用于檢測腫瘤的3D UNet網絡模型構建方法、裝置及存儲介質制造方法及圖紙

本發明專利技術提供一種用于檢測腫瘤的3D UNet網絡模型構建方法、裝置及計算機可讀存儲介質。所述方法包括：從醫療影像數據庫獲取LIDC數據集，該LIDC數據集包括腫瘤CT影像和xml格式的腫瘤區域標注；將xml格式的腫瘤區域標注轉化為mask腫瘤區域標注；將轉化后的LIDC數據集劃分為訓練數據集和驗證數據集；將訓練數據集和驗證數據集進行預處理，并將腫瘤CT影像的像素值歸一化處理；基于keras框架構建3D Unet網絡模型；利用訓練數據集對3D Unet網絡模型進行訓練得到3D Unet網絡模型的權重；利用驗證數據集驗證3D Unet網絡模型的有效性。本發明專利技術通過構建3D UNet網絡實現快速、準確地檢測腫瘤病灶區域，提高腫瘤檢測效率和準確度。

【技術實現步驟摘要】
用于檢測腫瘤的3DUNet網絡模型構建方法、裝置及存儲介質
本專利技術涉及腫瘤影像處理的
，尤其涉及一種用于檢測腫瘤的3DUNet網絡模型構建方法、裝置及計算機可讀存儲介質。
技術介紹
隨著CT的應用普及，為腫瘤的早期篩查提供了便利。近年來的統計發現，肺癌的發病率越來越高，同時也是癌癥致死率的首要原因，精確地從CT圖形中分割出腫瘤病灶區域，對術前新輔助放化療的計劃制定，以及術后放化療療效果評估意義重大。然而，人工勾畫腫瘤區域是一項耗時長，工作量極大的工作。此外，不同的放射科醫生對腫瘤區域的勾畫結果受其主觀經驗，環境等諸多因素的影響，其勾畫結果是不可重復的。此外，由于不同個體肺部形態差異造成腫瘤CT影像模糊不清，很難找全所有腫瘤CT影像中的腫瘤區域，腫瘤檢測準確度不高且效率低造成腫瘤位置定位困難。因此，臨床上急需實現腫瘤區域的自動檢測，準確定位腫瘤位置，為腫瘤的診斷治療提供指導成為業界的研究重點。
技術實現思路
本專利技術的主要目的在于提供一種用于檢測腫瘤的3DUNet網絡模型構建方法、裝置及計算機可讀存儲介質，旨在解決現有腫瘤檢測方法受限于個體肺部形態差異造成腫瘤檢測效率低且準確度低的技術問題。為實現上述目的，本專利技術提供一種用于檢測腫瘤的3DUNet網絡模型構建方法，該方法包括如下步驟：從醫療影像數據庫獲取LIDC數據集，該LIDC數據集包括腫瘤CT影像和xml格式的腫瘤區域標注；將xml格式的腫瘤區域標注轉化為mask腫瘤區域標注；將轉化后的LIDC數據集劃分為訓練數據集和驗證數據集；將訓練數據集和驗證數據集進行預處理，并將腫瘤CT影像的像素值歸一化處理；基于keras框架構建3DUnet網絡模型；利用訓練數據集對構建出的3DUnet網絡模型進行訓練得到3DUnet網絡模型的權重；利用驗證數據集對構建出的3DUnet網絡模型的有效性進行驗證。優選地，所述對訓練數據集和驗證數據集進行預處理的步驟包括如下步驟：對訓練數據集和驗證數據集中像素點之間的間隔均置為1，使輸入3DUnet網絡模型的數據擁有統一的間隔；針對訓練數據集中的腫瘤CT影像和mask腫瘤區域標注均執行如下步驟：獲取mask腫瘤區域標注的中心點，以該中心點作為96×96×32矩陣的中心點，按照96×96×32大小對腫瘤區域進行隨機裁剪，隨機放大縮小，隨機旋轉角度，隨機上下左右翻轉，生成多樣化的訓練數據；針對驗證數據集的腫瘤CT影像和mask腫瘤區域標注均執行如下步驟：獲取mask腫瘤區域的中心點，以該中心點作為96×96×32矩陣的中心點，按照96×96×32大小對腫瘤區域進行裁剪，并保存裁剪得到的腫瘤CT影像和mask腫瘤區域。優選地，所述將腫瘤CT影像的像素值歸一化處理的步驟包括如下步驟：將腫瘤CT影像中大于0的像素值置為0，將腫瘤CT影像中小于-1200像素值置為-1200，其它像素置不變，進而將腫瘤CT影像的像素值歸一化到[0，-1200]這個數值區間，以排除腫瘤CT影像中的非腫瘤區域。優選地，所述mask腫瘤區域標注的大小和腫瘤CT影像的大小相同，將腫瘤CT影像中的腫瘤區域的像素值置為1，非腫瘤區域的像素值置為0，從而構成mask矩陣格式的mask腫瘤區域標注。優選地，所述LIDC數據集按照訓練數據集與驗證數據集的比例為9:1劃分為多個訓練數據集和多個驗證數據集，每個訓練數據集和每個驗證數據集均包括一個腫瘤CT影像及一個對應的mask腫瘤區域標注。優選地，所述3DUnet網絡模型由輸入層、輸出層、3D卷積層、批正則化層、激活層、反卷積層和最大池化層構成，其中，所述輸入層大小為96×96×32，所述模型最大池化層由3層降采樣構成、所述反卷積層由3層上采樣構成，所述輸出層大小為96×96×32。優選地，所述用于檢測腫瘤的3DUNet網絡模型構建方法還包括：采用Adam優化器對3DUnet網絡模型各層的參數進行優化；采用DiceLoss損失函數對3DUnet網絡模型產生的損失進行評估。優選地，所述用于檢測腫瘤的3DUNet網絡模型構建方法還包括：從影像掃描設備獲取待檢測的CT影像；將待檢測的CT影像輸入至3DUnet網絡模型進行檢測以檢測出各種不規則的腫瘤病灶區域，并將腫瘤病灶區域顯示在顯示器上。另一方面，本專利技術還提供一種用于檢測腫瘤的3DUNet網絡模型構建裝置，包括適于實現各種計算機程序指令的處理器以及適于存儲多條計算機程序指令的存儲器，所述計算機程序指令由處理器加載并執行如前述所述用于檢測腫瘤的3DUNet網絡模型構建方法的各項方法步驟。再一方面，本專利技術還提供一種計算機可讀存儲介質，該計算機可讀存儲介質存儲多條計算機程序指令，其特征在于，所述計算機程序指令由計算機裝置的處理器加載并執行如前述所述用于檢測腫瘤的3DUNet網絡模型構建方法的各項方法步驟。相較于現有技術，本專利技術所述用于檢測腫瘤的3DUNet網絡模型構建方法、裝置及計算機可讀存儲介質能夠構建出腫瘤精準分割的3DUNet網絡模型，通過該3DUNet網絡模型有效分割各種不規則的腫瘤區域，提高腫瘤檢測準確度和速度，且腫瘤檢測的有效性不受限于個體肺部形態差異，從而快速、準確地定位腫瘤位置，為醫生對腫瘤的診斷治療提供醫學指導。附圖說明圖1是本專利技術用于檢測腫瘤的3DUNet網絡模型構建裝置的較佳實施例的結構方框示意圖；圖2是本專利技術用于檢測腫瘤的3DUNet網絡模型構建方法較佳實施例的方法流程圖。本專利技術目的的實現、功能特點及優點將結合實施例，參照附圖做進一步說明。具體實施方式為更進一步闡述本專利技術為達成預定專利技術目的所采取的技術手段及功效，以下結合附圖及較佳實施例，對本專利技術的具體實施方式、結構、特征及其功效，詳細說明如下。應當理解，此處所描述的具體實施例僅僅用以解釋本專利技術，并不用于限定本專利技術。參照圖1所示，圖1是本專利技術用于檢測腫瘤的3DUNet網絡模型構建裝置的較佳實施例的結構示意圖。在本實施例中，所述用于檢測腫瘤的3DUNet網絡模型構建裝置1包括，但不僅限于，適于存儲各種計算機程序指令的存儲器11、執行各種計算機程序指令的處理器12以及顯示器13。所述存儲器11和顯示器13均通過電連接線與所述處理器12進行電氣連接，并通過數據總線與處理器12進行數據傳輸連接。所述處理器12能夠調用存儲在所述存儲器11中的用于檢測腫瘤的3DUNet網絡模型構建程序10，并執行該3DUNet網絡模型構建程序10從影像掃描設備3輸入的腫瘤CT影像，并利用UNet網絡基于腫瘤CT影像數據對肺葉進行分割。所述3DUNet網絡模型構建裝置1可以為安裝有本專利技術所述3DUNet網絡模型構建程序10的個人計算機、筆記本電腦、服務器等計算機裝置。在本實施例中，所述3DUNet網絡模型構建裝置1連接有醫療影像數據庫2以及影像掃描設備3。所述醫療影像數據庫2存儲有多個腫瘤病例的LIDC數據集作為樣本，例如醫療影像數據庫2存儲有1000例LIDC數據集，每一例LIDC數據集包括腫瘤CT影像本文檔來自技高網...

【技術保護點】
1.一種用于檢測腫瘤的3D UNet網絡模型構建方法，其特征在于，該方法包括如下步驟：/n從醫療影像數據庫獲取LIDC數據集，該LIDC數據集包括腫瘤CT影像和xml格式的腫瘤區域標注；/n將xml格式的腫瘤區域標注轉化為mask腫瘤區域標注；/n將轉化后的LIDC數據集劃分為訓練數據集和驗證數據集；/n將訓練數據集和驗證數據集進行預處理，并將腫瘤CT影像的像素值歸一化處理；/n基于keras框架構建3D Unet網絡模型；/n利用訓練數據集對構建出的3D Unet網絡模型進行訓練得到3D Unet網絡模型的權重；/n利用驗證數據集對構建出的3D Unet網絡模型的有效性進行驗證。/n

【技術特征摘要】
1.一種用于檢測腫瘤的3DUNet網絡模型構建方法，其特征在于，該方法包括如下步驟：
從醫療影像數據庫獲取LIDC數據集，該LIDC數據集包括腫瘤CT影像和xml格式的腫瘤區域標注；
將xml格式的腫瘤區域標注轉化為mask腫瘤區域標注；
將轉化后的LIDC數據集劃分為訓練數據集和驗證數據集；
將訓練數據集和驗證數據集進行預處理，并將腫瘤CT影像的像素值歸一化處理；
基于keras框架構建3DUnet網絡模型；
利用訓練數據集對構建出的3DUnet網絡模型進行訓練得到3DUnet網絡模型的權重；
利用驗證數據集對構建出的3DUnet網絡模型的有效性進行驗證。


2.如權利要求1所述的用于檢測腫瘤的3DUNet網絡模型構建方法，其特征在于，所述對訓練數據集和驗證數據集進行預處理的步驟包括：
對訓練數據集和驗證數據集中像素點之間的間隔均置為1，使輸入3DUnet網絡模型的數據擁有統一的間隔；
針對訓練數據集中的腫瘤CT影像和mask腫瘤區域標注均執行如下步驟：獲取mask腫瘤區域標注的中心點，以該中心點作為96×96×32矩陣的中心點，按照96×96×32大小對腫瘤區域進行隨機裁剪，隨機放大縮小，隨機旋轉角度，隨機上下左右翻轉，生成多樣化的訓練數據；
針對驗證數據集的腫瘤CT影像和mask腫瘤區域標注均執行如下步驟：獲取mask腫瘤區域的中心點，以該中心點作為96×96×32矩陣的中心點，按照96×96×32大小對腫瘤區域進行裁剪，并保存裁剪得到的腫瘤CT影像和mask腫瘤區域。


3.如權利要求2所述的用于檢測腫瘤的3DUNet網絡模型構建方法，其特征在于，所述將腫瘤CT影像的像素值歸一化處理的步驟包括：
將腫瘤CT影像中大于0的像素值置為0，將腫瘤CT影像中小于-1200像素值置為-1200，其它像素置不變，進而將腫瘤CT影像的像素值歸一化到[0，-1200]這個數值區間，以排除腫瘤CT影像中的非腫瘤區域。


4.如權利要求1所述的用于檢測腫瘤的3DUNet網絡模型構建方法，其特征在于，所述mask腫瘤區域標注...

【專利技術屬性】
技術研發人員：齊守良，曾威，姚育東，錢唯，鄭斌，高偉明，葛新科，張紅治，
申請(專利權)人：深圳市前海安測信息技術有限公司，
類型：發明
國別省市：廣東;44