[发明专利]一种肺磨玻璃结节的自动分割系统及方法

说明书

本发明提供一种肺磨玻璃结节的自动分割系统及方法，涉及深度学习技术领域，包括：分别对若干患者的胸部断层扫描图像进行标注得到标注图像；将各标注图像进行分组得到训练组、验证组和测试组；根据训练组对预先建立的第一分割模型进行训练，在训练过程中采用验证组对训练得到的第二分割模型进行验证，并在训练完成后，将验证结果中验证正确率最高的一次训练得到的第二分割模型作为肺磨玻璃结节的自动分割模型；将测试组中的自动分割模型的输出结果处理得到模型效能；将待分割患者的胸部断层扫描图像输入自动分割模型得到自动分割结果，医生根据自动分割结果和模型效能给出临床指导意见。能够准确、自动且快速完成肺磨玻璃结节的分割。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种肺磨玻璃结节的自动分割方系统及方法。

背景技术

随着薄层CT的普及，肺磨玻璃结节逐渐变成临床上最常见的一种肺部疾病，其在肺部CT上表现为局限性结节状密度增高影，但密度相对较低，不足以掩盖穿行于其中的血管和支气管影。从病理性质的角度来说，良性疾病、癌前病变、微浸润癌到浸润性癌均可表现为肺磨玻璃结节，但却表现为不同的进展情况。如表现为良性或癌前病变的肺磨玻璃结节，病灶长期稳定不变，定期CT检查随访即可；然而，对于CT表现为浸润性病变的肺磨玻璃结节，随着时间推移将出现不同的形态学变化，例如病灶增大、实性成分增多等，需进一步临床介入治疗。因此通过CT图像判断肺磨玻璃结节的进展对于指导患者后续治疗和制定随访策略至关重要。临床应用中，肺磨玻璃结节的进展评估主要依赖二维影像特征或视觉观测，但肺磨玻璃结节直径测量在不同影像医师间仍存在较大差异。因此精确的肺磨玻璃结节分割对于临床随访来说至关重要，其客观上提供诊断的可重复性和图像解释的一致性。且对肺结节快速且准确的分割将大大减少放射科医师的工作量以及治疗成本。

现有技术中，肺结节分割方法主要包括：阈值法，即先用多个固定阈值粗略分割结节，再基于分水岭算法去除结节内部正常结构(血管、支气管等)；基于形态学法，例如用种子点形成球面的区域生长法；统计学模型法，即跟马尔科夫随机场模型一样，利用与标记物控制分水岭算法结合的混合算法描绘肺结节的几何轮廓；基于传统机器学习法的聚集法，即一种自动或半自动的基于选择性回归神经网络的算法，可以基于所学习的特征自动化每个结节的参数设置。

阈值法、基于形态学法、统计学模型法方法和基于传统机器学习法的聚集法通常仅在部分肺结节(例如肺实性结节)分割中效能良好，在肺磨玻璃结节上效能还有待进一步提高，不能很好地适应肺结节的异质性。此外，大部分上述方法仍然需要人为干预，使病灶分割结果存在差异性且耗时较长。

发明内容

针对现有技术中存在的问题，本发明提供一种肺磨玻璃结节的自动分割系统，具体包括：

图像获取模块，用于获取若干患者的胸部断层扫描图像；

图像标注模块，连接所述图像获取模块，用于分别对各所述胸部断层扫描图像中的肺磨玻璃结节的所在区域进行标注，得到相应的标注图像；

图像分组模块，连接所述图像标注模块，用于将各所述标注图像进行分组得到训练组、验证组和测试组；

模型建立模块，用于根据预设的超参数建立第一分割模型；

模型训练模块，分别连接所述图像分组模块和所述模型建立模块，用于根据所述训练组对所述第一分割模型进行训练，在训练过程中采用所述验证组对训练得到的第二分割模型进行验证，并在训练完成后，将验证结果中验证正确率最高的一次训练得到的所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存；

模型测试模块，分别连接所述图像分组模块和所述模型训练模块，用于将所述测试组中的各标注图像输入所述自动分割模型，并根据所述自动分割模型的输出结果处理得到所述自动分割模型的模型效能；