[发明专利]一种基于深度学习的CT肺结节检测装置

说明书

本发明提供了一种基于深度学习的CT肺结节检测方法。该方法包括以下步骤：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2D图像数据；S3：将2D图像数据输入至预设的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。本发明可以实现对肺结节的检测，充分利用了CT序列映像的3D信息，将3D信息融入到2D的深度学习网络结构中，避免了应用3D深度学习网络带来的过拟合以及对计算资源的过度依赖。

技术领域

本发明涉及医学影像处理领域，尤其涉及一种基于深度学习的CT肺结节检测方法。

背景技术

肺癌是中国发病率和死亡率最高的疾病，近30年肺癌死亡率增长了465％，其中很大的原因是75％的癌症患者都是在中晚期才确诊，即便在发达国家里，肺癌是所有恶性肿瘤中最常见最致命的一种。早期肺癌检出率低于25％，但是早期肺癌5年生存率达到55％，但因为其早期特征不明显，发现肺癌的最佳方法就是定期进行肺结节的筛查。

CT是通常采用的比较可靠的筛选方式，一组1.25mm层厚的CT会有200-300张层面图像，面对产生的大量CT图像，如果能够运用人工智能技术帮助医生给出一定的辅助诊断，在节约人力的同时，还能够减少因为过度疲劳造成的漏诊。

深度学习神经网络模型的灵感来源于人类大脑的生物学结构，但相比人类大脑，深度学习神经网络的层次更清晰，“神经元”单元的连接更为规律，信号传送的方向也更明确。由于深度学习能够以极小的特征单位来描述图像(以像素为单位)，深度学习人工智能能够分析和建立比传统逻辑方法复杂数万倍的模型，更准确地完成图像识别和分类等任务。深度学习最广为认知的应用是谷歌的阿法狗(AlphaGo)，在人机大战中，AlphaGo压倒性地战胜了围棋世界冠军李世石和柯洁。除了围棋，深度学习在图像识别、语音识别等领域都颠覆了传统的方法，并在各大应用场景都带来了巨大突破，如无人驾驶车、语音识别、人脸识别等，近期人工智能在医疗影像科研领域也有重大突破。

利用深度学习技术使得漏诊情况得以改善，进一步提高CT在肺癌筛查中的价值。深度学习不但对病灶的精确评估有非常大的临床意义，而且在影像学评估中带来了潜力和希望。

发明内容

本发明提供了一种基于深度学习的CT肺结节检测装置，其包括以下模块：

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2D图像数据；

训练模块，其将2D图像数据输入至预设的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。

优选地，转换模块还包括：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。

优选地，在训练模块中，所述预设的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。

优选地，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。