[發明專利]一種基于深度學習的CT圖像預測方法及計算機可讀存儲介質

有效

• 申請號: 202011586737.8
• 申請日: 2020-12-29
• 公開（公告）號: CN112614118B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 楊洋;葉宏偉;劉銘
• 申請（專利權）人: 浙江明峰智能醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T3/40
• 代理公司: 上海雍灝知識產權代理事務所(普通合伙) 31368
• 代理人: 沈汶波

1.一種基于深度學習的CT圖像預測方法，其特征在于，包括如下步驟：

獲取CT圖像的帶有結節的目標部位圖像，對所述目標部位圖像的感興趣區域進行像素級標注和良惡性標注，以獲得素材集，將所述素材集劃分為訓練集、驗證集和測試集；

對所述目標部位圖像進行預處理，包括將所述目標部位圖像從空間三個維度采樣至大小統一，和將所述目標部位圖像的人體組織密度值歸一化處理；

建立所述目標部位圖像的深度學習模型，所述深度學習模型包括分割任務和分類任務；

將所述訓練集、驗證集輸入至所述深度學習模型中進行訓練，所述分割任務通過Dice損失函數進行訓練，所述分類任務通過二值交叉熵損失函數進行訓練，以獲取所述訓練后的所述深度學習模型的網絡權重參數；

將所述測試集輸入至訓練后的所述深度學習模型中進行測試，獲取目標部位結節的良惡性預測結果和掩膜預測結果，其中所述深度學習模型包括第一通道、第二通道和第三通道；

將目標部位圖像輸入所述第一通道，通過連續池化進行降采樣操作，且層與層之間通過多尺度模塊連接，以獲取所述目標部位圖像的全局特征；

將所述素材集內的標注后的所述帶有結節的目標部位圖像進行裁剪，獲取所述目標部位的結節圖像，將所述結節圖像輸入至所述第二通道，進行編碼器處理過程和解碼器處理過程，以獲取所述目標部位圖像的局部特征；

通過分割網絡獲取所述結節圖像的掩膜圖像，將所述掩膜圖像輸入至所述第三通道，進行連續卷積以獲取掩膜特征；

將所述全局特征、所述局部特征、所述掩膜特征分別進行全局平均池化后進行拼接，獲取用于判別目標部位的良惡性的分類特征。

2.根據權利要求1所述的CT圖像預測方法，其特征在于，所述獲取CT圖像的帶有結節的目標部位圖像步驟中，所述帶有結節的目標部位圖像的厚度為1mm-2.5mm。

3.根據權利要求1所述的CT圖像預測方法，其特征在于，所述對所述目標部位圖像進行預處理，包括將所述目標部位圖像從空間三個維度采樣至大小統一，和將所述目標部位圖像的人體組織密度值歸一化處理還包括：

對預處理后的所述目標部位圖像數據進行樣本擴充，所述樣本擴充的方法包括隨機翻轉、隨機旋轉和隨機縮放。

4.根據權利要求1所述的CT圖像預測方法，其特征在于，所述編碼器處理過程包括使用編碼器模塊通過殘差單元和池化層進行多次連續的下采樣操作；

所述解碼器 處理過程包括使用解碼器模塊進行多次連續的反卷積操作。

5.根據權利要求1所述的CT圖像預測方法，其特征在于，在所述第二通道內，還需要輸入所述目標部位的結節所在的位置信息，所述位置信息包括X軸、Y軸、Z軸的坐標信息；

將所述位置信息與所述局部特征進行拼接，獲取最終輸出的局部特征。

6.根據權利要求5所述的CT圖像預測方法，其特征在于，對所述第一通道、第二通道和第三通道輸入的圖像數據進行插值處理，使所述第一通道、第二通道和第三通道輸入的圖像數據為等比例大小；

并將所述位置信息等比例變換，使所述位置信息在所述插值處理后的所述圖像數據中所標識的位置與在未經所述插值處理的所述圖像數據所標識的位置一致。

7.根據權利要求1所述的CT圖像預測方法，其特征在于，在所述第二通道內，每一次的圖像采樣前都需要對采樣圖進行拼接，拼接的采樣圖的大小與所述編碼器模塊和所述解碼器模塊相對應的圖像大小一致。

8.根據權利要求1所述的CT圖像預測方法，其特征在于，所述將所述訓練集、驗證集輸入至所述深度學習模型中進行訓練還包括：

在訓練過程中通過梯度下降法優化所述Dice損失函數和所述二值交叉熵損失函數直至收斂。

9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1-8中任一所述的CT圖像預測方法的步驟。