[发明专利]一种基于GAN和Unet网络的肺结节智能诊断方法

权利要求书

1.一种基于GAN和Unet网络的肺结节智能诊断方法，其特征在于：包括以下步骤：步骤1.对数据源中的肺部CT图像进行人工标注，以此获得肺结节的形态和位置信息；

步骤2.将肺部CT图像及其标注信息整合，作为完整的数据集；

步骤3.针对数据集进行图像预处理，划分数据集，得到训练集，测试集和验证集；

步骤4.将数据输入到已经构建好的图像增强模型中进行图像增强，得到图形增强模型；

步骤5.将增强的肺部CT图像输入到图像分割模型进行分割，找出疑似结节的位置并分割出来；

步骤6.分割出的图像输入到识别网络中，判断是否为肺结节；

步骤7.通过模型预测，并输出检测结果。

2.根据权利要求1所述的基于GAN和Unet网络的肺结节智能诊断方法，其特征在于：在步骤3中，所述数据集进行图像预处理，具体包括以下步骤：步骤a.对肺部CT图像进行格式及尺寸标准化，原图格式为dicom格式，通过编写批量修改文件格式的程序，自动将dicom改为png格式；

步骤b.将图像尺寸标准化至512*512；

步骤c.将处理过的肺部CT图像进行异常值判断，先判断图像的色彩格式和像素区间，非RGB格式转化为RGB格式后再进行灰度处理；像素差异小于50可认为是异常图片，舍去后按原序排序；

步骤d.生成随机种子seed，并按照8：2比例将经过图像预处理的肺部CT图像划分训练集、测试集。

3.根据权利要求1所述的基于GAN和Unet网络的肺结节智能诊断方法，其特征在于：在步骤4中，所述图像数据增强包括图像形变、图像放缩、高斯滤波去噪以及GAN图像增强，具体操作如下：所述图像形变和放缩主要通过opencv里的resize函数，rotate函数，transpose函数等来实现；

所述高斯滤波去噪通过opencv里的GaussBlur函数来实现，对整幅图像进行加权平均的过程，每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到，公式如下：

D(u,v)表示的是(u,v)距离傅里叶变换原点的距离，并且这个原点是经过中心化后的，δ表示的是高斯滤波器的带宽；

所述GAN图像增强具体操作如下：将原图像通过PS等软件批量降低分辨率形成低分辨率组，与高分辨率组一一对应，送入GAN网络进行对抗生成，当生成器产生的图片像素值与原图像素值90％对应，则认为图像增强成功。

4.根据权利要求3所述的基于GAN和Unet网络的肺结节智能诊断方法，其特征在于：所述图像增强模型采用GAN网络，所述图像增强模型包括一个生成器G和一个判别器D，所述生成器G包括多层卷积层，具体如下：第一层：3*3的conv1卷积层，输出尺寸256*256，leakyReLU做激活函数；

第二层：3*3的conv2卷积层，输出尺寸512*512，leakyReLU做激活函数；

第三层：1*1的conv3卷积层，输出尺寸1024*1024，tanh做激活函数；

所述判别器D和生成器G结构输出尺寸完全相反，并添加了dropout层，最后一层使用softmax做激活函数。

5.根据权利要求1所述的基于GAN和Unet网络的肺结节智能诊断方法，其特征在于：所述图像分割模型采用Unet网络，所述图像分割模型包括依次连接的卷积层、批归一化层、ReLU激活函数层、自适应平均池化层以及一个全连接层，具体如下：第一层：conv1，输出尺寸为32*32，ReLU做激活函数；

第二层：conv2和bn批归一化层，输出尺寸为32*32，ReLU做激活函数；

第三层：最大池化层maxpool；

以上为一个卷积块convblock1，整个Unet网络包括10个卷积块，包含4个尺度64*64，128*128，256*256，512*512；

从第六个卷积块开始，每个卷积块都会与第10-n个卷积块相连接；最后为全连接层fn1，使用了softmax函数。