[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

说明书

本发明公开了一种基于深度卷积神经网络的腹腔CT图像腹膜转移标记方法，其步骤是：1)CT图像预处理；2)采用分水岭法分割预处理后的CT图像，提取候选结节；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，使用已标记候选结节对应的神经网络输入训练神经网络模型；5)使用神经网络模型预测未标记候选结节为肿瘤结节的概率，最后输出确定标记的所有CT图像，其中阴性标记表示未发生肿瘤腹膜转移，阳性标记表示发生了腹膜转移。本发明方法能够完成大量腹腔CT图像腹膜转移的自动标记，为恶性肿瘤诊疗提供依据；易于理解、实施简易，适用于海量腹腔CT图像的自动标记，具有良好的扩展性、鲁棒性和实用性。

技术领域

本发明属于医学图像处理领域，涉及一种基于深度卷积神经网络的腹腔CT图像肿瘤腹膜转移自动标记方法，运用图像处理技术和深度学习方法，实现大量腹腔CT图像中肿瘤结节的自动标记。

背景技术

腹膜是腹腔内多种恶性肿瘤常见的转移部位，标记腹膜转移是评价恶性肿瘤治愈效果的重要依据。存在腹膜转移的肿瘤患者病情发展快、预后差，临床治疗难度大，需要尽早诊断、及时治疗。标记腹膜转移可通过结节检测来完成，腹腔CT图像是检测肿瘤结节的重要诊断依据。但CT会产生大量的图像，其中包含淋巴、血管等类似于结节的图像颗粒，通过结节检测腹腔转移需要经验丰富的医师来完成，现有的人工阅片方式会消耗大量人力和时间资源，而且受主观因素影响，检测精度低且难以重复。通过人工智能技术处理腹腔CT图像，自动标记腹膜转移以进行恶性肿瘤诊断是计算机辅助医疗的新趋势之一，能够在减少医师工作量的同时提高诊断准确性。

计算机辅助进行结节检测的步骤一般包括1)预处理；2)候选结节检测；3)假正例缩减。预处理通常用于规范化数据、限制结节搜索空间、减少噪声影响等；候选结节检测的目标是检测到尽可能多的肿瘤结节，但通常会检测到大量的假结节，即假正例；假正例缩减阶段的目标是尽可能排除候选结节中的假结节。

发明内容

本发明所要解决的技术问题是提供一种基于深度卷积神经网络的腹腔CT图像腹膜转移自动标记方法，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，使用训练好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。

为实现上述目的，本发明采用如下的步骤：

1)读取腹腔CT图像，对其进行预处理，包括调窗、中值滤波去噪、直方图均衡化，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；

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。

上述步骤1)中基于窗位和窗宽获取CT图像集的处理过程是：首先对每张原始CT图像进行调窗操作，将图像CT值转换成255个灰度级以突出显示设定范围内的CT值，调窗通过窗宽Hw(范围的大小，单位：HU)和窗位Hc(范围的中心，单位：HU)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(窗位：Hc＝40HU，窗宽：Hw＝250HU)，窄窗(窗位：Hc＝30HU，窗宽：Hw＝150HU)，以及宽窗(窗位：Hc＝-600HU，窗宽：Hw＝700HU)；

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：