[发明专利]一种基于深度学习对胸部CT影像的分类方法

说明书

本发明涉及一种基于深度学习对胸部CT影像的分类方法，利用当前比较成熟的深度学习方法对胸部CT影像特征进行提取和分析，最终利用已有影像数据集进行训练模型结构，来实现影响疾病判断的多种指标的量化分类，为诊断医生提供量化后的生理指标分类结果，降低职业医生的工作负担以及分析判断难度。

技术领域

本发明涉及人工智能领域中的深度学习与医学影像处理的交叉领域,具体涉及一种基于深度学习对胸部CT影像的分类方法。

背景技术

随着社会快速发展和生活质量不断提高，人们对健康也越来越重视，作为临床治疗的诊断依据，医学影像技术的精确识别变得越来越重要。肺部疾病是一种常见的疾病，包括肺不张、积液、浸润、肺块、结节、肺炎等。一般诊断方法则是根据胸部CT影像信息判断是否患有某种疾病。一般的，具有丰富临床经验的职业医生可以根据自身经验进行准确判断，但涉及到不同性别和年龄差异性特别大的时候，日益增大的工作量和识别的难度逐渐上升，尤其在医学资源比较紧缺的今天，一个替代传统诊断识别方法的机器辅助诊断影像技术无疑会加快病人的诊断和治疗过程。

发明内容

本发明针对现有技术中存在的技术问题，提供一种利用当前比较成熟的深度学习方法对胸部CT影像特征进行提取和分析，最终利用已有影像数据集进行训练模型结构，来实现影响疾病判断的多种指标的量化分类，为诊断医生提供量化后的生理指标分类结果，降低职业医生的工作负担以及分析判断难度。

本发明解决上述技术问题的技术方案如下：

一种基于深度学习对胸部CT影像的分类方法，包括以下步骤：

步骤1，对胸部CT影像进行预处理，从原始的影像样片中分割出完整的含有双肺的主要区域；

步骤2，采用3D-Unet算法对预处理的胸部CT影像中的密集部分进行分割，同时使用卷积神经网络对密集部分影像进行特征提取；

步骤3，将提取的密集部分影像特征输入到深度神经网络模型中，对胸部CT影像密集块中的结节位置、密度、最长径和体积进行精检测分类；所述深度神经网络模型的网络结构由多个DenseNet和多个Transition Block的交替组合构成。

进一步，所述步骤1还包括对原始的胸部CT影像进行旋转或缩放的增广处理，以增大和多样化医学影像图的样本集。

进一步，所述使用卷积神经网络对密集部分影像进行特征提取包括：

深度卷积神经网络采用Conv(7*7)的卷积结构对影像进行卷积计算、利用Pooling(3*3)的结构进行池化处理。

进一步，所述深度神经网络模型包括6层结构，即包括3个DenseNet和3个Transition Block块交替组合构成的网络结构，为了保证网络中层与层之间最大程度的信息传输，所述DenseNet网路采用了直接将所有层连接起来的方法，所述Transision Block用于转换模型之间的参数，用于模型调优过程。

本发明的有益效果是：首先通过对胸部CT影像对关键部位进行影像分割，然后利用深度卷积神经网络技术通过卷积池化过程进行特征提取，然后再经过深度神经网络模型对影响肺部疾病诊断的多种指标进行量化分类，有效降低了职业医生在肺部疾病诊断过程中的工作负担以及分析判断难度。

附图说明

图1为本发明方法流程图；

图2为深度卷积神经网络架构图；

图3为DenseNet的网络结构图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。