[发明专利]一种肺部CT影像数据处理分析方法及系统

权利要求书

1.一种肺部CT影像数据处理分析方法，其特征在于，包括：

在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并根据所述CT平扫影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；

根据所述肺部轮廓分割模型和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；

根据所述CT平扫影像数据和肺部目标区域分割模型，分割出肺部目标区域，并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据，使用分类网络对所述肺部目标区域进行训练学习，得到CT平扫影像数据分类模型；

根据所述CT平扫影像数据和CT平扫影像数据分类模型，计算出所述CT平扫影像数据的分类概率，并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。

2.如权利要求1所述的肺部CT影像数据处理分析方法，其特征在于，所述在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并根据所述CT平扫影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型的步骤具体包括：

获取及清洗肺部CT平扫影像数据，采用手工勾勒标注法在清洗后的CT平扫影像数据中标注肺部轮廓与目标区域；

调整清洗后的CT平扫影像分辨率至第一分辨率统一值，并根据预设的第一灰度值裁剪范围裁剪所述CT平扫影像的数值矩阵，对所述影像的数值矩阵中的数据进行归一化处理，使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值；

使用归一化处理后的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据，并利用第一神经网络进行训练学习，得到肺部轮廓分割模型。

3.如权利要求2所述的肺部CT影像数据处理分析方法，其特征在于，所述根据所述肺部轮廓分割模型和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型的步骤具体包括：

根据所述肺部轮廓分割模型提取出肺部轮廓，以所述肺部轮廓外接立方体作为肺部感兴趣区域，并对所述肺部感兴趣区域作数值裁剪和归一化处理；

将归一化处理后的肺部感兴趣区域进行裁剪，并使用裁剪后的肺部感兴趣区域数据和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型。

4.如权利要求3所述的肺部CT影像数据处理分析方法，其特征在于，所述对所述肺部感兴趣区域作数值裁剪和归一化处理的步骤具体包括：

调整所述肺部感兴趣区域分辨率至第二分辨率统一值；

根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵，对所述肺部感兴趣区域数值矩阵中的数据进行归一化处理，使裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。

5.如权利要求4所述的肺部CT影像数据处理分析方法，其特征在于，所述根据所述CT平扫影像数据和肺部目标区域分割模型，分割出肺部目标区域，并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据，使用分类网络对所述肺部目标区域进行训练学习，得到CT平扫影像数据分类模型的步骤具体包括：

根据所述归一化处理后的肺部感兴趣区域和肺部目标区域分割模型，得到肺部目标区域；

调整所述归一化处理后的肺部感兴趣区域和肺部目标区域的图像尺寸至固定尺寸；

将固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼接，得到拼接后的图像；

使用所述拼接后的图像作为训练数据，利用分类网络进行训练学习，得到CT平扫影像数据分类模型。

6.如权利要求5所述的肺部CT影像数据处理分析方法，其特征在于，所述第一神经网络为3D-Unet网络，所述3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss；所述第二神经网络为加入attention机制的3D-Unet网络；所述分类网络为带有注意力机制的3D-SE_Resnet50网络。