[发明专利]一种基于深度学习的3D肺部病灶分割方法、装置

说明书

本发明公开了一种基于深度学习的3D肺部病灶分割方法、装置、电子设备及存储介质，所述方法通过获取肺结节dicom图像，对所述dicom图像进行预处理；将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进行裁剪；将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归子图；对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过中心点坐标得到回归的点的坐标，得到分割结果，本发明提出的球面分割和主流的分割技术相比，无需先检测再分割，直接通过3D图像进行分割得到相应的结果，对比目前的主流3D分割方法，这种方式更加简便快捷，且符合结节类球形的形状特点，达到与主流分割方式接近的精度，提供了一种新思路。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的3D肺部病灶 分割方法、装置、电子设备及存储介质。

背景技术

在医学上，在医疗领域，医疗影像已经成为精准诊断，病灶定位不可分割 的一步，但是由于有些病灶较小，难以发现，常常导致医生忽略掉该病灶从而 出现误诊的情况，而且，由于病灶形状的互不一致，大小不一，医生对病灶的 测量也相对困难。

深度学习方法自20世纪末被提出，至今已经得到了良好的发展，它模拟人 的神经组成，利用大量的数据完成神经连接的模拟，从而达到模拟人脑的效果， 完成一些专业人士完成甚至无法完成的工作。

LIDC-IDRI是数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结 果病变标注组成。该数据是由美国国家癌症研究所(National Cancer Institute) 发起收集的，目的是为了研究高危人群早期癌症检测。该数据集包含了1018 位病人的CT影像，完成了逐像素级别的肺结节标注，也对肺结节的分类进行了 一定的标注。

目前使用深度学习的方案在LIDC-IDRI进行检测和分割的办法主要是先对 肺结节进行检测，根据检测结果进行逐像素(2D)或逐体素(3D)的分割，从 而从而得到肺结节的体积的描述，以及其他相应的描述。但是目前的方法涉及 到两阶段模型的使用，或者一阶段的检出和分割。但是，这样的方法导致了相 应的耗时高或者占用高显存。

发明内容

本发明的目的在于提供一种基于深度学习的3D肺部病灶分割方法、装置、 电子设备及存储介质，无需先检测再分割，直接通过3D图像进行分割得到相 应的结果。

第一方面，本发明实施例提供了一种深度学习的3D肺部病灶分割方法， 所述方法包括以下步骤：

获取肺结节dicom图像，对所述dicom图像进行预处理；

将预处理过的dicom图像进行三维堆叠得到3D图像块，并对3D图像块进 行裁剪；

将裁剪后的3D图像通过预先训练的球面分割模型进行特征提取得到回归 子图；

对所述回归子图进行中心度和概率的乘积计算得到多个中心点坐标，通过 中心点坐标得到回归的点的坐标，得到分割结果。

可选地，所述球面分割模型的训练过程包括：

对所述dicom图像的标注数据进行预处理得到球坐标数据；

基于上述构建的网络提取特征图；

构建基于ResNeSt-34的特征图金字塔网络FPN和循环特征金字塔网络 RFP；

将所述特征图通过所述FPN及RFP分为三个部分对所述特征图的球坐标 数据进行损失函数的计算，求解出最优化的模型。

可选地，对所述dicom图像进行预处理包括；

图像归一化和图像增强；