[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

本發明提供了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，包括：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，并劃分訓練集、驗證集和測試集；對所述目標部位圖像進行預處理；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，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。本發明通過所述分割任務和所述分類任務，可獲取CT圖像的隱層表征，通過對隱層表征進行判別，效率和準確率較高。

技術領域

本發明涉及CT設備技術領域，尤其涉及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。

背景技術

肺癌是當前人類疾病中最常見的惡性腫瘤之一。早發現，早確診是降低死亡率的希望所在，醫學上將胸部電子計算機斷層掃描(CT)掃描得到的醫學影像圖片中的“肺部斑點”定義為肺結節，肺結節是肺癌初期最重要的初期表征之一，如果能做到及早準確發現肺結節，會大幅降低肺癌的病發，保證病人的生命安全，造福整個社會。

傳統的肺結節良惡性分類問題是由醫生來完成閱片的，依賴于醫生的經驗水平，時間長，效率低下。計算機輔助診斷結果能夠為醫生提供第二意見。實際過程中一些容易發展成肺癌的肺結節常會因表現出類似良性病變而難以區分，如肺臟錯構瘤、肺結核球和霉菌球赫爾炎性假瘤等，易出現假陰性導致漏診；也可能將非病變解讀為病變，或將良性病變誤解讀為惡性，導致假陽性結果，因此，判斷肺結節惡性度的計算機輔助診斷技術仍需不斷發展，以提高肺結節良惡性診斷的準確率以及效率。

目前做法分為2D和3D兩種，第一種2D方案多采用遷移學習機制，將自然圖像的結果作為網絡的初始參數對CT的二維肺結節圖像進行分類學習。上述方案具有兩方面的缺點，一是二維圖像沒有考慮圖像的上下文信息，造成準確度不高；另一方面，由于自然圖像和醫學圖像的差異較大，遷移權重的結果在醫學圖像上表現較差。3D的方法也僅采用單一分類網絡，且并沒有結合醫生閱片常常關注的肺結節位置、形態、邊緣等信息來完成分類的學習，因此效果也不是很理想。

發明內容

為了克服上述技術缺陷，本發明的目的在于提供一種提升了肺結節良惡性診斷的準確率和效率的基于深度學習的CT圖像預測方法及計算機可讀存儲介質。

本發明公開了一種基于深度學習的CT圖像預測方法，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。

優選地，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。

優選地，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。