具体实施方式

本说明书实施例提供一种肺部CT图像的病灶识别方法、设备及介质。

医学图像检查的方法很多，但结合肺部的特点采用CT的检测能更好的检测出病人的病灶信息。与普通的X线相比，CT得到的横面图像更加清晰准确，图像的清晰度也更高，获得的细节信息更多。

近年来，由于肺癌的发病率和病死率迅速上升，病人数量的扩大，给医生带来了更多的工作量。同时，CT数字胸片中病灶区的细节难以清晰显现，加上血管、肌肉、脊椎骨等因素的干扰，对肺部病灶区的准确定位会造成很大的影响。这种情况下医生在对肺部的病灶位置进行判断时，对于细微的病灶的位置识别可能会花费较长的时间，使得医生的压力增加。

为了解决上述问题，本说明书提出了一种肺部CT图像的病灶识别方法。通过建立以正常肺部CT图像以及患有疾病肺的部部CT图像的训练样本，完成对病灶识别模型的训练，以同比例的方式抽取训练样本进行识别结果的训练，避免了单一类型训练样本无法检验识别精确度的问题。通过识别模型提取到的特生完成病灶所处位置的检测后，基于病灶位置数据标注出病灶所在的区域，以辅助医生查找出肺部CT图像中病灶所在的位置，节省了医生查找病灶所在位置时所花费的时间，缓解了医生的压力。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

如图1所示，本说明书一个或多个实施例提供了一种肺部CT图像的病灶识别方法的流程示意图。

图1中的流程包括以下步骤：

S101：获取CT设备读入的肺部CT图像。

计算机X线断层扫描设备是利用X射线对人体一定厚度的层面进行断层扫描后，由探测器收得的模拟信号再将模拟信号变成数字信号，经电子计算机计算出每一个像素的衰减系数，再重建图像，获得而能显示出人体各部位的断层结构的设备。而肺部CT图像则是经过计算机X线断层扫描人体胸部结构所获得的图像。

S102：将所述CT设备读入的肺部CT图像作为待检测的肺部CT图像。

将步骤S101中CT设备扫描患者胸部部位，所读入的肺部CT图片作为待检测的肺部CT图像，等待进行肺部病灶位置的识别，以避免医生对难以辨别的病灶进行位置识别时耗费时间较长的问题。

S103：将所述待检测的肺部CT图像输入预先训练的病灶识别模型中，得出输出结果。

在本说明书一个或多个实施例中，所述将所述待检测的肺部CT图像输入预先训练的病灶识别模型中之前，所述方法还包括：

收集患有疾病的肺部CT图像与正常肺部CT图像作为训练图像；

将所述训练图像基于预设处理方式进行过滤，获得所述病灶识别模型的训练样本；

将所述患有疾病的肺部CT图像与所述正常肺部CT图像对应的训练样本，同比例输入卷积神经网络；并将所述训练样本的病灶位置数据作为输出输入卷积神经网络模型，训练所述卷积神经网络；

若训练后的卷积神经网络输出的识别结果，符合预先设定的精确度，则将所述训练后的卷积神经网络作为病灶识别模型。

在本说明书一个或多个实施例中，所述将所述患有疾病的肺部CT图像与所述正常肺部CT图像对应的训练样本，同比例输入卷积神经网络之后，所述方法还包括：

基于所述卷积神经网络的卷积核对所述训练样本进行滑动卷积，以提取所述训练样本的卷积特征；

通过所述卷积神经网络的池化层将所述卷积特征进行聚类并将冗余特征进行过滤，获得所述训练样本的降维卷积特征；

将所述降维卷积特征输入预先设置的分类器，对所述训练样本的病灶进行识别，获得病灶识别结果。

在本说明书一个或多个实施例中，所述将所述训练图像基于预设处理方式进行过滤，获得所述病灶识别模型的训练样本，具体包括：

计算所述训练图像各连通区域的面积，根据预先设定的连通区域面积的阈值对所述训练图像的肺部区域进行提取，获得第一肺部图像；

根据预先设定的CT值范围对所述第一肺部图像进行处理，以过滤所述第一肺部图像的边缘非肺部组织获得第二肺部图像；

将CT噪声添加到第二肺部图像，获得所述肺部CT图像的训练样本；其中，所述训练样本以预设分辨率的灰度进行保存。

在本说明书一个或多个实施例中，所述将所述训练样本的病灶位置数据作为输出输入卷积神经网络模型，训练所述卷积神经网络具体包括：

确定所述病灶至少一对对角线的位置坐标；其中，所述对角线的位置坐标包括：左上角位置坐标与右下角位置坐标、右上角位置坐标与左下角位置坐标；

将所述对角线的位置坐标以整数数组的格式保存，作为所述训练样本的病灶位置数据。

基于物联网或者医院的数据库，收集患有疾病的肺部CT图像与正常肺部CT图像作为训练图像。基于患有疾病的肺部CT图像与正常肺部CT图像进行模型训练，使得训练后的病灶识别模型可以分别识别有病灶与无病灶的待检测肺部CT图像。其中，为了保证病灶识别模型的精确度，每种典型肺部疾病的肺部CT图像应该不少于50张，患有疾病的肺部CT图像数量不少于500张。

再将训练图像输入卷积神经网络模型之前，因为CT设备获得的待检测的肺部CT图像中包含有肌肉、脊椎骨等干扰因素。因此，需要通过预设的处理方式将干扰因素进行过滤，以获得病灶识别模型的训练样本。具体地：

肺部区域的连通域面积与骨骼、肌肉的连通域面积存在差异。计算训练图像中各个连通域的面积后，通过预先设置的连通域的面积范围，对不属于肺部连通域范围的组织进行过滤，可以实现对肺部区域的粗提取。例如：将连通域的面积阈值设置为大于30mm²，那么将会保留面积大于30mm²的区域作为第一肺部图像。在经过对连通域的粗过滤后获得的第一肺部图像中，不同组织对X射线的吸收系数不同，可以通过CT值来表示不同的组织。所以基于预先设定的肺部组织的CT值范围，对第一肺部图像的边缘非肺部组织进行过滤后，可以获得过滤后的第二肺部图像。

此外，设备获取的肺部CT图像中一般会存在有噪声干扰，为了使训练样本接近于设备获取的待检测的肺部CT图像，对第二肺部图像添加常见的通道板噪声、随机噪声等常见的CT噪声作为干扰，将添加CT噪声后第二肺部图像作为肺部CT图像的训练样本。其中需要说明的是，卷积神经网络模型的输入层图像分辨率可以设置为128×128大小的灰度图像，因此训练样本的所有图像以灰度图像格式进行保存。

在训练样本中的患有疾病的肺部CT图像中，根据医生的既往诊断结果，确定病灶的位置，并将病灶的至少一对对角线的位置坐标以整数数组的格式进行保存，作为训练样本的病灶位置数据，以便标注出待识别的肺部CT图像的病灶位置。其中，需要说明的是对角线的位置坐标可以是：病灶的左上角位置坐标与右下角位置坐标构成的一对对角线位置坐标，或者病灶的右上角位置坐标与左下角位置坐标构成的一对对角线位置坐标。

将经过预处理后的训练样本中的患有疾病的肺部CT图像与正常肺部CT图像对应的训练样本作为输入以1:1的比例输入到卷积神经网络中，同时将训练样本所对应的病灶位置数据作为输出输入卷积神经网络模型中进行训练。以保证所述卷积神经网络模型可以精确识别患有基本的肺部CT图像以及正常肺部CT图像，确保训练过程中卷积神经网络的识别精确度。

卷积神经网络是一种前馈神经网络，其卷积核使用共享的权重在输入图像上进行滑动卷积操作，提取训练样本的卷积特征。例如：选用M×N大小的卷积核在训练样本的图像矩阵上滑动获取训练样本的卷积特征，其中，卷积和的大小可以根据网络训练的效率和精度进行不同的设置。卷积神经网络中的池化层将卷积层所提取的特征进行聚合统计并将冗余特征进行过滤，以降低计算过程中的数据量，有效方式了过拟合的现象。使用卷积神经网络模型对肺部CT图像进行特征提取和降维后，使用提取到的特征训练SVM分类器，以对训练样本中的病灶进行识别，输出识别结果，以达到检测病灶所在位置的目的。如果训练后的训练模型所输出的识别结果符合预先设置的识别精确度，则将符合要求的训练后的卷积神经网络作为病灶识别模型，进行肺部CT图像病灶的自动识别。

S104：若所述待检测的肺部CT图像存在病灶，则所述输出结果为所述病灶位置数据。

将待检测的肺部CT图像输入病灶识别模型后，如果待检测的肺部CT图像中不存在病灶则输出结果为空，不进行后续的标注工作。如果待检测的肺部CT图像中存在病灶，则输出结果为病灶的位置数据。

S105：根据所述病灶位置数据将所述病灶所处的区域在所述待检测的肺部CT图像上进行标注。

在本说明书一个或多个实施例中，所述根据所述病灶位置数据将所述病灶区域在所述待检测的肺部CT图像上进行标注，具体包括：

将所述对角线的位置坐标所对应的点，以射线形式进行横向延长与纵向延长，获得延长线的交叉点；其中，所述射线与所述肺部CT图像的边长平行；

将所述交叉点及所述对角线的位置坐标所对应的点以标注线连接，获得所述肺部图像标注的病灶区域。

在本说明书一个或多个实施例中，所述根据所述病灶位置数据将所述病灶所处的区域在所述待检测的肺部CT图像上进行标注之后，所述方法还包括：

根据所述肺部CT图像的标注区域，获取该肺部CT图像该病灶区域的图像序列；

根据所述病灶在所述图像序列任一层肺部CT图像中的病灶像素点、像素间距以及层间距，确定所述任一层肺部CT图像中所述病灶区域的体积；

根据图像序列中每一层病灶区域的体积，叠加获得所述肺部CT图像中的病灶总体积；

获取所述肺部CT图像中肺叶的总体积，并根据所述病灶总体积与所述肺部CT图像中肺叶的体积，获得所述病灶在肺部的体积占比。

在本说明书一个或多个实施例中，所述获得所述病灶在肺部的体积占比之后，所述方法还包括：

获取所述肺部CT图像所对应的用户的历史病例；

根据所述病灶的位置信息匹配预先设置的报告模板；

将所述病灶的位置信息，所述病灶总体积、所述病灶在肺部的体积占比及所述历史病例的相关数据输入所述报告模板；

根据所述报告模板处理获得所述肺部CT图像对应的病灶识别报告。

根据步骤S104中获得的病灶位置数据，使用图像标注工具将病灶识别模型所输出的病灶位置数据标注在待检测肺部CT图像中，获得病灶所处的区域在待检测的肺部CT图像中所处的位置，以便辅助医生对病灶位置进行识别。

具体地，标注过程如下：

将病灶识别模型获得的病灶位置数据所对应的点，及病灶的对角线位置所对应的点，以射线的形式进行平行于待检测的肺部CT图像的横向延长，以及平行于待检测的肺部CT图像的纵向延长，获得对角线位置所对应的点进行延长后的延长线交叉点。将获得的交叉点以及病灶位置数据对应的点以标注线连接，获得的矩形区域为肺部图像所标注的病灶区域。通过对肺部CT图像中病灶的识别以及病灶区域的标注，可以在医院日常工作中辅助医生识别肺部CT图像中病灶的区域位置。

此外，为了进一步减轻医生的判断任务，在获得病灶区域的标注后，可以根据病灶标注区域，获取该肺部CT图像该病灶区域的图像序列。由于一个病灶区域可能会跨越多层肺部CT图像，可以将肺部CT图像序列中任一层肺部CT图像中的病灶区域看做一个柱体，基于该病灶区域在每一层肺部CT图像中的病灶像素点、可以确定该病灶所包含的像素总数，再基于像素间距确定的像素点密度值可以确定该病灶区域的平均密度，确定每层肺部CT图像中病灶区域所对应的面积和层间距，计算得到病灶区域每层的体积，叠加可以得到肺部CT图像中的病灶总体积。根据设备获取的肺部CT图像，得到该肺部CT图像中肺叶的总体积，并根据病灶的总体积和肺叶的总体积获得，该病灶在该患者肺部的体积占比。

根据肺部CT图像所对应的用户历史病例，可以获得该患者的既往检查数据。根据该患者的病灶位置信息，可以匹配到预先设置的报告模板。根据匹配后的报告模板对基于病灶识别模型获得的病灶的位置信息，以及病灶的总体积、病灶在肺部的体积占比以及历史病例中的相关数据进行分析，可以获得与该患者的肺部CT图像相对应的病灶识别报告。以帮助医生在识别出病灶区域后，快速获得该患者肺部病灶的发展状况，节省了医生调取历史病例进行对比分析时所花费的时间。

如图2所示，本说明书一个或多个实施例中提供了一种肺部CT图像的病灶识别设备，设备包括：

至少一个处理器201；以及，

与所述至少一个处理器201通信连接的存储器202；其中，

所述存储器202存储有可被所述至少一个处理器201执行的指令，所述指令被所述至少一个处理器201执行，以使所述至少一个处理器201能够：

获取CT设备读入的肺部CT图像；

将所述CT设备读入的肺部CT图像作为待检测的肺部CT图像；

将所述待检测的肺部CT图像输入预先训练的病灶识别模型中，得出输出结果；

若所述待检测的肺部CT图像存在病灶，则所述输出结果为所述待检测的肺部CT图像的病灶位置数据；

根据所述病灶位置数据将所述病灶所处的区域在所述待检测的肺部CT图像上进行标注。

如图3所示，本说明书一个或多个实施了提供了一种非易失性存储介质，存储有计算机可执行指令301，计算机可执行指令包括：

获取CT设备读入的肺部CT图像；

将所述CT设备读入的肺部CT图像作为待检测的肺部CT图像；

将所述待检测的肺部CT图像输入预先训练的病灶识别模型中，得出输出结果；

若所述待检测的肺部CT图像存在病灶，则所述输出结果为所述待检测的肺部CT图像的病灶位置数据；

根据所述病灶位置数据将所述病灶所处的区域在所述待检测的肺部CT图像上进行标注。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。