[发明专利]一种基于GAN和Unet网络的肺结节智能诊断方法

说明书

本发明公开了一种基于GAN和Unet网络的肺结节智能诊断方法，包括以下步骤：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；将肺部CT图像及其标注信息整合，作为完整的数据集；针对数据集进行图像预处理，划分数据集；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；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；分割出的图像输入到识别网络中进行判断；通过模型预测，并输出检测结果。本发明通过采用GAN作为图像增强网络，Unet作为图像分割网络，3DCNN作为特征提取的识别网络，Tensorflow作为开发框架，使得疑似肺结节得位置和形态能够及时被找出，提高工作的效率。

技术领域

本发明涉及计算机视觉和深度学习领域，具体为一种基于GAN和Unet网络的肺结节智能诊断方法。

背景技术

当前，科技发展越来越快，越来越多的AI公司开始把目标看往医疗市场。希望通过AI技术帮助医生更好更快的对病人诊断，在减轻医生工作负担的同时，还能促进效率的提升和误诊率的降低。

目前，在医疗界，已经有相当多的AI工具开始为人们服务了，技术最成熟的当属肺结节智能诊断系统。这套系统只需将拍完的CT图像传至系统，短时间内机器就会找出疑似结节及其位置和状态，更有甚者能同步给出治疗方案，可以说大大减少了医生们的工作负担，效率有很大的提升。

但是由于设备成像的质量层次不齐，会遇到图像不清晰、关键部分拍摄不到位等问题，导致算法无法去适配所有质量的图像。不同的成像质量可能会给治疗带来完全相反的诊断意见，这在医疗行业是致命的，这给肺结节智能诊断系统带来了不小的挑战。

总体而言，医疗图像增强成了近年来研究人员的攻克热点，也是本次发明的研究重点。

发明内容

本发明的目的是为了提供一种基于GAN和Unet网络的肺结节智能诊断方法，通过采用GAN作为图像增强网络，Unet作为图像分割网络，3DCNN作为特征提取的识别网络，Tensorflow作为开发框架，使得疑似肺结节得位置和形态能够及时被找出，提高工作的效率，避免因医疗图像不清晰而导致诊断结果误差太大。

为了实现上述发明目的，本发明采用了以下技术方案：一种基于GAN和Unet 网络的肺结节智能诊断方法，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。

优选的，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。