[发明专利]基于深度卷积神经网络的腹腔CT图像腹膜转移标记方法

权利要求书

1.基于深度卷积神经网络的腹腔CT图像腹膜转移标记方法，其特征在于，首先对CT图像进行预处理和分割，基于颗粒图像提取候选结节；然后搭建并训练深度卷积神经网络模型，使用训练的模型预测候选结节为肿瘤结节的概率；最后输出确定标记的CT图像；

所述方法具体包括以下步骤：

1)读取腹腔CT图像，对其进行预处理，基于窗位和窗宽获取CT图像集；

2)采用分水岭法分割预处理后的CT图像以获取颗粒图像，筛选、合并颗粒图像以提取候选结节；对三张预处理后CT图像分别进行分水岭法分割以获取颗粒图像；基于像素个数设置范围值，所述范围值为5到60，统计每个颗粒图像的像素个数，筛选出满足范围条件的颗粒图像；

汇聚来自三张CT图像筛选后的颗粒图像，根据颗粒图像在原始CT图像中的位置及占据范围去除完全处于其它颗粒图像范围的小颗粒图像，合并存在交叉的颗粒图像，记录剩余颗粒图像的位置及占据范围，即为从CT图像中提取到的候选结节；

3)为候选结节构建对应的神经网络输入；

4)搭建深度卷积神经网络模型，设定损失函数，使用已标记候选结节对应的神经网络输入训练深度卷积神经网络模型；

5)使用深度卷积神经网络模型预测未标记候选结节为肿瘤结节的概率，由此标记腹腔CT图像，最后输出确定标记的所有CT图像；

所述步骤1)具体为：

首先对每张原始CT图像进行调窗操作，将图像CT值转换成设定的灰度级，调窗通过窗宽Hw和窗位Hc来设定；对每张原始CT图像进行三次不同窗宽、窗位的调窗操作，分别为：腹窗、窄窗以及宽窗；

然后基于窗位Hc和窗宽Hw计算CT值范围的上、下界H_min、H_max，公式如下：

基于H_min、H_max计算对应的像素灰度值P_min和P_max，公式如下：

其中H为图像CT值，H为其对应的灰度值，slope、intercept分别为斜率值、截距，为当前的CT图像参数；

基于灰度值范围P_min和P_max，对CT图像中的每个像素灰度值x转换得到灰度值g，公式如下：

其中U为转换后灰度值g的上限；

每张原始CT图像共产生三张不同窗宽和窗位的预处理后CT图像。

2.根据权利要求1所述的基于深度卷积神经网络的腹腔CT图像腹膜转移标记方法，其特征在于，所述步骤3)具体为：

对于每一个所述候选结节，计算其像素平均坐标作为中心坐标(x₀，y₀)，以(x₀，y₀)为中心分别划取M种尺度的矩形范围；针对M张不同窗位和窗宽的CT图像，按M种尺度获得3×M张矩阵图像；将各张矩形图像通过线性插值法变换到224×224大小，得到该候选结节对应的神经网络输入。