[发明专利]基于神经网络的PET-CT图像的肿瘤预测方法及计算机可读存储介质

权利要求书

1.一种基于神经网络的PET-CT图像的肿瘤预测方法，其特征在于，包括如下步骤：

获取带肿瘤的PET图像和CT图像，对所述PET图像和所述CT图像进行插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致；

通过分割网络对所述PET图像和所述CT图像进行编码过程，获取PET特征图像和CT特征图像；将所述PET特征图像和所述CT特征图像通过级联合并获取终样特征图；对所述终样特征图的PET特征部分和CT特征部分进行加权，获取分割模型，通过所述分割模型获取肿瘤预测图像；

通过3D连通域对所述肿瘤预测图像进行去假阳性过程，获取肿瘤预测结果。

2.根据权利要求1所述的肿瘤预测方法，其特征在于，所述对所述PET图像和所述CT图像进行空间三个维度的插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致这一步骤前，还包括：

对在所述PET图像和所述CT图像上都无法明示大小和形状的肿瘤数据进行剔除。

3.根据权利要求1所述的肿瘤预测方法，其特征在于，所述对所述PET图像和所述CT图像进行空间三个维度的插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致这一步骤后，还包括：

对在所述PET图像上无法明示大小和形状而在所述CT图像上可以明示大小和形状的肿瘤数据、及在所述CT图像上无法明示大小和形状而在所述PET图像上可以明示大小和形状的肿瘤数据进行数据扩充，使在所述PET图像上无法明示大小和形状而在所述CT图像上可以明示大小和形状、在所述CT图像上无法明示大小和形状而在所述PET图像上可以明示大小和形状、在所述PET图像上和所述CT图像上都可以明示大小和形状三个样本的肿瘤数据样本量相对平衡。

4.根据权利要求1所述的，其特征在于，所述插值化处理包括通过三线性插值算法，从空间三个维度对所述PET图像和所述CT图像进行处理。

5.根据权利要求1所述的肿瘤预测方法，其特征在于，所述通过分割网络对所述PET图像和所述CT图像进行编码过程，获取PET特征图像和CT特征图像包括：

对所述PET图像和所述CT图像分别进行四次卷积、池化、非线性单元变换，获取的所述PET特征图像和所述CT特征图像的大小为原始图像的1/16。

6.根据权利要求5所述的肿瘤预测方法，其特征在于，所述对所述终样特征图的PET特征部分和CT特征部分进行加权，获取分割模型包括：

向所述分割网络引入基于通道的注意力机制，通过所述基于通道的注意力机制对PET特征部分或CT特征部分在各个所述终样特征图中的权重进行调整，包括加强所述PET特征部分的权重同时降低所述CT特征部分的权重、加强所述CT特征部分的权重同时降低所述PET特征部分的权重。

7.根据权利要求6所述的肿瘤预测方法，其特征在于，所述对所述终样特征图的PET特征部分和CT特征部分进行加权，获取分割模型，通过所述分割模型获取肿瘤预测图像还包括：

通过所述分割网络对所述分割模型中的所述终样特征图进行解码过程，所述解码过程包括反卷积处理、上采样处理和非线性单元处理；

将经所述编码过程获取的所述PET特征图像和所述CT特征图像分别与所述解码过程相对应的所述终样特征图进行级联合并，获取单通道的肿瘤预测图像；

设定肿瘤预测的像素阈值、面积阈值，当所述肿瘤预测图像的像素值、面积都分别大于所述像素阈值和所述面积阈值时，则判断所述肿瘤预测图像中的部位为非肿瘤组织；反之则判断所述肿瘤预测图像中的部位为肿瘤组织。

8.根据权利要求1所述的肿瘤预测方法，其特征在于，所述通过3D连通域对所述肿瘤预测图像进行去假阳性过程，获取肿瘤预测结果包括：

获取所述肿瘤预测图像的3D连通域，当某一部分的连通域体积小于设定阈值时，在所述肿瘤预测图像中剔除该部分。