[发明专利]一种肺部CT图像的识别分类方法

说明书

本发明涉及一种肺部CT图像的识别分类方法，包括以下步骤：1)获取肺部CT图像数据集并进行预处理，得到训练样本；2)利用训练样本训练二维卷积神经网络，构建分割模型，用于识别肺部CT图像多类别的感兴趣区域；3)利用分割模型识别的多类别感兴趣区域，在原肺部CT图像中裁剪出多个不同大小的三维图像块并进行分类类别标注；4)利用三维图像块及其标注训练三维多尺度融合神经网络，构建假阳识别和分类模型，用于对肺部CT图像进行分类并筛除假阳感兴趣区域；5)利用训练完成的分割模型和假阳识别分类模型对待分类的肺部CT图像进行分类和假阳筛除，与现有技术相比，本发明具有速度快且准确率高等优点。

技术领域

本发明涉及医疗图像处理技术领域，尤其是涉及一种肺部CT图像的识别分类方法识别。

背景技术

肺部CT影像分层薄、高清、低噪声，众多研究者利用神经网络的学习能力，通过计算机辅助系统在CT图像的分类和识别领域进行了大量工作，并且取得了一定成果，目前，对肺部CT图像的识别已经取得了非常好的发展，但是对于肺部CT图像的识别和分类鲜有涉及。

肺部CT图像的分类通常分为三步：首先对肺部CT图像进行感兴趣区域的识别，然后对假阳感兴趣区域进行筛除，即对第一步中识别得到的感兴趣区域进行进一步识别，筛除其中的正常区域，最后对剩下的真阳性感兴趣区域进行分类。

然而基于传统机器学习的方法，在图像中只能提取预先定义的形态特征，导致识别出来的假阳感兴趣区域数量仍然很多。2015年Olaf Ronneberger等人提出U-Net网络，该网络结构在多种医学图像分割任务上均取得了不错的成果，而在假阳性识别任务上，QiDou等人于2017年提出的3D CNN网络不仅解决了样本不平衡的问题，也在判别假阳区域上取得了优异成果，该网络图以候选位置坐标为中心切割三个不同大小的立方体并送入网络，分别训练三个包含不同层次上下文信息的三维卷积网络，将这些网络的后验预测融合在一起，得到最终的分类结果，但该网络结构存在需要手动控制每个尺度权重的问题。Bum-ChaeKim等人于2019年提出了“Multi-scale gradual integration CNN for falsepositive reduction in Pulmonary nodule detection”则将三个网络融合到一起，在3DCNN网络的基础上增加了多级特征融合部分和渐变特征提取部分，也提高了假阳识别的准确率，但直接利用3D网络来识别和分类，即在肺部CT图像内以立方体大小采用滑窗机制扫过并将其送入网络进行识别和分类，整个过程的时间长，识别和分类操作被严重拖慢，并且GPU占比较高，可落地实用性和可拓展性不大。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种速度快、实用性高的肺部CT图像的识别分类方法。

本发明的目的可以通过以下技术方案来实现：

一种肺部CT图像的识别分类方法，包括以下步骤：

1)获取肺部CT图像数据集并进行预处理，得到训练样本；

2)利用训练样本训练二维卷积神经网络，构建分割模型，用于识别肺部CT图像多类别的感兴趣区域；

3)利用分割模型识别的多类别感兴趣区域，在原肺部CT图像中裁剪出多个不同大小的三维图像块并进行分类类别标注；

4)利用三维图像块及其标注训练三维多尺度融合神经网络，构建假阳识别分类模型，用于筛除假阳感兴趣区域并对真阳感兴趣区域进行分类；

5)利用训练完成的分割模型和假阳识别分类模型对待分类的肺部CT图像进行分类和假阳筛除。

优选地，所述的二维卷积神经网络采用U-Net网络，所述的三维多尺度融合神经网络采用MGI-CNN融合网络。

进一步地，步骤2)具体包括：

21)对训练样本数据进行数据增强；