[发明专利]一种基于深度学习的CT肺结节检测装置

权利要求书

1.一种基于深度学习的CT肺结节检测装置，其特征在于包括以下模块：

获取模块，其获取用户的3D肺部CT序列影像；

转换模块，其将获取的3D肺部CT序列影像处理为多个2D图像数据；

训练模块，其将多个2D图像数据输入至预设的2D深度学习网络模型进行训练，从而得到训练好的肺结节检测模型；

测试模块，其将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型，从而得到初步的肺结节检测结果；

输出模块，其对于初步的肺结节检测结果，利用基于深度学习的肺区域分割算法来去除假阳性肺结节，从而得到最终的肺结节检测结果；

其中，所述转换模块对于获取的3D肺部CT序列影像，以含有肺结节的每个层面为中心，向前取n个层面，向后取n个层面，从而2n+1个层面构成2D图像数据，其中，n为≥1的整数；

其中，在所述训练模块中，所述预设的2D深度学习网络模型包括多尺度特征，并且所述多尺度特征被应用于训练的过程中，所述多尺度特征是通过融合深度学习网络模型不同层的响应信息而构建的。

2.根据权利要求1所述的基于深度学习的CT肺结节检测装置，其特征在于，在测试模块中，

在将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型之前，将测试的3D肺部CT序列影像以含有肺结节的每个层面为中心，向前取n个层面，向后取n个层面，从而2n+1个层面构成2D图像数据，其中，n为≥1的整数。

3.根据权利要求1所述的基于深度学习的CT肺结节检测装置，其特征在于，在输出模块中：

通过预设的肺区域分割模型，对初步的肺结节检测结果进行肺区域分割，去除假阳性肺结节。

4.根据权利要求3所述的基于深度学习的CT肺结节检测装置，其特征在于，

构建深度学习网络模型，并利用3D肺部CT序列影像进行训练，从而得到预设的肺区域分割模型。

5.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现以下步骤：

S1：获取用户的3D肺部CT序列影像；

S2：将获取的3D肺部CT序列影像处理为多个2D图像数据；

S3：将多个2D图像数据输入至预设的2D深度学习网络模型进行训练，从而得到训练好的肺结节检测模型；

S4：将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型，从而得到初步的肺结节检测结果；

S5：对于初步的肺结节检测结果，利用基于深度学习的肺区域分割算法来去除假阳性肺结节，从而得到最终的肺结节检测结果；

其中，S2步骤还包括：对于获取的3D肺部CT序列影像，以含有肺结节的每个层面为中心，向前取n个层面，向后取n个层面，从而2n+1个层面构成2D图像数据，其中，n为≥1的整数；

其中，在S3步骤，所述预设的2D深度学习网络模型包括多尺度特征，并且所述多尺度特征被应用于训练的过程中，所述多尺度特征是通过融合深度学习网络模型不同层的响应信息而构建的。

6.根据权利要求5所述的计算机可读存储介质，其特征在于，在S4步骤，

在将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型之前，将测试的3D肺部CT序列影像以含有肺结节的每个层面为中心，向前取n个层面，向后取n个层面，从而2n+1个层面构成2D图像数据，其中，n为≥1的整数。

7.根据权利要求5所述的计算机可读存储介质，其特征在于，在S5步骤：

通过预设的肺区域分割模型，对初步的肺结节检测结果进行肺区域分割，去除假阳性肺结节。

8.根据权利要求7所述的计算机可读存储介质，其特征在于，

构建深度学习网络模型，并利用3D肺部CT序列影像进行训练，从而得到预设的肺区域分割模型。