【技術實現步驟摘要】
本專利技術涉及醫學影像處理領域，尤其涉及一種基于深度學習的肺結節醫學影像智能診斷方法及裝置。
技術介紹
1、在醫學影像分析領域，肺結節的檢測與診斷一直是研究和臨床實踐中的重點和難點。肺結節作為肺部疾病的早期表現形式，尤其是肺癌的早期征兆，其準確識別對于提高治愈率和降低死亡率具有至關重要的作用。然而，由于肺結節在影像上的表現多樣，大小、形態、密度等特征差異較大，加之肺部復雜的解剖結構，使得肺結節的檢測成為一項極具挑戰性的任務。
2、傳統的肺結節檢測方法主要依賴于放射科醫生對ct圖像的人工觀察和分析。醫生需要憑借豐富的臨床經驗和專業知識，通過觀察ct圖像上的微小變化來判斷是否存在肺結節，并進一步評估其性質。這種方法，醫生需要通過肉眼觀察和經驗判斷來識別肺結節，不僅耗時耗力，而且容易受到個體經驗和主觀判斷的影響，導致診斷結果的不一致性和較高的漏診率和誤診率。
3、此外，隨著醫學影像數據量的激增，依靠人工進行大規模的影像分析變得越發不現實。因此，自動化的肺結節檢測與診斷技術成為了醫學影像領域的研究熱點。但是現有用于檢測肺結節的深度學習模型，其訓練需要大量的標注數據，人工成本較高，同時，訓練得到的深度學習模型存在對于肺結節的檢測準確率差、模型的泛化能力差。
技術實現思路
1、本專利技術提供一種基于深度學習的肺結節醫學影像智能診斷方法及裝置，以解決現有技術中存在的檢測模型所需花費的成本大、模型檢測的準確率差以及模型的泛化能力差的問題。
2、第一個方面，本專利
3、步驟s1、獲取ct圖像數據data1；
4、步驟s2、通過神經網絡模型對所述圖像數據data1進行分割處理，形成分割處理后的圖像數據data2；
5、步驟s3、將data2輸入特征提取網絡模型，通過特征提取網絡模型提取圖像數據data2的特征，形成特征數據data3；
6、步驟s4、根據特征數據data3輸出肺結節分類數據data4；
7、步驟s5、根據步驟s1-步驟s4中的數據data1-data4，生成診斷報告。
8、優選地，本專利技術所述一種基于深度學習的肺結節醫學影像智能診斷方法還包括：
9、步驟s6、對于所述診斷報告中存在惡性風險的肺結節惡性風險數據rd進行監測，并根據rd對存在惡性風險的肺結節進行生長趨勢預測；
10、其中，所述肺結節惡性風險數據rd包括巨噬細胞的濃度mc、細菌的濃度bc、細胞的移動速度v、巨噬細胞被細菌殺死產生的死亡率μ1、細菌被巨噬細胞吞噬產生的死亡率μ2、巨噬細胞自然死亡率α、細菌的自然繁殖速率λ、細胞間的壓力p、巨噬細胞的擴散系數設為1、細菌的擴散系數1+δ、肺結節的區域位置ω、肺結節區域的邊界位置肺結節的邊界曲率κ和肺結節邊界的移動速度vn；
11、其中，肺結節的區域位置ω和肺結節區域的邊界位置均隨時間t發生變化。
12、優選地，步驟s1中，data1還可以進行預處理，優選地，所述預處理可以是包括去噪、對比度增強等操作，以提高圖像數據的質量。
13、優選地，步驟s2中，所述神經網絡模型可以是包括激活函數、損失函數、卷積層、池化層和反卷積層。
14、更優選地，所述激活函數可以是包括sigmoid函數、relu函數、softmax函數等函數中的一種。
15、更優選地，所述神經網絡模型的優化采用包括最小化損失函數實現；其中，最小化損失函數的方法包括反向傳播算法和梯度下降法。
16、更優選地，所述損失函數選自包括交叉熵損失函數。
17、優選地，所述神經網絡模型的優化還采用包括交叉驗證和超參數調優實現。
18、更優選地，所述交叉驗證采用包括k折交叉驗證，用于評估模型的泛化能力。
19、更優選地，所述超參數調優采用包括網格搜索、隨機搜索中的一種或兩個方式，用于尋找最優的超參數組合。
20、優選地，步驟s2中，所述神經網絡模型包括基于u-net網絡架構的卷積神經網絡模型(u-cnn)和基于k-net網絡架構的卷積神經網絡模型(k-cnn)。
21、優選地，所述神經網絡模型還進行訓練；優選地，所述u-cnn模型的訓練，具體包括如下步驟：
22、步驟s201a、獲取用于模型訓練的ct圖像數據d1；
23、步驟s201b、對所述圖像數據d1進行預處理，形成預處理后的圖像數據d2；
24、步驟s201c、將所述圖像數據d2輸入u-cnn模型，形成u-cnn預測后得到的圖像數據new-d2-1；
25、步驟s201d、通過損失函數計算d2和new-d2-1之間的差異，生成損失1；
26、步驟s201e、通過反向傳播算法計算損失1相對于u-cnn模型參數的梯度，根據優化算法和梯度更新u-cnn模型參數；
27、步驟s201f、重復執行步驟s201a-步驟s201e，形成訓練后的u-cnn模型。
28、優選地，步驟s201e中，所述優化算法包括隨機梯度下降法；所述u-cnn模型參數包括模型卷積核的大小和矩陣元素等u-cnn模型參數。
29、優選地，所述k-cnn模型的訓練，具體包括如下步驟：
30、步驟s202a、獲取用于模型訓練的ct圖像數據d3；
31、步驟s202b、對所述圖像數據d3進行預處理，形成預處理后的圖像數據d4；
32、步驟s202c、將所述圖像數據d4輸入k-cnn模型，形成k-cnn預測后得到的圖像數據new-d4-1；
33、步驟s202d、通過損失函數計算d4和new-d4-1之間的差異，生成損失2；
34、步驟s202e、通過反向傳播算法計算損失2相對于k-cnn模型參數的梯度，根據優化算法和梯度更新k-cnn模型參數；
35、步驟s202f、重復執行步驟s202a-步驟s202e，形成訓練后的k-cnn模型。
36、優選地，步驟s202e中，所述優化算法包括隨機梯度下降法；所述k-cnn模型參數包括模型卷積核的大小和矩陣元素等k-cnn模型參數。
37、優選地，步驟s3中，所述特征提取網絡模型依次連接包括一個輸入層、一個卷積層1、一個池化層1、一個卷積層2、一個池化層2、一個flatten層、一個全連接層和一個輸出層，形成一條鏈路。
38、優選地，步驟s3中，所述特征包括肺結節的大小、形狀、邊緣清晰度、紋理等特征。
39、優選地，步驟s4中，將特征數據data3進行分類處理可以是采用非并行支持向量機(npsvm)實現肺結節的分類；其中，所述肺結節包括良性肺結節和惡性肺結節。
40、優選地，步驟s4中，所述分類處理前還包括對特征數據data3進行篩選，排除滿足以下條件的區域，具體包括如本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，具體包括如下步驟：
2.根據權利要求1所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，還包括：
3.根據權利要求1所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，步驟S2中，所述神經網絡模型還進行訓練；所述神經網絡模型包括基于U-net網絡架構的卷積神經網絡模型U-CNN和基于K-net網絡架構的卷積神經網絡模型K-CNN；
4.根據權利要求1所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，步驟S4中，將特征數據DATA3進行分類處理包括采用非并行支持向量機實現肺結節的分類；其中，所述肺結節包括良性肺結節和惡性肺結節；
5.根據權利要求2所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，步驟S6中，對于所述診斷報告中存在惡性風險的肺結節惡性風險數據RD進行監測，并根據RD對存在惡性風險的肺結節進行生長趨勢預測，具體包括如下步驟：
6.根據權利要求5所述的一種基于深度學習的肺結節醫學影像智能診斷方法，
7.根據權利要求5所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，步驟S604中，所述損失函數具體表示如下所示：
8.一種基于深度學習的肺結節醫學影像智能診斷裝置，其特征在于，具體包括如下模塊：
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1-7任一項所述的一種基于深度學習的肺結節醫學影像智能診斷方法。
10.一種電子設備，其特征在于，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1-7任一項所述的一種基于深度學習的肺結節醫學影像智能診斷方法。
...【技術特征摘要】
1.一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，具體包括如下步驟：
2.根據權利要求1所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，還包括：
3.根據權利要求1所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，步驟s2中，所述神經網絡模型還進行訓練；所述神經網絡模型包括基于u-net網絡架構的卷積神經網絡模型u-cnn和基于k-net網絡架構的卷積神經網絡模型k-cnn；
4.根據權利要求1所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，步驟s4中，將特征數據data3進行分類處理包括采用非并行支持向量機實現肺結節的分類；其中，所述肺結節包括良性肺結節和惡性肺結節；
5.根據權利要求2所述的一種基于深度學習的肺結節醫學影像智能診斷方法，其特征在于，步驟s6中，對于所述診斷報告中存在惡性風險的肺結節惡性風險數據rd進行監測，并根據rd對存在惡...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。