[发明专利]基于人工智能的肿瘤识别系统

说明书

本发明提供了一种基于人工智能的肿瘤识别系统，包括图像采集模块、图像库、图像预处理模块、图像特征提取模块和肿瘤识别模块。肿瘤识别方法包括：S1.对待测人体器官CT图像进行降噪处理，然后图像特征提取模块提取图像纹理特征；S2.病灶识别BP神经网络根据图像纹理特征识别人体器官CT图像中是否含有疑似病灶区域；S3.图像预处理模块对含有疑似病灶区域的人体器官CT图像进行图像分割，获得疑似病灶所在的区域；S4.对疑似病灶所在区域进行增强处理后，进一步提取纹理特征和形状特征；S5.肿瘤识别BP神经网络识别病灶类型，最终实现肿瘤的良性和恶性识别。与现有技术相比，本发明具有识别速率快、识别准确度高的优点。

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种基于人工智能的肿瘤识别系统。

背景技术

肿瘤分为良性肿瘤和恶性肿瘤，恶性肿瘤作为世界上发病率和死亡率最高的疾病之一，严重威胁着人民的健康和生命。目前通过影响学检查成为肿瘤识别最直接有效的途径之一，肿瘤在CT图像上的临床表现为器官实质内存在若干个大小不等且形态结构不规则的组织区域，这些区域的边界分布较为模糊。由于肿瘤患者早期无明显症状或影像学表现不典型，因此难以被发现和诊断，导致确诊时大部分处于中晚期，错过了最佳治疗时间，所以肿瘤的早期诊断和识别对于肿瘤患者至关重要。在肿瘤早期诊断中多层螺旋CT通过重建技术能够清晰显示出横断面、矢状面和冠状面的病灶特征，中期诊断中螺旋CT诊断联合表面遮蔽和多平面重建能够清晰显示肿瘤部位、内部结构、边缘特征、血液供应、侵犯周围组织程度以及周边组织的改变，具有较高的诊断准确率。所以CT图像成为肿瘤诊断和识别的重要参考依据，针对海量的医学影像数据，通过构建和训练深度学习神经网络可以对肿瘤进行良性、恶性及分期识别，提高诊断率、降低误诊率和漏诊率。

例如申请号为CN201710811917.3的发明专利公开了一种基于深度卷积神经网络和全局特征的肺部肿瘤识别方法。首先，根据肺部CT图像特点和复杂性初始构建深度卷积神经网络；然后探讨不同分辨率和迭代次数对识别结果的影响；接着对卷积核大小、特征维数和网络深度进行改进，探讨不同模型结构对于肺部肿瘤全局特征的影响程度；最后从网络优化维度分析不同采样方法(最大池采样和均值采样)、激活函数(Sigmoid和ReLU)和训练算法(批量梯度下降法和弹性动量下降法)对深度卷积神经网络(DCNN)性能的影响。实验结果验证了DCNN用于肺部肿瘤全局特征计算机辅助诊断的可行性，选择合适的模型参数和模型结构并采用弹性动量训练法可达到良好的识别效果。

但由于CT图像特征的复杂性，直接利用CT图像的全局特征，进行图像识别，难度较大，训练速度较慢，增大了工作量，而且识别精度可能偏低；此外，对图像进行分割后进行识别，忽略了图像轮廓边界处的特征，降低了肿瘤识别的可靠性。

发明内容

针对上述现有技术存在的缺陷，本发明的目的在于提供一种基于人工智能的肿瘤识别系统，首先将图像分块，提取图像纹理特征，通过病灶识别BP神经网络识别含有疑似病灶区域的CT图像；然后从含有疑似病灶区域的图像块分割出病灶区域，并将区域轮廓线向外延伸3个像素点作为目标区域，进行图像增强处理后，提取纹理特征和性质特征，通过肿瘤识别BP神经网络识别病灶类型，具有识别速率快，识别精度和可靠性高的优点。

为实现上述目的，本发明采用以下技术方案实现：

一种基于人工智能的肿瘤识别系统，包括：图像采集模块、图像库、图像预处理模块、图像特征提取模块和肿瘤识别模块，其中：

所述图像采集模块用于采集人体器官CT图像；

所述图像库用于存储所述图像采集模块采集的人体器官CT图像，以及CT图像训练样本集合；

所述图像预处理模块用于对所述CT图像进行降噪、图像增强和图像分割处理，获得疑似病灶所在区域；

所述图像特征提取模块用于对CT图像进行图像特征提取，形成图像特征参数集合；