[发明专利]一种基于聚类算法和卷积神经网络的肺实质提取方法

权利要求书

1.一种基于聚类算法和卷积神经网络的肺实质提取方法，其特征在于，包括以下步骤：

步骤1：采用聚类算法对肺部CT图像进行预处理，得到肺部CT图像的肺实质区域和非肺实质区域的数据集，将已知的肺部CT图像的数据集划分为训练集和验证集，将未知的肺部CT图像的数据集作为测试集，包括：

步骤1.1：将肺部CT图像进行标准化处理，对标准化后的肺部CT图像进行分割，分割为尺寸为A的图像小块；

步骤1.2：采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值和CT值最小值进行聚类，将其聚类为低密度组织和高密度组织两类；

步骤1.3：将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域；

步骤1.4：提取图像小块的CT值平均值的聚类结果中的肺实质区域和图像小块的CT值最小值的聚类结果的肺实质区域的交集；

步骤1.5：对步骤1.4中得到的肺实质区域的交集做最大连通体操作，得到CT图像的肺实质区域和非肺实质区域的数据集，将已知的肺部CT图像的数据集划分为训练集和验证集，将未知的肺部CT图像的数据集作为测试集；

所述尺寸A的划分标准为：所划分的尺寸为A的图像小块中均包含有CT图像中的肺部组织，且各CT图像的图像小块自动分割时间在50MS以内；

所述训练集和验证集中肺实质的尺寸为A的图像小块与非肺实质的尺寸为A的图像小块的数量各占50％；

所述将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域的具体过程如下所示：

检验每个低密度组织的图像小块的四个径向是否都存在高密度组织的图像小块，若存在，则该低密度组织的图像小块为疑似肺实质区域，否则该低密度组织的图像小块为背景区域；

步骤2：建立卷积神经网络模型，采用训练集和验证集数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

步骤3：将测试集输入训练后的卷积神经网络模型中，得到CT图像肺实质区域。

2.根据权利要求1所述的基于聚类算法和卷积神经网络的肺实质提取方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1：将训练集和验证集中的尺寸为A的图像小块进行扩展，将其扩展为尺寸为B的图像小块；

步骤2.2：建立卷积神经网络模型，将扩展后的图像小块输入卷积神经网络模型，训练卷积神经网络模型的各层的权重和偏差；

步骤2.3：将验证集输入卷积神经网络模型进行分类，通过运行时间损耗和验证集的分类准确率确定最优化的训练参数，得到训练后的卷积神经网络模型。

3.根据权利要求1所述的基于聚类算法和卷积神经网络的肺实质提取方法，其特征在于，所述卷积神经网络模型结构为：第一层为图像小块输入层，第二层为卷积层，第三层为最大值池化层，第四层为全连接层；

所述卷积层包括卷积层ReLU层和Norm层；

所述全连接层包括全连接层ReLU层、随机遗忘层、全连接层分类器和Softmax函数层。

4.根据权利要求3所述的基于聚类算法和卷积神经网络的肺实质提取方法，其特征在于，所述将训练集和验证集中的尺寸为A的图像小块进行扩展，将其扩展为尺寸为B的图像小块的具体过程如下所示：

以尺寸为A的图像小块为中心在原CT图像内的位置上扩展为尺寸为B的图像小块。

5.根据权利要求3所述的基于聚类算法和卷积神经网络的肺实质提取方法，其特征在于，所述的训练参数包括：学习速率、卷积核尺寸、卷积核数目、Norm层标准化通道数目、全连接第一层输出数目、Dropout层遗忘率、池化层类型、Batch数目、Epochs数值。