[发明专利]图像融合的恶性肺结节识别方法、装置、设备及存储介质

权利要求书

1.一种图像融合的恶性肺结节识别方法，其特征在于，包括：

对获取的至少一组肺部CT图像进行预处理；其中，所述预处理包括采用高斯滤波使所述肺部CT图像整体线性平滑，提高对比度，从而能更加清晰显示肺结节特征；

对预处理后的每组肺部CT图像进行融合处理，以获得融合图像；其中，所述每组肺部CT图像均包括第一肺部CT图像、第二肺部CT图像以及第三肺部CT图像；其中，所述第一肺部CT图像与所述第三肺部CT图像为结节的边缘部分切片图像；所述第二肺部CT图像为结节中心切片图像；

所述对预处理后的每组肺部CT图像进行融合处理，以获得融合图像，包括：

为所述一组肺部CT图像中的每张肺部CT图像赋予预设的比重；

根据每张肺部CT图像的比重，对一组肺部CT图像中的所有图像进行融合叠加，以生成融合图像；

根据每组肺部CT图像的结节位置的标签，对所述融合图像中的结节部分进行标注；以及

使用标注后的所述融合图像对构建的卷积神经网络进行训练，以使用训练完成的卷积神经网络识别CT图像中恶性肺结节的位置；其中，所述卷积神经网络的具体结构为：

第一层，卷积层，卷积核大小为使用64个大小为3×3×3的卷积核，对输入的融合图像做步长为1的卷积；

第二层，卷积层，卷积核大小为使用64个大小为3×3×64的卷积核，对输入的数据做步长为1的卷积；

第三层，最大池化层，对第二层输入到第三层的数据做池化区间为2×2，步长为2的池化操作；

第四层，卷积层，卷积核大小为使用128个大小为3×3×64的卷积核，对输入的数据做步长为1的卷积；

第五层，卷积层，卷积核大小为使用128个大小为3×3×128的卷积核，对输入的数据做步长为1的卷积；

第六层，最大池化层，对第五层输入到第六层的数据做池化区间为2×2，步长为2的池化操作；

第七层，卷积层，卷积核大小为使用256个大小为3×3×128的卷积核，对输入的数据做步长为1的卷积；

第八层，卷积层，卷积核大小为使用256个大小为3×3×256的卷积核，对输入的数据做步长为1的卷积；

第九层，最大池化层，对第八层输入到第九层的数据做池化区间为2×2，步长为2的池化操作；

第十层，卷积层，卷积核大小为使用512个大小为3×3×256的卷积核，对输入的数据做步长为1的卷积；

第十一层，卷积层，卷积核大小为使用512个大小为3×3×512的卷积核，对输入的数据做步长为1的卷积；

第十二层，卷积层，卷积核大小为使用512个大小为3×3×512的卷积核，对输入的数据做步长为1的卷积；

第十三层，最大池化层，对第十二层输入到第十三层的数据做池化区间为2×2，步长为2的池化操作；

第十四层，卷积层，卷积核大小为使用512个大小为3×3×512的卷积核，对输入的数据做步长为1的卷积；

第十五层，卷积层，卷积核大小为使用512个大小为3×3×512的卷积核，对输入的数据做步长为1的卷积；

第十六层，卷积层，卷积核大小为使用512个大小为3×3×512的卷积核，对输入的数据做步长为1的卷积；

第十七层，最大池化层，对第十六层输入到第十七层的数据做池化区间为2×2，步长为2的池化操作；

第十八层，全连接层，卷积核大小为7×7×512×4096，步长为1；

第十九层，全连接层，卷积核大小为1×1×512×4096，步长为1。

2.如权利要求1所述的图像融合的恶性肺结节识别方法，其特征在于，所述第一肺部CT图像与所述第三肺部CT图像的比重为0.25；所述第二肺部CT图像的比重分别为0.5。

3.如权利要求1所述的图像融合的恶性肺结节识别方法，其特征在于，所述卷积神经网络采用leaky ReLu作为激活函数，leaky ReLu将所有负值赋予一个非零斜率，数学表达式为：

a_i是(1，+∞)区间内的固定参数。

4.如权利要求1所述的图像融合的恶性肺结节识别方法，其特征在于，所述卷积神经网络模型的训练集为天池医疗AI大赛中的天池数据集。