[发明专利]一种肺结节图像分割方法

说明书

本发明实施例公开了一种肺结节图像分割方法，涉及计算机技术和医学图像分析领域，所述肺结节图像分割方法包括：对所有胸部CT图像进行标注，获取标注后的CT图像数据集；构建肺结节检测卷积神经网络模型，将CT图像数据集输入肺结节检测卷积神经网络模型中；设置卷积神经网络模型的超参数，通过Caffe训练所述肺结节检测卷积神经网络模型，并生成训练模型；将CT图像数据集输入至所述训练模型中，完成训练后输出检测到的肺结节位置信息；使用阈值方法对所检测到的肺结节区域二值化，得到肺结节主要区域；在肺结节主要区域内随机选取种子点，使用区域生长法对肺结节进行分割。本发明能够解决现有医学诊断技术中不能准确自动地分割肺结节，给治疗带来困难的问题。

技术领域

本发明涉及计算机技术和医学图像分析领域，具体涉及一种肺结节图像分割方法。

背景技术

根据世界卫生组织调查结果显示，肺癌是发病率最高的癌症，也是死亡率最高的癌症。早期发现和治疗肺癌是降低肺癌死亡率的重要举措。随着医学图像的出现，医生可以通过医学图像及时判断肿瘤的性质，从而提供诊断意见。医学图像的种类有很多，而在众多种类中，计算机CT断层图像是最常用于肺部检测。但由于CT图像所包含的扫描图像数量很多，给医生带来了巨大的工作负担。随着计算机技术的不断发展，通过计算机对医学图像进行分析可以大大降低医生的工作量，而医学图像分割是其一个基本但极具挑战的研究。在过去几十年中，研究人员提出了各种各样的肺结节分割算法，但是由于肺结节的多样性，以及肺结节与其他组织如肺中血管的相似性很高，还不能准确自动地分割肺结节，给肺部病症治疗带来困难。

发明内容

本发明实施例的目的在于提供一种肺结节图像分割方法，用以解决现有医学诊断技术中不能准确自动地分割肺结节，给治疗带来困难的问题。

为实现上述目的，本发明实施例提供一种肺结节图像分割方法，所述肺结节图像分割方法包括：对所有胸部CT图像进行标注，获取标注后的CT图像数据集；构建肺结节检测卷积神经网络模型，将所述CT图像数据集输入肺结节检测卷积神经网络模型中；设置卷积神经网络模型的超参数，通过Caffe训练所述肺结节检测卷积神经网络模型，并生成训练模型；将CT图像数据集输入至所述训练模型中，完成训练后输出检测到的肺结节位置信息；使用阈值方法对所检测到的肺结节区域二值化，得到肺结节主要区域；在肺结节主要区域内随机选取种子点，使用区域生长法对肺结节进行分割。

作为优选的技术方案，所述CT图像数据集为LIDC-IDRI数据集，所述LIDC-IDRI数据集由胸部医学图像文件和对应诊断结果、病变标注组成。

作为优选的技术方案，获取所述CT图像数据集之前包括CT图像的预处理操作，所述CT图像的预处理操作包括：首先选取CT图像中横穿肺结节中心的切片，然后对得到的切片数据进行数据扩增，扩增方法是将数据集中的每个切片向60度、90度、120度、150度、180度、210度、240度和300度八个方向旋转。

作为优选的技术方案，通过Caffe训练所述肺结节检测卷积神经网络模型的方法包括：使用ImageNet的ResNet-101的预训练卷积神经网络模型为肺结节检测卷积神经网络进行参数初始化。

作为优选的技术方案，所述生成训练模型的条件包括：当代价损失函数减少到理想程度且训练达到所要求的最大迭代次数时。

作为优选的技术方案，所述肺结节检测卷积神经网络模型的构建方法包括:使用ResNet-101卷积神经网络模型作为特征提取模型，将经过预处理操作后的CT图像作为输入；使用区域建议网络得到图像中肺结节的区域建议；基于所述区域建议生成肺结节区域的边框信息。