CN107644225A - 肺部病灶识别方法、装置和实现装置 - Google Patents

Abstract

本发明提供了一种肺部病灶识别方法、装置和实现装置；其中，该方法包括：获取肺部的CT图像；将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。本发明通过不同神经网络的识别模型识别不同尺寸的病灶区域，在保证运算速率的同时，可以更加全面地识别CT图像中的大小病灶区域。

Description

肺部病灶识别方法、装置和实现装置

技术领域

本发明涉及医学影像技术领域，尤其是涉及一种肺部病灶识别方法、装置和实现装置。

背景技术

肺癌作为全球第一大癌症，发病率逐年提升。肺癌的生存率与首次确诊时所处的病程阶段高度相关，因此肺癌影像学诊断是发现早期肺癌的重要手段，但受限于设备、经验、人眼客观识别能力，外加超负荷工作的影响，医生难免会出现漏诊和误诊；将大数据驱动的人工智能应用于早期肺癌影像诊断中，通过机器辅助医生，提高诊疗效率，可以缓解医生的超负荷工作状态，降低漏诊及误诊，提升医生诊疗质量，进而挽救更多患者的生命。

肺部病灶大多通过CT图像识别；现有的CT图像识别方式，通过图像检测、机器学习等手段可以识别出尺寸较大、特征明显的病灶区域，对于尺寸较小或特征不明显的病灶识别难度较大，依然难以有效解决漏诊的问题。

针对上述现有的肺部病灶识别方式识别不全面，容易发生遗漏的问题，尚未提出有效的解决方案。

发明内容

有鉴于此，本发明的目的在于提供一种肺部病灶识别方法、装置和实现装置，以更加全面地识别CT图像中的大小病灶区域。

第一方面，本发明实施例提供了一种肺部病灶识别方法，该方法包括：获取肺部的CT图像；将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述获取肺部的CT图像的步骤，包括：采集肺部的初始CT图像；对初始CT图像进行预处理，生成与第一识别模型和第二识别模型相匹配的CT图像；预处理至少包括滤波处理和删除患者信息处理。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述第一识别模型通过Faster RCNN神经网络训练而成；第二识别模型通过U-net神经网络训练而成。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述第一识别模型或第二识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中病灶的位置、病灶的特征和病灶的诊断结果；建立神经网络的网络结构，设置网络结构对应的训练参数；其中，第一识别模型对应的训练参数至少包括第一阈值；第二识别模型对应的训练参数至少包括第二阈值；将CT图像和对应的标注信息输入至网络结构中进行训练，生成第一识别模型或第二识别模型。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果的步骤，包括：查找第一识别结果和第二识别结果中，相互重复的病灶区域；删除第一识别结果或第二识别结果中重复的病灶区域；将第一识别结果和第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。

第二方面，本发明实施例提供了一种肺部病灶识别装置，该装置包括：图像获取模块，用于获取肺部的CT图像；图像输入模块，用于将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；结果确定模块，用于根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，上述第一识别模型通过Faster RCNN神经网络训练而成；第二识别模型通过U-net神经网络训练而成。

结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，上述第一识别模型或第二识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中病灶的位置、病灶的特征和病灶的诊断结果；建立神经网络的网络结构，设置网络结构对应的训练参数；其中，第一识别模型对应的训练参数至少包括第一阈值；第二识别模型对应的训练参数至少包括第二阈值；将CT图像和对应的标注信息输入至网络结构中进行训练，生成第一识别模型或第二识别模型。

结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，其中，上述结果确定模块，还用于：查找第一识别结果和第二识别结果中，相互重复的病灶区域；删除第一识别结果或第二识别结果中重复的病灶区域；将第一识别结果和第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。

第三方面，本发明实施例提供了一种肺部病灶识别的实现装置，包括处理器和机器可读存储介质，机器可读存储介质存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述肺部病灶识别方法。

本发明实施例带来了以下有益效果：

本发明实施例提供的一种肺部病灶识别方法、装置和实现装置，第一识别模型和第二识别模型均通过神经网络训练而成，第一识别模型用于识别尺寸大于第一阈值的病灶区域，第二识别模型用于识别尺寸小于第二阈值的病灶区域；将获取到的肺部的CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果，进而确定最终的肺部病灶识别结果。该方式中，通过不同神经网络的识别模型识别不同尺寸的病灶区域，在保证运算速率的同时，可以更加全面地识别CT图像中的大小病灶区域。

本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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为本发明实施例提供的一种肺部病灶识别方法的流程图；

图2为本发明实施例提供的另一种肺部病灶识别方法的流程图；

图3为本发明实施例提供的一种肺部病灶识别装置的结构示意图；

图4为本发明实施例提供的一种肺部病灶识别的实现装置的结构示意图。

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，下面将结合附图对本发明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。

考虑到现有的肺部病灶识别方式识别不全面，容易发生遗漏的问题，本发明实施例提供了一种肺部病灶识别方法、装置和实现装置；该技术可以应用于肺癌、肺气肿等肺部病变的诊断过程中；尤其可以应用于通过CT(Computed Tomography，电子计算机断层扫描)图像或三维CT图像自动识别肺部结节、异常点或其他类型的病变区域的过程中；该技术可以采用相关的软件或硬件实现，下面通过实施例进行描述。

参见图1所示的一种肺部病灶识别方法的流程图；该方法包括如下步骤：

步骤S102，获取肺部的CT图像；

步骤S104，将该CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，该第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；该第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；

步骤S106，根据上述第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。

在识别模型的训练阶段，可以采集多名患者的CT图像对上述第一识别模型和第二识别模型进行训练；CT图像对应的标注信息(该标注信息可以包括病灶位置、病灶特征以及诊断结果等)可以作为神经网络的训练标准。通常，CT图像的数量越多，识别模型的训练结果越准确；该CT图像中，还可以包括部分“负样本”，该“负样本”为容易混淆为病灶区域的非病灶区域的CT图像，以进一步提高识别模型的准确度。

由于上述第一识别模型和第二识别模型用途不同，可以采用不同的神经网络算法分别进行训练；例如，第一识别模型用于识别较大的病灶区域，其采用的神经网络算法可以为RCNN(Regions with Convolutional Neural Network，区域卷积神经网络)、快速区域卷积神经网络Fast RCNN或者更快速区域卷积神经网络Faster RCNN等适用于较大图像块的图像识别、检测算法；第二识别模型用于识别较小的病灶区域，通常采用U-net等可以保留图像丰富细节信息的图像识别、检测算法。

本发明实施例提供的一种肺部病灶识别方法，第一识别模型和第二识别模型均通过神经网络训练而成，第一识别模型用于识别尺寸大于第一阈值的病灶区域，第二识别模型用于识别尺寸小于第二阈值的病灶区域；将获取到的肺部的CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果，进而确定最终的肺部病灶识别结果。该方式中，通过不同神经网络的识别模型识别不同尺寸的病灶区域，在保证运算速率的同时，可以更加全面地识别CT图像中的大小病灶区域。

参见图2所示的另一种肺部病灶识别方法的流程图；该方法在图1中所示方法的基础上实现；该方法中，第一识别模型通过Faster RCNN神经网络训练而成；第二识别模型通过U-net神经网络训练而成。

上述Faster RCNN将选择搜索步骤selective search的算法整合到深度网络中，解决了selective search通过CPU实现时，速度较慢的问题；同时，selective search与深度网络相结合，可以共享前序步骤中的卷积计算，计算效率更高；但是，如果仅采用FasterRCNN进行肺部病灶的识别，容易遗漏部分尺寸较小的病灶区域，造成肺部病灶识别不全面。

上述U-net是一种基于全卷积神经网络FCN的对医学影像进行快速准确分割的卷积网络架构；U-net可以保留原始输入图像中的空间信息，更好地利用高分辨率的医学影像信息，并在图像上进行逐像素分类。但是，如果仅采用U-net进行肺部病灶的识别，易造成运算量过大，运算时间成本较高，识别效率较低。

基于上述原因，本实施例采用Faster RCNN训练第一识别模型，用于快速识别CT图像中较大尺寸的病灶区域；采用U-net训练第二识别模型，用于识别CT图像中较大区域，易于忽略的病灶区域，在保证运算速率的同时，更加全面地识别CT图像中的大小病灶区域。

上述方法中，首先训练第一识别模型或第二识别模型；具体地，该方法包括如下步骤：

步骤S202，获取设定数量的CT图像和对应的标注信息；该标注信息包括CT图像中病灶的位置、病灶的特征和病灶的诊断结果；

具体地，病灶的诊断结果中可以包括病灶的恶化程度，例如，将恶化程度分为5级、25级或100级，级别越高代表恶化程度越严重。

可以理解，上述设定数量的CT图像通常需要进行预处理，该预处理的过程至少包括滤波处理和删除患者信息处理，还可以包括调整CT图像的方向，使所有的CT图像方向统一；调整CT图像的大小，使所有CT图像中，每个像素代表的肺部体积或面积相同等。

步骤S204，建立神经网络的网络结构，设置网络结构对应的训练参数；其中，第一识别模型对应的训练参数至少包括第一阈值；第二识别模型对应的训练参数至少包括第二阈值；

步骤S206，将CT图像和对应的标注信息输入至网络结构中进行训练，生成第一识别模型或第二识别模型；其中，第一识别模型采用上述Faster RCNN算法进行训练，第二识别模型采用上述U-net算法进行训练。

第一识别模型和第二识别模型训练完成后，即通过下述步骤进行CT图像的肺部病灶识别过程。

步骤S208，采集肺部的初始CT图像；

步骤S210，对初始CT图像进行预处理，生成与第一识别模型和第二识别模型相匹配的CT图像；该预处理至少包括滤波处理和删除患者信息处理。

通过滤波处理可以降低CT图像的噪声；通过删除患者信息可以保护患者隐私，同时使CT图像更加标准化。

步骤S212，将该CT图像分别输入至上述第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；

步骤S214，查找第一识别结果和第二识别结果中，相互重复的病灶区域；

通常，为了保证全面地识别CT图像中的病灶，所述第一识别模型中的第一阈值可以小于第二识别模型中的第二阈值，也即第一识别模型和第二识别模型可以识别的病灶尺寸范围存在一定程度的交叉；例如，上述第一阈值为3mm，即第一识别模型用于识别直径大于3mm病灶区域；上述第二阈值为5mm，即第二识别模型用于识别直径小于5mm病灶区域。

步骤S216，删除第一识别结果或第二识别结果中重复的病灶区域；

步骤S218，将第一识别结果和第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。

在实际实现时，可以将删除重复病灶区域后的第一识别结果和第二识别结果显示在同一张图像上，以完整展示识别结果；具体地，可以以方框或圆圈的方式对识别出的病灶进行标注，以提示医生关注病灶位置。

对应于上述方法实施例，参见图3所示的一种肺部病灶识别装置的结构示意图；该装置包括如下部分：

图像获取模块30，用于获取肺部的CT图像；

图像输入模块31，用于将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；

结果确定模块32，用于根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。

本发明实施例提供的一种肺部病灶识别装置，第一识别模型和第二识别模型均通过神经网络训练而成，第一识别模型用于识别尺寸大于第一阈值的病灶区域，第二识别模型用于识别尺寸小于第二阈值的病灶区域；将获取到的肺部的CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果，进而确定最终的肺部病灶识别结果。该方式中，通过不同神经网络的识别模型识别不同尺寸的病灶区域，在保证运算速率的同时，可以更加全面地识别CT图像中的大小病灶区域。

进一步地，上述第一识别模型通过Faster RCNN神经网络训练而成；第二识别模型通过U-net神经网络训练而成。

进一步地，上述第一识别模型或第二识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中病灶的位置、病灶的特征和病灶的诊断结果；建立神经网络的网络结构，设置网络结构对应的训练参数；其中，第一识别模型对应的训练参数至少包括第一阈值；第二识别模型对应的训练参数至少包括第二阈值；将CT图像和对应的标注信息输入至网络结构中进行训练，生成第一识别模型或第二识别模型。

进一步地，上述结果确定模块，还用于：查找第一识别结果和第二识别结果中，相互重复的病灶区域；删除第一识别结果或第二识别结果中重复的病灶区域；将第一识别结果和第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。

参见图4所示的一种肺部病灶识别的实现装置的结构示意图；该设备包括存储器100和处理器101；其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述肺部病灶识别的实现方法，该肺部病灶识别的实现方法可以包括以上方法中的一种或多种。

进一步，图4所示的网管设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。

其中，存储器100可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施方式的方法的步骤。

进一步，本发明实施方式还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述肺部病灶识别的实现方法，该肺部病灶识别的实现可以包括以上同步方法中的一种或多种。

本发明实施例所提供的肺部病灶识别的实现方法、装置和实现装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所述功能如果以软件功能单元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。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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)

1.一种肺部病灶识别方法，其特征在于，所述方法包括：

获取肺部的CT图像；

将所述CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，所述第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；所述第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；

根据所述第一识别结果和所述第二识别结果，确定最终的肺部病灶识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取肺部的CT图像的步骤，包括：

采集肺部的初始CT图像；

对所述初始CT图像进行预处理，生成与所述第一识别模型和第二识别模型相匹配的CT图像；所述预处理至少包括滤波处理和删除患者信息处理。

3.根据权利要求1所述的方法，其特征在于，所述第一识别模型通过Faster RCNN神经网络训练而成；所述第二识别模型通过U-net神经网络训练而成。

4.根据权利要求3所述的方法，其特征在于，所述第一识别模型或所述第二识别模型的训练过程具体包括：

获取设定数量的CT图像和对应的标注信息；所述标注信息包括所述CT图像中病灶的位置、所述病灶的特征和所述病灶的诊断结果；

建立神经网络的网络结构，设置所述网络结构对应的训练参数；其中，所述第一识别模型对应的训练参数至少包括所述第一阈值；所述第二识别模型对应的训练参数至少包括所述第二阈值；

将所述CT图像和对应的标注信息输入至所述网络结构中进行训练，生成所述第一识别模型或所述第二识别模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果和所述第二识别结果，确定最终的肺部病灶识别结果的步骤，包括：

查找所述第一识别结果和所述第二识别结果中，相互重复的病灶区域；

删除所述第一识别结果或所述第二识别结果中所述重复的病灶区域；

将所述第一识别结果和所述第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。

6.一种肺部病灶识别装置，其特征在于，所述装置包括：

图像获取模块，用于获取肺部的CT图像；

图像输入模块，用于将所述CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，所述第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；所述第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；

结果确定模块，用于根据所述第一识别结果和所述第二识别结果，确定最终的肺部病灶识别结果。

7.根据权利要求6所述的装置，其特征在于，所述第一识别模型通过Faster RCNN神经网络训练而成；所述第二识别模型通过U-net神经网络训练而成。

8.根据权利要求7所述的装置，其特征在于，所述第一识别模型或所述第二识别模型的训练过程具体包括：

获取设定数量的CT图像和对应的标注信息；所述标注信息包括所述CT图像中病灶的位置、所述病灶的特征和所述病灶的诊断结果；

建立神经网络的网络结构，设置所述网络结构对应的训练参数；其中，所述第一识别模型对应的训练参数至少包括所述第一阈值；所述第二识别模型对应的训练参数至少包括所述第二阈值；

将所述CT图像和对应的标注信息输入至所述网络结构中进行训练，生成所述第一识别模型或所述第二识别模型。

9.根据权利要求6所述的装置，其特征在于，所述结果确定模块，还用于：

查找所述第一识别结果和所述第二识别结果中，相互重复的病灶区域；

删除所述第一识别结果或所述第二识别结果中所述重复的病灶区域；

将所述第一识别结果和所述第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。

10.一种肺部病灶识别的实现装置，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1至5任一项所述的方法。