预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108510489A(43)申请公布日2018.09.07(21)申请号201810287545.3G06T5/30(2006.01)(22)申请日2018.03.30(71)申请人四川元匠科技有限公司地址610000四川省成都市高新区世纪城198号附1574号1层(72)发明人吉普照臧宇航郑德生朱安婕张雪(74)专利代理机构成都华风专利事务所(普通合伙)51223代理人徐丰张巨箭(51)Int.Cl.G06T7/00(2017.01)G06T7/136(2017.01)G06T7/155(2017.01)G06K9/62(2006.01)权利要求书2页说明书5页附图4页(54)发明名称一种基于深度学习的尘肺检测方法与系统(57)摘要本发明涉及一种尘肺结节的检测方法,包括以下步骤:S1、转化DICOM格式的CT图像为numpy数组格式的肺部图像并读取该CT图像数据信息;S2、进行形态学操作得到只保留肺部实质的实质图像;S3、将实质图像分割成若干个小块的小块图像;S4、将这些小块图像送入卷积神经网络进行尘肺结节的筛选及诊断,并得到检测结果;S5、将检测结果保存为csv格式。本发明通过对CT图像进行转化、形态学操作、筛选,检测尘肺结节的个数以及所在的坐标区域,实现尘肺症状的自动诊断,减少了尘肺鉴别需要大量医疗资源的问题。CN108510489ACN108510489A权利要求书1/2页1.一种基于深度学习的尘肺结节的检测方法,其特征在于,包括以下步骤:S1、转化DICOM格式的CT图像为numpy数组格式的肺部图像并读取该CT图像数据信息;S2、进行形态学操作得到只保留肺部实质的实质图像;S3、将实质图像分割成若干个小块的小块图像;S4、将这些小块图像送入卷积神经网络进行尘肺结节的筛选及诊断,并得到检测结果;S5、将检测结果保存为csv格式。2.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法,其特征在于,所述步骤S1中,numpy数组的各个维度为n、h、w,n代表图像的通道,h代表图像的高度,w代表图像的宽度。3.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法,其特征在于,所述步骤S1中,CT图像数据信息指的是DICOM格式数据中的病人信息及CT图像的长和宽及图片像素之间的间隔信息。4.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法,其特征在于,所述步骤S2中的形态学操作的具体操作步骤如下:S2.1、使用大小为450的阈值,得到肺部图像的二值图像;S2.2、清除二值图像中的连接到边缘的点;S2.3、只保留步骤S2.2所得到的图像中的两大轮廓,即左右肺部实质;具体为,找到并保留该图像中面积最大的两个区域,该区域由相邻的值为1的像素点构成;S2.4、对步骤S2.3所得到的图像进行腐蚀操作,再进行闭运算,再进行填充空洞;然后,以得到的图像作为掩膜,处理未进行步骤S2的肺部图像输出相应的实质图像;其中,采用掩膜处理肺部图像的过程为,将掩膜与肺部图像中的每个像素一一对应,若掩膜中的某像素点值为0,则将图像中的这个像素点的值置为0。5.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法,其特征在于,所述步骤S3中的实质图像分割的具体分割步骤如下:S3.1、对实质图像进行填充使得宽和高符合分割标准;S3.2、按照每一小块边长64及步长64进行分割;S3.3、返回分割好的小块图像数组,得到小块图像。6.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法,其特征在于,所述步骤S4中的卷积神经网络的模型包括特征图产生、模块筛选模块和尘肺诊断模块,具体内容如下:特征图产生模块使用残差神经网络,输出的特征图f1的通道为512,该特征图f1的宽和高均为送入神经网络的小块图像的宽和高的1/8;筛选模块的输入为特征图产生模块的输出,进行一次卷积,得到通道为512、宽高为分割后的小块图片1/16的特征图f2,从中得到h/16*h/16个512维的特征向量送入分类器进行分类,每一个512维特征向量对应分割后的小块图片的的1/16的信息,进而,分类器判断特征图f2区域中是否有尘肺结节,若有尘肺结节则对特征图产生模块的输出进行标注,将含尘肺结节的特征图f2区域标注在特征图f1中;尘肺诊断模块的输入是被筛选模块标注的特征图产生模块的输出,进行一次卷积操作,得到维度为512维长和宽为1的特征图f3,行一次全卷积,输出特征图f3区域中的尘肺结2CN108510489A权利要求书2/2页节的个数以及其在肺部图像中的坐标区域。7.一种基于权利要求1-6任一项权利要求所述一种基于深度学习的尘肺结节的检测方法的检测系统,其特征在于,包括以下内容:CT图像转化模块:用于转化D