CN105760874A - 面向尘肺的ct图像处理系统及其ct图像处理方法 - Google Patents

Abstract

本发明公开一种面向尘肺的CT图像处理系统，包括图像处理服务器，其包括CPU、图形处理器以及连接到所述图形处理器的DICOM读写单元，所述DICOM读写单元从所述图形处理器中读取与解析CT图像；CT图像预处理单元，其对所述DICOM读写单元解析后的CT图像进行灰度不均匀校正、图像去噪以及伪影去除的预处理；图像分割单元，其对预处理后的CT图像进行肺实质分割、肺结节分割以及肺结节假阳性目标去除；深度网络学习单元，其提取所述图像分割单元分割后的肺结节区域所在的子图像块中的高维特征；以及，SVM分类单元，其接收所述高维特征进行分类。本发明的CT图像的数据的分类精度高、鲁棒性稳定。

Description

面向尘肺的CT图像处理系统及其CT图像处理方法

技术领域

本发明涉及图形处理技术领域，更具体地说，本发明涉及一种面向尘肺的CT图像处理系统及其方法。

背景技术

粉尘大量聚集于肺组织内，引起肺组织纤维化病理改变，对肺组织形成进行性的损伤。卫生部资料显示，截至2009年底，全国累计报告职业病722730例，其中尘肺病65.3万例，占职业病总数90％以上。2010年统计结果显示，我国尘肺病新发病例为23812例，确定为尘肺“观察对象”人数为19万，成为尘肺病新发病例的主要组成部分。我国尘肺病例呈明显上升趋势，造成每年直接经济损失高达80多亿元，情况十分严峻。

暴露时间是尘肺病发生与发展的最重要因素，此外粉尘的性质、粉尘浓度、粉尘颗粒大小，都与尘肺病的进程有着密切的关系。尘肺病早期无特异性症状，但随着病变进展，会出咳嗽、咳痰、咯血、胸痛、呼吸困难等临床症状，并且可有程度不同的全身症状。病变进一步发展，出现全身各系统严重的合并症。因此尘肺病的早发现、早诊断、早治疗对病情的发展有着非常重要的意义。

目前，我国尘肺病的诊断是以高千伏X线胸片为标准，结合粉尘接触史、病变表现进行尘肺的诊断与分级。X线胸片有分辨率低、前后重叠等缺点，对于早期尘肺的检出率较低。随着影像技术的蓬勃发展，CT这一数字化影像技术，用于肺部疾病的诊断价值是公认的，而用于尘肺病的诊断也已有了较多的研究成果。能够提供传统高千伏X线诊断方法所不能获得的临床信息，具有重要的临床意义。对于早期尘肺的诊断，可观察到肺纤维化及其程度，提供比常规X线图像更早反映肺组织开始纤维化改变的信息。

但是，由于尘肺的种类多样且存在不同的分级，CT图像上尘肺表现多样，使得尘肺诊断和分级基本依赖于医生的主观判断。目前，针对CT图像的肺结节分割等图像处理方法较多，但是尚无专门针对尘肺病例的图像处理方法。

发明内容

针对上述技术中存在的不足之处，本发明提供一种面向尘肺的CT图像处理系统及其方法，CT图像的数据的分类精度高、鲁棒性稳定。

为了实现根据本发明的这些目的和其它优点，本发明通过以下技术方案实现：

本发明所述的面向尘肺的CT图像处理系统，包括：

图像处理服务器，其包括CPU、图形处理器以及连接到所述图形处理器的DICOM读写单元，所述DICOM读写单元从所述图形处理器中读取与解析CT图像；

CT图像预处理单元，其对所述DICOM读写单元解析后的CT图像进行灰度不均匀校正、图像去噪以及伪影去除的预处理；

图像分割单元，其对预处理后的CT图像进行肺实质分割、肺结节分割以及肺结节假阳性目标去除；

深度网络学习单元，其提取所述图像分割单元分割后的肺结节区域所在的子图像块中的高维特征；以及，

SVM分类单元，其接收所述高维特征进行分类。

优选的是，还包括特征提取单元，其提取所述肺结节区域的肺结节特征并将其发送给所述SVM分类单元分类。

优选的是，所述肺结节特征包括肺结节的图像灰度特征、几何特征以及生理特征。

优选的是，还包括多时间序列图像联合分析单元，其设有将多时间序列的CT图像变换到统一的空间坐标系中的配准模块。

一种面向尘肺的CT图像处理方法，包括以下步骤：

所述DICOM读写单元从所述图形处理器中读取CT图像并将其解析为三维体图像；

所述CT图像预处理单元对所述三维体图像进行灰度不均匀校正、图像去噪以及伪影去除的预处理；

所述图像分割单元对预处理后的CT图像进行肺实质分割、肺结节分割以及肺结节假阳性目标去除；

通过所述深度网络学习单元提取所述图像分割单元分割后的所述肺结节区域所在子图像块中的高维特征；

所述SVM分类单元接收所述高维特征进行分类。

优选的是，还包括步骤：特征提取单元提取肺结节区域的肺结节特征并将其与所述高维特征一起发送给所述SVM分类单元进行分类；具体包括以下步骤：

依次提取肺结节区域的图形灰度特征、几何特征以及生理特征并向量化，分别对应记为V1、V2、V3；

将高维特征输入深度网络学习单元，输出经过学习的特征向量记为V4；

将特征向量V1～V4分别输入到SVM分类单元进行分类。

优选的是，输出特征向量V4，具体包括以下步骤：

构造N层深度网络，每一层节点数分别为M_N；第一层为输入层，节点数量与输入的特征向量数量相同；

向SVM分类单元中输入肺结节样本库，提取肺结节区域的三维图像数据D，设置邻域大小N，对图像数据D中的每一个体素构造邻域子图像，邻域子图像的大小为N³，并将邻域子图像向量化为特征向量V₀，其对应的肺结节分类标签为L；

将肺结节样本库中的所有三维图像数据对应的特征向量集合输入到深度网络单元的输入层，输出经过学习的特征向量，记作V4。

优选的是，还包括通过并行加速方法进行特征向量V4的输出，具体包括以下步骤：

进行数据分割，根据CT图像中肺结节总数将同一CT图像分割为I个子图像块，提取能够覆盖最大的肺结节区域的子图像块G_i，(i＝1,2,…,I)，每一个子图像块中至多有N³个线程；所述每一个子图像块具有独享的显存空间，每一个所述子图像块中相应地训练一个深度网络模型；

数据分发，图像处理服务器的CPU通过PCI-E将所有所述子图像块的数据复制到显存，并将所述子图像块G_i发送到相应子图像块的共享存储器中以实现数据分发；

模型训练，通过所述深度网络学习单元训练深度网络模型W，每个训练深度网络模型的过程相互独立；以及，

参数交换处理，通过参数服务器实现数据并行加速的参数交换：训练的模型的变化量ΔW反馈输送给所述参数服务器；所述参数服务器将深度网络模型更新为最新的模型W’＝W-η×ΔW，并将最新的模型W’分发给所述深度网络学习单元从新的起点开始训练，直至W的残差小于指定阈值或迭代次数达到预定的次数停止训练。

优选的是，将特征向量V1～V4分别输入到SVM分类单元进行分类，具体包括以下步骤：

将N层深度网络中相邻两层的上一层记作v，其每一个节点记作vi；将下一层记作h，其每一个节点记作hi；v和h之间的连接矩阵记作W，其每一个元素记作Wij；

设最小化能量函数为E(v,h；θ)、参数集为θ、权重参数a、权重参数b，则：

θ＝{W,a,b}，a＝{a_i}，b＝{b_j}；

$E(v,h;\mathrm{\θ})=-\underset{i,j}{\mathrm{\Σ}}{W}_{ij}{v}_i{h}_j-\underset{i}{\mathrm{\Σ}}{b}_i{v}_i-\underset{j}{\mathrm{\Σ}}{a}_j{h}_j;$

$L\left(\mathrm{\θ}\right)=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\log P_{\mathrm{\θ}}\left(v\right)}{N}-\frac{\mathrm{\λ}\left|\right|W|{|}^2}{N},P_{\mathrm{\θ}}=\frac{\exp (-E(v,h;\mathrm{\θ}\left)\right)}{\underset{h,v}{\mathrm{\Σ}}\exp (-E(v,h;\mathrm{\θ}\left)\right)};$

令即可得到L(θ)最大化时对应的W。

优选的是，还包括步骤：

将所述SVM分类单元分类处理后的多时间序列的CT图像输入多时间序列图像联合分析单元，通过所述多时间序列图像联合分析单元的配准模块将多时间序列的CT图像变换到统一的空间坐标系中；具体包括以下步骤：

对所述SVM分类单元分类处理后CT图像进行灰度直方图校正；

对灰度直方图校正后的CT图像进行多时间序列图像配准；

对多时间序列图像配准后的CT图像进行多时间序列图像联合分割。

本发明至少包括以下有益效果：

1)本发明通过深度网络学习单元提取肺结节区域所在的子图像块中的高维特征，再通过SVM分类单元进行分类，可有效提高肺结节的CT图像数据的分类精度和鲁棒性；

2)本发明还包括取所述肺结节区域的肺结节特征的特征提取单元，肺结节特征包括肺结节的图像灰度特征、几何特征以及生理特征；特征提取单元将提取的肺结节特征与深度网络学习单元提取的高维特征一起发送给SVM分类单元进行分类，可进一步提高肺结节的CT图像数据的分类精度和鲁棒性；

3)本发明还包括多时间序列图像联合分析单元，其设有将多时间序列的CT图像变换到统一的空间坐标系中的配准模块；多时间序列图像联合分析单元统一将病人的多时间序列CT图像变换到统一的空间坐标系中，消除多时间序列的CT图像因成像设备不同、呼吸运动等因素造成不利影响，提高多时间序列的CT图像处理的便利性和准确性；

4)依次采用数据分割、数据分发、模型训练以及参数交换处理的并行方法，进行深度网络学习单元特征向量V4的输出，提高深度网络学习单元的学习速度。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明所述的面向尘肺的CT图像处理系统的结构示意图；

图2为本发明所述的面向尘肺的CT图像处理方法中特征学习分类过程；

图3为本发明所述的面向尘肺的CT图像处理方法中可变换的肺结节分割方法过程示意图；

图4为本发明所述的面向尘肺的CT图像处理方法中数据并行方法示意图；

图5(a)为本发明所述的面向尘肺的单个时间的CT图像处理流程示意图；

图5(b)为本发明所述的面向尘肺的多时间序列CT图像处理流程示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

实施例1

如图1所示，本发明提供一种面向尘肺的CT(ComputedTomography，电子计算机断层扫描)图像处理系统，包括图像处理服务器10，其包括CPU11、图形处理器12以及连接到图形处理器12的DICOM(DigitalImagingandCommunicationsinMedicine，医学数字成像和通信)读写单元13；图形处理器12中安装有PACS(PictureArchivingandCommunicationSystems，影音归档和整理系统)系统，CPU11和图形处理器12之间的数据传输通过PCI-E(PCIExpress，总线接口)完成；DICOM读写单元13从图形处理器12的PACS系统中读取与解析尘肺的CT图像；CT图像预处理单元20，其对DICOM读写单元13解析后的CT图像进行灰度不均匀校正、图像去噪以及伪影去除的预处理；图像分割单元30，其对预处理后的CT图像进行肺实质分割、肺结节分割以及肺结节假阳性目标去除；深度网络学习单元40，其提取图像分割单元30分割后的肺结节区域所在的子图像块中的高维特征；以及，SVM(SupportVectorMachine，支持向量机)分类单元50，其接收高维特征进行分类。

本发明通过深度网络学习单元40提取肺结节区域所在的子图像块中的高维特征，再通过SVM分类单元50进行分类，可有效提高肺结节的CT图像数据的分类精度和鲁棒性。

作为本发明的另一种实施方式，面向尘肺的CT图像处理系统还包括特征提取单元60，其提取肺结节区域的肺结节特征并将其发送给SVM分类单元50分类。特征提取单元60将提取的肺结节特征与深度网络学习单元40提取的高维特征一起发送给SVM分类单元50进行分类，可进一步提高肺结节的CT图像数据的分类精度和鲁棒性。作为本发明的优选实施方式，肺结节特征包括肺结节的图像灰度特征、几何特征以及生理特征。更为具体地，提取图像灰度特征包括提取肺结节区域的灰度共生矩阵和灰度—梯度共生矩阵；几何特征包括一般几何特征如球形度、线形度、体积、表面积、边界曲面形状特征等，也包括与临床相关的肺结节几何特征如毛刺特征或分叶特征；生理特征是除了几何特征之外的其他生理特征，包括肺结节分布密度指数、肺密度均值、肺通气指标(FVC、FEV1，FEV30％，MVV)。

作为本发明的另一种实施方式，还包括多时间序列图像联合分析单元70，其设有将多时间序列的CT图像变换到统一的空间坐标系中的配准模块。多时间序列图像联合分析单元70统一将病人的多时间序列CT图像变换到统一的空间坐标系中，消除多时间序列的CT图像因成像设备不同、呼吸运动等因素造成不利影响，提高多时间序列的CT图像处理的便利性和准确性。

作为本发明的另一种实施方式，如图5(a)所示，还包括人机交互单元80和数据统计单元90，人机交互单元80分别与CT图像预处理单元20和图像分割单元30连接，用于实时显示和操作；数据统计单元90分别与CT图像预处理单元20、图像分割单元30以及特征提取单元60连接，用于上述三个单元的数据统计和备份。

实施例2

在实施例1的基础上，本实施例提供一种面向尘肺的CT图像处理方法，包括以下步骤：DICOM读写单元13从图形处理器12中读取CT图像并将其解析为三维体图像；CT图像预处理单元20对三维体图像进行灰度不均匀校正、图像去噪以及伪影去除的预处理；图像分割单元30对预处理后的CT图像进行肺实质分割、肺结节分割以及肺结节假阳性目标去除；通过深度网络学习单元40提取图像分割单元分割后的肺结节区域所在子图像块中的高维特征；SVM分类单元50接收高维特征进行分类。

本发明提供的面向尘肺的CT图像处理方法，通过深度网络学习单元40提取肺结节区域所在的子图像块中的高维特征，再通过SVM分类单元50进行分类，可有效提高肺结节的CT图像数据的分类精度，鲁棒性稳定。

作为本实施例的一种具体实施方式，图形处理器12中安装有PACS系统，CPU11和图形处理器12之间的数据传输通过PCI-E完成。DICOM读写单元13从图形处理器12的PACS系统中读取与解析尘肺的CT图像；CT图像预处理单元20对三维体图像进行灰度不均匀校正、图像去噪以及伪影去除的预处理。

作为本实施例的一种具体实施方式，肺实质分割包括以下步骤：

1).肺实质粗分割：记体素的灰度为V_p，统计三维图像的灰度直方图，使用全局门限阈值方法，计算门限阈值T₁、T₂和T₃，假定T₁＞T₂＞T₃。若V_p＞T₁，则标记为骨骼；若T₁＞V_p＞T₂，则标记为软组织；若T₂＞V_p＞T₃，则标记为肺实质；若T₃＞V_p，则标记为背景；2).将三维图像粗分割为背景、骨骼、软组织和肺实质；3).肺实质精确分割：以粗分割的肺实质边界为初始边界，设置最大灰度变化范围V_c，计算肺实质初始边界内的体素灰度均值V_m；若肺实质初始边界外的体素灰度与Vm的差值小于V_c，则将其标记为肺实质。4).目标标记：将肺实质以外的图像区域标记为背景，肺实质标记为目标。

作为本实施例的一种具体实施方式，肺结节分割以及肺结节假阳性目标去除,包括以下步骤：1).肺结节初始边界提取：在目标区域内，使用分类驱动的分水岭方法提取候选肺结节的初始边界，得到若干个候选结节区域。2).肺结节精确分割：以肺结节的初始边界作为LevelSet的初始演化曲面，使用区域和边缘信息相结合的能量函数演化LevelSet曲面。3).假阳性目标去除：基于张量不变量，构造分割目标的球形度函数，去除和血管、支气管等假阳性目标，具体步骤为：

A.对于标记为肺结节区域的每一个体素，计算其Hessian矩阵，记作Hp；

B.计算H_p的3个特征值，分别记作λ₁、λ₂和λ₃，并令

C.计算体素的各项异性分数和各向异性模态

D.定义肺结节的球形度函数S_f＝exp(-|FA(H_p)-1|-|M(H_p)|-1)；

E.计算肺结节区域中所有体素的球形度函数均值，记作

F.设置球形度函数阈值τ，若则保留该候选肺结节，否则将该肺结节区域标记为假阳性目标。

作为本实施例的另一种实施方式，面向尘肺的CT图像处理方法还包括步骤：特征提取单元60提取肺结节区域的肺结节特征并将其与高维特征一起发送给SVM分类单元50进行分类；具体包括以下步骤：依次提取肺结节区域的图形灰度特征、几何特征以及生理特征并向量化，分别对应记为V1、V2、V3；将高维特征输入深度网络学习单元40，输出经过学习的特征向量记为V4；将特征向量V1～V4分别输入到SVM分类单元50进行分类。

作为上述实施方式的具体实施方式，如图2所示，输出特征向量V4包括以下步骤：构造N层深度网络，每一层节点数分别为M_N；第一层为输入层，节点数量与输入的特征向量数量相同；向SVM分类单元50中输入肺结节样本库，提取肺结节区域的三维图像数据D，设置邻域大小N，对图像数据D中的每一个体素构造邻域子图像，邻域子图像的大小为N³，并将邻域子图像向量化为特征向量V₀，其对应的肺结节分类标签为L；将肺结节样本库中的所有三维图像数据对应的特征向量集合输入到深度网络单元40的输入层，输出经过学习的特征向量，记作V4。

作为本实施例的一种实施方式，SVM分类单元50的输入层和深度网络学习单元40的输出层连接，SVM分类单元50输出层输出分类标签，SVM分类单元50的分类标签可以有如下分类：(I)正常组织/肺结节；(II)正常组织/实质性结节/亚实质性结节；(III)正常组织/实质性结节/部分实质性结节/非实质性结节。

作为上述实施方式的一种具体实施方式，将特征向量V1～V4分别输入到SVM分类单元进行分类，具体包括以下步骤：将N层深度网络中相邻两层的上一层记作v，其每一个节点记作vi；将下一层记作h，其每一个节点记作hi；v和h之间的连接矩阵记作W，其每一个元素记作Wij；设最小化能量函数为E(v,h；θ)、参数集为θ、权重参数a、权重参数b，则：

θ＝{W,a,b}，a＝{a_i}，b＝{b_j}；

$E(v,h;\mathrm{\θ})=-\underset{i,j}{\mathrm{\Σ}}{W}_{ij}{v}_i{h}_j-\underset{i}{\mathrm{\Σ}}{b}_i{v}_i-\underset{j}{\mathrm{\Σ}}{a}_j{h}_j;$

$L\left(\mathrm{\θ}\right)=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\log P_{\mathrm{\θ}}\left(v\right)}{N}-\frac{\mathrm{\λ}\left|\right|W|{|}^2}{N},P_{\mathrm{\θ}}=\frac{\exp (-E(v,h;\mathrm{\θ}\left)\right)}{\underset{h,v}{\mathrm{\Σ}}\exp (-E(v,h;\mathrm{\θ}\left)\right)};$

令即可得到L(θ)最大化时对应的W。

作为上述实施方式的可变换实施方式，如图3所示，肺结节的分割包括以下步骤：1).建立肺结节样本库，包括实质性结节、亚实质性结节(包括部分实质性结节和非实质性结节)和正常肺组织，并对图像中的不同组织进行标记；2).输入样本库中的图像，对图像中的每一个体素设置邻域大小，由此构造邻域子图像，记邻域子图像的大小为N³，并将其向量化为特征向量，特征向量的长度为N³；3).构造深度网络学习模型和基于SVM的单核分类器，4).输入待分割的图像，对每一个体素构造器邻域子图像并向量化，邻域子图像大小为N³，特征向量长度为N³；5).将特征向量输入到训练完毕的深度网络学习单元，对深度学习网络输出的特征向量使用SVM分类器进行分类，同时完成分割任务和特征分类任务。

实施例3

面向尘肺的CT图像处理方法中，深度网络学习单元40的学习过程需要计算多个层次中大量节点的数据，导致深度网络学习单元40的学习速度十分缓慢。在实施例2的基础上，本实施例提供的面向尘肺的CT图像处理方法还包括通过并行加速方法进行特征向量V4的输出，如图4所示，具体包括以下步骤：

进行数据分割，根据CT图像中肺结节总数将同一CT图像分割为I个子图像块，提取能够覆盖最大的肺结节区域的子图像块G_i，(i＝1,2,…,I)，每一个子图像块中至多有N³个线程；每一个子图像块具有独享的显存空间，每一个子图像块中相应地训练一个深度网络模型；

数据分发，图像处理服务器的CPU通过PCI-E将所有子图像块的数据复制到显存，并将子图像块G_i发送到相应子图像块的共享存储器中以实现数据分发；

模型训练，通过深度网络学习单元训练深度网络模型W，每个训练深度网络模型的过程相互独立；以及，

参数交换处理，通过参数服务器实现数据并行加速的参数交换：训练的模型的变化量ΔW反馈输送给参数服务器；参数服务器将深度网络模型更新为最新的模型W’＝W-η×ΔW，并将最新的模型W’分发给深度网络学习单元从新的起点开始训练，直至W的残差小于指定阈值或迭代次数达到预定的次数停止训练。

依次采用数据分割、数据分发、模型训练以及参数交换处理的并行方法，进行深度网络学习单元40特征向量V4的输出，提高深度网络学习单元的学习速度。

实施例4

在实施例3的基础上，如图5(a)-图5(b)所示，本实施例提供的面向尘肺的CT图像处理方法还包括步骤：

将SVM分类单元分类处理后的多时间序列的CT图像输入多时间序列图像联合分析单元，通过多时间序列图像联合分析单元的配准模块将多时间序列的CT图像变换到统一的空间坐标系中；包括对SVM分类单元分类处理后CT图像进行灰度直方图校正、对灰度直方图校正后的CT图像进行多时间序列图像配准、对多时间序列图像配准后的CT图像进行多时间序列图像联合分割，具体步骤如下：

1)度直方图校正：利用重定向和重采样算法对纵向脑MR图像序列中各时间点图像进行归一化(分辨率以参考图像为标准)；其次，利用非均匀性灰度校正算法(N3算法)对多时间序列图像进行灰度校正；然后，将后续时间点的图像的直方图与基准点的图像的直方图相匹配，从而消除纵向图像间的灰度不均匀性；

2)多时间序列图像配准。线性组配准算法将多时间序列图像配准到共同空间，并在共同空间由肺部统计形状模型构造初始的三维表面模型；然后在纵向表面形变约束下将三维表面模型同时形变到多时间序列图像的每个时间点图像上，从而得到具有一致性的肺部三维表面模型；其中，在每个时间点的三维表面模型的形变过程中，三维表面模型的每个顶点受到4个力的驱动，包括：

A空间平滑力来平滑表面并获得均匀间距顶点；

B基于图像灰度的力来分开肺部组织和其他组织；

C先验模型来驱动顶点移向真实脑边界；

D纵向平滑约束力来驱动每个顶点移向相邻时间点的相应顶点的中心；

3)多时间序列图像联合分割：将利用多水平集分割方法来实现多时间序列图像的四维分割；两个水平集函数的零水平集被用来表征矽结节/背景，肺大泡/背景的分界面；该多水平集分割方法将利用局部灰度分布和统计形状等来提高分割的准确性；此外，还将利用矽结节/肺大泡形状变换连续性保证多时间序列图像分割结果的纵向一致性。

将SVM分类单元分类处理后的多时间序列的CT图像输入多时间序列图像联合分析单元，包括将多时间序列的CT图像进行图像插值，将多时间序列的CT图像的空间分辨率调整一致，消除多时间序列的CT图像因成像设备不同、呼吸运动等因素造成不利影响，提高多时间序列的CT图像处理的便利性和准确性。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种面向尘肺的CT图像处理系统，其特征在于，包括：

图像处理服务器，其包括CPU、图形处理器以及连接到所述图形处理器的DICOM读写单元，所述DICOM读写单元从所述图形处理器中读取与解析CT图像；

CT图像预处理单元，其对所述DICOM读写单元解析后的CT图像进行灰度不均匀校正、图像去噪以及伪影去除的预处理；

图像分割单元，其对预处理后的CT图像进行肺实质分割、肺结节分割以及肺结节假阳性目标去除；

深度网络学习单元，其提取所述图像分割单元分割后的肺结节区域所在的子图像块中的高维特征；以及，

SVM分类单元，其接收所述高维特征进行分类。

2.如权利要求1所述的面向尘肺的CT图像处理系统，其特征在于，

还包括特征提取单元，其提取所述肺结节区域的肺结节特征并将其发送给所述SVM分类单元分类。

3.如权利要求2所述的面向尘肺的CT图像处理系统，其特征在于，所述肺结节特征包括肺结节的图像灰度特征、几何特征以及生理特征。

4.如权利要求1所述的面向尘肺的CT图像处理系统，其特征在于，还包括多时间序列图像联合分析单元，其设有将多时间序列的CT图像变换到统一的空间坐标系中的配准模块。

5.一种应用如权利要求1-4任一项中所述的面向尘肺的CT图像处理系统进行CT图像处理的方法，其特征在于，包括以下步骤：

所述DICOM读写单元从所述图形处理器中读取CT图像并将其解析为三维体图像；

所述CT图像预处理单元对所述三维体图像进行灰度不均匀校正、图像去噪以及伪影去除的预处理；

所述图像分割单元对预处理后的CT图像进行肺实质分割、肺结节分割以及肺结节假阳性目标去除；

通过所述深度网络学习单元提取所述图像分割单元分割后的所述肺结节区域所在子图像块中的高维特征；

所述SVM分类单元接收所述高维特征进行分类。

6.如权利要求5所述的面向尘肺的CT图像处理方法，其特征在于，还包括步骤：特征提取单元提取肺结节区域的肺结节特征并将其与所述高维特征一起发送给所述SVM分类单元进行分类；具体包括以下步骤：

依次提取肺结节区域的图形灰度特征、几何特征以及生理特征并向量化，分别对应记为V1、V2、V3；

将高维特征输入深度网络学习单元，输出经过学习的特征向量记为V4；

将特征向量V1～V4分别输入到SVM分类单元进行分类。

7.如权利要求6所述的面向尘肺的CT图像处理方法，其特征在于，输出特征向量V4，具体包括以下步骤：

构造N层深度网络，每一层节点数分别为M_N；第一层为输入层，节点数量与输入的特征向量数量相同；

向SVM分类单元中输入肺结节样本库，提取肺结节区域的三维图像数据D，设置邻域大小N，对图像数据D中的每一个体素构造邻域子图像，邻域子图像的大小为N³，并将邻域子图像向量化为特征向量V₀，其对应的肺结节分类标签为L；

将肺结节样本库中的所有三维图像数据对应的特征向量集合输入到深度网络单元的输入层，输出经过学习的特征向量，记作V4。

8.如权利要求7所述的面向尘肺的CT图像处理方法，其特征在于，还包括通过并行加速方法进行特征向量V4的输出，具体包括以下步骤：

进行数据分割，根据CT图像中肺结节总数将同一CT图像分割为I个子图像块，提取能够覆盖最大的肺结节区域的子图像块G_i，(i＝1,2,…,I)，每一个子图像块中至多有N³个线程；所述每一个子图像块具有独享的显存空间，每一个所述子图像块中相应地训练一个深度网络模型；

数据分发，图像处理服务器的CPU通过PCI-E将所有所述子图像块的数据复制到显存，并将所述子图像块G_i发送到相应子图像块的共享存储器中以实现数据分发；

模型训练，通过所述深度网络学习单元训练深度网络模型W，每个训练深度网络模型的过程相互独立；以及，

参数交换处理，通过参数服务器实现数据并行加速的参数交换：训练的模型的变化量ΔW反馈输送给所述参数服务器；所述参数服务器将深度网络模型更新为最新的模型W’＝W-η×ΔW，并将最新的模型W’分发给所述深度网络学习单元从新的起点开始训练，直至W的残差小于指定阈值或迭代次数达到预定的次数停止训练。

9.如权利要求6所述的面向尘肺的CT图像处理方法，其特征在于，将特征向量V1～V4分别输入到SVM分类单元进行分类，具体包括以下步骤：

将N层深度网络中相邻两层的上一层记作v，其每一个节点记作vi；将下一层记作h，其每一个节点记作hi；v和h之间的连接矩阵记作W，其每一个元素记作Wij；

设最小化能量函数为E(v,h；θ)、参数集为θ、权重参数a、权重参数b，则：

θ＝{W,a,b}，a＝{a_i}，b＝{b_j}；

$E(v,h;\mathrm{\θ})=-\underset{i,j}{\Σ}{W}_{ij}{v}_i{h}_j-\underset{i}{\Σ}{b}_i{v}_i-\underset{j}{\Σ}{a}_j{h}_j;$

$L\left(\mathrm{\θ}\right)=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{logP}}_{\mathrm{\θ}}\left(v\right)}{N}-\frac{\mathrm{\λ}\left|\right|W|{|}^2}{N},P_{\mathrm{\θ}}=\frac{\exp (-E(v,h;\mathrm{\θ}\left)\right)}{\underset{h,v}{\mathrm{\Σ}}\exp (-E(v,h;\mathrm{\θ}\left)\right)};$

令即可得到L(θ)最大化时对应的W。

10.如权利要求5所述的面向尘肺的CT图像处理方法，其特征在于，还包括步骤：

将所述SVM分类单元分类处理后的多时间序列的CT图像输入多时间序列图像联合分析单元，通过所述多时间序列图像联合分析单元的配准模块将多时间序列的CT图像变换到统一的空间坐标系中；具体包括以下步骤：

对所述SVM分类单元分类处理后CT图像进行灰度直方图校正；

对灰度直方图校正后的CT图像进行多时间序列图像配准；

对多时间序列图像配准后的CT图像进行多时间序列图像联合分割。