本發(fā)明涉及肺結(jié)節(jié)分級(jí)判定技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定方法和系統(tǒng)。

背景技術(shù)：

ct掃描技術(shù)是目前應(yīng)用最為廣泛的肺癌診斷技術(shù)。與接受肺部x射線檢測(cè)的患者相比，接受ct掃描檢測(cè)的患者死于肺癌的可能性可降低20％。肺癌的早期診斷和早期干預(yù)可降低患者的死亡率。如今，ct影像的分析與檢測(cè)還依賴于醫(yī)生的肉眼觀察和診斷經(jīng)驗(yàn)。然而在醫(yī)院的臨床應(yīng)用中，對(duì)ct影像的常規(guī)分析仍是一個(gè)成本高且實(shí)現(xiàn)難度大的工作，因?yàn)樵摴ぷ髦荒苡缮贁?shù)經(jīng)驗(yàn)豐富、訓(xùn)練有素的醫(yī)生和專家耗費(fèi)大量的人力物力手動(dòng)完成，并且人工的手動(dòng)診斷方法具有較強(qiáng)的主觀性，且不可復(fù)制，很難在較短時(shí)間內(nèi)培養(yǎng)出一個(gè)出色的肺結(jié)節(jié)診斷醫(yī)生。尤其對(duì)于中國這樣一個(gè)人口眾多、求醫(yī)需求大的國家，許多偏遠(yuǎn)地區(qū)的醫(yī)院在ct診斷醫(yī)生方面尚有巨大缺口，而大城市的ct診斷醫(yī)生也同樣面臨任務(wù)量大的問題。超負(fù)荷的工作量勢(shì)必會(huì)伴隨著誤診率的增加，稍有疏忽就會(huì)給患者和主治醫(yī)生帶來極為嚴(yán)重的后果。

伴隨著計(jì)算機(jī)及其相關(guān)技術(shù)的產(chǎn)生和發(fā)展，計(jì)算機(jī)輔助診斷在醫(yī)學(xué)領(lǐng)域的應(yīng)用一直備受關(guān)注。對(duì)于細(xì)胞層面的計(jì)算機(jī)輔助診斷，傳統(tǒng)的圖像處理方法已取得了相當(dāng)不錯(cuò)的效果，并已在國外醫(yī)院得到廣泛應(yīng)用，很大程度上減輕了醫(yī)生專家的工作量。隨著計(jì)算機(jī)技術(shù)的普及和機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)的發(fā)展，基于深度學(xué)習(xí)的肺結(jié)節(jié)預(yù)測(cè)方法已受到越來越多的關(guān)注。對(duì)于霧霾嚴(yán)重且污染面廣的中國，研究一種基于深度學(xué)習(xí)和多源數(shù)據(jù)融合的國人ct肺結(jié)節(jié)分級(jí)判定方法已成為國家和國民的迫切需求。

現(xiàn)有的肺結(jié)節(jié)判定方法中，一種是通過獲取ct影像、肺結(jié)節(jié)實(shí)質(zhì)分割、氣管/主支氣管剔除、邊緣結(jié)節(jié)檢測(cè)、疑似結(jié)節(jié)檢測(cè)、特征提取和分類、以及肺結(jié)節(jié)標(biāo)定，可以對(duì)肺癌早期階段形成的微小結(jié)節(jié)進(jìn)行檢測(cè)；另一種是根據(jù)從肺結(jié)節(jié)坐標(biāo)中獲取的多尺度肺結(jié)節(jié)圖像塊構(gòu)造對(duì)應(yīng)的各個(gè)卷積神經(jīng)網(wǎng)絡(luò)，然后從訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中提取肺結(jié)節(jié)的低維特征，再利用這些低維特征訓(xùn)練非線性分類器，從而預(yù)測(cè)出未知肺結(jié)節(jié)圖像塊的良惡性。

但第一種方法具有很大的局限性且依賴于肺結(jié)節(jié)的預(yù)分割和算法的初始化。目前的很多分割算法均依賴于算法的初始化，如該方法中用到的區(qū)域生長算法。算法的初始化不同，最終的分割結(jié)果也會(huì)有差別，因此，利用這樣的分割結(jié)果得到的特征通常是不準(zhǔn)確的，預(yù)測(cè)準(zhǔn)確度也相對(duì)較低；而第二種方法采用了卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造肺結(jié)節(jié)圖像塊，但未說明用來進(jìn)行實(shí)驗(yàn)的肺結(jié)節(jié)圖像塊的真實(shí)性和數(shù)量，并且未結(jié)合患者的其它就診信息，無法充分證明其預(yù)測(cè)方法的準(zhǔn)確性、優(yōu)越性和普遍適用性。并且，該方法僅實(shí)現(xiàn)了肺結(jié)節(jié)的良惡性預(yù)測(cè)，并未對(duì)肺結(jié)節(jié)的分級(jí)判定做進(jìn)一步研究。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定方法和系統(tǒng)，采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合多源數(shù)據(jù)整合技術(shù)，通過驗(yàn)證與測(cè)試得出一種專門針對(duì)ct肺結(jié)節(jié)進(jìn)行分級(jí)判定的方法，且其判定過程全面且可靠，有效提高了判定結(jié)果的準(zhǔn)確性，進(jìn)而能夠有效地輔助醫(yī)生進(jìn)行疾病診斷工作。

為解決上述技術(shù)問題，本發(fā)明提供以下技術(shù)方案：

第一方面，本發(fā)明提供了一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定方法，所述方法包括：

對(duì)獲取的多個(gè)電子計(jì)算機(jī)斷層掃描ct肺部圖像進(jìn)行預(yù)處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像；

提取各所述ct肺結(jié)節(jié)圖像的圖像特征，并根據(jù)所述圖像特征對(duì)各所述ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類；

對(duì)預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練和迭代，得到診斷模型；

以及，基于所述診斷模型，對(duì)所述ct肺部圖像進(jìn)行ct影像肺結(jié)節(jié)的分級(jí)判定。

進(jìn)一步地，在所述對(duì)獲取的多個(gè)電子計(jì)算機(jī)斷層掃描ct肺部圖像進(jìn)行預(yù)處理之前，所述方法還包括：

獲取多個(gè)患者全面就診信息；

在所述患者全面就診信息中采集所述ct肺部圖像及對(duì)應(yīng)的綜合臨床就診信息；

以及，對(duì)所述綜合臨床就診信息進(jìn)行量化處理，得到量化后的所述綜合臨床就診數(shù)據(jù)。

進(jìn)一步地，所述對(duì)獲取的多個(gè)電子計(jì)算機(jī)斷層掃描ct肺部圖像進(jìn)行預(yù)處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像，包括：

對(duì)各所述ct肺部圖像進(jìn)行格式轉(zhuǎn)換，得到格式同一的各ct肺結(jié)節(jié)序列圖像；

以及，對(duì)各所述ct肺結(jié)節(jié)序列圖像進(jìn)行歸一化處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像。

進(jìn)一步地，所述對(duì)各所述ct肺結(jié)節(jié)序列圖像進(jìn)行歸一化處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像，包括：

對(duì)各所述ct肺結(jié)節(jié)序列圖像進(jìn)行圖像標(biāo)記處理、尺寸重構(gòu)處理及統(tǒng)一像素處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像；

其中，所述圖像標(biāo)記處理為對(duì)肺結(jié)節(jié)在肺部的位置進(jìn)行標(biāo)記；

所述尺寸重構(gòu)處理為對(duì)肺結(jié)節(jié)部分進(jìn)行選取和尺寸放大處理；

所述統(tǒng)一像素處理為將數(shù)據(jù)集中的圖像像素做統(tǒng)一修改。

進(jìn)一步地，所述提取各所述ct肺結(jié)節(jié)圖像的圖像特征，并根據(jù)所述圖像特征對(duì)各所述ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類，包括：

基于深度學(xué)習(xí)的方式提取ct肺結(jié)節(jié)圖像的圖像特征；

以及，整合各圖像特征，根據(jù)所述圖像特征對(duì)各所述ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類。

進(jìn)一步地，所述基于深度學(xué)習(xí)的方式提取ct肺結(jié)節(jié)圖像的圖像特征，包括：

基于深度學(xué)習(xí)方式中的卷積神經(jīng)網(wǎng)絡(luò)cnn模型對(duì)所述ct肺結(jié)節(jié)圖像中的肺結(jié)節(jié)形態(tài)進(jìn)行分析；

以及，通過所述cnn模型中的卷積層和池化層的設(shè)計(jì)以及參數(shù)配置，提取能夠區(qū)分不同肺結(jié)節(jié)形態(tài)的圖像特征。

進(jìn)一步地，所述對(duì)預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練和迭代，得到診斷模型，包括：

根據(jù)多源數(shù)據(jù)融合技術(shù)，基于預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)，采用支持向量機(jī)作為分類器，通過反復(fù)訓(xùn)練和迭代，獲取所述診斷模型。

另一方面，本發(fā)明還提供了一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定系統(tǒng)，所述系統(tǒng)包括：

ct肺部圖像預(yù)處理及肺結(jié)節(jié)序列圖像歸一化處理模塊，用于對(duì)獲取的多個(gè)電子計(jì)算機(jī)斷層掃描ct肺部圖像進(jìn)行預(yù)處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像；

基于深度學(xué)習(xí)的重要圖像特征提取模塊，用于提取各所述ct肺結(jié)節(jié)圖像的圖像特征，并根據(jù)所述圖像特征對(duì)各所述ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類；

多源數(shù)據(jù)融合模塊，用于對(duì)預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練和迭代，得到診斷模型；

分級(jí)判定模塊，用于基于所述診斷模型，對(duì)所述ct肺部圖像進(jìn)行ct影像肺結(jié)節(jié)的分級(jí)判定。

進(jìn)一步地，所述系統(tǒng)還包括：

患者全面就診信息獲取模塊，用于獲取多個(gè)患者全面就診信息；

ct肺部圖像及對(duì)應(yīng)的綜合臨床就診信息采集模塊，用于在所述患者全面就診信息中采集所述ct肺部圖像及對(duì)應(yīng)的綜合臨床就診信息；

綜合臨床就診信息量化模塊，用于對(duì)所述綜合臨床就診信息進(jìn)行量化處理，得到量化后的所述綜合臨床就診數(shù)據(jù)。

進(jìn)一步地，所述多源數(shù)據(jù)融合模塊包括：

多源數(shù)據(jù)融合單元，用于根據(jù)多源數(shù)據(jù)融合技術(shù)，基于預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)，采用支持向量機(jī)作為分類器，通過反復(fù)訓(xùn)練和迭代，獲取所述診斷模型。

由上述技術(shù)方案可知，本發(fā)明所述的一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定方法和系統(tǒng)，方法包括：對(duì)獲取的多個(gè)電子計(jì)算機(jī)斷層掃描ct肺部圖像進(jìn)行預(yù)處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像；提取各ct肺結(jié)節(jié)圖像的圖像特征，并根據(jù)圖像特征對(duì)各ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類；對(duì)預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練和迭代，得到診斷模型；基于診斷模型對(duì)ct肺部圖像進(jìn)行ct影像肺結(jié)節(jié)的分級(jí)判定。本發(fā)明采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合多源數(shù)據(jù)整合技術(shù)，通過驗(yàn)證與測(cè)試得出專門針對(duì)ct肺結(jié)節(jié)進(jìn)行分級(jí)判定的方法，且判定過程全面且可靠，有效提高了判定結(jié)果的準(zhǔn)確性，進(jìn)而能夠有效地輔助醫(yī)生進(jìn)行疾病診斷工作。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明的一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定方法的流程示意圖；

圖2是本發(fā)明的肺結(jié)節(jié)分級(jí)判定方法中步驟001至003的流程示意圖；

圖3是本發(fā)明的肺結(jié)節(jié)分級(jí)判定方法中步驟100的流程示意圖；

圖4是本發(fā)明的肺結(jié)節(jié)分級(jí)判定方法中步驟200的流程示意圖；

圖5是本發(fā)明的一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定系統(tǒng)的一種結(jié)構(gòu)示意圖；

圖6是本發(fā)明的一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定系統(tǒng)的另一種結(jié)構(gòu)示意圖；

圖7是肺結(jié)節(jié)分級(jí)判定系統(tǒng)實(shí)現(xiàn)肺結(jié)節(jié)分級(jí)判定方法的應(yīng)用實(shí)例的流程示意圖；

圖8是ct肺部圖像示意圖；

圖9是預(yù)處理和歸一化處理后的ct肺結(jié)節(jié)圖像示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整的描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的實(shí)施例一提供了一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定方法的具體實(shí)施方式，參見圖1，該肺結(jié)節(jié)分級(jí)判定方法具體包括如下內(nèi)容：

步驟100：對(duì)獲取的多個(gè)電子計(jì)算機(jī)斷層掃描ct肺部圖像進(jìn)行預(yù)處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像。

在本步驟中，ct肺部圖像預(yù)處理及肺結(jié)節(jié)序列圖像歸一化處理模塊在ct肺部圖像預(yù)處理中，對(duì)圖像進(jìn)行格式轉(zhuǎn)換；實(shí)驗(yàn)所采集的ct圖均為醫(yī)學(xué)圖像，需將其轉(zhuǎn)化為統(tǒng)一的圖片格式才能進(jìn)行之后的模型構(gòu)建。在ct肺結(jié)節(jié)圖像歸一化處理中，對(duì)預(yù)處理后的ct肺結(jié)節(jié)序列圖像進(jìn)行歸一化處理，主要包括圖像標(biāo)記、尺寸重構(gòu)及統(tǒng)一像素等。

步驟200：提取各所述ct肺結(jié)節(jié)圖像的圖像特征，并根據(jù)所述圖像特征對(duì)各所述ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類。

在本步驟中，在完成ct肺部圖像的預(yù)處理和肺結(jié)節(jié)序列圖像的歸一化處理后，模仿醫(yī)生的診斷思路，基于深度學(xué)習(xí)的重要圖像特征提取模塊對(duì)不同的肺結(jié)節(jié)形態(tài)，采用基于深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)ct肺結(jié)節(jié)部分進(jìn)行分析，通過卷積層和池化層的設(shè)計(jì)以及相應(yīng)參數(shù)的配置，提取能夠區(qū)分不同肺結(jié)節(jié)形態(tài)的圖像特征，整合這些特征后，可對(duì)這些ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類。

步驟300：對(duì)預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練和迭代，得到診斷模型；

在本步驟中，多源數(shù)據(jù)融合模塊采取多種特征標(biāo)準(zhǔn)化后再進(jìn)行融合和預(yù)處理的方法，對(duì)最終診斷結(jié)果有影響的特征進(jìn)行篩選，選取svm作為分類器，構(gòu)建計(jì)算機(jī)輔助診斷模型。

步驟400：基于所述診斷模型，對(duì)所述ct肺部圖像進(jìn)行ct影像肺結(jié)節(jié)的分級(jí)判定。

在本步驟中，綜合考慮和分析從ct肺結(jié)節(jié)圖像中提取的重要圖像特征和對(duì)其他臨床就診信息進(jìn)行量化后的參數(shù)，依據(jù)多源數(shù)據(jù)融合技術(shù)進(jìn)行國人ct肺結(jié)節(jié)的分級(jí)判定。

從上述描述可知，本發(fā)明的實(shí)施例提供了一種基于深度學(xué)習(xí)和多源數(shù)據(jù)融合的ct肺結(jié)節(jié)分級(jí)判定方法；其采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合多源數(shù)據(jù)整合技術(shù)，通過驗(yàn)證與測(cè)試得出一種專門針對(duì)國人ct肺結(jié)節(jié)進(jìn)行分級(jí)判定的方法；本方法的圖像樣本是取自國內(nèi)各大醫(yī)院的真實(shí)肺結(jié)節(jié)ct影像，利用卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練多張肺結(jié)節(jié)ct圖像，并經(jīng)過驗(yàn)證與測(cè)試后，證明此方法在國人肺結(jié)節(jié)的分級(jí)診斷方面具有很高的診斷準(zhǔn)確度，可有效地輔助醫(yī)生進(jìn)行疾病診斷工作。

本發(fā)明的實(shí)施例二提供了上述肺結(jié)節(jié)分級(jí)判定方法中步驟100之前的步驟001至步驟003的一種具體實(shí)施方式，參見圖2，所述步驟001至步驟003具體包括如下內(nèi)容：

步驟001：獲取多個(gè)患者全面就診信息。

步驟002：在所述患者全面就診信息中采集所述ct肺部圖像及對(duì)應(yīng)的綜合臨床就診信息。

步驟003：對(duì)所述綜合臨床就診信息進(jìn)行量化處理，得到量化后的所述綜合臨床就診數(shù)據(jù)。

從上述描述可知，本發(fā)明的實(shí)施例所用的ct肺部圖像是來自國內(nèi)各大醫(yī)院的真實(shí)ct影像，為提供了肺結(jié)節(jié)分級(jí)判定提供了準(zhǔn)確和完整的數(shù)據(jù)基礎(chǔ)。

本發(fā)明的實(shí)施例三提供了上述肺結(jié)節(jié)分級(jí)判定方法中步驟100的一種具體實(shí)施方式，參見圖3，所述步驟100具體包括如下內(nèi)容：

步驟101：對(duì)各所述ct肺部圖像進(jìn)行格式轉(zhuǎn)換，得到格式同一的各ct肺結(jié)節(jié)序列圖像。

以及，對(duì)各所述ct肺結(jié)節(jié)序列圖像進(jìn)行歸一化處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像，具體包括：

步驟102：對(duì)各所述ct肺結(jié)節(jié)序列圖像進(jìn)行圖像標(biāo)記處理、尺寸重構(gòu)處理及統(tǒng)一像素處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像。

在步驟102中，所述圖像標(biāo)記處理為對(duì)肺結(jié)節(jié)在肺部的位置進(jìn)行標(biāo)記；所述尺寸重構(gòu)處理為對(duì)肺結(jié)節(jié)部分進(jìn)行選取和尺寸放大處理；所述統(tǒng)一像素處理為將數(shù)據(jù)集中的圖像像素做統(tǒng)一修改。

從上述描述可知，本發(fā)明的實(shí)施例能夠?qū)Λ@取的多個(gè)電子計(jì)算機(jī)斷層掃描ct肺部圖像進(jìn)行準(zhǔn)確的預(yù)處理，進(jìn)而得到預(yù)處理后的各ct肺結(jié)節(jié)圖像。

本發(fā)明的實(shí)施例四提供了上述肺結(jié)節(jié)分級(jí)判定方法中步驟200的一種具體實(shí)施方式，參見圖4，所述步驟200具體包括如下內(nèi)容：

基于深度學(xué)習(xí)的方式提取ct肺結(jié)節(jié)圖像的圖像特征，具體包括：

步驟201：基于深度學(xué)習(xí)方式中的卷積神經(jīng)網(wǎng)絡(luò)cnn模型對(duì)所述ct肺結(jié)節(jié)圖像中的肺結(jié)節(jié)形態(tài)進(jìn)行分析。

步驟202：通過所述cnn模型中的卷積層和池化層的設(shè)計(jì)以及參數(shù)配置，提取能夠區(qū)分不同肺結(jié)節(jié)形態(tài)的圖像特征。

以及，步驟203：整合各圖像特征，根據(jù)所述圖像特征對(duì)各所述ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類。

從上述描述可知，本發(fā)明的實(shí)施例能夠模仿醫(yī)生的診斷思路，對(duì)不同的肺結(jié)節(jié)形態(tài)，采用基于深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)ct肺結(jié)節(jié)部分進(jìn)行分析，其判定過程全面且可靠，有效提高了判定結(jié)果的準(zhǔn)確性。

本發(fā)明的實(shí)施例五提供了上述肺結(jié)節(jié)分級(jí)判定方法中步驟300的一種具體實(shí)施方式，所述步驟300具體包括如下內(nèi)容：

根據(jù)多源數(shù)據(jù)融合技術(shù)，基于預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)，采用支持向量機(jī)作為分類器，通過反復(fù)訓(xùn)練和迭代，獲取所述診斷模型。

從上述描述可知，本發(fā)明的實(shí)施例綜合考慮和分析從ct肺結(jié)節(jié)圖像中提取的重要圖像特征和對(duì)其他臨床就診信息進(jìn)行量化后的參數(shù)，依據(jù)多源數(shù)據(jù)融合技術(shù)進(jìn)行ct肺結(jié)節(jié)的分級(jí)判定；有效提高了判定結(jié)果的準(zhǔn)確性，進(jìn)而能夠有效地輔助醫(yī)生進(jìn)行疾病診斷工作。

本發(fā)明的實(shí)施例六提供了能夠?qū)崿F(xiàn)上述肺結(jié)節(jié)分級(jí)判定方法的一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定系統(tǒng)的一種具體實(shí)施方式，參見圖5，所述肺結(jié)節(jié)分級(jí)判定系統(tǒng)具體包括如下內(nèi)容：

ct肺部圖像預(yù)處理及肺結(jié)節(jié)序列圖像歸一化處理模塊10，用于對(duì)獲取的多個(gè)電子計(jì)算機(jī)斷層掃描ct肺部圖像進(jìn)行預(yù)處理，得到預(yù)處理后的各ct肺結(jié)節(jié)圖像。

基于深度學(xué)習(xí)的重要圖像特征提取模塊20，用于提取各所述ct肺結(jié)節(jié)圖像的圖像特征，并根據(jù)所述圖像特征對(duì)各所述ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類。

多源數(shù)據(jù)融合模塊30，用于對(duì)預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練和迭代，得到診斷模型。

分級(jí)判定模塊40，用于基于所述診斷模型，對(duì)所述ct肺部圖像進(jìn)行ct影像肺結(jié)節(jié)的分級(jí)判定。

從上述描述可知，本發(fā)明的實(shí)施例提供了一種基于深度學(xué)習(xí)和多源數(shù)據(jù)融合的ct肺結(jié)節(jié)分級(jí)判定系統(tǒng)；其采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合多源數(shù)據(jù)整合技術(shù)，通過驗(yàn)證與測(cè)試得出一種專門針對(duì)國人ct肺結(jié)節(jié)進(jìn)行分級(jí)判定的系統(tǒng)；本系統(tǒng)的圖像樣本是取自國內(nèi)各大醫(yī)院的真實(shí)肺結(jié)節(jié)ct影像，利用卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練多張肺結(jié)節(jié)ct圖像，并經(jīng)過驗(yàn)證與測(cè)試后，證明此系統(tǒng)在國人肺結(jié)節(jié)的分級(jí)診斷方面具有很高的診斷準(zhǔn)確度，可有效地輔助醫(yī)生進(jìn)行疾病診斷工作。

本發(fā)明的實(shí)施例七提供了上述肺結(jié)節(jié)分級(jí)判定系統(tǒng)的一種具體實(shí)施方式，參見圖6，所述肺結(jié)節(jié)分級(jí)判定系統(tǒng)還具體包括如下內(nèi)容：

患者全面就診信息獲取模塊01，用于獲取多個(gè)患者全面就診信息。

ct肺部圖像及對(duì)應(yīng)的綜合臨床就診信息采集模塊02，用于在所述患者全面就診信息中采集所述ct肺部圖像及對(duì)應(yīng)的綜合臨床就診信息。

綜合臨床就診信息量化模塊03，用于對(duì)所述綜合臨床就診信息進(jìn)行量化處理，得到量化后的所述綜合臨床就診數(shù)據(jù)。

從上述描述可知，本發(fā)明的實(shí)施例所用的ct肺部圖像是來自國內(nèi)各大醫(yī)院的真實(shí)ct影像，為提供了肺結(jié)節(jié)分級(jí)判定提供了準(zhǔn)確和完整的數(shù)據(jù)基礎(chǔ)。

本發(fā)明的實(shí)施例八提供了上述肺結(jié)節(jié)分級(jí)判定系統(tǒng)中的多源數(shù)據(jù)融合模塊30的一種具體實(shí)施方式，所述多源數(shù)據(jù)融合模塊30具體包括如下內(nèi)容：

多源數(shù)據(jù)融合單元，用于根據(jù)多源數(shù)據(jù)融合技術(shù)，基于預(yù)分類后的各ct肺結(jié)節(jié)圖像的圖像特征和對(duì)應(yīng)的綜合臨床就診數(shù)據(jù)，采用支持向量機(jī)作為分類器，通過反復(fù)訓(xùn)練和迭代，獲取所述診斷模型。

從上述描述可知，本發(fā)明的實(shí)施例綜合考慮和分析從ct肺結(jié)節(jié)圖像中提取的重要圖像特征和對(duì)其他臨床就診信息進(jìn)行量化后的參數(shù)，依據(jù)多源數(shù)據(jù)融合技術(shù)進(jìn)行ct肺結(jié)節(jié)的分級(jí)判定；有效提高了判定結(jié)果的準(zhǔn)確性，進(jìn)而能夠有效地輔助醫(yī)生進(jìn)行疾病診斷工作。

為進(jìn)一步的說明本方案，本發(fā)明還提供了一種基于深度學(xué)習(xí)和數(shù)據(jù)融合的肺結(jié)節(jié)分級(jí)判定系統(tǒng)實(shí)現(xiàn)肺結(jié)節(jié)分級(jí)判定方法的應(yīng)用實(shí)例，參見圖7，具體包括如下內(nèi)容：

本應(yīng)用實(shí)例中所用的ct肺部圖像是來自國內(nèi)各大醫(yī)院的真實(shí)ct影像，圖像總數(shù)為5454張。其中，良性肺結(jié)節(jié)ct圖像和惡性肺結(jié)節(jié)ct圖像的比例為1：1。構(gòu)造模型的過程中，圖像數(shù)據(jù)集按照8:1:1的比例分為訓(xùn)練集，驗(yàn)證集和測(cè)試集，并使得這三個(gè)子數(shù)據(jù)集中良惡性肺結(jié)節(jié)圖片數(shù)的比例維持在1:1，以此保證分級(jí)判定結(jié)果的準(zhǔn)確性以及對(duì)國人的普遍適用性。

(1)ct肺部圖像預(yù)處理及肺結(jié)節(jié)序列圖像歸一化處理模塊：

此模塊主要包括兩個(gè)處理過程：ct肺部圖像預(yù)處理和ct肺結(jié)節(jié)序列圖像歸一化處理。在ct肺部圖像預(yù)處理中，對(duì)圖像進(jìn)行格式轉(zhuǎn)換。實(shí)驗(yàn)所采集的ct圖均為醫(yī)學(xué)圖像，通常格式為dicom，需將其轉(zhuǎn)化為jpg圖片格式才能進(jìn)行之后的模型構(gòu)建。在ct肺結(jié)節(jié)圖像歸一化處理中，對(duì)預(yù)處理后的ct肺結(jié)節(jié)序列圖像進(jìn)行歸一化處理，主要包括圖像標(biāo)記、尺寸重構(gòu)及統(tǒng)一像素等。圖像標(biāo)記是指把肺結(jié)節(jié)在肺部的位置標(biāo)記出來，參見圖8，尺寸重構(gòu)是指對(duì)肺結(jié)節(jié)部分進(jìn)行選取和尺寸放大處理，參見圖9，統(tǒng)一像素是指將數(shù)據(jù)集中的圖像像素統(tǒng)一修改為256*256，便于進(jìn)行后續(xù)的模型構(gòu)建工作。

(2)基于深度學(xué)習(xí)的重要圖像特征提取模塊：

完成ct肺部圖像的預(yù)處理和肺結(jié)節(jié)序列圖像的歸一化處理后，模仿醫(yī)生的診斷思路，對(duì)不同的肺結(jié)節(jié)形態(tài)，采用基于深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)ct肺結(jié)節(jié)部分進(jìn)行分析，通過卷積層和池化層的設(shè)計(jì)以及相應(yīng)參數(shù)的配置，提取能夠區(qū)分不同肺結(jié)節(jié)形態(tài)的圖像特征，整合這些特征后，可對(duì)這些ct肺結(jié)節(jié)圖像進(jìn)行預(yù)分類。

(3)其它臨床就診信息量化模塊：

一般醫(yī)生對(duì)患者進(jìn)行疾病診斷時(shí)，除了參考肺部ct影像，還要綜合其他臨床就診信息，如患者的臨床表現(xiàn)、其他科室診斷信息等文本描述性信息或圖像信息。因此將其他臨床就診的文本信息進(jìn)行量化，融合到最終的診斷模型中，是一項(xiàng)必不可少的工作。一般量化的方法包括文本分類方法、word2vector、標(biāo)準(zhǔn)化方法等。

(4)多源數(shù)據(jù)融合模塊：

綜合考慮和分析從ct肺結(jié)節(jié)圖像中提取的重要圖像特征和對(duì)其他臨床就診信息進(jìn)行量化后的參數(shù)，依據(jù)多源數(shù)據(jù)融合技術(shù)進(jìn)行國人ct肺結(jié)節(jié)的分級(jí)判定。在多源信息融合的過程中，采取多種特征標(biāo)準(zhǔn)化后再進(jìn)行融合和預(yù)處理的方法，對(duì)最終診斷結(jié)果有影響的特征進(jìn)行篩選，選取svm作為分類器，構(gòu)建計(jì)算機(jī)輔助診斷模型，對(duì)國人ct肺結(jié)節(jié)的進(jìn)行分級(jí)判定。

在本應(yīng)用例中，ct肺部圖像預(yù)處理及肺結(jié)節(jié)序列圖像歸一化處理：本應(yīng)用實(shí)例模仿醫(yī)生的診斷思路，對(duì)ct肺部圖像和肺結(jié)節(jié)圖像進(jìn)行以下預(yù)處理和歸一化處理：一是從dicom的格式到j(luò)pg格式的圖像格式轉(zhuǎn)換；二是進(jìn)行圖像標(biāo)記、尺寸重構(gòu)及統(tǒng)一像素的歸一化處理。深度卷積神經(jīng)網(wǎng)絡(luò)模型：在ct肺結(jié)節(jié)的重要特征提取過程中，根據(jù)實(shí)際要解決的問題，選擇深度卷積神經(jīng)網(wǎng)絡(luò)模型或區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型，并對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)模型的卷積、池化層數(shù)及相應(yīng)參數(shù)進(jìn)行合理設(shè)置，還需要防范模型由于過于復(fù)雜而帶來的過擬合問題。算法設(shè)計(jì)優(yōu)化：為了最大程度地模擬醫(yī)生的診斷思路，從算法設(shè)計(jì)的角度優(yōu)化深度學(xué)習(xí)模型，采用深度學(xué)習(xí)中的卷積網(wǎng)絡(luò)模型結(jié)合多源數(shù)據(jù)融合技術(shù)的方法優(yōu)化最終模型的算法，同時(shí)在提高運(yùn)算速度方面采用多線程并行計(jì)算的方法。針對(duì)國人ct肺結(jié)節(jié)的有效判定方法：本應(yīng)用實(shí)例所用的ct肺部節(jié)圖像采自國內(nèi)各大醫(yī)院的真實(shí)患者信息，是針對(duì)國人ct肺結(jié)節(jié)的行之有效的分級(jí)判定方法，具有95％以上的診斷準(zhǔn)確度，能夠有效地輔助醫(yī)生進(jìn)行肺結(jié)節(jié)的診斷工作。

從上述描述可知，本發(fā)明的應(yīng)用實(shí)例針對(duì)醫(yī)學(xué)的ct肺部圖像的預(yù)處理方法和ct肺結(jié)節(jié)圖像的歸一化處理方法解決了肺部圖像的讀取問題和肺結(jié)節(jié)圖像的尺寸重構(gòu)問題，并且基于深度學(xué)習(xí)模型研發(fā)了針對(duì)肺結(jié)節(jié)部分的自動(dòng)識(shí)別和分類功能；將功能強(qiáng)大的深度學(xué)習(xí)模型應(yīng)用到復(fù)雜的ct肺結(jié)節(jié)分級(jí)判定的研發(fā)中，并且是針對(duì)國人ct肺結(jié)節(jié)做出的成果，是具有先創(chuàng)性的研究；采用多源信息融合技術(shù)，將ct肺結(jié)節(jié)圖像特征和其他臨床診斷特征相結(jié)合，設(shè)計(jì)了較為完善的國人ct肺結(jié)節(jié)分級(jí)判定方法。

以上實(shí)施例僅用于說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。