[发明专利]一种基于深度学习的CT图像预测方法及计算机可读存储介质

权利要求书

1.一种基于深度学习的CT图像预测方法，其特征在于，包括如下步骤：

获取CT图像的带有结节的目标部位图像，对所述目标部位图像的感兴趣区域进行像素级标注和良恶性标注，以获得素材集，将所述素材集划分为训练集、验证集和测试集；

对所述目标部位图像进行预处理，包括将所述目标部位图像从空间三个维度采样至大小统一，和将所述目标部位图像的人体组织密度值归一化处理；

建立所述目标部位图像的深度学习模型，所述深度学习模型包括分割任务和分类任务；

将所述训练集、验证集输入至所述深度学习模型中进行训练，所述分割任务通过Dice损失函数进行训练，所述分类任务通过二值交叉熵损失函数进行训练，以获取所述训练后的所述深度学习模型的网络权重参数；

将所述测试集输入至训练后的所述深度学习模型中进行测试，获取目标部位结节的良恶性预测结果和掩膜预测结果，其中所述深度学习模型包括第一通道、第二通道和第三通道；

将目标部位图像输入所述第一通道，通过连续池化进行降采样操作，且层与层之间通过多尺度模块连接，以获取所述目标部位图像的全局特征；

将所述素材集内的标注后的所述带有结节的目标部位图像进行裁剪，获取所述目标部位的结节图像，将所述结节图像输入至所述第二通道，进行编码器处理过程和解码器处理过程，以获取所述目标部位图像的局部特征；

通过分割网络获取所述结节图像的掩膜图像，将所述掩膜图像输入至所述第三通道，进行连续卷积以获取掩膜特征；

将所述全局特征、所述局部特征、所述掩膜特征分别进行全局平均池化后进行拼接，获取用于判别目标部位的良恶性的分类特征。

2.根据权利要求1所述的CT图像预测方法，其特征在于，所述获取CT图像的带有结节的目标部位图像步骤中，所述带有结节的目标部位图像的厚度为1mm-2.5mm。

3.根据权利要求1所述的CT图像预测方法，其特征在于，所述对所述目标部位图像进行预处理，包括将所述目标部位图像从空间三个维度采样至大小统一，和将所述目标部位图像的人体组织密度值归一化处理还包括：

对预处理后的所述目标部位图像数据进行样本扩充，所述样本扩充的方法包括随机翻转、随机旋转和随机缩放。

4.根据权利要求1所述的CT图像预测方法，其特征在于，所述编码器处理过程包括使用编码器模块通过残差单元和池化层进行多次连续的下采样操作；

所述解码器 处理过程包括使用解码器模块进行多次连续的反卷积操作。

5.根据权利要求1所述的CT图像预测方法，其特征在于，在所述第二通道内，还需要输入所述目标部位的结节所在的位置信息，所述位置信息包括X轴、Y轴、Z轴的坐标信息；

将所述位置信息与所述局部特征进行拼接，获取最终输出的局部特征。

6.根据权利要求5所述的CT图像预测方法，其特征在于，对所述第一通道、第二通道和第三通道输入的图像数据进行插值处理，使所述第一通道、第二通道和第三通道输入的图像数据为等比例大小；

并将所述位置信息等比例变换，使所述位置信息在所述插值处理后的所述图像数据中所标识的位置与在未经所述插值处理的所述图像数据所标识的位置一致。

7.根据权利要求1所述的CT图像预测方法，其特征在于，在所述第二通道内，每一次的图像采样前都需要对采样图进行拼接，拼接的采样图的大小与所述编码器模块和所述解码器模块相对应的图像大小一致。

8.根据权利要求1所述的CT图像预测方法，其特征在于，所述将所述训练集、验证集输入至所述深度学习模型中进行训练还包括：

在训练过程中通过梯度下降法优化所述Dice损失函数和所述二值交叉熵损失函数直至收敛。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一所述的CT图像预测方法的步骤。