技术摘要：
本发明公开了一种基于深度学习的肺结节分割计算方法、装置及系统，所述方法包括：获取同一个肺结节的多张电子计算机断层扫描CT图像，其中，所述多张CT图像为3D序列数据；将所述多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中，并获取所述多张CT图像的分割结果  全部
背景技术：
肺癌是我国最常见的恶性肿瘤之一，其死亡率一直居于癌症死亡的首位。大多数 情况下，肺癌确诊时大多为晚期，预后很差，因此我国肺癌的5年生存率仅为16.1％。在医学 上，肺结节(Pulmonary  Nodule,简称为PN)是指肺内直径小于或等于3cm的类圆形或不规则 形病灶，影像学表现为密度增高的阴影，可单发或多发，边界清晰或不清晰的病灶。不同密 度的肺结节，其恶性概率不同。尽早发现肺结节，快速诊断其良恶性并及时切除恶性结节对 肺癌早筛和降低肺癌死亡率有重要意义。 肺结节的评估方法主要包括个体或临床特征、影像学方法和临床肺癌概率。影像 学方法中的CT扫描常作为肺结节的标准检查方法。而随着诊断设备的发展，海量的肺部影 像数据需要及时精确的分析，这给影像科医生带来巨大的压力。利用人工智能，构建计算机 辅助诊断系统(Computer-Aided  Diagnosis)可以帮助医生快速处理CT影像数据，更加准 确、迅速的发现肺部结节。当前阶段，人工智能算法集中于肺结节的检测、分割、分类等方 向。结合肺结节图像的精准分割结果，可以帮助医生自动测量肺结节的大小，并快速判断结 节的良恶性。但现有的结节分割算法多使用成熟的网络结构，且缺乏针对后续应用场景的 拓展。
技术实现要素：
本发明的第一目的在于提供一种基于深度学习的肺结节分割计算方法、装置及系 统，该基于深度学习的肺结节分割计算方法能够快速分割结节，并在分割结果之上自动测 量肺结节的直径和体积参数，辅助医生进行诊断； 本发明提供一种基于深度学习的肺结节分割计算方法，包括： 获取同一个肺结节的多张电子计算机断层扫描CT图像，其中，多张CT图像为3D序 列数据； 将多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中，并获取多张CT 图像的分割结果； 根据分割结果和CT图像的空间分辨率计算肺结节的直径和体积。 本发明实施例还提供了一种基于深度学习的肺结节分割计算系统，包括： 获取模块，用于获取同一个肺结节的多张电子计算机断层扫描CT图像，其中，多张 CT图像为3D序列数据； 分割模块，用于将多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中， 并获取多张CT图像的分割结果； 计算模块，用于根据分割结果和CT图像的空间分辨率计算肺结节的直径和体积。 4 CN 111553892 A 说　明　书 2/12 页 本发明实施例还提供一种基于深度学习的肺结节分割计算装置，包括：存储器、处 理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实 现上述基于深度学习的肺结节分割计算方法的步骤。 本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有信 息传递的实现程序，程序被处理器执行时实现上述方法基于深度学习的肺结节分割计算的 步骤。 采用本发明实施例的深度学习技术的肺结节分割算法，可以快速分割结节，并在 分割结果之上自动测量肺结节的直径和体积等参数，辅助医生进行诊断，提高肺结节的自 动化辅助诊疗水平。 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段， 而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够 更明显易懂，以下特举本发明的