[发明专利]肺结节的智能影像处理系统

说明书

本发明提供了一种肺结节的智能影像处理系统，包括：模块M1：获取3D肺部CT影像数据；模块M2：对获取的3D肺部CT影像数据进行预处理，得到预处理后的3D肺部CT影像数据；模块M3：构建一阶段肺结节3D实例分割模型，并对一阶段肺结节3D实例分割模型进行训练，得到训练后的一阶段肺结节3D实例分割模型；模块M4：利用预处理后的肺结节CT图像数据根据训练后的一阶段肺结节3D实例分割模型生成肺结节分割和检测结果；模块M5：根据肺结节分割和检测结果确定肺结节中心位置和直径，并对肺结节边界进行勾勒。

技术领域

本发明涉及智能医学影像处理技术领域，具体地，涉及一种肺结节的智能影像处理系统。

背景技术

肺结节识别是基于深度学习计算机视觉领域的具体应用之一。通用的计算机视觉任务可以用于肺结节识别，但由于肺结节识别任务更侧重定位信息，且具有特定的影像学模式，因此会有许多特化的计算机视觉模型来处理肺结节识别任务，其中基于实例分割的肺结节识别方法能够直接提供肺结节的边界轮廓，便于医生查看。实例分割不仅要区分不同类别的体素点，还要区分同一类别的体素点是否属于同一实例。

用于肺结节实例分割的模型可以在给出结节位置坐标的同时勾勒出结节边界，提供更为丰富的结节信息。肺结节实例分割任务分为一阶段肺结节实例分割和二阶段肺结节实例分割。一阶段模型可以端到端地输出对结节边界的检测；二阶段模型先检测潜在的结节区域，再对候选区域进行进一步检测和定位。E.Kopelowitz等人的“Lung NodulesDetection and Segmentation Using 3D Mask-RCNN”提出了基于Mask R-CNN的3D肺结节实例分割方案，但Mask R-CNN模型检测分支和分割分支共享特征图导致各自的性能和单任务模型相比有所下降。H.Tang等人的“NoduleNet:Decoupled False Positive Reductionfor Pulmonary Nodule Detection and Segmentation”提出了名为NoduleNet的模型，将检测分支和分割分支解耦，该模型在LIDC-IDRI数据集上达到了良好的实例分割性能。

目前绝大多数已有的肺结节实例分割模型均基于Mask R-CNN实现，采用两阶段方式进行，使得模型结构较为繁琐，需要繁杂的后处理，可解释性差。现有的肺结节识别模型，没有很好地利用三维(3D)空间信息，忽视了病灶与肺部环境之间的关联，大多对三维实体的形状表征能力较差。

专利文献CN111062955A(申请号：202010188475.3)公开了一种肺部CT影像数据分割方法及系统，属于医学图像处理和人工智能技术领域。所述方法包括：标注肺部轮廓与目标区域，并对影像数据作数值裁剪和归一化处理；利用第一神经网络进行训练学习，得到肺部轮廓分割模型；提取出肺部轮廓，确定肺部感兴趣区域，并作数值裁剪和归一化处理；将肺部感兴趣区域裁剪，并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；根据影像数据和肺部目标区域分割模型，分割出肺部目标区域。所述系统包括标注模块、第一裁剪归一化模块、第一训练学习模块、第二裁剪归一化模块、第二训练学习模块和检测模块。本发明提高了肺部CT影像数据的处理效率，可快速地分割出肺部CT影像数据中的目标区域。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种肺结节的智能影像处理系统。

根据本发明提供的一种肺结节的智能影像处理系统，包括：

模块M1：获取3D肺部CT影像数据；

模块M2：对获取的3D肺部CT影像数据进行预处理，得到预处理后的3D肺部CT影像数据；

模块M3：构建一阶段肺结节3D实例分割模型，并对一阶段肺结节3D实例分割模型进行训练，得到训练后的一阶段肺结节3D实例分割模型；

模块M4：利用预处理后的肺结节CT图像数据根据训练后的一阶段肺结节3D实例分割模型生成肺结节分割和检测结果；