.python 3.6
.tensorflow1.12
.keras 2.15
. dicom 、SimpleITK
.dataset 存放训练数据集生成代码和训练数据集
.model 存放网络构建代码
. ./存放训练代码和测试代码
3.1 项目流程 数据预处理: 将医学影像(DICOM格式)进行转换,变为通用图像格式(PNG),以便用于深度学习模型训练。 数据增强(Data augmentation):使用图像变换算法扩增数据集,提高模型的泛化能力。 训练图像分割模型(U-net): 使用图像分割(segmentation)算法检测图像中所有可能是肺结节的区域,生成候选集。 训练三维卷积神经网络(3D-CNN)模型: 使用一种3D-CNN算法对上一步骤生成的结果进行分类,剔除假阳性的候选,保留真正的结节。 模型串联: 将两种模型进行串联,完整打通整个肺结节检测的流程,实现对输入的胸部CT图像进行肺结节检测。 3.2 技术应用 Python图像处理库的使用: opencv , scikit-image Python医学影像处理库的使用: pydicom , SimpleITK Python深度学习框架的使用: Keras, Tensorflow
4.1 CT图像的格式 (DICOM) DICOM(Digital Imaging and Communications in Medicine)即医学数字成像和通信,是医学图像和相关信息的国际标准(ISO 12052)。它定义了质量能满足临床需要的可用于数据交换的医学图像格式。
其它非标准格式:.mhd,.nii.gz
常见CT图像的规格是512*512像素,宽度和高度分别是512个像素点
5.1 关键技术 – 基于CNN的分割网络
5.2 关键技术:U-net