带有伪彩标注肿瘤病灶区域的肺部ct图像。

10、进一步地，所述预处理包括对所述肺部ct图像进行灰度处理后，根据最大类间方差法自动生成二值化阈值，根据所述二值化阈值重构灰度化的肺部ct图像去除背景，并去除边界或毛细血管信息，经过闭运算填充结界内空点，得到肺结节的roi形状。

11、进一步地，所述分割操作包括，u-net 全卷积神经网络模型对所述增强肺部 ct图像进行卷积操作，使用非线性激活函数进行非线性映射以强化病灶区域；使用池化层对所述增强肺部 ct 图像进行降采样以去除正常组织的图像。

12、进一步地，u-net 全卷积神经网络模型包括编码部分、解码部分和为编解码之间信息传递提供通路的跳跃连接部分。

13、进一步地，编码部分包括五个子模块，每个子模块包含两个4x4的卷积层，每个子模块之后是通过最大池化实现的下采样层，依次采集到更深层次的语义信息；解码部分包括五层，每层包含一个子模块，每个子模块由上采样和反卷积组成，解码时通过上采样恢复分辨率，直到与输入图像的分辨率一致；跳跃连接的引入将编码部分特征提取每一层得到的语义信息及时传递给对应的解码层，完整的保留了前四层编码获取到的图像特征。

14、进一步地，所述映射模型建立包括：将基于训练组数据构建的分类模型在优化组和验证组数据中进行迁移学习，采用pls建立映射模型。

15、进一步地，该方法还包括s6，将病理医师标注好的病理亚型分割图和iaslc分级结果与映射模型结果进行比较，计算映射模型的诊断一致性。

16、进一步地，u-net 全卷积神经网络模型的损失函数为：

17、，

18、其中和分别表示 u-net 分割出的病灶图像和标准病灶图像，n为训练样本数量。

19、计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，处理器执行所述计算机程序实施肺部ct图像的识别方法。

20、一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序实施肺部ct图像的识别方法。

21、本发明的有益效果如下：

22、1）通过对图像增强处理，获得病灶区域的粗定位，通过u-net 全卷积神经网络模型对病灶区域的精准定位分割，提高了病灶区域的识别效率与识别精确性，降低了医生工作强度；

23、同时，采用pls映射模型对病灶区域进行伪彩标注，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到iaslc分级结果，医生根据分级结果可以结合其他体征指标，病灶区域的其他参数，对病灶区域进行综合判断，降低了人眼视觉局限性的影响，实现了更高精度的判断。

24、上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。

技术特征：

1.一种肺部ct图像的识别方法，其特征在于，该方法包括：

2.根据权利要求1所述肺部ct图像的识别方法，其特征在于：所述预处理包括对所述肺部ct图像进行灰度处理后，根据最大类间方差法自动生成二值化阈值，根据所述二值化阈值重构灰度化的肺部ct图像去除背景，并去除边界或毛细血管信息，经过闭运算填充结界内空点，得到肺结节的roi形状。

3.根据权利要求1所述肺部ct图像的识别方法，其特征在于：所述分割操作包括，u-net全卷积神经网络模型对所述增强肺部 ct 图像进行卷积操作，使用非线性激活函数进行非线性映射以强化病灶区域；使用池化层对所述增强肺部 ct 图像进行降采样以去除正常组织的图像。

4.根据权利要求1所述肺部ct图像的识别方法，其特征在于：u-net 全卷积神经网络模型包括编码部分、解码部分和为编解码之间信息传递提供通路的跳跃连接部分。

5.根据权利要求4所述肺部ct图像的识别方法，其特征在于：编码部分包括五个子模块，每个子模块包含两个4x4的卷积层，每个子模块之后是通过最大池化实现的下采样层，依次采集到更深层次的语义信息；解码部分包括五层，每层包含一个子模块，每个子模块由上采样和反卷积组成，解码时通过上采样恢复分辨率，直到与输入图像的分辨率一致；跳跃连接的引入将编码部分特征提取每一层得到的语义信息及时传递给对应的解码层，完整的保留了前四层编码获取到的图像特征。

6.根据权利要求1所述肺部ct图像的识别方法，其特征在于：所述映射模型建立包括：将基于训练组数据构建的分类模型在优化组和验证组数据中进行迁移学习，采用pls建立映射模型。

7.根据权利要求1所述肺部ct图像的识别方法，其特征在于：该方法还包括s6，将病理医师标注好的病理亚型分割图和iaslc分级结果与映射模型结果进行比较，计算映射模型的诊断一致性。

8.根据权利要求1所述肺部ct图像的识别方法，其特征在于：u-net 全卷积神经网络模型的损失函数为：

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，处理器执行所述计算机程序实施如权利要求1-8任一项所述肺部ct图像的识别方法。

10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实施如权利要求1-8任一项所述肺部ct图像的识别方法。

技术总结
本发明公开了一种肺部CT图像的识别方法，属于计算机图像处理领域，提出了获取肺部CT图像，增强肺部CT图像后，根据U‑Net全卷积神经网络模型对所述增强肺部CT图像的肿瘤病灶区域进行分割；在肺部CT图像肿瘤病灶区域中对腺癌的病理亚型进行伪彩标注，根据偏最小二乘回归PLS映射模型将分类模型中的数据映射到CT图像中，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果；对所述IASLC分级结果进行校验，生成带有伪彩标注肿瘤病灶区域的肺部CT图像。通过对图像增强处理，获得病灶区域的粗定位，通过‑Net全卷积神经网络模型对病灶区域的精准定位分割，提高了病灶区域的识别效率与识别精确性，降低了医生工作强度。

技术研发人员：刘水,宋阳
受保护的技术使用者：天津博思特医疗科技有限责任公司
技术研发日：
技术公布日：2024/3/4