CN107507184A - 病灶模型的建立方法、装置及电子设备 - Google Patents
病灶模型的建立方法、装置及电子设备 Download PDFInfo
- Publication number
- CN107507184A CN107507184A CN201710885029.6A CN201710885029A CN107507184A CN 107507184 A CN107507184 A CN 107507184A CN 201710885029 A CN201710885029 A CN 201710885029A CN 107507184 A CN107507184 A CN 107507184A
- Authority
- CN
- China
- Prior art keywords
- images
- obtains
- data
- feature
- image
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种病灶模型的建立方法、装置及电子设备,涉及计算机技术领域。该病灶模型的建立方法包括:获取多张包括标记有病灶部位的CT图像,所述病灶部位包括多种病灶类型对应的部位;获取多张所述CT图像的三维体数据,以及获取多张所述CT图像的病灶部位对应的标记区域;基于预设深度学习方法对所述三维体数据以及所述标记区域进行特征提取,获得多张所述CT图像分别对应的特征;基于预设机器学习方法训练多张所述CT图像对应的特征,获得多张所述CT图像对应的特征对应的分类器,作为包括所述多种病灶类型的病灶模型。该病灶模型的建立方法可以利用CT图像的三维体数据进行病灶模型的建立,使病灶模型的可靠性高。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种病灶模型的建立方法、装置及电子设备。
背景技术
目前对于病灶对应的图像主要采用2D图像的数据进行处理,建立病灶模型。这种方法对乳腺等图像数据较为合适,但是对于CT图像的处理,则可能导致CT图像的三维体数据的信息丢失,使建立的病灶模型可靠性低。
发明内容
有鉴于此,本发明实施例提供了一种病灶模型的建立方法、装置及电子设备,以解决上述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种病灶模型的建立方法,所述方法包括:获取多张包括标记有病灶部位的CT图像,所述病灶部位包括多种病灶类型对应的部位;获取多张所述CT图像的三维体数据,以及获取多张所述CT图像的病灶部位对应的标记区域;基于预设深度学习方法对所述三维体数据以及所述标记区域进行特征提取,获得多张所述CT图像分别对应的特征;基于预设机器学习方法训练多张所述CT图像对应的特征,获得多张所述CT图像对应的特征对应的分类器,作为包括所述多种病灶类型的病灶模型。
一种病灶模型的建立装置,所述装置包括图像获取模块、数据获取模块、特征提取模块以及模型建立模块,其中,所述图像获取模块用于获取多张包括标记有病灶部位的CT图像,所述病灶部位包括多种病灶类型对应的部位;所述数据获取模块用于获取多张所述CT图像的三维体数据,以及获取多张所述CT图像的病灶部位对应的标记区域;所述特征提取模块用于基于预设深度学习方法对所述三维体数据以及所述标记区域进行特征提取,获得多张所述CT图像分别对应的特征;所述模型建立模块用于基于预设机器学习方法训练多张所述CT图像对应的特征,获得多张所述CT图像对应的特征对应的分类器,作为包括所述多种病灶类型的病灶模型。
一种电子设备,所述电子设备包括存储器和处理器,所述存储器耦接到所述处理器,所述存储器存储指令,当所述指令由所述处理器执行时使处理器执行如权利要求1-6任一项所述的方法。
本发明实施例提供的病灶模型的建立方法、装置及电子设备,通过获取多张包括标记有病灶部位的CT图像,病灶部位包括多种病灶类型对应的部位,然后获取多张CT图像的三维体数据,以及获取多张CT图像的病灶部位对应的标记区域,再基于预设深度学习方法对三维体数据以及标记区域进行特征提取,获得多张CT图像分别对应的特征,最后基于预设机器学习方法训练多张CT图像对应的特征,获得多张CT图像对应的特征对应的分类器,作为包括多种病灶类型的病灶模型。从而,实现利用CT图像的三维体数据进行处理,获得病灶模型,使病灶模型的可靠性提高,解决现有技术可能导致CT图像的三维体数据的信息丢失,使建立的病灶模型可靠性低的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
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、完整地描述,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做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。
图1示出了本发明实施例提供的电子设备的方框示意图;
图2示出了本发明实施例提供的病灶模型的建立方法的流程图;
图3示出了本发明实施例提供的病灶模型的建立方法的步骤S120的一种流程图;
图4示出了本发明实施例提供的病灶模型的建立方法的步骤S120的一种流程图;
图5示出了本发明实施例提供的病灶模型的建立装置的模块图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1示出了一种可应用于本发明实施例中的电子设备的结构框图。如图1所示,电子设备100包括存储器102、存储控制器104,一个或多个(图中仅示出一个)处理器106、外设接口108、射频模块110、音频模块112、显示单元114等。这些组件通过一条或多条通讯总线/信号线116相互通讯。
存储器102可用于存储软件程序以及模块,如本发明实施例中的病灶模型的建立方法及装置对应的程序指令/模块,处理器106通过运行存储在存储器102内的软件程序以及模块,从而执行各种功能应用以及数据处理,如本发明实施例提供的病灶模型的建立装置。
存储器102可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。处理器106以及其他可能的组件对存储器102的访问可在存储控制器104的控制下进行。
外设接口108将各种输入/输出装置耦合至处理器106以及存储器102。在一些实施例中,外设接口108,处理器106以及存储控制器104可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
射频模块110用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者其他设备进行通讯。
音频模块112向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元114在电子设备100与用户之间提供一个显示界面。具体地,显示单元114向用户显示视频输出,这些视频输出的内容可包括文字、图形、视频及其任意组合。
可以理解,图1所示的结构仅为示意,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
第一实施例
如图2示出了本发明实施例提供的病灶模型的建立方法的流程图。请参见图2,该方法包括:
步骤S110:获取多张包括标记有病灶部位的CT图像,所述病灶部位包括多种病灶类型对应的部位。
在进行病灶模型建立时,需要获取多种病灶类型对应的CT图像。然后再对CT图像进行处理,以建立病灶模型。
在本发明实施例中,获取的CT图像为临床方式获得的CT影像。CT图像的来源可以是PACS(Picture Archiving and Communication Systems)系统,并且获取的CT图像的数据量应较大,应当包括多种病灶类型对应的CT图像。另外,CT图像可以为平均分布于不同设备、不同地区的数据。
进一步的,然后再将多个CT图像由专家进行诊断后标记出病灶部位。
从而,再将进行标记病灶部位后的多张CT图像输入至执行该病灶模型的建立方法的电子设备。
对应的,电子设备获取到多张标记有病灶部位的CT图像。并且,病灶部位包括有多种病灶类型对应的部位。
可以理解的是,电子设备获取的多张标记有病灶部位的CT图像中,对应有多种不同的病灶类型的CT图像。从而,使CT图像对应的病灶类型包括有多种。
步骤S120:获取多张所述CT图像的三维体数据,以及获取多张所述CT图像的病灶部位对应的标记区域。
在获取到多张标记有病灶部位的CT图像后,由于CT图像对应的是三维体数据,且三维体数据为CT图像的重要特征。再对CT图像进行处理,以获得每张CT图像的三维体数据以及病灶部位对应的标记区域,用作后续的病灶模型的建立。
具体的,请参见图3,所述获得多张所述CT图像的三维体数据,包括:
步骤S121A:基于第一预设函数获取所述CT图像对应的多张断层图像的特性数据,所述特性数据包括断层图像的数量、图像的分辨率以及相邻图像之间间距。
每张CT图像中包括多张断层图像。具体的,每张CT图像可以包括64层断层图像。
首先,利用第一预设函数获取多张断层图像的特性数据。其中,特性数据包括断层图像的数量、图像的分辨率以及相邻图像之间间距。
进一步的,第一预设函数可以是接口函数。当然,第一预设函数在本发明实施例中并不作为限定。
步骤S122A:基于所述特性数据对所述多张断层图像进行插值处理,获得三维体数据
然后,再对多层断层图像进行平滑和降噪处理后,基于特性数据对多种断层图像进行插值处理。
具体的,基于对多种断层图像进行插值处理,可以包括:
首先,对每张图像进行标记,明确每张多层图像的位置。具体可以为,将最下层的断层图像在纵轴Z上的位置定位为Z=0,倒数第二层的断层图像位置定位为Z=1,倒数第三层的断层图像位置定位为Z=2,以此重复,获得所有层的断层图像位置的定位。
然后再相邻两侧的图像之间确定第一层待插值图像的位置,即获得第一层待插值图像分别与相邻两层图像的距离d1以及d2,d1与d2的和作为相邻两层图像之间的距离。再获得待插值点的位置,根据待插值点位置对应的上下层图像中的两个对应点进行层间像素的插值。重复上述步骤,对所有的断层图像进行插值,获得CT图像对应的三维体数据。
具体的,请参见图4,所述获取病灶部位对应的标记区域,包括:
步骤S121B:对所述CT图像进行体表分割,获得三维体表曲面。
具体的,步骤S121B可以是,通过区域增长的方法清除体表外杂质,确定体表大致轮廓,然后将其他轮廓对应位置以外的区域CT值置为零,获得粗分割数据。对粗分割数据的每一条轴位体表二维轮廓进行修补处理,获得三维体表曲面。
步骤S122B:基于所述三维体表曲面获得病灶部位对应的标记区域。
具体的,步骤S122B可以是,获取所述三维体表曲面对应的轴位二维轮廓影像的奇异点;基于所述轴位二维轮廓影像的奇异点进行三维空间聚类分析,获得多个标记点的位置;基于所述多个标记点的位置获得所述三维体表曲面病灶部位对应的标记区域。
步骤S130:基于预设深度学习方法对所述三维体数据以及所述标记区域进行特征提取,获得多张所述CT图像分别对应的特征。
在获取到多张CT图像对应的三维体数据以及标记区域后,再利用预设深度学习方法对每张CT图像的三维体数据以及标记区域进行特征提取,以获得多张CT图像分别对应的特征。
具体的,预设深度学习方法可以为3DCNN卷积神经网络方法。
可以将CT图像的三维体数据以及标记区域输入到3DCNN网络中,经过多层的3D卷积后,获得到每张CT图像对应的特征向量。用深度学习网络的输出作为提取到的高层特征,再与底层纹理特征以及形状特征结合形成增广特征向量,用主成分分析对该增广特征向量进行降维计算,获得最终的特征向量。
重复以上步骤,从而获得所有CT图像对应的特征向量。
步骤S140:基于预设机器学习方法训练多张所述CT图像对应的特征,获得多张所述CT图像对应的特征对应的分类器,作为包括所述多种病灶类型的病灶模型。
在获得所有CT图像对应的特征向量后,再利用预设机器学习方法,训练多张CT图像对应的特征,以获得分类器。
具体的,预设深度学习方法可以为支持向量机方法。将所有的CT图像的特征向量作为输入,放入支持向量机训练分类器。从而,可以获得多张CT图像对应的特征所对应的分类器,即根据多张CT图像的特征所获得的分类器。并且,每个分类对应了不同的病灶类型。另外,可以根据标记区域确定出每个分类的病灶类型。
从而,获得了多张CT图像的特征所获得的分类器,将该分类器作为最终建立的病灶模型。
在本发明实施例中,该病灶模型的建立方法还包括:基于所述病灶模型判断待测CT图像对应的病灶模型。
具体的,可以根据步骤S110-S130,获得待测CT图像的特征,然后根据该病灶模型可以直接判断出该CT图像的特征的分类,获得到该CT图像对应病灶类型。
第二实施例
本发明第二实施例提供了一种病灶模型的建立装置200,请参见图5,该病灶模型的建立装置200包括图像获取模块210、数据获取模块220、特征提取模块230以及模型建立模块240。其中,所述图像获取模块210用于获取多张包括标记有病灶部位的CT图像,所述病灶部位包括多种病灶类型对应的部位;所述数据获取模块220用于获取多张所述CT图像的三维体数据,以及获取多张所述CT图像的病灶部位对应的标记区域;所述特征提取模块230用于基于预设深度学习方法对所述三维体数据以及所述标记区域进行特征提取,获得多张所述CT图像分别对应的特征;所述模型建立模块240用于基于预设机器学习方法训练多张所述CT图像对应的特征,获得多张所述CT图像对应的特征对应的分类器,作为包括所述多种病灶类型的病灶模型。
在本发明实施例中,数据获取模块220可以包括第一数据获取单元以及第二数据获取单元。其中,所述第一数据获取单元用于基于第一预设函数获取所述CT图像对应的多张断层图像的特性数据,所述特性数据包括断层图像的数量、图像的分辨率以及相邻图像之间间距;所述第二数据获取单元用于基于所述特性数据对所述多张断层图像进行插值处理,获得三维体数据。
在本发明实施例中,数据获取模块220还可以包括体表分割单元以及标记获取单元。其中,体表分割单元用于对所述CT图像进行体表分割,获得三维体表曲面;标记获取单元用于基于所述三维体表曲面获得病灶部位对应的标记区域。
进一步的,标记获取单元包括第一标记获取子单元、第二标记获取子单元以及第三标记获取子单元。其中,第一标记获取子单元用于获取所述三维体表曲面对应的轴位二维轮廓影像的奇异点;第二标记获取子单元用于基于所述轴位二维轮廓影像的奇异点进行三维空间聚类分析,获得多个标记点的位置;第三标记获取子单元用于基于所述多个标记点的位置获得所述三维体表曲面病灶部位对应的标记区域。
在本发明实施例中,所述病灶模型的建立装置200还包括病灶判断模块,所述病灶判断模块用于基于所述病灶模型判断待测CT图像对应的病灶类型。
第三实施例
本发明第三实施例提供了一种电子设备100,请参见图1,所述电子设备100包括存储器102和处理器106,所述存储器102耦接到所述处理器106,所述存储器102存储指令,当所述指令由所述处理器106执行时使处理器106执行本发明第一实施例提供的病灶模型的建立方法。
综上所述,本发明实施例提供的病灶模型的建立方法、装置及电子设备,通过获取多张包括标记有病灶部位的CT图像,病灶部位包括多种病灶类型对应的部位,然后获取多张CT图像的三维体数据,以及获取多张CT图像的病灶部位对应的标记区域,再基于预设深度学习方法对三维体数据以及标记区域进行特征提取,获得多张CT图像分别对应的特征,最后基于预设机器学习方法训练多张CT图像对应的特征,获得多张CT图像对应的特征对应的分类器,作为包括多种病灶类型的病灶模型。从而,实现利用CT图像的三维体数据进行处理,获得病灶模型,使病灶模型的可靠性提高,解决现有技术可能导致CT图像的三维体数据的信息丢失,使建立的病灶模型可靠性低的问题。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种病灶模型的建立方法,其特征在于,所述方法包括:
获取多张包括标记有病灶部位的CT图像,所述病灶部位包括多种病灶类型对应的部位;
获取多张所述CT图像的三维体数据,以及获取多张所述CT图像的病灶部位对应的标记区域;
基于预设深度学习方法对所述三维体数据以及所述标记区域进行特征提取,获得多张所述CT图像分别对应的特征;
基于预设机器学习方法训练多张所述CT图像对应的特征,获得多张所述CT图像对应的特征对应的分类器,作为包括所述多种病灶类型的病灶模型。
2.根据权利要求1所述的方法,其特征在于,所述获取多张所述CT图像的三维体数据,包括:
基于第一预设函数获取所述CT图像对应的多张断层图像的特性数据,所述特性数据包括断层图像的数量、图像的分辨率以及相邻图像之间间距;
基于所述特性数据对所述多张断层图像进行插值处理,获得三维体数据。
3.根据权利要求1所述的方法,其特征在于,所述获取病灶部位对应的标记区域,包括:
对所述CT图像进行体表分割,获得三维体表曲面;
基于所述三维体表曲面获得病灶部位对应的标记区域。
4.根据权利要求3所述的方法,其特征在于,所述基于所述三维体表曲面病灶部位对应的标记区域,包括:
获取所述三维体表曲面对应的轴位二维轮廓影像的奇异点;
基于所述轴位二维轮廓影像的奇异点进行三维空间聚类分析,获得多个标记点的位置;
基于所述多个标记点的位置获得所述三维体表曲面病灶部位对应的标记区域。
5.根据权利要求1所述的方法,其特征在于,所述基于预设深度学习方法对所述三维体数据以及所述标记区域进行特征提取,包括:
基于3DCNN方法对每张所述标记有病灶部位的CT图像对应的所述三维体数据以及所述病灶部位对应的标记区域进行特征提取,获得多张所述CT图像分别对应的特征。
6.根据权利要求1所述的方法,其特征在于,所述基于预设机器学习方法训练多张所述CT图像对应的特征之后,所述方法还包括:
基于所述病灶模型判断待测CT图像对应的病灶模型。
7.一种病灶模型的建立装置,其特征在于,所述装置包括图像获取模块、数据获取模块、特征提取模块以及模型建立模块,其中,
所述图像获取模块用于获取多张包括标记有病灶部位的CT图像,所述病灶部位包括多种病灶类型对应的部位;
所述数据获取模块用于获取多张所述CT图像的三维体数据,以及获取多张所述CT图像的病灶部位对应的标记区域;
所述特征提取模块用于基于预设深度学习方法对所述三维体数据以及所述标记区域进行特征提取,获得多张所述CT图像分别对应的特征;
所述模型建立模块用于基于预设机器学习方法训练多张所述CT图像对应的特征,获得多张所述CT图像对应的特征对应的分类器,作为包括所述多种病灶类型的病灶模型。
8.根据权利要求7所述的装置,其特征在于,所述数据获取模块包括第一数据获取单元以及第二数据获取单元,其中,
所述第一数据获取单元用于基于第一预设函数获取所述CT图像对应的多张断层图像的特性数据,所述特性数据包括断层图像的数量、图像的分辨率以及相邻图像之间间距;
所述第二数据获取单元用于基于所述特性数据对所述多张断层图像进行插值处理,获得三维体数据。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括病灶判断模块,所述病灶判断模块用于基于所述病灶模型判断待测CT图像对应的病灶类型。
10.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器耦接到所述处理器,所述存储器存储指令,当所述指令由所述处理器执行时使处理器执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885029.6A CN107507184A (zh) | 2017-09-26 | 2017-09-26 | 病灶模型的建立方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885029.6A CN107507184A (zh) | 2017-09-26 | 2017-09-26 | 病灶模型的建立方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107507184A true CN107507184A (zh) | 2017-12-22 |
Family
ID=60700020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710885029.6A Pending CN107507184A (zh) | 2017-09-26 | 2017-09-26 | 病灶模型的建立方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507184A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510497A (zh) * | 2018-04-10 | 2018-09-07 | 四川和生视界医药技术开发有限公司 | 视网膜图像病灶信息的显示方法及显示装置 |
CN108510446A (zh) * | 2018-04-10 | 2018-09-07 | 四川和生视界医药技术开发有限公司 | 视网膜图像的叠加方法及视网膜图像的叠加装置 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN111653356A (zh) * | 2020-04-20 | 2020-09-11 | 浙江大学 | 一种基于深度学习的新冠肺炎筛查方法及新冠肺炎筛查系统 |
CN111667903A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 医学图像处理方法和装置 |
CN112135048A (zh) * | 2020-09-23 | 2020-12-25 | 创新奇智(西安)科技有限公司 | 一种目标对象的自动对焦方法以及装置 |
CN112288843A (zh) * | 2020-09-10 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 一种病灶的三维构建方法、装置、终端设备及存储介质 |
CN113538298A (zh) * | 2021-09-07 | 2021-10-22 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337096A (zh) * | 2013-07-19 | 2013-10-02 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
US20160292856A1 (en) * | 2015-04-06 | 2016-10-06 | IDx, LLC | Systems and methods for feature detection in retinal images |
CN106127753A (zh) * | 2016-06-20 | 2016-11-16 | 中国科学院深圳先进技术研究院 | 一种外科手术中ct影像体表人工标记自动提取方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
-
2017
- 2017-09-26 CN CN201710885029.6A patent/CN107507184A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337096A (zh) * | 2013-07-19 | 2013-10-02 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
US20160292856A1 (en) * | 2015-04-06 | 2016-10-06 | IDx, LLC | Systems and methods for feature detection in retinal images |
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
CN106127753A (zh) * | 2016-06-20 | 2016-11-16 | 中国科学院深圳先进技术研究院 | 一种外科手术中ct影像体表人工标记自动提取方法 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
Non-Patent Citations (1)
Title |
---|
张国桢等: "《微小肺癌影像诊断与应对策略》", 30 September 2015 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510497A (zh) * | 2018-04-10 | 2018-09-07 | 四川和生视界医药技术开发有限公司 | 视网膜图像病灶信息的显示方法及显示装置 |
CN108510446A (zh) * | 2018-04-10 | 2018-09-07 | 四川和生视界医药技术开发有限公司 | 视网膜图像的叠加方法及视网膜图像的叠加装置 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN111653356A (zh) * | 2020-04-20 | 2020-09-11 | 浙江大学 | 一种基于深度学习的新冠肺炎筛查方法及新冠肺炎筛查系统 |
CN111667903A (zh) * | 2020-04-24 | 2020-09-15 | 杭州深睿博联科技有限公司 | 医学图像处理方法和装置 |
CN112288843A (zh) * | 2020-09-10 | 2021-01-29 | 深圳市智影医疗科技有限公司 | 一种病灶的三维构建方法、装置、终端设备及存储介质 |
CN112288843B (zh) * | 2020-09-10 | 2023-08-01 | 深圳市智影医疗科技有限公司 | 一种病灶的三维构建方法、装置、终端设备及存储介质 |
CN112135048A (zh) * | 2020-09-23 | 2020-12-25 | 创新奇智(西安)科技有限公司 | 一种目标对象的自动对焦方法以及装置 |
CN113538298A (zh) * | 2021-09-07 | 2021-10-22 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
CN113538298B (zh) * | 2021-09-07 | 2024-01-05 | 北京大学深圳医院 | 病灶高清图像重建方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507184A (zh) | 病灶模型的建立方法、装置及电子设备 | |
CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
Hermessi et al. | Convolutional neural network-based multimodal image fusion via similarity learning in the shearlet domain | |
Gao et al. | Classification of CT brain images based on deep learning networks | |
CN111612754B (zh) | 基于多模态图像融合的mri肿瘤优化分割方法及系统 | |
US8175412B2 (en) | Method and apparatus for matching portions of input images | |
CN106683104B (zh) | 基于集成深度卷积神经网络的前列腺磁共振图像分割方法 | |
CN108010021A (zh) | 一种医学图像处理系统和方法 | |
CN110517253B (zh) | 基于3d多目标特征学习的肺结节良恶性分类的方法 | |
CN103337074B (zh) | 一种基于主动轮廓模型分割乳腺dce-mri病灶的方法 | |
CN107993221B (zh) | 心血管光学相干断层oct图像易损斑块自动识别方法 | |
CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
CN107680057A (zh) | 超声图像增强的方法及装置 | |
CN108986115A (zh) | 医学图像分割方法、装置及智能终端 | |
Ma et al. | Efficient deep learning architecture for detection and recognition of thyroid nodules | |
CN110648309B (zh) | 基于条件生成对抗网络合成红细胞图像的方法及相关设备 | |
Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
CN106570482A (zh) | 人体动作识别方法及装置 | |
WO2022088572A1 (zh) | 模型训练方法、图像处理及配准方法、装置、设备、介质 | |
CN104281856A (zh) | 用于脑部医学图像分类的图像预处理方法和系统 | |
CN110458128A (zh) | 一种姿态特征获取方法、装置、设备及存储介质 | |
Niu et al. | Multi‐scale attention‐based convolutional neural network for classification of breast masses in mammograms | |
CN113450359A (zh) | 医学图像分割、显示、模型训练方法、系统、设备和介质 | |
CN111209811A (zh) | 一种实时检测眼球注意力位置的方法及系统 | |
CN116452618A (zh) | 一种三输入脊柱ct图像分割方法 |
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 |
Application publication date: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |