[发明专利]肺结节的判定方法、装置和实现装置

说明书

技术领域

本发明涉及医学影像技术领域，尤其是涉及一种肺结节的判定方法、装置和实现装置。

背景技术

肺结节是一种病因未明的多系统多器官的肉芽肿性疾病，常侵犯肺、双侧肺门淋巴结、眼、皮肤等器官，其胸部受侵率高达80％～90％。现有的医学筛查手段通常采用肉眼识别、图像识别、或神经网络识别等方式，而这些方式准确性较差，筛查出的疑似区域可能是肺结节，也可能是血管、炎症病灶等。

针对上述现有的肺结节的识别方式，其识别结果准确性较低的问题，尚未提出有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种肺结节的判定方法、装置和实现装置，以提高肺结节识别准确性。

第一方面，本发明实施例提供了一种肺结节的判定方法，该方法包括：获取CT图像和CT图像中可疑区域的位置信息；对CT图像进行图像增强处理；根据位置信息，从处理后的CT图像中提取出可疑区域的区域图像数据；将区域图像数据进行归一化处理；将处理后的区域图像数据输入至预先建立的肺结节判定模型中，根据输出结果判定可疑区域是否为肺结节；其中，肺结节判定模型通过3D卷积神经网络训练而成。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述对CT图像进行图像增强处理的步骤，包括：将CT图像中，每层图像数据输入至预先建立的肺部区域识别模型中，识别出CT图像中的肺部区域；其中，肺部区域识别模型通过U-net神经网络训练而成；将CT图像中每个像素位置的CT值，转换成对应的像素值；对肺部区域中，每层图像数据的像素值进行直方图增强处理，获得对应的非线性映射；采用非线性映射，对CT图像中，每层图像数据的像素值进行映射变换，获得变换后的CT图像。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述肺部区域识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中，每层图像数据中的肺部区域；建立U-net神经网络的网络结构；将CT图像和对应的标注信息输入至网络结构中进行训练，生成肺部区域识别模型。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述将区域图像数据进行归一化处理的步骤，包括：将区域图像数据归一化为预设边长的正方体数据。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述肺结节判定模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中，肺结节和非结节的位置信息；对CT图像进行图像增强处理；根据标注信息，从处理后的CT图像中提取出肺结节和非结节的区域图像数据；将区域图像数据进行归一化处理；建立3D卷积神经网络的网络结构；将处理后的区域图像数据和对应的标注信息输入至网络结构中进行训练，生成肺结节判定模型。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述根据输出结果判定可疑区域是否为肺结节的步骤，包括：判断输出结果是否超出设定的阈值范围；如果是，确定可疑区域为肺结节。

第二方面，本发明实施例提供了一种肺结节的判定装置，该装置包括：图像信息获取模块，用于获取CT图像和CT图像中可疑区域的位置信息；图像增强模块，用于对CT图像进行图像增强处理；数据提取模块，用于根据位置信息，从处理后的CT图像中提取出可疑区域的区域图像数据；归一化模块，用于将区域图像数据进行归一化处理；肺结节判定模块，用于将处理后的区域图像数据输入至预先建立的肺结节判定模型中，根据输出结果判定可疑区域是否为肺结节；其中，肺结节判定模型通过3D卷积神经网络训练而成。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，上述图像增强模块，还用于：将CT图像中，每层图像数据输入至预先建立的肺部区域识别模型中，识别出CT图像中的肺部区域；其中，肺部区域识别模型通过U-net神经网络训练而成；将CT图像中每个像素位置的CT值，转换成对应的像素值；对肺部区域中，每层图像数据的像素值进行直方图增强处理，获得对应的非线性映射；采用非线性映射，对CT图像中，每层图像数据的像素值进行映射变换，获得变换后的CT图像。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，上述肺结节判定模块，还用于：判断输出结果是否超出设定的阈值范围；如果是，确定可疑区域为肺结节。