[发明专利]一种肺炎CT影像的图像处理方法和系统

说明书

本发明涉及医疗图像处理技术，公开了一种肺炎CT影像的图像处理方法和系统，其步骤包括，取CT影像，进行预处理，并将处理后的图像进行分割；对分割的CT影像进行肺叶CT影像分割；通过卷积神经网络对肺叶图像进行分割，得到异常区域图像；将分割后的异常区域图像输入至随机森林模型进行图像融合；对融合后的异常区域图像进行异常区域图像的体征分析，得到异常区域图像。本发明通过使用多个语义分割模型对肺部CT影像进行异常图像区域分割，并利用随机森林对多模型分割结果进行融合，提高边界区域分割的准确率和泛化性；针对分割后的异常区域图像，利用机器学习和深度学习算法判断其形态、密度、生理定位等体征分析，从而更高效的分析出肺炎的图像。

技术领域

本发明涉及医疗图像处理技术，尤其涉及了一种肺炎CT影像的图像处理方法和系统。

背景技术

目前人工智能技术发展迅猛，特别是图像识别领域，在安防监控、交通管理、人脸识别、军事及医疗方面均有较大的突破。

肺炎诊断分为临床体征诊断、影像诊断、核酸检测三个层面。其中，影像诊断是综合准确率和成本，效果最好、性价比最高的诊断层面。一套专业、高效合理的用于肺部CT影像的异常区域图像体征分析自动化系统，是提高临床肺炎诊断，缓解医疗压力的有效方法。现有技术中，肺炎图像边界分割准确率差，对于分割后的图像缺乏体征分析，不能快速高效的识别肺炎图像。

例如专利名称为：异常区域分割方法和装置，申请号： CN202010173149.5，申请日：2020-03-13，肺炎病灶分割方法和装置，解决了现有肺炎病灶分割方式的准确率低和效率低的问题。该肺炎病灶分割方法包括：基于图像语义分割模型预测出阳性层面的医学影像数据上的病灶区域；以及统计各平行层面的病灶面积，并结合各平行层面的病灶面积计算出病灶体积；其中，图像语义分割模型通过如下训练步骤建立：将全部已标记或部分已标记的样本数据输入病灶分割模型，以获得病灶分割模型输出的预测结果；基于病灶检测模型预测的病灶检测框以及肺叶肺段分割模型预测出的肺部区域，从预测结果中筛除低级假阳区域以获得样本数据的伪标签，并加入未标记的样本数据；以及复查伪标签，并对标记的样本数据进行标记以更新已标记的样本数据。

例如专利名称为：一种用于CT影像肺炎识别的图像处理方法和系统，专利申请号为：CN202010501917.5，申请日为：2020-06-04，发明公开了该图像处理方法在卷积分类模型中引入基于肺炎掩模的注意力机制，对卷积特征在空间层面进行加权，对于肺炎区域的特征乘一个更大的系数，非肺炎区域特征乘以一个小的系数，使肺炎区域特征更加突出；另，对于三维CT序列采用二维网络，对序列的每个阳性层面(患有肺炎的层面)逐层分类，然后通过类别加权然后投票取概率最大的类别得到该三维CT序列的肺炎分类结果，以此方式可以快速高效地识别CT影像中的肺炎类别。

现有技术的肺炎图像边界分割准确率差，对于肺炎图像分割后的结果缺乏体征分析，不能快速识别异常区域图像。

发明内容

本发明针对现有技术的肺炎图像边界分割准确率差，对于肺炎图像分割后的结果缺乏体征分析，不能快速识别肺炎图像的缺点，提供了一种肺炎CT影像的图像处理方法和系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种肺炎CT影像的图像处理方法，包括步骤为：

肺部CT影像分割：取CT影像，将肺部区域从CT影像中取出，并对取出带有肺部的CT影像进行图像预处理，得到肺部CT影像分割的 CT影像；

肺叶CT影像分割：对肺部CT影像分割的CT影像通过二维卷积神经网络进行肺叶CT影像分割，得到肺叶CT影像分割CT影像；

异常区域分割：对肺叶CT影像分割CT影像，通过二维卷积神经网络和三维卷积神经网络进行分割，得到分割后的异常区域图像；