[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

说明书

本发明提供了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，包括：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，并划分训练集、验证集和测试集；对所述目标部位图像进行预处理；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，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。本发明通过所述分割任务和所述分类任务，可获取CT图像的隐层表征，通过对隐层表征进行判别，效率和准确率较高。

技术领域

本发明涉及CT设备技术领域，尤其涉及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。

背景技术

肺癌是当前人类疾病中最常见的恶性肿瘤之一。早发现，早确诊是降低死亡率的希望所在，医学上将胸部电子计算机断层扫描(CT)扫描得到的医学影像图片中的“肺部斑点”定义为肺结节，肺结节是肺癌初期最重要的初期表征之一，如果能做到及早准确发现肺结节，会大幅降低肺癌的病发，保证病人的生命安全，造福整个社会。

传统的肺结节良恶性分类问题是由医生来完成阅片的，依赖于医生的经验水平，时间长，效率低下。计算机辅助诊断结果能够为医生提供第二意见。实际过程中一些容易发展成肺癌的肺结节常会因表现出类似良性病变而难以区分，如肺脏错构瘤、肺结核球和霉菌球赫尔炎性假瘤等，易出现假阴性导致漏诊；也可能将非病变解读为病变，或将良性病变误解读为恶性，导致假阳性结果，因此，判断肺结节恶性度的计算机辅助诊断技术仍需不断发展，以提高肺结节良恶性诊断的准确率以及效率。

目前做法分为2D和3D两种，第一种2D方案多采用迁移学习机制，将自然图像的结果作为网络的初始参数对CT的二维肺结节图像进行分类学习。上述方案具有两方面的缺点，一是二维图像没有考虑图像的上下文信息，造成准确度不高；另一方面，由于自然图像和医学图像的差异较大，迁移权重的结果在医学图像上表现较差。3D的方法也仅采用单一分类网络，且并没有结合医生阅片常常关注的肺结节位置、形态、边缘等信息来完成分类的学习，因此效果也不是很理想。

发明内容

为了克服上述技术缺陷，本发明的目的在于提供一种提升了肺结节良恶性诊断的准确率和效率的基于深度学习的CT图像预测方法及计算机可读存储介质。

本发明公开了一种基于深度学习的CT图像预测方法，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。

优选地，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。

优选地，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。