[發明專利]一種基于聚類算法和卷積神經網絡的肺實質提取方法

有效

• 申請號: 201710712015.4
• 申請日: 2017-08-18
• 公開（公告）號: CN107507197B
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 齊守良;徐明杰;楊帆;錢唯
• 申請（專利權）人: 東北大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/34;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李運萍

1.一種基于聚類算法和卷積神經網絡的肺實質提取方法，其特征在于，包括以下步驟：

步驟1：采用聚類算法對肺部CT圖像進行預處理，得到肺部CT圖像的肺實質區域和非肺實質區域的數據集，將已知的肺部CT圖像的數據集劃分為訓練集和驗證集，將未知的肺部CT圖像的數據集作為測試集，包括：

步驟1.1：將肺部CT圖像進行標準化處理，對標準化后的肺部CT圖像進行分割，分割為尺寸為A的圖像小塊；

步驟1.2：采用Kmeans算法分別對尺寸為A的圖像小塊的CT值平均值和CT值最小值進行聚類，將其聚類為低密度組織和高密度組織兩類；

步驟1.3：將對圖像小塊的CT值平均值的聚類結果和圖像小塊的CT值最小值的聚類結果進行十字檢驗，去除CT圖像的背景區域；

步驟1.4：提取圖像小塊的CT值平均值的聚類結果中的肺實質區域和圖像小塊的CT值最小值的聚類結果的肺實質區域的交集；

步驟1.5：對步驟1.4中得到的肺實質區域的交集做最大連通體操作，得到CT圖像的肺實質區域和非肺實質區域的數據集，將已知的肺部CT圖像的數據集劃分為訓練集和驗證集，將未知的肺部CT圖像的數據集作為測試集；

所述尺寸A的劃分標準為：所劃分的尺寸為A的圖像小塊中均包含有CT圖像中的肺部組織，且各CT圖像的圖像小塊自動分割時間在50MS以內；

所述訓練集和驗證集中肺實質的尺寸為A的圖像小塊與非肺實質的尺寸為A的圖像小塊的數量各占50％；

所述將對圖像小塊的CT值平均值的聚類結果和圖像小塊的CT值最小值的聚類結果進行十字檢驗，去除CT圖像的背景區域的具體過程如下所示：

檢驗每個低密度組織的圖像小塊的四個徑向是否都存在高密度組織的圖像小塊，若存在，則該低密度組織的圖像小塊為疑似肺實質區域，否則該低密度組織的圖像小塊為背景區域；

步驟2：建立卷積神經網絡模型，采用訓練集和驗證集數據對卷積神經網絡模型進行訓練，得到訓練后的卷積神經網絡模型；

步驟3：將測試集輸入訓練后的卷積神經網絡模型中，得到CT圖像肺實質區域。

2.根據權利要求1所述的基于聚類算法和卷積神經網絡的肺實質提取方法，其特征在于，所述步驟2包括以下步驟：

步驟2.1：將訓練集和驗證集中的尺寸為A的圖像小塊進行擴展，將其擴展為尺寸為B的圖像小塊；

步驟2.2：建立卷積神經網絡模型，將擴展后的圖像小塊輸入卷積神經網絡模型，訓練卷積神經網絡模型的各層的權重和偏差；

步驟2.3：將驗證集輸入卷積神經網絡模型進行分類，通過運行時間損耗和驗證集的分類準確率確定最優化的訓練參數，得到訓練后的卷積神經網絡模型。

3.根據權利要求1所述的基于聚類算法和卷積神經網絡的肺實質提取方法，其特征在于，所述卷積神經網絡模型結構為：第一層為圖像小塊輸入層，第二層為卷積層，第三層為最大值池化層，第四層為全連接層；

所述卷積層包括卷積層ReLU層和Norm層；

所述全連接層包括全連接層ReLU層、隨機遺忘層、全連接層分類器和Softmax函數層。

4.根據權利要求3所述的基于聚類算法和卷積神經網絡的肺實質提取方法，其特征在于，所述將訓練集和驗證集中的尺寸為A的圖像小塊進行擴展，將其擴展為尺寸為B的圖像小塊的具體過程如下所示：

以尺寸為A的圖像小塊為中心在原CT圖像內的位置上擴展為尺寸為B的圖像小塊。

5.根據權利要求3所述的基于聚類算法和卷積神經網絡的肺實質提取方法，其特征在于，所述的訓練參數包括：學習速率、卷積核尺寸、卷積核數目、Norm層標準化通道數目、全連接第一層輸出數目、Dropout層遺忘率、池化層類型、Batch數目、Epochs數值。