本發(fā)明涉及醫(yī)學(xué)圖像處理，尤其涉及一種多模型組合ct圖像處理方法和系統(tǒng)。

背景技術(shù)：

1、在相關(guān)技術(shù)中，cn119313677a公開了一種醫(yī)學(xué)損傷ct圖像處理方法和系統(tǒng)，涉及醫(yī)學(xué)影像處理領(lǐng)域，所述方法包括：對ct圖像進(jìn)行數(shù)據(jù)預(yù)處理；確定ct圖像中噪聲的噪聲類型；確定ct圖像中噪聲的噪聲強(qiáng)度；根據(jù)噪聲類型和噪聲強(qiáng)度，確定訓(xùn)練數(shù)據(jù)集；根據(jù)訓(xùn)練數(shù)據(jù)集，對噪聲處理模型進(jìn)行訓(xùn)練，獲得已訓(xùn)練的噪聲處理模型；根據(jù)已訓(xùn)練的噪聲處理模型對ct圖像進(jìn)行處理，獲得降噪后的ct圖像；確定降噪后的ct圖像中的損傷位置處的損傷面積，并確定損傷位置處的像素的第二ct值；根據(jù)損傷面積和第二ct值，確定損傷嚴(yán)重程度系數(shù)；根據(jù)損傷嚴(yán)重程度系數(shù)，生成損傷報告。根據(jù)該方案，可提高ct圖像中的損傷位置的細(xì)節(jié)分析的準(zhǔn)確性和有效性。

2、cn119205714a公開了一種胸部ct圖像處理方法及系統(tǒng)，涉及醫(yī)學(xué)影像處理技術(shù)領(lǐng)域，主要方案為：采用雙能量ct掃描獲取兩組不同能量x射線的圖像數(shù)據(jù)及各像素點衰減測量值，分別計算出軟組織和血管各自濃度值并生成濃度圖；基于軟組織和血管濃度圖生成初始圖像并計算像素值，經(jīng)對比度拉伸得到目標(biāo)圖像像素值并分割得到二值圖像，通過識別二值圖像中的連通區(qū)域并進(jìn)行分析，區(qū)分二值圖像中的血管區(qū)域和軟組織區(qū)域；對血管區(qū)域進(jìn)行中心線提取并計算局部直徑，分別與血管擴(kuò)張閾值和血管收縮閾值進(jìn)行比較判斷血管擴(kuò)張或收縮異常；對軟組織區(qū)域提取特征組成第一特征向量與預(yù)設(shè)的第二特征向量比較判斷異常；對異常情況自動標(biāo)注或高亮顯示，提高診斷準(zhǔn)確性和效率。

3、cn119151967b公開了一種基于平掃ct數(shù)據(jù)的醫(yī)學(xué)圖像分析方法及系統(tǒng)，涉及醫(yī)學(xué)圖像分析技術(shù)領(lǐng)域。該基于平掃ct數(shù)據(jù)的醫(yī)學(xué)圖像分析方法，獲取患者的胸部平掃ct數(shù)據(jù)，所述胸部平掃ct數(shù)據(jù)包括若干個掃描位置的胸部橫截面圖像數(shù)據(jù)；基于患者的胸部平掃ct數(shù)據(jù)建立患者胸部三維模型；對患者胸部三維模型進(jìn)行分割處理，得到患者肺部三維模型，本發(fā)明通過使用深度學(xué)習(xí)模型自動重建健康肺部的三維模型，并與患者的實際肺部模型進(jìn)行比較，從而能夠提供更精確的疾病診斷，這種自動化的比較減少了人為的誤差，提高了分析的效率，使得醫(yī)生可以快速準(zhǔn)確地識別出病變區(qū)域和疾病程度，從而制定出更有效的治療計劃。

4、因此，相關(guān)技術(shù)雖然能夠通過計算機(jī)圖像處理的方法自動處理ct圖像，但無法對ct圖像中病灶的發(fā)展階段進(jìn)行識別，從而難以獲得準(zhǔn)確的檢測結(jié)果和后續(xù)治療計劃。

5、公開于本技術(shù)背景技術(shù)部分的信息僅僅旨在加深對本技術(shù)的一般背景技術(shù)的理解，而不應(yīng)當(dāng)被視為承認(rèn)或以任何形式暗示該信息構(gòu)成已為本領(lǐng)域技術(shù)人員所公知的現(xiàn)有技術(shù)。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種多模型組合ct圖像處理方法和系統(tǒng)，能夠解決相關(guān)技術(shù)無法對ct圖像中病灶的發(fā)展階段進(jìn)行識別的技術(shù)問題。

2、根據(jù)本發(fā)明的第一方面，提供一種多模型組合ct圖像處理方法,包括：

3、將病灶ct圖像輸入病灶檢測模型，獲得病灶ct圖像中病灶所在區(qū)域，并根據(jù)病灶所在區(qū)域，獲得病灶圖像塊；

4、將病灶圖像塊輸入訓(xùn)練后的癌變識別模型的編碼模塊，獲得病灶圖像塊的特征圖；

5、將所述特征圖輸入癌變概率識別模塊，獲得病灶圖像塊中的病灶發(fā)生癌變的概率特征向量；

6、將所述特征圖輸入病情發(fā)展階段識別模塊，獲得病灶圖像塊中的病灶的病情發(fā)展階段特征向量；

7、將所述特征圖、所述概率特征向量和所述病情發(fā)展階段特征向量輸入癌變識別模塊的解碼模塊，獲得病灶圖像塊中病灶的癌變識別結(jié)果；

8、根據(jù)各個病灶圖像塊中病灶的癌變識別結(jié)果，獲得病灶ct圖像的病灶分析報告。

9、根據(jù)本發(fā)明的第二方面，提供一種多模型組合ct圖像處理系統(tǒng)，包括：

10、檢測模塊，用于將病灶ct圖像輸入病灶檢測模型，獲得病灶ct圖像中病灶所在區(qū)域，并根據(jù)病灶所在區(qū)域，獲得病灶圖像塊；

11、輸入模塊，用于將病灶圖像塊輸入訓(xùn)練后的癌變識別模型的編碼模塊，獲得病灶圖像塊的特征圖；

12、概率模塊，用于將所述特征圖輸入癌變概率識別模塊，獲得病灶圖像塊中的病灶發(fā)生癌變的概率特征向量；

13、階段模塊，用于將所述特征圖輸入病情發(fā)展階段識別模塊，獲得病灶圖像塊中的病灶的病情發(fā)展階段特征向量；

14、結(jié)果模塊，用于將所述特征圖、所述概率特征向量和所述病情發(fā)展階段特征向量輸入癌變識別模塊的解碼模塊，獲得病灶圖像塊中病灶的癌變識別結(jié)果；

15、報告模塊，用于根據(jù)各個病灶圖像塊中病灶的癌變識別結(jié)果，獲得病灶ct圖像的病灶分析報告。

16、通過采用上述技術(shù)方案，本發(fā)明可以取得以下技術(shù)效果：

17、根據(jù)本發(fā)明，可通過癌變識別模型的癌變概率識別模塊確定每個病灶發(fā)生癌變的概率特征向量，以用于描述病灶發(fā)生癌變的概率，并通過病情發(fā)展階段識別模塊確定每個病灶的病情發(fā)展階段特征向量，以用于描述病灶的發(fā)展階段，進(jìn)而可基于病灶發(fā)生癌變的概率和病灶的發(fā)展階段，提升癌變識別結(jié)果的準(zhǔn)確性，使癌變識別結(jié)果能夠更準(zhǔn)確地描述癌變的風(fēng)險，提升癌變識別模型的性能以及對病灶的判斷準(zhǔn)確性。在確定圖像真實性損失函數(shù)時，可通過對抗訓(xùn)練的方式，確定圖像真實性損失函數(shù)，從而能夠提升圖像生成模型生成的圖像的逼真程度的同時，提升判別模型的判別能力，從而能夠平衡兩個模型的性能，提升第一生成病灶ct圖像或第二生成病灶ct圖像的逼真程度，提升后續(xù)對比的準(zhǔn)確性。在確定病情特征損失函數(shù)時，可利用癌癥患者和非癌癥患者的樣本病灶ct圖像對癌變識別模型進(jìn)行分別訓(xùn)練，并在訓(xùn)練中通過圖像生成模型基于任意病情發(fā)展階段的樣本病灶ct圖像預(yù)測下一病情發(fā)展階段的生成病灶ct圖像，從而可利用生成病灶ct圖像和真實的病灶ct圖像之間的誤差來確定編碼模塊、癌變概率識別模塊和病情發(fā)展階段識別模塊的準(zhǔn)確性，還可在樣本數(shù)量較少時，利用生成的圖像來提升編碼模塊、癌變概率識別模塊和病情發(fā)展階段識別模塊的訓(xùn)練次數(shù)和訓(xùn)練力度，提升訓(xùn)練效果，還可在訓(xùn)練過程中，為病情危急的病情發(fā)展階段賦予較高權(quán)值，有針對性地提升癌變識別模型的精度。在確定第一癌變風(fēng)險損失函數(shù)時，可求解第一癌變識別結(jié)果與癌變風(fēng)險標(biāo)注信息之間的誤差，并可去除第一樣本概率特征向量和第一樣本病情發(fā)展階段特征向量的誤差因素，確定第一樣本特征圖的病灶的癌變風(fēng)險與標(biāo)注信息之間的實際誤差，還可在訓(xùn)練過程中降低第一樣本概率特征向量和第一樣本病情發(fā)展階段特征向量的誤差，以及第一癌變識別結(jié)果的誤差，提升癌變識別模型的整體精度。在確定第二癌變風(fēng)險損失函數(shù)時，可求解第二癌變識別結(jié)果與癌變風(fēng)險標(biāo)注信息之間的誤差，并可去除第二樣本概率特征向量和第二樣本病情發(fā)展階段特征向量的誤差因素，確定第二樣本特征圖的病灶的癌變風(fēng)險與標(biāo)注信息之間的實際誤差，還可在訓(xùn)練過程中降低第二樣本概率特征向量和第二樣本病情發(fā)展階段特征向量的誤差，以及第二癌變識別結(jié)果的誤差，提升癌變識別模型的整體精度。

18、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，而非限制本發(fā)明。根據(jù)下面參考附圖對示例性實施例的詳細(xì)說明，本發(fā)明的其它特征及方面將更清楚。