[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

说明书

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及其方法，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，本发明通过对原始数据进行RGB通道叠加等预处理操作，再通过深度学习方法对大量训练集数据进行训练，并通过训练后的预测模型实现图像的精确识别。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于RGB通道叠加方法的肺结节图像深度学习识别系统及其方法。

背景技术

肺结节是一种病因未明的多系统多器官肉芽肿性疾病，由于一个患者的肺部CT切片可多达数百张，而一些肺结节的尺寸可能较小，通过肉眼方法判断费时费力。因此，计算机辅助诊断可起到了很好的帮助作用。

发明内容

本发明针对现有技术无法通过深度学习提取有效特征以及无法结合连续的多张CT切片进行分析，从而分析肺部结构的纵向走向，而只能通过单张肺部CT切片进行卷积神经网络的学习训练等缺陷，提出一种基于RGB通道叠加方法的肺结节图像深度学习识别系统及其方法，通过对原始数据进行RGB通道叠加等预处理操作，再通过深度学习方法对大量训练集数据进行训练，并通过训练后的预测模型实现图像的精确识别。

本发明是通过以下技术方案实现的：

本发明涉及一种基于RGB通道叠加方法的肺结节图像深度学习识别系统，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。

本发明涉及一种基于上述系统的图像识别方法，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。

所述的预处理包括：bmp转化处理、肺实质区域图像提取、肺结节区域图像提取以及图像序列重排。

技术效果

与现有技术相比，本发明基于深度学习和RGB通道叠的方法进行肺结节的识别，可以自动地对肺结节进行识别。由于肺结节的球状特性，血管的条状特性，本发明提出的连续三张肺部CT切片小块图像的RGB通道叠加方法能够反映出肺结节和健康组织纵向的走向，有效地增加真实肺结节和健康组织之间的差异性，提高检出率。尤其对于从CT切片上来看和健康组织较为相似，肉眼识别较为困难的微小肺结节来说，本方法能增强其和健康组织之间的差异。本发明能够自动地对dicom格式的肺部CT图像进行处理，并通过样本学习出一个预测模型，通过该预测模型对肺结节进行识别和预测。

附图说明

图1为肺结节检测系统示意图；

图2为肺结节检测系统工作示意图；

图3为肺实质提取模块工作示意图；

图4为肺结节提取模块工作示意图；

图5为RGB通道叠加模块工作示意图；

图6为AlexNet深度卷积神经网络的结构图。

图7为肺部图像示意图；