CN107280697A - 基于深度学习和数据融合的肺结节分级判定方法和系统 - Google Patents
基于深度学习和数据融合的肺结节分级判定方法和系统 Download PDFInfo
- Publication number
- CN107280697A CN107280697A CN201710340309.9A CN201710340309A CN107280697A CN 107280697 A CN107280697 A CN 107280697A CN 201710340309 A CN201710340309 A CN 201710340309A CN 107280697 A CN107280697 A CN 107280697A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- neoplasms
- images
- lung neoplasms
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
Abstract
本发明提供了一种基于深度学习和数据融合的肺结节分级判定方法和系统,方法包括:对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像;提取各CT肺结节图像的图像特征,并根据图像特征对各CT肺结节图像进行预分类;对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型;基于诊断模型对CT肺部图像进行CT影像肺结节的分级判定。本发明采用深度学习中的卷积神经网络模型,并结合多源数据整合技术,通过验证与测试得出专门针对CT肺结节进行分级判定的方法,且判定过程全面且可靠,有效提高了判定结果的准确性,进而能够有效地辅助医生进行疾病诊断工作。
Description
技术领域
本发明涉及肺结节分级判定技术领域,具体涉及一种基于深度学习和数据融合的肺结节分级判定方法和系统。
背景技术
CT扫描技术是目前应用最为广泛的肺癌诊断技术。与接受肺部X射线检测的患者相比,接受CT扫描检测的患者死于肺癌的可能性可降低20%。肺癌的早期诊断和早期干预可降低患者的死亡率。如今,CT影像的分析与检测还依赖于医生的肉眼观察和诊断经验。然而在医院的临床应用中,对CT影像的常规分析仍是一个成本高且实现难度大的工作,因为该工作只能由少数经验丰富、训练有素的医生和专家耗费大量的人力物力手动完成,并且人工的手动诊断方法具有较强的主观性,且不可复制,很难在较短时间内培养出一个出色的肺结节诊断医生。尤其对于中国这样一个人口众多、求医需求大的国家,许多偏远地区的医院在CT诊断医生方面尚有巨大缺口,而大城市的CT诊断医生也同样面临任务量大的问题。超负荷的工作量势必会伴随着误诊率的增加,稍有疏忽就会给患者和主治医生带来极为严重的后果。
伴随着计算机及其相关技术的产生和发展,计算机辅助诊断在医学领域的应用一直备受关注。对于细胞层面的计算机辅助诊断,传统的图像处理方法已取得了相当不错的效果,并已在国外医院得到广泛应用,很大程度上减轻了医生专家的工作量。随着计算机技术的普及和机器学习、深度学习等技术的发展,基于深度学习的肺结节预测方法已受到越来越多的关注。对于雾霾严重且污染面广的中国,研究一种基于深度学习和多源数据融合的国人CT肺结节分级判定方法已成为国家和国民的迫切需求。
现有的肺结节判定方法中,一种是通过获取CT影像、肺结节实质分割、气管/主支气管剔除、边缘结节检测、疑似结节检测、特征提取和分类、以及肺结节标定,可以对肺癌早期阶段形成的微小结节进行检测;另一种是根据从肺结节坐标中获取的多尺度肺结节图像块构造对应的各个卷积神经网络,然后从训练好的卷积神经网络中提取肺结节的低维特征,再利用这些低维特征训练非线性分类器,从而预测出未知肺结节图像块的良恶性。
但第一种方法具有很大的局限性且依赖于肺结节的预分割和算法的初始化。目前的很多分割算法均依赖于算法的初始化,如该方法中用到的区域生长算法。算法的初始化不同,最终的分割结果也会有差别,因此,利用这样的分割结果得到的特征通常是不准确的,预测准确度也相对较低;而第二种方法采用了卷积神经网络构造肺结节图像块,但未说明用来进行实验的肺结节图像块的真实性和数量,并且未结合患者的其它就诊信息,无法充分证明其预测方法的准确性、优越性和普遍适用性。并且,该方法仅实现了肺结节的良恶性预测,并未对肺结节的分级判定做进一步研究。
发明内容
针对现有技术中的缺陷,本发明提供一种基于深度学习和数据融合的肺结节分级判定方法和系统,采用深度学习中的卷积神经网络模型,并结合多源数据整合技术,通过验证与测试得出一种专门针对CT肺结节进行分级判定的方法,且其判定过程全面且可靠,有效提高了判定结果的准确性,进而能够有效地辅助医生进行疾病诊断工作。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供了一种基于深度学习和数据融合的肺结节分级判定方法,所述方法包括:
对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像;
提取各所述CT肺结节图像的图像特征,并根据所述图像特征对各所述CT肺结节图像进行预分类;
对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型;
以及,基于所述诊断模型,对所述CT肺部图像进行CT影像肺结节的分级判定。
进一步地,在所述对获取的多个电子计算机断层扫描CT肺部图像进行预处理之前,所述方法还包括:
获取多个患者全面就诊信息;
在所述患者全面就诊信息中采集所述CT肺部图像及对应的综合临床就诊信息;
以及,对所述综合临床就诊信息进行量化处理,得到量化后的所述综合临床就诊数据。
进一步地,所述对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像,包括:
对各所述CT肺部图像进行格式转换,得到格式同一的各CT肺结节序列图像;
以及,对各所述CT肺结节序列图像进行归一化处理,得到预处理后的各CT肺结节图像。
进一步地,所述对各所述CT肺结节序列图像进行归一化处理,得到预处理后的各CT肺结节图像,包括:
对各所述CT肺结节序列图像进行图像标记处理、尺寸重构处理及统一像素处理,得到预处理后的各CT肺结节图像;
其中,所述图像标记处理为对肺结节在肺部的位置进行标记;
所述尺寸重构处理为对肺结节部分进行选取和尺寸放大处理;
所述统一像素处理为将数据集中的图像像素做统一修改。
进一步地,所述提取各所述CT肺结节图像的图像特征,并根据所述图像特征对各所述CT肺结节图像进行预分类,包括:
基于深度学习的方式提取CT肺结节图像的图像特征;
以及,整合各图像特征,根据所述图像特征对各所述CT肺结节图像进行预分类。
进一步地,所述基于深度学习的方式提取CT肺结节图像的图像特征,包括:
基于深度学习方式中的卷积神经网络CNN模型对所述CT肺结节图像中的肺结节形态进行分析;
以及,通过所述CNN模型中的卷积层和池化层的设计以及参数配置,提取能够区分不同肺结节形态的图像特征。
进一步地,所述对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型,包括:
根据多源数据融合技术,基于预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据,采用支持向量机作为分类器,通过反复训练和迭代,获取所述诊断模型。
另一方面,本发明还提供了一种基于深度学习和数据融合的肺结节分级判定系统,所述系统包括:
CT肺部图像预处理及肺结节序列图像归一化处理模块,用于对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像;
基于深度学习的重要图像特征提取模块,用于提取各所述CT肺结节图像的图像特征,并根据所述图像特征对各所述CT肺结节图像进行预分类;
多源数据融合模块,用于对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型;
分级判定模块,用于基于所述诊断模型,对所述CT肺部图像进行CT影像肺结节的分级判定。
进一步地,所述系统还包括:
患者全面就诊信息获取模块,用于获取多个患者全面就诊信息;
CT肺部图像及对应的综合临床就诊信息采集模块,用于在所述患者全面就诊信息中采集所述CT肺部图像及对应的综合临床就诊信息;
综合临床就诊信息量化模块,用于对所述综合临床就诊信息进行量化处理,得到量化后的所述综合临床就诊数据。
进一步地,所述多源数据融合模块包括:
多源数据融合单元,用于根据多源数据融合技术,基于预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据,采用支持向量机作为分类器,通过反复训练和迭代,获取所述诊断模型。
由上述技术方案可知,本发明所述的一种基于深度学习和数据融合的肺结节分级判定方法和系统,方法包括:对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像;提取各CT肺结节图像的图像特征,并根据图像特征对各CT肺结节图像进行预分类;对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型;基于诊断模型对CT肺部图像进行CT影像肺结节的分级判定。本发明采用深度学习中的卷积神经网络模型,并结合多源数据整合技术,通过验证与测试得出专门针对CT肺结节进行分级判定的方法,且判定过程全面且可靠,有效提高了判定结果的准确性,进而能够有效地辅助医生进行疾病诊断工作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于深度学习和数据融合的肺结节分级判定方法的流程示意图;
图2是本发明的肺结节分级判定方法中步骤001至003的流程示意图;
图3是本发明的肺结节分级判定方法中步骤100的流程示意图;
图4是本发明的肺结节分级判定方法中步骤200的流程示意图;
图5是本发明的一种基于深度学习和数据融合的肺结节分级判定系统的一种结构示意图;
图6是本发明的一种基于深度学习和数据融合的肺结节分级判定系统的另一种结构示意图;
图7是肺结节分级判定系统实现肺结节分级判定方法的应用实例的流程示意图;
图8是CT肺部图像示意图;
图9是预处理和归一化处理后的CT肺结节图像示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的实施例一提供了一种基于深度学习和数据融合的肺结节分级判定方法的具体实施方式,参见图1,该肺结节分级判定方法具体包括如下内容:
步骤100:对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像。
在本步骤中,CT肺部图像预处理及肺结节序列图像归一化处理模块在CT肺部图像预处理中,对图像进行格式转换;实验所采集的CT图均为医学图像,需将其转化为统一的图片格式才能进行之后的模型构建。在CT肺结节图像归一化处理中,对预处理后的CT肺结节序列图像进行归一化处理,主要包括图像标记、尺寸重构及统一像素等。
步骤200:提取各所述CT肺结节图像的图像特征,并根据所述图像特征对各所述CT肺结节图像进行预分类。
在本步骤中,在完成CT肺部图像的预处理和肺结节序列图像的归一化处理后,模仿医生的诊断思路,基于深度学习的重要图像特征提取模块对不同的肺结节形态,采用基于深度学习中卷积神经网络模型对CT肺结节部分进行分析,通过卷积层和池化层的设计以及相应参数的配置,提取能够区分不同肺结节形态的图像特征,整合这些特征后,可对这些CT肺结节图像进行预分类。
步骤300:对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型;
在本步骤中,多源数据融合模块采取多种特征标准化后再进行融合和预处理的方法,对最终诊断结果有影响的特征进行筛选,选取SVM作为分类器,构建计算机辅助诊断模型。
步骤400:基于所述诊断模型,对所述CT肺部图像进行CT影像肺结节的分级判定。
在本步骤中,综合考虑和分析从CT肺结节图像中提取的重要图像特征和对其他临床就诊信息进行量化后的参数,依据多源数据融合技术进行国人CT肺结节的分级判定。
从上述描述可知,本发明的实施例提供了一种基于深度学习和多源数据融合的CT肺结节分级判定方法;其采用深度学习中的卷积神经网络模型,并结合多源数据整合技术,通过验证与测试得出一种专门针对国人CT肺结节进行分级判定的方法;本方法的图像样本是取自国内各大医院的真实肺结节CT影像,利用卷积神经网络模型训练多张肺结节CT图像,并经过验证与测试后,证明此方法在国人肺结节的分级诊断方面具有很高的诊断准确度,可有效地辅助医生进行疾病诊断工作。
本发明的实施例二提供了上述肺结节分级判定方法中步骤100之前的步骤001至步骤003的一种具体实施方式,参见图2,所述步骤001至步骤003具体包括如下内容:
步骤001:获取多个患者全面就诊信息。
步骤002:在所述患者全面就诊信息中采集所述CT肺部图像及对应的综合临床就诊信息。
步骤003:对所述综合临床就诊信息进行量化处理,得到量化后的所述综合临床就诊数据。
从上述描述可知,本发明的实施例所用的CT肺部图像是来自国内各大医院的真实CT影像,为提供了肺结节分级判定提供了准确和完整的数据基础。
本发明的实施例三提供了上述肺结节分级判定方法中步骤100的一种具体实施方式,参见图3,所述步骤100具体包括如下内容:
步骤101:对各所述CT肺部图像进行格式转换,得到格式同一的各CT肺结节序列图像。
以及,对各所述CT肺结节序列图像进行归一化处理,得到预处理后的各CT肺结节图像,具体包括:
步骤102:对各所述CT肺结节序列图像进行图像标记处理、尺寸重构处理及统一像素处理,得到预处理后的各CT肺结节图像。
在步骤102中,所述图像标记处理为对肺结节在肺部的位置进行标记;所述尺寸重构处理为对肺结节部分进行选取和尺寸放大处理;所述统一像素处理为将数据集中的图像像素做统一修改。
从上述描述可知,本发明的实施例能够对获取的多个电子计算机断层扫描CT肺部图像进行准确的预处理,进而得到预处理后的各CT肺结节图像。
本发明的实施例四提供了上述肺结节分级判定方法中步骤200的一种具体实施方式,参见图4,所述步骤200具体包括如下内容:
基于深度学习的方式提取CT肺结节图像的图像特征,具体包括:
步骤201:基于深度学习方式中的卷积神经网络CNN模型对所述CT肺结节图像中的肺结节形态进行分析。
步骤202:通过所述CNN模型中的卷积层和池化层的设计以及参数配置,提取能够区分不同肺结节形态的图像特征。
以及,步骤203:整合各图像特征,根据所述图像特征对各所述CT肺结节图像进行预分类。
从上述描述可知,本发明的实施例能够模仿医生的诊断思路,对不同的肺结节形态,采用基于深度学习中卷积神经网络模型对CT肺结节部分进行分析,其判定过程全面且可靠,有效提高了判定结果的准确性。
本发明的实施例五提供了上述肺结节分级判定方法中步骤300的一种具体实施方式,所述步骤300具体包括如下内容:
根据多源数据融合技术,基于预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据,采用支持向量机作为分类器,通过反复训练和迭代,获取所述诊断模型。
从上述描述可知,本发明的实施例综合考虑和分析从CT肺结节图像中提取的重要图像特征和对其他临床就诊信息进行量化后的参数,依据多源数据融合技术进行CT肺结节的分级判定;有效提高了判定结果的准确性,进而能够有效地辅助医生进行疾病诊断工作。
本发明的实施例六提供了能够实现上述肺结节分级判定方法的一种基于深度学习和数据融合的肺结节分级判定系统的一种具体实施方式,参见图5,所述肺结节分级判定系统具体包括如下内容:
CT肺部图像预处理及肺结节序列图像归一化处理模块10,用于对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像。
基于深度学习的重要图像特征提取模块20,用于提取各所述CT肺结节图像的图像特征,并根据所述图像特征对各所述CT肺结节图像进行预分类。
多源数据融合模块30,用于对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型。
分级判定模块40,用于基于所述诊断模型,对所述CT肺部图像进行CT影像肺结节的分级判定。
从上述描述可知,本发明的实施例提供了一种基于深度学习和多源数据融合的CT肺结节分级判定系统;其采用深度学习中的卷积神经网络模型,并结合多源数据整合技术,通过验证与测试得出一种专门针对国人CT肺结节进行分级判定的系统;本系统的图像样本是取自国内各大医院的真实肺结节CT影像,利用卷积神经网络模型训练多张肺结节CT图像,并经过验证与测试后,证明此系统在国人肺结节的分级诊断方面具有很高的诊断准确度,可有效地辅助医生进行疾病诊断工作。
本发明的实施例七提供了上述肺结节分级判定系统的一种具体实施方式,参见图6,所述肺结节分级判定系统还具体包括如下内容:
患者全面就诊信息获取模块01,用于获取多个患者全面就诊信息。
CT肺部图像及对应的综合临床就诊信息采集模块02,用于在所述患者全面就诊信息中采集所述CT肺部图像及对应的综合临床就诊信息。
综合临床就诊信息量化模块03,用于对所述综合临床就诊信息进行量化处理,得到量化后的所述综合临床就诊数据。
从上述描述可知,本发明的实施例所用的CT肺部图像是来自国内各大医院的真实CT影像,为提供了肺结节分级判定提供了准确和完整的数据基础。
本发明的实施例八提供了上述肺结节分级判定系统中的多源数据融合模块30的一种具体实施方式,所述多源数据融合模块30具体包括如下内容:
多源数据融合单元,用于根据多源数据融合技术,基于预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据,采用支持向量机作为分类器,通过反复训练和迭代,获取所述诊断模型。
从上述描述可知,本发明的实施例综合考虑和分析从CT肺结节图像中提取的重要图像特征和对其他临床就诊信息进行量化后的参数,依据多源数据融合技术进行CT肺结节的分级判定;有效提高了判定结果的准确性,进而能够有效地辅助医生进行疾病诊断工作。
为进一步的说明本方案,本发明还提供了一种基于深度学习和数据融合的肺结节分级判定系统实现肺结节分级判定方法的应用实例,参见图7,具体包括如下内容:
本应用实例中所用的CT肺部图像是来自国内各大医院的真实CT影像,图像总数为5454张。其中,良性肺结节CT图像和恶性肺结节CT图像的比例为1:1。构造模型的过程中,图像数据集按照8:1:1的比例分为训练集,验证集和测试集,并使得这三个子数据集中良恶性肺结节图片数的比例维持在1:1,以此保证分级判定结果的准确性以及对国人的普遍适用性。
(1)CT肺部图像预处理及肺结节序列图像归一化处理模块:
此模块主要包括两个处理过程:CT肺部图像预处理和CT肺结节序列图像归一化处理。在CT肺部图像预处理中,对图像进行格式转换。实验所采集的CT图均为医学图像,通常格式为DICOM,需将其转化为JPG图片格式才能进行之后的模型构建。在CT肺结节图像归一化处理中,对预处理后的CT肺结节序列图像进行归一化处理,主要包括图像标记、尺寸重构及统一像素等。图像标记是指把肺结节在肺部的位置标记出来,参见图8,尺寸重构是指对肺结节部分进行选取和尺寸放大处理,参见图9,统一像素是指将数据集中的图像像素统一修改为256*256,便于进行后续的模型构建工作。
(2)基于深度学习的重要图像特征提取模块:
完成CT肺部图像的预处理和肺结节序列图像的归一化处理后,模仿医生的诊断思路,对不同的肺结节形态,采用基于深度学习中卷积神经网络模型对CT肺结节部分进行分析,通过卷积层和池化层的设计以及相应参数的配置,提取能够区分不同肺结节形态的图像特征,整合这些特征后,可对这些CT肺结节图像进行预分类。
(3)其它临床就诊信息量化模块:
一般医生对患者进行疾病诊断时,除了参考肺部CT影像,还要综合其他临床就诊信息,如患者的临床表现、其他科室诊断信息等文本描述性信息或图像信息。因此将其他临床就诊的文本信息进行量化,融合到最终的诊断模型中,是一项必不可少的工作。一般量化的方法包括文本分类方法、word2vector、标准化方法等。
(4)多源数据融合模块:
综合考虑和分析从CT肺结节图像中提取的重要图像特征和对其他临床就诊信息进行量化后的参数,依据多源数据融合技术进行国人CT肺结节的分级判定。在多源信息融合的过程中,采取多种特征标准化后再进行融合和预处理的方法,对最终诊断结果有影响的特征进行筛选,选取SVM作为分类器,构建计算机辅助诊断模型,对国人CT肺结节的进行分级判定。
在本应用例中,CT肺部图像预处理及肺结节序列图像归一化处理:本应用实例模仿医生的诊断思路,对CT肺部图像和肺结节图像进行以下预处理和归一化处理:一是从DICOM的格式到JPG格式的图像格式转换;二是进行图像标记、尺寸重构及统一像素的归一化处理。深度卷积神经网络模型:在CT肺结节的重要特征提取过程中,根据实际要解决的问题,选择深度卷积神经网络模型或区域卷积神经网络模型,并对深度卷积神经网络模型的卷积、池化层数及相应参数进行合理设置,还需要防范模型由于过于复杂而带来的过拟合问题。算法设计优化:为了最大程度地模拟医生的诊断思路,从算法设计的角度优化深度学习模型,采用深度学习中的卷积网络模型结合多源数据融合技术的方法优化最终模型的算法,同时在提高运算速度方面采用多线程并行计算的方法。针对国人CT肺结节的有效判定方法:本应用实例所用的CT肺部节图像采自国内各大医院的真实患者信息,是针对国人CT肺结节的行之有效的分级判定方法,具有95%以上的诊断准确度,能够有效地辅助医生进行肺结节的诊断工作。
从上述描述可知,本发明的应用实例针对医学的CT肺部图像的预处理方法和CT肺结节图像的归一化处理方法解决了肺部图像的读取问题和肺结节图像的尺寸重构问题,并且基于深度学习模型研发了针对肺结节部分的自动识别和分类功能;将功能强大的深度学习模型应用到复杂的CT肺结节分级判定的研发中,并且是针对国人CT肺结节做出的成果,是具有先创性的研究;采用多源信息融合技术,将CT肺结节图像特征和其他临床诊断特征相结合,设计了较为完善的国人CT肺结节分级判定方法。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习和数据融合的肺结节分级判定方法,其特征在于,所述方法包括:
对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像;
提取各所述CT肺结节图像的图像特征,并根据所述图像特征对各所述CT肺结节图像进行预分类;
对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型;
以及,基于所述诊断模型,对所述CT肺部图像进行CT影像肺结节的分级判定。
2.根据权利要求1所述的方法,其特征在于,在所述对获取的多个电子计算机断层扫描CT肺部图像进行预处理之前,所述方法还包括:
获取多个患者全面就诊信息;
在所述患者全面就诊信息中采集所述CT肺部图像及对应的综合临床就诊信息;
以及,对所述综合临床就诊信息进行量化处理,得到量化后的所述综合临床就诊数据。
3.根据权利要求1所述的方法,其特征在于,所述对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像,包括:
对各所述CT肺部图像进行格式转换,得到格式同一的各CT肺结节序列图像;
以及,对各所述CT肺结节序列图像进行归一化处理,得到预处理后的各CT肺结节图像。
4.根据权利要求3所述的方法,其特征在于,所述对各所述CT肺结节序列图像进行归一化处理,得到预处理后的各CT肺结节图像,包括:
对各所述CT肺结节序列图像进行图像标记处理、尺寸重构处理及统一像素处理,得到预处理后的各CT肺结节图像;
其中,所述图像标记处理为对肺结节在肺部的位置进行标记;
所述尺寸重构处理为对肺结节部分进行选取和尺寸放大处理;
所述统一像素处理为将数据集中的图像像素做统一修改。
5.根据权利要求1所述的方法,其特征在于,所述提取各所述CT肺结节图像的图像特征,并根据所述图像特征对各所述CT肺结节图像进行预分类,包括:
基于深度学习的方式提取CT肺结节图像的图像特征;
以及,整合各图像特征,根据所述图像特征对各所述CT肺结节图像进行预分类。
6.根据权利要求5所述的方法,其特征在于,所述基于深度学习的方式提取CT肺结节图像的图像特征,包括:
基于深度学习方式中的卷积神经网络CNN模型对所述CT肺结节图像中的肺结节形态进行分析;
以及,通过所述CNN模型中的卷积层和池化层的设计以及参数配置,提取能够区分不同肺结节形态的图像特征。
7.根据权利要求1所述的方法,其特征在于,所述对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型,包括:
根据多源数据融合技术,基于预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据,采用支持向量机作为分类器,通过反复训练和迭代,获取所述诊断模型。
8.一种基于深度学习和数据融合的肺结节分级判定系统,其特征在于,所述系统包括:
CT肺部图像预处理及肺结节序列图像归一化处理模块,用于对获取的多个电子计算机断层扫描CT肺部图像进行预处理,得到预处理后的各CT肺结节图像;
基于深度学习的重要图像特征提取模块,用于提取各所述CT肺结节图像的图像特征,并根据所述图像特征对各所述CT肺结节图像进行预分类;
多源数据融合模块,用于对预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据进行反复训练和迭代,得到诊断模型;
分级判定模块,用于基于所述诊断模型,对所述CT肺部图像进行CT影像肺结节的分级判定。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括:
患者全面就诊信息获取模块,用于获取多个患者全面就诊信息;
CT肺部图像及对应的综合临床就诊信息采集模块,用于在所述患者全面就诊信息中采集所述CT肺部图像及对应的综合临床就诊信息;
综合临床就诊信息量化模块,用于对所述综合临床就诊信息进行量化处理,得到量化后的所述综合临床就诊数据。
10.根据权利要求8所述的系统,其特征在于,所述多源数据融合模块包括:
多源数据融合单元,用于根据多源数据融合技术,基于预分类后的各CT肺结节图像的图像特征和对应的综合临床就诊数据,采用支持向量机作为分类器,通过反复训练和迭代,获取所述诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710340309.9A CN107280697A (zh) | 2017-05-15 | 2017-05-15 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710340309.9A CN107280697A (zh) | 2017-05-15 | 2017-05-15 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107280697A true CN107280697A (zh) | 2017-10-24 |
Family
ID=60094585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710340309.9A Pending CN107280697A (zh) | 2017-05-15 | 2017-05-15 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107280697A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470337A (zh) * | 2018-04-02 | 2018-08-31 | 江门市中心医院 | 一种基于图像深度特征的亚实性肺结节定量分析方法及系统 |
CN108899087A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于深度学习的x光片智能诊断方法 |
CN109035234A (zh) * | 2018-07-25 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 一种结节检测方法、装置和存储介质 |
CN109147940A (zh) * | 2018-07-05 | 2019-01-04 | 北京昆仑医云科技有限公司 | 从患者的医学图像自动预测生理状况的装置和系统 |
CN109255367A (zh) * | 2018-08-03 | 2019-01-22 | 平安科技(深圳)有限公司 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
CN109411080A (zh) * | 2018-09-18 | 2019-03-01 | 北京大学 | 一种基于超声数据的人机协同结节风险评级系统 |
CN109508680A (zh) * | 2018-11-19 | 2019-03-22 | 东北大学 | 一种基于膜计算的病理学显微图像分类方法 |
CN109686444A (zh) * | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的系统和方法 |
CN109817332A (zh) * | 2019-02-28 | 2019-05-28 | 南京信息工程大学 | 基于ct放射组学的胰腺神经内分泌肿瘤的分级方法 |
CN109994199A (zh) * | 2017-11-24 | 2019-07-09 | 西门子医疗保健有限责任公司 | 基于计算机的诊断系统 |
CN110399799A (zh) * | 2019-06-26 | 2019-11-01 | 北京迈格威科技有限公司 | 图像识别和神经网络模型的训练方法、装置和系统 |
CN110516688A (zh) * | 2019-08-30 | 2019-11-29 | 北京推想科技有限公司 | 肺结节属性特征信息的提取方法及系统 |
CN110717518A (zh) * | 2019-09-10 | 2020-01-21 | 北京深睿博联科技有限责任公司 | 基于3d卷积神经网络的持续性肺结节识别方法及装置 |
CN111209916A (zh) * | 2019-12-31 | 2020-05-29 | 中国科学技术大学 | 病灶识别方法及系统、识别设备 |
CN111265234A (zh) * | 2020-03-05 | 2020-06-12 | 上海市肺科医院(上海市职业病防治院) | 一种肺部纵膈淋巴结的性质判定方法及系统 |
CN111507964A (zh) * | 2020-04-17 | 2020-08-07 | 中山仰视科技有限公司 | 新冠肺炎的集成学习定级方法、电子设备及存储介质 |
CN111681219A (zh) * | 2020-06-03 | 2020-09-18 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎ct图像分类方法、系统及设备 |
CN111768367A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 数据处理方法、装置和存储介质 |
CN111863230A (zh) * | 2020-06-22 | 2020-10-30 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断系统 |
CN112259199A (zh) * | 2020-10-29 | 2021-01-22 | 西交利物浦大学 | 医疗图像分类模型的训练方法、系统、存储介质及医疗图像处理装置 |
CN112365962A (zh) * | 2020-11-17 | 2021-02-12 | 中南大学湘雅二医院 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
CN112381766A (zh) * | 2020-10-26 | 2021-02-19 | 华南理工大学 | 一种基于小样本学习的肺部ct影像特征检测系统 |
CN113449777A (zh) * | 2021-06-08 | 2021-09-28 | 上海深至信息科技有限公司 | 一种甲状腺结节自动分级方法和系统 |
CN113724200A (zh) * | 2021-08-02 | 2021-11-30 | 武汉大学 | 一种基于异构数据的肺结节演化预测方法、装置及设备 |
US11341631B2 (en) | 2017-08-09 | 2022-05-24 | Shenzhen Keya Medical Technology Corporation | System and method for automatically detecting a physiological condition from a medical image of a patient |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN206139527U (zh) * | 2016-09-14 | 2017-05-03 | 郑州轻工业学院 | 全景视觉马铃薯分选和缺陷检测装置 |
CN106650817A (zh) * | 2016-12-29 | 2017-05-10 | 中国科学院福建物质结构研究所 | 一种基于深度学习的多模式数据融合方法 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
-
2017
- 2017-05-15 CN CN201710340309.9A patent/CN107280697A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN206139527U (zh) * | 2016-09-14 | 2017-05-03 | 郑州轻工业学院 | 全景视觉马铃薯分选和缺陷检测装置 |
CN106650817A (zh) * | 2016-12-29 | 2017-05-10 | 中国科学院福建物质结构研究所 | 一种基于深度学习的多模式数据融合方法 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
Non-Patent Citations (4)
Title |
---|
四季平安ZX: "肺结节Lung-RADS分级解读与CT图像对照", 《360DOC个人图书馆》 * |
施维等: "机器学习在肿瘤早期诊断与预后预测中的应用", 《医学信息学杂志》 * |
赵旻昊: "基于深度学习的数据融合在FPSO监测预警系统上的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
邱立达等: "基于深度学习的无线传感器网络数据融合", 《计算机应用研究》 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11341631B2 (en) | 2017-08-09 | 2022-05-24 | Shenzhen Keya Medical Technology Corporation | System and method for automatically detecting a physiological condition from a medical image of a patient |
CN109994199B (zh) * | 2017-11-24 | 2024-02-06 | 西门子医疗保健有限责任公司 | 基于计算机的诊断系统 |
CN109994199A (zh) * | 2017-11-24 | 2019-07-09 | 西门子医疗保健有限责任公司 | 基于计算机的诊断系统 |
CN108470337A (zh) * | 2018-04-02 | 2018-08-31 | 江门市中心医院 | 一种基于图像深度特征的亚实性肺结节定量分析方法及系统 |
CN108899087A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于深度学习的x光片智能诊断方法 |
CN109147940A (zh) * | 2018-07-05 | 2019-01-04 | 北京昆仑医云科技有限公司 | 从患者的医学图像自动预测生理状况的装置和系统 |
CN109308495A (zh) * | 2018-07-05 | 2019-02-05 | 北京昆仑医云科技有限公司 | 从患者的医学图像自动预测生理状况的装置和系统 |
CN109308495B (zh) * | 2018-07-05 | 2021-07-02 | 科亚医疗科技股份有限公司 | 从患者的医学图像自动预测生理状况的装置和系统 |
CN109035234B (zh) * | 2018-07-25 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 一种结节检测方法、装置和存储介质 |
CN109035234A (zh) * | 2018-07-25 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 一种结节检测方法、装置和存储介质 |
CN109255367A (zh) * | 2018-08-03 | 2019-01-22 | 平安科技(深圳)有限公司 | 一种皮肤病疗效判断方法、装置、计算机设备及存储介质 |
CN109411080A (zh) * | 2018-09-18 | 2019-03-01 | 北京大学 | 一种基于超声数据的人机协同结节风险评级系统 |
CN109411080B (zh) * | 2018-09-18 | 2022-05-20 | 北京大学 | 一种基于超声数据的人机协同结节风险评级系统 |
CN109508680A (zh) * | 2018-11-19 | 2019-03-22 | 东北大学 | 一种基于膜计算的病理学显微图像分类方法 |
US11145405B2 (en) | 2018-12-27 | 2021-10-12 | Shanghai United Imaging Intelligence Co., Ltd. | Methods and devices for grading a medical image |
US11742073B2 (en) | 2018-12-27 | 2023-08-29 | Shanghai United Imaging Intelligence Co., Ltd. | Methods and devices for grading a medical image |
WO2020134386A1 (en) * | 2018-12-27 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Methods and devices for grading a medical image |
CN109686444A (zh) * | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的系统和方法 |
CN109817332A (zh) * | 2019-02-28 | 2019-05-28 | 南京信息工程大学 | 基于ct放射组学的胰腺神经内分泌肿瘤的分级方法 |
CN110399799B (zh) * | 2019-06-26 | 2022-07-26 | 北京迈格威科技有限公司 | 图像识别和神经网络模型的训练方法、装置和系统 |
CN110399799A (zh) * | 2019-06-26 | 2019-11-01 | 北京迈格威科技有限公司 | 图像识别和神经网络模型的训练方法、装置和系统 |
CN110516688A (zh) * | 2019-08-30 | 2019-11-29 | 北京推想科技有限公司 | 肺结节属性特征信息的提取方法及系统 |
CN110717518A (zh) * | 2019-09-10 | 2020-01-21 | 北京深睿博联科技有限责任公司 | 基于3d卷积神经网络的持续性肺结节识别方法及装置 |
CN111209916A (zh) * | 2019-12-31 | 2020-05-29 | 中国科学技术大学 | 病灶识别方法及系统、识别设备 |
CN111209916B (zh) * | 2019-12-31 | 2024-01-23 | 中国科学技术大学 | 病灶识别方法及系统、识别设备 |
CN111265234A (zh) * | 2020-03-05 | 2020-06-12 | 上海市肺科医院(上海市职业病防治院) | 一种肺部纵膈淋巴结的性质判定方法及系统 |
CN111507964A (zh) * | 2020-04-17 | 2020-08-07 | 中山仰视科技有限公司 | 新冠肺炎的集成学习定级方法、电子设备及存储介质 |
CN111507964B (zh) * | 2020-04-17 | 2021-03-19 | 中山仰视科技有限公司 | 新冠肺炎的集成学习定级方法、电子设备及存储介质 |
CN111768367A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 数据处理方法、装置和存储介质 |
CN111768367B (zh) * | 2020-05-20 | 2024-03-29 | 深圳迈瑞生物医疗电子股份有限公司 | 数据处理方法、装置和存储介质 |
CN111681219B (zh) * | 2020-06-03 | 2024-02-27 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠病毒感染ct图像分类方法、系统及设备 |
CN111681219A (zh) * | 2020-06-03 | 2020-09-18 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎ct图像分类方法、系统及设备 |
CN111863230B (zh) * | 2020-06-22 | 2024-01-02 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
CN111863230A (zh) * | 2020-06-22 | 2020-10-30 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
CN112259221A (zh) * | 2020-10-21 | 2021-01-22 | 北京大学第一医院 | 基于多种机器学习算法的肺癌诊断系统 |
CN112381766B (zh) * | 2020-10-26 | 2023-08-22 | 华南理工大学 | 一种基于小样本学习的肺部ct影像特征检测系统 |
CN112381766A (zh) * | 2020-10-26 | 2021-02-19 | 华南理工大学 | 一种基于小样本学习的肺部ct影像特征检测系统 |
CN112259199A (zh) * | 2020-10-29 | 2021-01-22 | 西交利物浦大学 | 医疗图像分类模型的训练方法、系统、存储介质及医疗图像处理装置 |
CN112365962B (zh) * | 2020-11-17 | 2023-08-18 | 中南大学湘雅二医院 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
CN112365962A (zh) * | 2020-11-17 | 2021-02-12 | 中南大学湘雅二医院 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
CN113449777A (zh) * | 2021-06-08 | 2021-09-28 | 上海深至信息科技有限公司 | 一种甲状腺结节自动分级方法和系统 |
CN113724200A (zh) * | 2021-08-02 | 2021-11-30 | 武汉大学 | 一种基于异构数据的肺结节演化预测方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107280697A (zh) | 基于深度学习和数据融合的肺结节分级判定方法和系统 | |
CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
CN111223553B (zh) | 一种两阶段深度迁移学习中医舌诊模型 | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
Cao et al. | A novel attention-guided convolutional network for the detection of abnormal cervical cells in cervical cancer screening | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
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 | |
CN107368670A (zh) | 基于大数据深度学习的胃癌病理诊断支持系统和方法 | |
CN108446730A (zh) | 一种基于深度学习的ct肺结节检测方法 | |
CN110490892A (zh) | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 | |
CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
Deng et al. | Classification of breast density categories based on SE-Attention neural networks | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
CN105913086A (zh) | 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法 | |
CN110097974A (zh) | 一种基于深度学习算法的鼻咽癌远端转移预测系统 | |
CN112884724B (zh) | 一种用于肺癌组织病理分型的智能判断方法及系统 | |
CN110335668A (zh) | 基于深度学习的甲状腺癌细胞病理图辅助分析方法及系统 | |
CN111476754B (zh) | 一种骨髓细胞影像人工智能辅助分级诊断系统及方法 | |
CN109671062A (zh) | 超声图像检测方法、装置、电子设备及可读存储介质 | |
Zhang et al. | Automatic detection of invasive ductal carcinoma based on the fusion of multi-scale residual convolutional neural network and SVM | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
CN112085113A (zh) | 一种重症肿瘤影像识别系统及方法 | |
CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及系统 | |
Li et al. | Ct scan synthesis for promoting computer-aided diagnosis capacity of covid-19 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20171024 |