CN106097340A - 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 - Google Patents
一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 Download PDFInfo
- Publication number
- CN106097340A CN106097340A CN201610411560.5A CN201610411560A CN106097340A CN 106097340 A CN106097340 A CN 106097340A CN 201610411560 A CN201610411560 A CN 201610411560A CN 106097340 A CN106097340 A CN 106097340A
- Authority
- CN
- China
- Prior art keywords
- lung neoplasm
- theta
- grader
- roi region
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 239000002131 composite material Substances 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000013519 translation Methods 0.000 claims abstract description 7
- 210000004072 lung Anatomy 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 7
- 230000000505 pernicious effect Effects 0.000 claims description 5
- 230000002685 pulmonary effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 208000019423 liver disease Diseases 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000000017 Solitary Pulmonary Nodule Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,包括:(1)勾画并存储肺结节的位置以及疑似肺结节的位置,标注并存储肺结节的医学征象以及疑似肺结节的医学征象;(2)检验步骤(1)存储信息是否正确;(3)步骤(1)勾画的肺结节的位置以及疑似肺结节的位置为ROI区域,分别进行平移、缩放、旋转、复合旋转以及平移、缩放、旋转、复合旋转中两种或以上的组合操作,将得到的所有操作结果作为样品集;(4)将样本集中的部分样本输入卷积神经网络分类器,输出正确的肺结节所在的ROI区域以及正确的疑似肺结节所在的ROI区域。采用本方法获取的数据集,检测准确率提高5%以上,假阳性降低0.4%以上。
Description
技术领域
本发明涉及一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,属于基于计算机视觉的肺结节检测,医学图像检索等领域。
背景技术
肺癌因其极高的发病率和死亡率而被认为是威胁人类健康的头号杀手。肺癌的早期在医学影像学方面的表现通常为孤立性肺结节。为了给医生客观地提供可疑肺结节标记,引入了肺部CAD系统,辅助医生进行诊断,计算机诊断系统对肺部CT图像进行自动诊断分析后,提示医生CT图像中的可疑肺结节,从而克服医生在诊断中的一些主观因素,提高肺癌的发现率。
在传统的基于CT图像的肺结节计算机辅助检测技术中,主要有基于模板匹配的方法,对于基于模板匹配的检测方法,如果模板少,检测就不准确,灵敏度低;如果模板增加,运算就变得复杂,耗时长,而且基于模板匹配方法的检测效果的假阳性高。另一种是采用了线性分类器和支持向量机的检测方法,基于线性分类器的检测方法,因为线性分类器本身结构简单,所以其检测准确率低。并且这种方法采用边缘检测或区域生长方法提取ROI区域,用传统的方法提取ROI区域,出现错误的几率大,一旦出现错误,用训练出的分类器去检测图像也会出现大量错误,假阳性率就会变大。基于支持向量机检测方法,选择合适的核函数数以及软边缘参数是训练SVM的重要因素,一般来讲,核函数越复杂,模型越偏向于拟合过度。在参数C方面,它可以看作是Lasso算法中的lambda的倒数,C越大模型越偏向于拟合过度,反之则拟合不足,如果核函数复杂计算量不仅大而且复杂。所以这种方法想在现实中实施起来很困难。
中国专利文献CN 104700118A工开了基于卷积神经网络的肺结节良恶性预测方法,包括:从肺结节坐标中获取多尺度肺结节图像块;根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络;根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络;利用训练的卷积神经网络提取肺结节的低维特征;利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。但是,该专利训练样本数太小,达不到期望的效果,直接影响测试的准确性;并且该专利并未提及如何提取从CT图片得到肺结节块;
现有技术中,训练深度卷积网络需要海量的训练样本,如果通过软件技术获取,获得的图像的正确性是让人质疑的,训练样本的正确性直接影响分类结果的准确性。如果全部样本都是通过人工获取,准确性得到保证,可这是一件耗时耗力的事。
基于CT图像的肺结节检测技术得到越来越多的关注,基于分类器的方法更受研究人员和医生的青睐。
发明内容
针对现有技术的不足,本发明提供了一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法。
本发明引入新的检测算法,提出的方法采用了基于卷积神经网络算法的处理方式,这样就避免了逐个像素处理,通过专业医生勾画肺结节所在区域,通过缩放,旋转,复合旋转等几何操作扩大样本数,建立所需数据库,在保证训练样本准确性的基础上提高了算法的运行速度以及灵敏度,节省了人力物力,更具鲁棒性。
术语解释:
正样本、负样本:正样本是指属于某一类别的样本,负样本是指不属于某一类别的样本;比如,在做字母A的图像识别时,字母A的样本就属于正样本,不是字母A的样本就属于负样本。
本发明的技术方案为:
一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,具体步骤包括:
(1)在CT拍摄的像素强度标准化输入的肺部医学图像上,勾画并存储肺结节的位置以及疑似肺结节的位置,标注并存储所述肺结节的医学征象以及所述疑似肺结节的医学征象,所述医学征象包括:良性、恶性、实性、毛玻璃状、边缘锐利、边缘毛糙、边缘分叶状、边缘光滑、强化明显、强化不明显、直径大于1.5cm、直径小于1.5cm;
(2)检验步骤(1)所述肺结节所在位置及其医学征象、所述疑似肺结节所在位置及其医学征象是否正确;如果检验正确,进入步骤(3),否则,返回步骤(1);
标注的信息直接用于后续的训练及测试环节,被标记的肺结节还是后续样本扩建的基础,因此人工标记信息的准确性对整个实验结果的正确性起至关重要的作用。
(3)步骤(1)勾画的肺结节的位置以及疑似肺结节的位置为ROI区域,对所述ROI区域分别进行平移、缩放、旋转、复合旋转以及平移、缩放、旋转、复合旋转中两种或以上的组合操作,将得到的所有操作结果作为样品集;
人工提取肺结节是很耗时耗力的一件事,通过平移、缩放、旋转、复合旋转变换扩充样本数,不仅减少省时省力,并且用这种方式得到的样本集去训练分类器,可以增强分类器对平移,旋转,缩放的鲁棒性。
(4)将样本集中的部分样本输入卷积神经网络分类器,输出正确的肺结节所在的ROI区域以及正确的疑似肺结节所在的ROI区域。
传统的方法通过分割技术获得肺结节块,肺结节的正确性直接影响分类器的准确性,本文通过专业医生勾画肺结节,保证了肺结节的正确性,通过对肺结节块进行平移,缩放,旋转操作扩充了样本集,用扩充后的样本集训练分类器,让分类器更具鲁棒性。采用本方法获取的数据集,检测准确率提高5%以上,假阳性降低0.4%以上。
根据本发明优选的,在步骤(1)之前,统一CT拍摄的像素强度标准化输入的肺部医学图像的分辨率为256*256——768*768。解决各CT图像间分辨率不同的问题。
根据本发明优选的,所述步骤(2)中,通过编写GUI,显示肺结节所在位置及其医学征象、疑似肺结节所在位置及其医学征象,并检验与步骤(1)所述肺结节所在位置及其医学征象、所述疑似肺结节所在位置及其医学征象是否一致;如果检验一致,进入步骤(3),否则,返回步骤(1)。
根据本发明优选的,步骤(3)中,所述旋转包括二维旋转,将p点绕坐标原点旋转转动θ得到新的点p’的重定位过程中,p点是所述图像中的任一像素点,求取新的点p’的坐标的过程如下:
x=rcosα (Ⅰ)
y=rsinα (Ⅱ)
x'=rcos(α+θ)=xcosθ-ysinθ (Ⅲ)
y'=rsin(α+θ)=xsinθ+ycosθ (Ⅳ)
式(Ⅰ)-(Ⅴ)中,(x,y)是点p的坐标,(x',y')是点p’的坐标,r指原点到p点的坐标,α指op与x轴的夹角,o指原点;
逆时针旋转θ角的矩阵为:
根据本发明优选的,步骤(3)中,所述缩放包括缩小和放大,缩小又称为下采样或降采样,放大又称为上采样或图像插值,图像插值包括二次线性插值,二次线性插值公式如下:
(Sx-0)/(Sw-0)=(Dx-0)/(Dw-0) (Ⅵ)
Sx=Dx*Sw/Dw (Ⅶ)
(Sy-0)/(Sh-0)=(Dy-0)/(Dh-0) (Ⅷ)
Sy=Dy*Sh/Dh (Ⅸ)
式(Ⅵ)-(Ⅸ)中,(Sx,Sy)为ROI区域中的一个像素点,(Dx,Dy)为(Sx,Sy)在缩放后的ROI区域中对应的点,ROI区域的宽为Sw,高为Sh,缩放后的ROI区域的宽为Dw,高为Dh。
根据上述公式对提取的肺结节块进行缩放。
根据本发明优选的,步骤(3)中,所述复合旋转是指进行多次旋转,两次连续的旋转相当于将两次的旋转角度相加,第一次旋转θ1角,第二次旋转θ2,根据式(Ⅹ)进行变换:
式(Ⅵ)中,θ1为第一次旋转的角度,θ2为第二次旋转的角度,R(θ1)代表旋转θ1后的结果,R(θ2)代表旋转θ2后的结果,R(θ1+θ2)代表旋转θ1+θ2后的结果。
根据本发明优选的,所述步骤(4)中,改变卷积神经网络分类器的重要参数多次训练分类器,得到最优分类器,将样本集中的部分样本输入卷积神经网络分类器,输出正确的肺结节所在的ROI区域以及正确的疑似肺结节所在的ROI区域。
本发明的有益效果为:
1、本发明所述方法可应用于静态图像,不需要很长的视频序列即可提取出肺部CT图像中的肺结节。并且,本发明所述方法很容易扩展到视频序列。由于视频序列由多幅图像组成,本方法可扩展到视频序列中,并且不受视频序列中镜头摇晃,镜头缩放,镜头平移等多种镜头运动的影响。人工提取一部分训练样本,对这部分样本进行平移,缩放扩充样本数目,构建所需数据库。
2、本发明所述方法简洁易行。在判断肺部CT图像是否包含了肺结节并标记其位置,本发明提出的方法采用基于卷积神经网络算法的处理方式,这样就避免了逐个像素处理,从而提高了算法的运行速度以及灵敏度。
3、本发明生成离线检测系统中,选用了具备多类医学征象的肺部CT图像,因此该发明适用于多种医学征象的肺结节检测。
附图说明
图1为本发明所述基于卷积分类器的自动检测并勾画肺结节所在位置的方法流程示意图;
图2为实施例中勾画肺结节的位置并标注其医学征象的GUI示意图;
图3为实施例中检验存储信息的GUI示意图;
图4(a)为实施例中包含肺结节图像示意图;
图4(b)为实施例中不包含肺结节图像示意图;
图4(c)为实施例中提取的肺结节块的图像示意图一;
图4(d)为实施例中提取的肺结节块的图像示意图二;
图5为二次线性插值原理图;
图6为二维旋转原理图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定,但不限于此。
实施例
一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,具体步骤包括:
(1)在CT拍摄的像素强度标准化输入的肺部医学图像上,勾画并存储肺结节的位置,标注并存储所述肺结节的医学征象,勾画肺结节的位置并标注其医学征象的GUI示意图如图2所示。图2中,箭头1是指医生勾画的肺结节的位置,箭头2是指医生勾画的肺结节的医学征象:实性、恶性、边缘锐利、强化明显、直径小于1.5cm。参照图2用机器语言编写实现所需功能的GUI。
(2)通过MATLAB编写GUI,如图3所示,图3中,箭头1是指医生勾画的肺结节存储信息存放的表格,箭头2是指步骤(1)中勾画的肺结节,箭头3是指勾画的肺结节的医学征象:恶性、毛玻璃状、边缘光滑、直径1.5cm,箭头4指的是该CT图像存贮的位置;显示肺结节所在位置及其医学征象、疑似肺结节所在位置及其医学征象,并检验与步骤(1)所述肺结节所在位置及其医学征象是否一致;如果检验一致,进入步骤(3),否则,返回步骤(1)。
检验步骤(1)的存储信息是否正确,如果检验正确,进入步骤(3),否则,返回步骤(1);参照图3用机器语言编写实现所需功能的GUI。
标注的信息直接用于后续的训练及测试环节,被标记的肺结节还是后续样本扩建的基础,因此人工标记信息的准确性对整个实验结果的正确性起至关重要的作用。
(3)步骤(1)勾画的肺结节的位置为ROI区域,对所述ROI区域分别进行二维旋转,将p点绕坐标原点旋转转动θ得到新的点p’的重定位过程中,如图6所示,p点是所述图像中的任一像素点,求取新的点p’的坐标的过程如下:
x=rcosα (Ⅰ)
y=rsinα (Ⅱ)
x'=rcos(α+θ)=xcosθ-ysinθ (Ⅲ)
y'=rsin(α+θ)=xsinθ+ycosθ (Ⅳ)
式(Ⅰ)-(Ⅴ)中,(x,y)是点p的坐标,(x',y')是点p’的坐标,r指原点到p点的坐标,α指op与x轴的夹角,o指原点;
对所述ROI区域分别进行二次线性插值,如图5所示,二次线性插值公式如下:
(Sx-0)/(Sw-0)=(Dx-0)/(Dw-0) (Ⅵ)
Sx=Dx*Sw/Dw (Ⅶ)
(Sy-0)/(Sh-0)=(Dy-0)/(Dh-0) (Ⅷ)
Sy=Dy*Sh/Dh (Ⅸ)
式(Ⅵ)-(Ⅸ)中,(Sx,Sy)为ROI区域中的一个像素点,(Dx,Dy)为(Sx,Sy)在缩放后的ROI区域中对应的点,ROI区域的宽为Sw,高为Sh,缩放后的ROI区域的宽为Dw,高为Dh。
根据上述公式对提取的肺结节进行缩放。
对所述ROI区域分别进行复合旋转,第一次旋转θ1角,第二次旋转θ2,根据式(Ⅹ)进行变换:
式(Ⅵ)中,θ1为第一次旋转的角度,θ2为第二次旋转的角度,R(θ1)代表旋转θ1后的结果,R(θ2)代表旋转θ2后的结果,R(θ1+θ2)代表旋转θ1+θ2后的结果。
通过上述操作,将得到的所有操作结果作为样品集;
人工提取肺结节是很耗时耗力的一件事,通过平移、缩放、旋转、复合旋转变换扩充样本数,不仅减少省时省力,并且用这种方式得到的样本集去训练分类器,可以增强分类器对平移,旋转,缩放的鲁棒性。
(4)改变卷积神经网络分类器的重要参数多次训练分类器,得到最优分类器,对于大小统一的图像输入,构建5层卷积神经网络,每个卷积神经网络都有卷积层和max-pooling,第一层卷积是5*5大小的卷积核96个,其余的四层都是3×3的卷积核256个,max-pooling都是2*2的核,连接全连接层。卷积神经网络分类器的重要参数的设置通过交叉验证获得。
(5)将样本集中的部分样本输入最优分类器,输出正确的肺结节所在的ROI区域所在的ROI区域。本实施例提取出肺结节图像示意图如图4(a)所示;本实施例提取出不包含肺结节图像示意图如图4(b)所示;本实施例提取出肺结节块的图像示意图一如图4(c)所示;本实施例提取出肺结节图像示意图二如图4(d)所示。
上述基于卷积分类器的自动检测并勾画肺结节所在位置的方法流程示意图如图1所示。
传统的方法通过分割技术获得肺结节块,肺结节的正确性直接影响分类器的准确性,本文通过专业医生勾画肺结节,保证了肺结节的正确性,通过对肺结节块进行平移,缩放,旋转操作扩充了样本集,用扩充后的样本集训练分类器,让分类器更具鲁棒性。采用本方法获取的数据集,检测准确率提高5%,假阳性降低0.4%。
Claims (7)
1.一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,其特征在于,具体步骤包括:
(1)在CT拍摄的像素强度标准化输入的肺部医学图像上,勾画并存储肺结节的位置以及疑似肺结节的位置,标注并存储所述肺结节的医学征象以及所述疑似肺结节的医学征象,所述医学征象包括:良性、恶性、实性、毛玻璃状、边缘锐利、边缘毛糙、边缘分叶状、边缘光滑、强化明显、强化不明显、直径大于1.5cm、直径小于1.5cm;
(2)检验步骤(1)所述肺结节所在位置及其医学征象、所述疑似肺结节所在位置及其医学征象是否正确;如果检验正确,进入步骤(3),否则,返回步骤(1);
(3)步骤(1)勾画的肺结节的位置以及疑似肺结节的位置为ROI区域,对所述ROI区域分别进行平移、缩放、旋转、复合旋转以及平移、缩放、旋转、复合旋转中两种或以上的组合操作,将得到的所有操作结果作为样品集;
(4)将样本集中的部分样本输入卷积神经网络分类器,输出正确的肺结节所在的ROI区域以及正确的疑似肺结节所在的ROI区域。
2.根据权利要求1所述的一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,其特征在于,在步骤(1)之前,统一CT拍摄的像素强度标准化输入的肺部医学图像的分辨率为256*256——768*768。
3.根据权利要求1所述的一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,其特征在于,通过编写GUI,显示肺结节所在位置及其医学征象、疑似肺结节所在位置及其医学征象,并检验与步骤(1)所述肺结节所在位置及其医学征象、所述疑似肺结节所在位置及其医学征象是否一致;如果检验一致,进入步骤(3),否则,返回步骤(1)。
4.根据权利要求1所述的一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,其特征在于,步骤(3)中,所述旋转包括二维旋转,将p点绕坐标原点旋转转动θ得到新的点p’的重定位过程中,p点是所述图像中的任一像素点,求取新的点p’的坐标的过程如下:
x=r cosα (I)
y=r sinα (II)
x'=r cos(α+θ)=x cosθ-y sinθ (III)
y'=r sin(α+θ)=x sinθ+y cosθ (IV)
式(I)-(V)中,(x,y)是点p的坐标,(x',y')是点p’的坐标,r指原点到p点的坐标,α指op与x轴的夹角,o指原点。
5.根据权利要求1所述的一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,其特征在于,步骤(3)中,所述缩放包括缩小和放大,缩小又称为下采样或降采样,放大又称为上采样或图像插值,图像插值包括二次线性插值,二次线性插值公式如下:
(Sx-0)/(Sw-0)=(Dx-0)/(Dw-0) (VI)
Sx=Dx*Sw/Dw (VII)
(Sy-0)/(Sh-0)=(Dy-0)/(Dh-0) (VIII)
Sy=Dy*Sh/Dh (IX)
式(VI)-(IX)中,(Sx,Sy)为ROI区域中的一个像素点,(Dx,Dy)为(Sx,Sy)在缩放后的ROI区域中对应的点,ROI区域的宽为Sw,高为Sh,缩放后的ROI区域的宽为Dw,高为Dh。
6.根据权利要求1所述的一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,其特征在于,步骤(3)中,所述复合旋转是指进行多次旋转,两次连续的旋转相当于将两次的旋转角度相加,第一次旋转θ1角,第二次旋转θ2,根据式(Ⅹ)进行变换:
式(VI)中,θ1为第一次旋转的角度,θ2为第二次旋转的角度,R(θ1)代表旋转θ1后的结果,R(θ2)代表旋转θ2后的结果,R(θ1+θ2)代表旋转θ1+θ2后的结果。
7.根据权利要求1-6任一所述的一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法,其特征在于,所述步骤(4)中,改变卷积神经网络分类器的重要参数多次训练分类器,得到最优分类器,将样本集中的部分样本输入卷积神经网络分类器,输出正确的肺结节所在的ROI区域以及正确的疑似肺结节所在的ROI区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610411560.5A CN106097340A (zh) | 2016-06-12 | 2016-06-12 | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610411560.5A CN106097340A (zh) | 2016-06-12 | 2016-06-12 | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106097340A true CN106097340A (zh) | 2016-11-09 |
Family
ID=57845213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610411560.5A Pending CN106097340A (zh) | 2016-06-12 | 2016-06-12 | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097340A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107358600A (zh) * | 2017-06-14 | 2017-11-17 | 北京全域医疗技术有限公司 | 放疗计划中的自动勾靶方法、装置和电子设备 |
CN107392897A (zh) * | 2017-07-17 | 2017-11-24 | 上海联影医疗科技有限公司 | 器官轮廓获取方法、影像设备、放疗计划系统及存储介质 |
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN107909572A (zh) * | 2017-11-17 | 2018-04-13 | 合肥工业大学 | 基于图像增强的肺结节检测方法及系统 |
CN107993228A (zh) * | 2017-12-15 | 2018-05-04 | 中国人民解放军总医院 | 一种基于心血管oct影像的易损斑块自动检测方法和装置 |
CN108038491A (zh) * | 2017-11-16 | 2018-05-15 | 深圳市华尊科技股份有限公司 | 一种图像分类方法及装置 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN108742679A (zh) * | 2018-06-29 | 2018-11-06 | 上海联影医疗科技有限公司 | 结节检测装置和方法 |
WO2019034070A1 (zh) * | 2017-08-18 | 2019-02-21 | 广州极飞科技有限公司 | 一种植物健康状态监测方法及装置 |
CN109447960A (zh) * | 2018-10-18 | 2019-03-08 | 神州数码医疗科技股份有限公司 | 一种对象识别方法和装置 |
CN109523525A (zh) * | 2018-11-07 | 2019-03-26 | 广州大学 | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 |
CN110070113A (zh) * | 2019-03-29 | 2019-07-30 | 广州思德医疗科技有限公司 | 一种训练集的训练方法及装置 |
CN110148112A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种采集并标注断层扫描图数据进行数据集建立的方法 |
WO2020088288A1 (zh) * | 2018-10-30 | 2020-05-07 | 腾讯科技(深圳)有限公司 | 内窥镜图像的处理方法、系统及计算机设备 |
CN111369524A (zh) * | 2020-03-02 | 2020-07-03 | 北京推想科技有限公司 | 结节识别模型训练方法、结节识别方法及装置 |
CN111913871A (zh) * | 2019-05-10 | 2020-11-10 | 中国信息通信研究院 | 一种基于深度学习的肺结节检出软件测试方法 |
CN113077427A (zh) * | 2021-03-29 | 2021-07-06 | 北京深睿博联科技有限责任公司 | 一种类别预测模型的生成方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667289A (zh) * | 2008-11-19 | 2010-03-10 | 西安电子科技大学 | 基于nsct特征提取和监督分类的视网膜图像分割方法 |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN103678680A (zh) * | 2013-12-25 | 2014-03-26 | 吉林大学 | 基于感兴趣区域多元空间关系模型的图像分类方法 |
CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN105512683A (zh) * | 2015-12-08 | 2016-04-20 | 浙江宇视科技有限公司 | 基于卷积神经网络的目标定位方法及装置 |
-
2016
- 2016-06-12 CN CN201610411560.5A patent/CN106097340A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667289A (zh) * | 2008-11-19 | 2010-03-10 | 西安电子科技大学 | 基于nsct特征提取和监督分类的视网膜图像分割方法 |
CN101763644A (zh) * | 2010-03-10 | 2010-06-30 | 华中科技大学 | 肺结节三维分割与特征提取方法及系统 |
CN103678680A (zh) * | 2013-12-25 | 2014-03-26 | 吉林大学 | 基于感兴趣区域多元空间关系模型的图像分类方法 |
CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN105512683A (zh) * | 2015-12-08 | 2016-04-20 | 浙江宇视科技有限公司 | 基于卷积神经网络的目标定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
韩妍妍等: "《动态多分类器集成在肺结节辅助检测中的应用》", 《计算机工程与应用》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845529A (zh) * | 2016-12-30 | 2017-06-13 | 北京柏惠维康科技有限公司 | 基于多视野卷积神经网络的影像特征识别方法 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN107358600A (zh) * | 2017-06-14 | 2017-11-17 | 北京全域医疗技术有限公司 | 放疗计划中的自动勾靶方法、装置和电子设备 |
CN107392897A (zh) * | 2017-07-17 | 2017-11-24 | 上海联影医疗科技有限公司 | 器官轮廓获取方法、影像设备、放疗计划系统及存储介质 |
WO2019034070A1 (zh) * | 2017-08-18 | 2019-02-21 | 广州极飞科技有限公司 | 一种植物健康状态监测方法及装置 |
JP2020531014A (ja) * | 2017-08-18 | 2020-11-05 | グアンジョウ エックスエアークラフト テクノロジー カンパニー リミテッド | 植物健康状態の監視方法及び装置 |
RU2726033C1 (ru) * | 2017-08-18 | 2020-07-08 | Гуанчжоу Иксэркрафт Текнолоджи Ко., Лтд. | Способ и устройство для мониторинга состояния здоровья растений |
US11301986B2 (en) | 2017-08-18 | 2022-04-12 | Guangzhou Xaircraft Technology Co., Ltd | Method and apparatus for monitoring plant health state |
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN107808377B (zh) * | 2017-10-31 | 2019-02-12 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位装置 |
CN108038491A (zh) * | 2017-11-16 | 2018-05-15 | 深圳市华尊科技股份有限公司 | 一种图像分类方法及装置 |
CN107909572A (zh) * | 2017-11-17 | 2018-04-13 | 合肥工业大学 | 基于图像增强的肺结节检测方法及系统 |
CN107993228A (zh) * | 2017-12-15 | 2018-05-04 | 中国人民解放军总医院 | 一种基于心血管oct影像的易损斑块自动检测方法和装置 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN108615237B (zh) * | 2018-05-08 | 2021-09-07 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN108742679A (zh) * | 2018-06-29 | 2018-11-06 | 上海联影医疗科技有限公司 | 结节检测装置和方法 |
CN109447960A (zh) * | 2018-10-18 | 2019-03-08 | 神州数码医疗科技股份有限公司 | 一种对象识别方法和装置 |
US11849914B2 (en) | 2018-10-30 | 2023-12-26 | Tencent Technology (Shenzhen) Company Limited | Endoscopic image processing method and system, and computer device |
WO2020088288A1 (zh) * | 2018-10-30 | 2020-05-07 | 腾讯科技(深圳)有限公司 | 内窥镜图像的处理方法、系统及计算机设备 |
CN109523525A (zh) * | 2018-11-07 | 2019-03-26 | 广州大学 | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 |
CN109523525B (zh) * | 2018-11-07 | 2021-04-16 | 广州大学 | 图像融合的恶性肺结节识别方法、装置、设备及存储介质 |
CN110070113A (zh) * | 2019-03-29 | 2019-07-30 | 广州思德医疗科技有限公司 | 一种训练集的训练方法及装置 |
CN110070113B (zh) * | 2019-03-29 | 2021-03-30 | 广州思德医疗科技有限公司 | 一种训练集的训练方法及装置 |
CN110148112A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种采集并标注断层扫描图数据进行数据集建立的方法 |
CN111913871A (zh) * | 2019-05-10 | 2020-11-10 | 中国信息通信研究院 | 一种基于深度学习的肺结节检出软件测试方法 |
CN111369524B (zh) * | 2020-03-02 | 2021-07-27 | 推想医疗科技股份有限公司 | 结节识别模型训练方法、结节识别方法及装置 |
CN111369524A (zh) * | 2020-03-02 | 2020-07-03 | 北京推想科技有限公司 | 结节识别模型训练方法、结节识别方法及装置 |
CN113077427A (zh) * | 2021-03-29 | 2021-07-06 | 北京深睿博联科技有限责任公司 | 一种类别预测模型的生成方法及装置 |
CN113077427B (zh) * | 2021-03-29 | 2023-04-25 | 北京深睿博联科技有限责任公司 | 一种类别预测模型的生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097340A (zh) | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 | |
CN108428229B (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
CN111695522B (zh) | 一种平面内的旋转不变人脸检测方法、装置及存储介质 | |
CN104134071B (zh) | 一种基于颜色描述的可变形部件模型物体检测方法 | |
Cao et al. | A novel attention-guided convolutional network for the detection of abnormal cervical cells in cervical cancer screening | |
CN106780498A (zh) | 基于逐像素点深度卷积网络上皮和基质组织自动分割方法 | |
CN106250895A (zh) | 一种光学遥感图像感兴趣区域检测方法 | |
CN107680678A (zh) | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN108053419A (zh) | 基于背景抑制和前景抗干扰的多尺度目标跟踪方法 | |
CN106056595A (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 | |
CN108805018A (zh) | 道路交通标志检测识别方法、电子设备、存储介质及系统 | |
CN110689000B (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN106845341A (zh) | 一种基于虚拟号牌的无牌车辆识别方法 | |
CN102867195B (zh) | 一种遥感图像多类目标检测和识别方法 | |
CN106127108A (zh) | 一种基于卷积神经网络的人手图像区域检测方法 | |
CN102945374B (zh) | 一种高分辨率遥感图像中民航飞机自动检测方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN105160330A (zh) | 一种车标识别方法及车标识别系统 | |
Jiao et al. | A survey of road feature extraction methods from raster maps | |
CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN103455826B (zh) | 基于快速鲁棒性特征的高效匹配核人体检测方法 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |