[发明专利]CT图像的处理方法、终端及计算机存储介质

说明书

本发明涉及医疗辅助方法技术领域，提供一种CT图像的处理方法、终端及计算机存储介质，所述方法包括：步骤100，进行样本学习，得到CT图像的第一分级样本；步骤200，使用区域增长算法基于VGG‑16网络进行分类学习，得到CT图像识别的预训练模型；步骤300，采集的CT图像的样本数据，采用PG‑GAN对抗网络进行样本学习，得到CT图像的第二分级样本；步骤400，将图像直方图信息继续执行图像归一化，将图像映射到预训练模型对应的图像数据域内；步骤500，得到适用于实际场景数据的应用模型；步骤600，利用实际运行模型计算对CT图像进行分类预测，得到预测结果报告。本发明能提高CT图像处理的可靠性。

技术领域

本发明涉及医疗辅助方法技术领域，尤其涉及一种CT图像的处理方法、终端及计算机存储介质。

背景技术

胸部CT图像的判断一直以来都是业界一个难题，分为临床派和技术派，临床派主导人工肉眼查看医学图像，坚持在图像中人工查找病变位置和影像学特征，但是人工处理，第一严重依赖医生的个人经验，无法做到标准化，第二存在误诊和漏诊的可能，医疗质量非常难以控制；另一种希望使用机器学习对分型分症进行辅助判断，其中又有两种方式，一种通过自定义的神经网络进行传统的机器学习，一种通过深度神经网络进行学习影像学特征，将使用后者结合最新的科技手段进行图像处理。

目前结合深度学习的CT图像处理方法，主要面对两类难题，第一类问题是：由于一般其他机器学习任务样本数量都是万以上数量级，医疗图像的同一个样本的训练集一般只有百或者千数量级别医疗场景下的样本问题，而CT图像的样本量少且不平衡，考虑到患者疾病的多样性，特别是各种压型等情况，找到非常标准的样本非常少；同时更要命的是样本不均衡，例如肺癌，在同一个医院找到的数据，肺癌1期的要远远大于肺癌3期的数据，这样会严重影响机器学习的准确率。第二类问题是：判断标准困难，由于疾病复杂性，外加亚型等问题存在，加上各种误诊漏诊，导致影像学标注非常困难，肺癌2期3期，2.5期怎么标注，患者影像学上有一部分2期的特征，又有一部分3期的特征，临床上会归纳为2.5期，机器学习上应该怎么标注，也会严重影响机器学习的准确率。

发明内容

本发明主要解决现有技术的CT图像的样本量少且不平衡以及判断标准困难，会严重影响机器学习的准确率的技术问题，提出一种CT图像的处理方法、终端及计算机存储介质，能有效适应不同实际用户不同型号的CT图像采集设备，提高CT图像处理的可靠性。

本发明提供一种CT图像的处理方法，包括以下过程：

步骤100，利用CT图像的公开数据集，采用PG-GAN对抗网络进行样本学习，得到CT图像的第一分级样本；

步骤200，利用CT图像的分级样本，使用区域增长算法基于VGG-16网络进行分类学习，得到CT图像识别的预训练模型；

步骤300，利用实际用户的CT图像采集设备，采集的CT图像的样本数据，采用PG-GAN对抗网络进行样本学习，得到CT图像的第二分级样本；

步骤400，根据CT图像的第二分级样本，将图像直方图信息继续执行图像归一化，将图像映射到预训练模型对应的图像数据域内；

步骤500，对预训练模型进行微调，得到适用于实际场景数据的应用模型；

步骤600，针对患者真实的CT图像，利用实际运行模型计算对CT图像进行分类预测，得到预测结果报告。

进一步的，所述步骤200，包括：

步骤201，对CT图像的分级样本进行预处理；

步骤202，使用区域增长算法对CT图像的分级样本进行机器学习，使用VGG-16网络进行特征提取；

步骤203，使用区域生长算法对CT图像的分级样本进行边界提取；使用灰度图像的色差进行生长，当满足如下生长停止的条件时，则停止生长：