[发明专利]一种CT图像相对位置预测方法及系统

说明书

本发明公开了一种CT图像相对位置预测方法及系统，方法包括：获取待预测CT图像，对待预测CT图像进行数据处理，得到待预测CT图像的特征向量，将待预测CT图像的特征向量输入预先训练好的卷积神经网络模型，预测出待预测CT图像的相对位置预测值。本发明通过将深度学习应用到CT图像相对位置预测中，能够同时满足预测的精度和预测的速度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种CT(Computed Tomography，计算机体层摄影)图像相对位置预测方法及系统。

背景技术

CT可以利用射线或者超声波等对于人体的某些部位进行层面扫描，故被广泛应用于多种疾病的检测，同时也导致了CT图像数据的海量增长。对于一个病人来说，如果对其进行全身体的CT扫描，则扫描后获取的数据存储量可达到1G左右。如果这些数据被存储在影像归档和通信系统(PACS)，则将会占据很大的存储空间。

对于采用CT图像对病人进行疾病诊断来说，医生往往只需要获取病人某个部位在不同时期的CT图像，并将其进行对比，便可以分析出该病人病情的发展走势。因此，医生不需要获取病人所有部位的CT图像。就目前来说，医生往往需要从PACS中加载该病人所有的CT扫描图像，然后从加载后的图像中，选取他们所需要分析部分的CT图像，这是十分耗费时间的，且效率较低。

就目前来说，由于K-近邻算法(KNN)实施起来比较容易，因此被广泛应用于CT图像的相对位置预测中。但是对于KNN来说，参数K的选择(邻居的个数)是一个非常有挑战的工作。对于一个经验不足的医生来说，很难选择一个合适的K，并进行位置预测。如果参数K选取不当，则对于最后的位置预测将产生不利影响。此外，对于临床诊断来说，其需要在较短的时间内获取诊断结果，而采用KNN进行CT图像的分析，并获取相对位置需要较长的时间，因此，不是太适合于临床诊断。

因此，在CT图像相对位置预测时，如何同时满足预测的精度和预测的速度，是一项亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种CT图像相对位置预测方法，通过将深度学习应用到CT图像相对位置预测中，能够同时满足预测的精度和预测的速度。

本发明提供了一种CT图像相对位置预测方法，包括：

获取待预测CT图像；

对所述待预测CT图像进行数据处理，得到所述待预测CT图像的特征向量；

将所述待预测CT图像的特征向量输入预先训练好的卷积神经网络模型，预测出所述待预测CT图像的相对位置预测值。

优选地，所述方法还包括：

预先训练卷积神经网络模型，得到训练好的卷积神经网络模型。

优选地，所述预先训练卷积神经网络模型，得到训练好的卷积神经网络模型，包括：

获取原始CT图像；

对所述原始CT图像进行数据处理，得到所述原始CT图像的特征向量；

将所述原始CT图像的特征向量输入到卷积神经网络模型，得到构建后的卷积神经网络模型；

对所述构建后的卷积神经网络模型进行模型训练，得到所述训练好的卷积神经网络模型。

优选地，所述对所述原始CT图像进行数据处理，得到所述原始CT图像的特征向量，包括：

对所述原始CT图像进行特征提取以及归一化处理，得到所述原始CT图像的特征向量。

优选地，所述对所述原始CT图像进行特征提取以及归一化处理，得到所述原始CT图像的特征向量，包括：

调整所述原始CT图像的分辨率；