【技術實現步驟摘要】
本專利技術涉及醫學影像，具體為一種基于深度學習的ct自動肺癌診斷分類系統及方法。
技術介紹
1、肺癌是全球范圍內導致癌癥相關死亡的主要原因之一，其影響涉及個人健康、家庭福祉和公共衛生等多個方面，肺癌對患者身體造成直接影響，如咳嗽、呼吸困難、胸痛等癥狀。隨著疾病的發展，可能出現進一步的并發癥，例如肺部感染、氣道阻塞和轉移到其他器官，肺癌的早期發現和及時干預可以顯著提高患者的生存率，但大多數患者在被診斷時已處于晚期，導致整體生存率較低，通過分類和分型，可以更好地理解肺癌的生物學特性，推動新療法的研發，如靶向治療和免疫治療。
2、目前對ct進行自動肺癌診斷分類時，由于醫生的診斷經驗技術存在主觀偏差，導致對患者肺部腫瘤影像進行診斷時，良性病變或其他病變可能被誤判為惡性腫瘤，降低了醫療診斷的準確性。
技術實現思路
1、(一)解決的技術問題
2、針對現有技術的不足，本專利技術提供了一種基于深度學習的ct自動肺癌診斷分類系統及方法，具備通過數據采集模塊從醫學影像設備獲取肺部ct掃描圖像，數據預處理模塊對采集圖像進行圖像去噪、平移以及裁剪操作，并對肺部ct圖像中的腫瘤進行標記，形成數據集的標簽，特征提取模塊通過卷積神經網絡基于處理后的圖像提取肺部輪廓特征、肺部邊界特征、對比度特征、灰度特征以及病灶結構特征，分類模型模塊將提取到的特征輸入到全連接神經網絡中進行分類，判斷圖像是正常肺部還是有肺癌，進一步分類癌癥的具體類型與分期并生成分類診斷結果，輸出與反饋模塊將分類診斷結果以報
3、(二)技術方案
4、為實現上述目的，本專利技術提供如下技術方案：一種基于深度學習的ct自動肺癌診斷分類系統，包括數據采集模塊、數據預處理模塊、特征提取模塊、分類模型模塊以及輸出與反饋模塊；
5、所述數據采集模塊從醫學影像設備獲取肺部ct掃描圖像，包括正常和不同階段的肺癌圖像，以及獲取患者的年齡、性別、吸煙史臨床背景信息，并將圖像數據傳輸至數據預處理模塊；
6、所述數據預處理模塊對采集圖像進行圖像去噪、平移以及裁剪操作，并對肺部ct圖像中的腫瘤進行標記，形成數據集的標簽；
7、所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取肺部輪廓特征、肺部邊界特征、對比度特征、灰度特征以及病灶結構特征，并將提取特征統一發送至分類模塊；
8、所述分類模型模塊將提取到的特征輸入到全連接神經網絡中進行分類，判斷圖像是正常肺部還是有肺癌，進一步分類癌癥的具體類型與分期并生成分類診斷結果發送至輸出模塊；
9、所述輸出與反饋模塊將分類診斷結果以報告的形式展示，提供給醫生進行進一步分析，并通過收集醫生的反饋和新的病例數據，不斷迭代和優化模型。
10、優選的，所述數據預處理模塊對采集圖像進行圖像去噪，圖像去噪公式如下所示：
11、d(x,y)＝med{f(x+i,y+j)|-k<＝i,j<＝k}
12、公式中，d(x,y)表示去噪后的圖像中像素的值，f(x,y)表示原始圖像中像素的值，k表示濾波窗口的半徑，med表示對窗口內的像素值進行中值計算，i,j表示濾波窗口的偏移量。
13、優選的，所述數據預處理模塊對采集圖像進行圖像平移，圖像平移公式如下所示：
14、
15、公式中，(x,y)表示原始圖像中點的坐標，(x′,y′)表示平移后圖像中點的坐標，tx，ty表示水平和垂直方向的平移量。
16、優選的，所述數據預處理模塊對采集圖像進行圖像裁剪，圖像裁剪公式如下所示：
17、icrop＝i[x1:x2,y1:y2]
18、公式中，icrop表示裁剪后的圖像，i表示原始圖像，(x1,y1)和(x2,y2表示裁剪區域的左上角和右下角的坐標。
19、優選的，所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取肺部輪廓特征，特征提取公式如下所示：
20、zl＝il-1*wl+bl
21、al＝relu(zl)
22、f＝p(al)
23、公式中，*表示卷積操作，il-1表示上一層的輸出，zl表示卷積層的線性輸出，wl表示卷積層的權重，bl表示卷積層偏置，al表示激活后的輸出，relu表示激活函數，p表示池化操作，f表示肺部輪廓特征。
24、優選的，所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取肺部邊界特征，特征提取公式如下所示：
25、
26、公式中，g表示肺部邊界特征，gx表示肺部x邊界的水平方向，gy表示肺部y邊界的垂直方向。
27、優選的，所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取對比度特征，特征提取公式如下所示：
28、
29、公式中，c表示對比度特征，n表示圖像中的總像素數，μ表示圖像的平均灰度值，i(i)表示圖像中的第i個像素的灰度值。
30、優選的，所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取灰度特征，特征提取公式如下所示：
31、
32、公式中，fm表示灰度特征，n表示圖像中的總像素數，灰度直方圖h(q)，用于了解每個灰度級q在圖像中出現的頻率。
33、優選的，所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取病灶結構特征，特征提取公式如下所示：
34、rs＝concat(al,al+1,al+2)
35、公式中，rs表示病灶結構特征，concat表示通過連接不同層輸出的特征圖al,al+1,al+2中提取特征。
36、一種基于深度學習的ct自動肺癌診斷分類方法，包括以下步驟：
37、s1、通過數據采集模塊從醫學影像設備獲取肺部ct掃描圖像，包括正常和不同階段的肺癌圖像，以及獲取患者的年齡、性別、吸煙史臨床背景信息，并將圖像數據傳輸至數據預處理模塊；
38、s2、數據預處理模塊對采集圖像進行圖像去噪、平移以及裁剪操作，并對肺部ct圖像中的腫瘤進行標記，形成數據集的標簽；
39、s3、特征提取模塊通過卷積神經網絡基于處理后的圖像提取肺部輪廓特征、肺部邊界特征、對比度特征、灰度特征以及病灶結構特征，并將提取特征統一發送至分類模塊；
40、s4、分類模型模塊將提取到的特征輸入到全連接神經網絡中進行分類，判斷圖像是正常肺部還是有肺癌，進一步分類癌癥的具體類型與分期并生成分類診斷結果發送至輸出模塊；
41、s5、輸出與反饋模塊將分類診斷結果以報告的形式展示，提供給醫生進行進一步分析，并通過收集醫生的反饋和新的病例數據，不斷迭代和優化模型。<本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的CT自動肺癌診斷分類系統，其特征在于：包括數據采集模塊、數據預處理模塊、特征提取模塊、分類模型模塊以及輸出與反饋模塊；
2.根據權利要求1所述的一種基于深度學習的CT自動肺癌診斷分類系統，其特征在于：所述數據預處理模塊對采集圖像進行圖像去噪，圖像去噪公式如下所示：
3.根據權利要求2所述的一種基于深度學習的CT自動肺癌診斷分類系統，其特征在于：所述數據預處理模塊對采集圖像進行圖像平移，圖像平移公式如下所示：
4.根據權利要求3所述的一種基于深度學習的CT自動肺癌診斷分類系統，其特征在于：所述數據預處理模塊對采集圖像進行圖像裁剪，圖像裁剪公式如下所示：
5.根據權利要求4所述的一種基于深度學習的CT自動肺癌診斷分類系統，其特征在于：所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取肺部輪廓特征，特征提取公式如下所示：
6.根據權利要求5所述的一種基于深度學習的CT自動肺癌診斷分類系統，其特征在于：所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取肺部邊界特征，特征提取公式如下所示：
7
8.根據權利要求7所述的一種基于深度學習的CT自動肺癌診斷分類系統，其特征在于：所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取灰度特征，特征提取公式如下所示：
9.根據權利要求8所述的一種基于深度學習的CT自動肺癌診斷分類系統，其特征在于：所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取病灶結構特征，特征提取公式如下所示：
10.一種基于深度學習的CT自動肺癌診斷分類方法，其特征在于，包括以下步驟：
...【技術特征摘要】
1.一種基于深度學習的ct自動肺癌診斷分類系統，其特征在于：包括數據采集模塊、數據預處理模塊、特征提取模塊、分類模型模塊以及輸出與反饋模塊；
2.根據權利要求1所述的一種基于深度學習的ct自動肺癌診斷分類系統，其特征在于：所述數據預處理模塊對采集圖像進行圖像去噪，圖像去噪公式如下所示：
3.根據權利要求2所述的一種基于深度學習的ct自動肺癌診斷分類系統，其特征在于：所述數據預處理模塊對采集圖像進行圖像平移，圖像平移公式如下所示：
4.根據權利要求3所述的一種基于深度學習的ct自動肺癌診斷分類系統，其特征在于：所述數據預處理模塊對采集圖像進行圖像裁剪，圖像裁剪公式如下所示：
5.根據權利要求4所述的一種基于深度學習的ct自動肺癌診斷分類系統，其特征在于：所述特征提取模塊通過卷積神經網絡基于處理后的圖像提取肺部輪廓特征，特征提取公式如下所示：
...【專利技術屬性】
技術研發人員：黃曉燕，杜繼業，溫宇，
申請(專利權)人：廣州醫科大學附屬第一醫院廣州呼吸中心，
類型：發明
國別省市：
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。