[发明专利]面向机器学习系统数据的CT切片图像增强方法和装置

说明书

本发明公开了一种面向机器学习系统数据的CT切片图像增强方法和装置，通过定义的最佳匹配度计算公式MR_best在DCM_T之中搜索与IGTA的最佳匹配的位置以及匹配度，然后将匹配度达到预设阈值的IGTA所对应的强病灶二维数组FA赋值给对应位置的DCM_G从而生成增强数据，降低了降低计算的复杂度，减少了计算量，加快了处理速度，减少了计算时间，并且降低了对软硬件的性能的要求，降低了开发的难度，符合对高速化大规模数据处理模式的要求。

技术领域

本发明涉及CT切片图像处理的技术领域，尤其是指一种面向机器学习系统数据的CT切片图像增强方法和装置。

背景技术

伴随着医学影像技术的发展，各类数字化医学影像设备已经在各级医疗机构得到了广泛的应用。特别是CT(Computed Tomography,计算机断层扫描)具有成像清晰，分辨率高，速度快，费用适中等优点，在临床领域已经作为对脑，胸，腹等身体部位进行可视化诊断的一项标配方案。对一个患者而言，一次扫描大概产生少则几十张，多则上百张的CT切片图像数据。目前对这些图像数据的判别处理还是主要依靠人工操作，因此存在准确率无法确保，效率低以及人力不足等问题严重制约对CT切片图像数据的处理。因此人工智能(Artificial Intelligence，简称AI)技术被认为是解决上述问题的关键，并作为计算机辅助诊断(Computer aided diagnosis，简称CAD)的一项核心技术。在人工智能应用于CT切片图像数据的处理时，需要将含有病灶的CT切片图像从需要判别诊断的CT切片图像之中筛选出来。现有的筛选方法借鉴了机器学习之中的分类方法，特别是诸如卷积神经网络(Convolutional Neural Networks,简称CNN)这样的深度学习(deep learning)方法已应用于CT切片图像的筛选处理之中。由于上述的分类方法需要一定规模的训练样本数据集，并且要求包含病灶的CT切片图像与不包含病灶的CT切片图像保持比例平衡。但是实际所获取的数据之中，包含病灶的CT切片图像的数量远小于不包含病灶的CT切片图像的数量。为了解决数据不平衡的问题，对训练样本数据采取翻转，旋转，移位，缩放等数据增强方法来补充包含病灶的CT切片图像的数量。但是这种传统的数据增强方法的作用有限，对样本数据的多样性无法完全覆盖。而另外一种采用生成对抗网络(Generative AdversarialNetworks,简称GAN)也能在一定程度上增加样本的数量，但是该模型的训练难度大，并且生成样本图像的质量也很难控制。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种面向机器学习系统数据的CT切片图像增强方法和装置，解决现有的机器学习系统对训练样本数据的平衡要求所采用的传统数据增强方法作用有限，而且对样本数据的多样性无法全面覆盖，采用GAN方法训练难度大，并且生成的样本数据的质量难以控制的这些技术问题。

为实现上述目的，本发明所提供的技术方案如下：

面向机器学习系统数据的CT切片图像增强方法，包括以下步骤：