[发明专利]基于深度学习对胸部增强CT图像的后处理方法

权利要求书

1.基于深度学习对胸部增强CT图像的后处理方法，其特征在于：其包括以下步骤：

(1)将图像数据自动分割后输入深度学习的ResNet网络；

(2)通过训练模型获取全面而完整的病灶信息，并从第一层全连接层的输出中提取深度学习的向量特征；

(3)筛选特征和构建预测模型；

(4)将基于深度学习得到的结果与传统影像组学的结果进行比较分析，评价其对于胸腺瘤临床诊断与风险评估的价值。

2.根据权利要求1所述的基于深度学习对胸部增强CT图像的后处理方法，其特征在于：所述步骤(1)包括以下分步骤：

(1.1)CT图像采集：所有患者均进行CT对比增强扫描，获取在胸部纵隔窗重建的薄层图像；

(1.2)在原始CT图像上利用肺与周围组织存在的自然密度差异，采用计算肺组织像素值的方法，设计双肺掩膜文件，去除纵隔以外区域且保留病灶；

(1.3)采用V_Net网络对病灶进行初步分割；

(1.4)采用Morphological Snakes算法对病灶进行精细分割。

3.根据权利要求2所述的基于深度学习对胸部增强CT图像的后处理方法，其特征在于：所述步骤(2)中，使用包含两个残差块的ResNet-34进行训练，每个残差块表示为公式(1)

y＝F(x)+x (1)

其中，x和y分别代表残差块的输入和输出；

函数F(x)代表着残差映射，表示为公式(2)

F(x)＝W₂σ(W₁x) (2)

其中，σ代表ReLU，W₁表示通过残差块中第一个卷积层自上而下学习到的权重，W₂表示通过残差块中第二个卷积层学习到的权重。

4.根据权利要求3所述的基于深度学习对胸部增强CT图像的后处理方法，其特征在于：所述步骤(2)中，ResNet-34网络由1个卷积层、2个池化层、16个残差块和2个全连接层组成，16个残差块包括13个Resblock1和3个Resblock2；输入的图像数据，首先经过1个核大小为7×7且步长为2的卷积层，通过ReLU函数激活后再经过一个窗口大小为3×3且步长为2的最大池化层；然后连续经过16个残差块，再经过一个窗口大小为3×3且步长为2的平均池化层，最后再输入全连接层提取特征；本ResNet网络中第一个全连接层设计为4096个神经元，每个神经元输出一个向量，全连接层经编码为4096*1的向量为提取的特征。