[发明专利]基于RGB通道叠加方法的肺结节图像深度学习识别系统及其方法

权利要求书

1.一种基于RGB通道叠加方法的肺结节图像深度学习识别系统的图像识别方法，其特征在于，所述的识别系统包括：数据读取模块、肺实质提取模块、肺结节提取模块、RGB通道叠加模块、样本训练模块和预测模块，其中：数据读取模块从医疗设备中读取原始肺部CT图像并转化处理为若干bmp图像，肺实质提取模块对bmp图像进行肺实质区域强化处理后生成按切片深度排序的肺实质图像序列，肺结节提取模块从肺实质图像序列中提取出标注肺结节中心坐标和疑似肺结节的质心坐标并提供给RGB通道叠加模块，RGB通道叠加模块根据标注肺结节中心坐标对肺实质图像序列中的所有图像进行切割处理并生成由伪彩图组成的伪彩图样本数据，样本训练模块通过深度学习方法对伪彩图样本数据进行学习和训练并得到深度卷积神经网络模型，预测模块采用深度卷积神经网络模型对依次经转化处理、强化处理和切割处理后的待测肺部伪彩图进行精确识别；

所述的图像识别方法，首先读取dicom格式的肺部CT切片图像序列并进行预处理操作，然后通过切割得到的连续三张肺部局部图像的RGB通道叠加方法强化肺结节区域的图像细节，并以此生成用于训练深度卷积神经网络模型的伪彩图样本数据，最后经深度学习方法进行学习从而得到用于进行精确图像识别的深度卷积神经网络模型；

所述的转化处理，即数据读取模块读取原始的dicom格式的肺部CT图像和切片深度、切片uid信息和xml文件中的肺结节标注信息，并将CT图像转换为bmp格式，其中：肺结节标注信息包括肺结节所在切片uid、肺结节所在切片深度、肺结节在切片上的中心位置；

所述的标注肺结节中心坐标和疑似肺结节的质心坐标分别通过提取xml文件标注中的中心坐标与计算疑似肺结节所在连通区域的质心位置方式得到；

所述的强化处理，即肺实质提取模块从若干bmp图像中提取出肺实质区域，保留CT切片图像的肺实质区域，并将其余部分置为黑色，并将所处理的所有肺部CT图像序列中得到的肺实质图像按照切片深度排序得到肺实质图像序列，并提供给肺结节提取模块；

所述的提取是指：采用腐蚀操作和膨胀操作得到肺实质掩模后对bmp图像进行提取得到；

所述的切割处理是指：从按切片深度排序的肺实质图像序列中找到当前处理的肺实质图像，并找到顺序中的上一张肺实质图像和下一张肺实质图像；以给定坐标为中心，分别从该三张肺实质图像中切割出三张小块图像，并放入RGB通道叠加成一张伪彩图，从而增加真实肺结节和健康组织之间的差异性；

所述的伪彩图样本数据包括正训练样本，即含有标注肺结节中心坐标的伪彩图和负训练样本，即不含标注肺结节中心坐标的伪彩图；

所述的样本训练模块包括：深度卷积神经网络单元和参数调整单元，其中：深度卷积神经网络单元与RGB通道叠加模块相连并接收伪彩图样本数据，参数调整单元与深度卷积神经网络单元相连并接收训练后的神经网络参数，生成训练后的深度卷积神经网络模型并输出至预测模块；

所述的深度卷积神经网络单元包括：五个卷积层、三个池化层、七个激活层和三个全连接层；

所述的预测模块包括：待测数据采集单元、预测单元以及数据回传单元，其中：待测数据采集单元接收依次经转化处理、强化处理和切割处理后的待测肺部伪彩图并输出至预测单元，预测单元根据样本训练模块输出的训练后的深度卷积神经网络模型对待测肺部伪彩图进行精确识别。

2.根据权利要求1所述的图像识别方法，其特征是，所述的小块图像的边长为bmp图像边长的1/8。

3.根据权利要求1所述的图像识别方法，其特征是，所述的深度学习方法使用的网络结构为AlexNet网络。