CN107977963A - 肺结节的判定方法、装置和实现装置 - Google Patents
肺结节的判定方法、装置和实现装置 Download PDFInfo
- Publication number
- CN107977963A CN107977963A CN201711246022.6A CN201711246022A CN107977963A CN 107977963 A CN107977963 A CN 107977963A CN 201711246022 A CN201711246022 A CN 201711246022A CN 107977963 A CN107977963 A CN 107977963A
- Authority
- CN
- China
- Prior art keywords
- images
- lung neoplasm
- lung
- image data
- region
- 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 58
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 210000004072 lung Anatomy 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 18
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 206010061218 Inflammation Diseases 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000004054 inflammatory process Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 206010018691 Granuloma Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种肺结节的判定方法、装置和实现装置;其中,该方法包括:获取CT图像和CT图像中可疑区域的位置信息;对CT图像进行图像增强处理;根据位置信息,从处理后的CT图像中提取出可疑区域的区域图像数据;将区域图像数据进行归一化处理;将处理后的区域图像数据输入至预先建立的肺结节判定模型中,根据输出结果判定可疑区域是否为肺结节;该肺结节判定模型通过3D卷积神经网络训练而成。本发明通过图像增强和归一化处理可以放大肺结节与其它非结节之间的区别特征,进而再采用3D卷积神经网络判定可疑区域是否为肺结节,提高了肺结节识别准确性。
Description
技术领域
本发明涉及医学影像技术领域,尤其是涉及一种肺结节的判定方法、装置和实现装置。
背景技术
肺结节是一种病因未明的多系统多器官的肉芽肿性疾病,常侵犯肺、双侧肺门淋巴结、眼、皮肤等器官,其胸部受侵率高达80%~90%。现有的医学筛查手段通常采用肉眼识别、图像识别、或神经网络识别等方式,而这些方式准确性较差,筛查出的疑似区域可能是肺结节,也可能是血管、炎症病灶等。
针对上述现有的肺结节的识别方式,其识别结果准确性较低的问题,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结节的判定方法、装置和实现装置,以提高肺结节识别准确性。
第一方面,本发明实施例提供了一种肺结节的判定方法,该方法包括:获取CT图像和CT图像中可疑区域的位置信息;对CT图像进行图像增强处理;根据位置信息,从处理后的CT图像中提取出可疑区域的区域图像数据;将区域图像数据进行归一化处理;将处理后的区域图像数据输入至预先建立的肺结节判定模型中,根据输出结果判定可疑区域是否为肺结节;其中,肺结节判定模型通过3D卷积神经网络训练而成。
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,上述对CT图像进行图像增强处理的步骤,包括:将CT图像中,每层图像数据输入至预先建立的肺部区域识别模型中,识别出CT图像中的肺部区域;其中,肺部区域识别模型通过U-net神经网络训练而成;将CT图像中每个像素位置的CT值,转换成对应的像素值;对肺部区域中,每层图像数据的像素值进行直方图增强处理,获得对应的非线性映射;采用非线性映射,对CT图像中,每层图像数据的像素值进行映射变换,获得变换后的CT图像。
结合第一方面的第一种可能的实施方式,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,上述肺部区域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,每层图像数据中的肺部区域;建立U-net神经网络的网络结构;将CT图像和对应的标注信息输入至网络结构中进行训练,生成肺部区域识别模型。
结合第一方面的第一种可能的实施方式,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,上述将区域图像数据进行归一化处理的步骤,包括:将区域图像数据归一化为预设边长的正方体数据。
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,上述肺结节判定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,肺结节和非结节的位置信息;对CT图像进行图像增强处理;根据标注信息,从处理后的CT图像中提取出肺结节和非结节的区域图像数据;将区域图像数据进行归一化处理;建立3D卷积神经网络的网络结构;将处理后的区域图像数据和对应的标注信息输入至网络结构中进行训练,生成肺结节判定模型。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,上述根据输出结果判定可疑区域是否为肺结节的步骤,包括:判断输出结果是否超出设定的阈值范围;如果是,确定可疑区域为肺结节。
第二方面,本发明实施例提供了一种肺结节的判定装置,该装置包括:图像信息获取模块,用于获取CT图像和CT图像中可疑区域的位置信息;图像增强模块,用于对CT图像进行图像增强处理;数据提取模块,用于根据位置信息,从处理后的CT图像中提取出可疑区域的区域图像数据;归一化模块,用于将区域图像数据进行归一化处理;肺结节判定模块,用于将处理后的区域图像数据输入至预先建立的肺结节判定模型中,根据输出结果判定可疑区域是否为肺结节;其中,肺结节判定模型通过3D卷积神经网络训练而成。
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,上述图像增强模块,还用于:将CT图像中,每层图像数据输入至预先建立的肺部区域识别模型中,识别出CT图像中的肺部区域;其中,肺部区域识别模型通过U-net神经网络训练而成;将CT图像中每个像素位置的CT值,转换成对应的像素值;对肺部区域中,每层图像数据的像素值进行直方图增强处理,获得对应的非线性映射;采用非线性映射,对CT图像中,每层图像数据的像素值进行映射变换,获得变换后的CT图像。
结合第二方面,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,上述肺结节判定模块,还用于:判断输出结果是否超出设定的阈值范围;如果是,确定可疑区域为肺结节。
第三方面,本发明实施例提供了一种肺结节的判定实现装置,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结节的判定方法。
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结节的判定方法、装置和实现装置,肺结节判定模型通过3D卷积神经网络训练而成;方法首先对CT图像进行图像增强处理,提取出可疑区域的区域图像数据;对该区域图像数据进行归一化处理后,输入至上述肺结节判定模型中,再根据输出结果判定可疑区域是否为肺结节;该方式中,通过图像增强和归一化处理可以放大肺结节与其它非结节之间的区别特征,进而再采用3D卷积神经网络判定可疑区域是否为肺结节,提高了肺结节识别准确性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
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结节的判定方法的流程图;
图2为本发明实施例提供的另一种肺结节的判定方法的流程图;
图3为本发明实施例提供的一种肺结节的判定装置的结构示意图;
图4为本发明实施例提供的一种肺结节的判定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。
考虑到现有的肺结节的识别方式,其识别结果准确性较低的问题,本发明实施例提供了一种肺结节的判定方法、装置和实现装置;该技术可以应用于肺结节等肺部病灶的诊断过程中;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所示的一种肺结节的判定方法的流程图;该方法包括如下步骤:
步骤S102,获取CT图像和CT图像中可疑区域的位置信息;
例如,当该CT图像为三维CT图像时,上述位置信息可以为可疑区域的长方体坐标;一个病例的CT图像中,可能存在一个或多个可疑区域;这些可疑区域可以通过肉眼识别、图像识别、或神经网络识别等方式获得。
步骤S104,对CT图像进行图像增强处理;
步骤S106,根据位置信息,从处理后的CT图像中提取出可疑区域的区域图像数据;
该区域图像数据可以为可疑区域的长方体坐标对应的长方体数据;根据长方体坐标,可以从上述CT图像中截图出该长方体数据。
步骤S108,将区域图像数据进行归一化处理;
步骤S110,将处理后的区域图像数据输入至预先建立的肺结节判定模型中,根据输出结果判定可疑区域是否为肺结节;其中,该肺结节判定模型通过3D卷积神经网络训练而成。
本发明实施例提供的一种肺结节的判定方法,肺结节判定模型通过3D卷积神经网络训练而成;方法首先对CT图像进行图像增强处理,提取出可疑区域的区域图像数据;对该区域图像数据进行归一化处理后,输入至上述肺结节判定模型中,再根据输出结果判定可疑区域是否为肺结节;该方式中,通过图像增强和归一化处理可以放大肺结节与其它非结节之间的区别特征,进而再采用3D卷积神经网络判定可疑区域是否为肺结节,提高了肺结节识别准确性。
参见图2所示的另一种肺结节的判定方法的流程图;该方法在图1中所示方法基础上实现;该方法包括如下步骤:
步骤S202,获取CT图像和CT图像中可疑区域的位置信息;
步骤S204,将CT图像中,每层图像数据输入至预先建立的肺部区域识别模型中,识别出CT图像中的肺部区域;其中,该肺部区域识别模型通过U-net神经网络训练而成;
上述肺部区域识别模型的训练过程具体包括如下步骤:
步骤(1),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,每层图像数据中的肺部区域;通常,对于三维CT图像,其包含多层二维的图像数据;上述标注信息可以标注在二维的图像数据。
步骤(2),建立U-net神经网络的网络结构;
步骤(3),将CT图像和对应的标注信息输入至网络结构中进行训练,生成肺部区域识别模型。
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。因此,U-net神经网络可以更加精确地识别每层图像数据中的肺部区域,为后续处理提供较好的基础。
步骤S206,将CT图像中每个像素位置的CT值,转换成对应的像素值;
通常,CT图像中的CT值范围为[-1000,1000],为了便于后续图像增强和归一化处理,需要将范围较宽的CT值转换成范围较窄的像素值,例如,将处在[-1000,1000]内的CT值等比例地转换成[0,1]之内的像素值。
步骤S208,对肺部区域中,每层图像数据的像素值进行直方图增强处理,获得对应的非线性映射;
步骤S210,采用上述非线性映射,对CT图像中,每层图像数据的像素值进行映射变换,获得变换后的CT图像。
例如,上述非线性映射可以通过累积分布函数实现,该累积分布函数具体为:k=0,1,2,…,L-1;其中,n是图像中像素的总和,nj是当前灰度级的像素个数,L是图像中可能的灰度级总数。通过该累积分布函数可以对图像数据进行拉伸,进而实现图像增强。
步骤S212,根据上述位置信息,从处理后的CT图像中提取出可疑区域的区域图像数据;
步骤S214,将区域图像数据归一化为预设边长的正方体数据。通常,上述区域图像数据为长方体数据;归一化后的正方体数据,其预设变长可以为64.
步骤S216,将处理后的区域图像数据输入至预先建立的肺结节判定模型中;
步骤S218,判断输出结果是否超出设定的阈值范围;如果是,执行步骤S220,如果否,结束;其中,该肺结节判定模型通过3D卷积神经网络训练而成。
步骤S220,确定可疑区域为肺结节。
例如,上述肺结节判定模型的输出结果可以为一个数字,当该数字在阈值范围(如,[0,1])内时,可以确定该定可疑区域不是肺结节,可能为血管、炎症病灶或其他可能的情形;然而,当该数字超出该阈值范围为,即可确定该可疑区域为肺结节
上述肺结节判定模型的训练过程具体包括:
步骤(1),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,肺结节和非结节的位置信息;
上述肺结节的位置信息也可以称为正样本,上述非结节的位置信息也可以称为负样本;通常,该非结节可能为血管、炎症病灶或其他器官部位等。
步骤(2),对CT图像进行图像增强处理;该步骤可以采用上述步骤S204-S210,实现图像增强处理。
步骤(3),根据上述标注信息,从处理后的CT图像中提取出肺结节和非结节的区域图像数据;
步骤(4),将区域图像数据进行归一化处理;该步骤可以采用上述步骤S214实现归一化处理。
步骤(5),建立3D卷积神经网络的网络结构;
步骤(6),将处理后的区域图像数据和对应的标注信息输入至网络结构中进行训练,生成肺结节判定模型。
本发明实施例提供的一种肺结节的判定方法,肺结节判定模型通过3D卷积神经网络训练而成;肺部区域识别模型通过U-net神经网络训练而成;方法首先通过肺部区域识别模型识别CT图像的肺部区域,再采用直方图增强处理对CT图像进行处理;提取出可疑区域的区域图像数据后,将该区域图像数据归一化为正方体数据,再输入至上述肺结节判定模型中,根据输出结果判定可疑区域是否为肺结节;该方式中,通过图像增强和归一化处理可以放大肺结节与其它非结节之间的区别特征,进而再采用3D卷积神经网络判定可疑区域是否为肺结节,提高了肺结节识别准确性。
对应于上述方法实施例,参见图3所示的一种肺结节的判定装置的结构示意图;该装置包括如下部分:
图像信息获取模块30,用于获取CT图像和CT图像中可疑区域的位置信息;
图像增强模块31,用于对CT图像进行图像增强处理;
数据提取模块32,用于根据位置信息,从处理后的CT图像中提取出可疑区域的区域图像数据;
归一化模块33,用于将区域图像数据进行归一化处理;
肺结节判定模块34,用于将处理后的区域图像数据输入至预先建立的肺结节判定模型中,根据输出结果判定可疑区域是否为肺结节;其中,肺结节判定模型通过3D卷积神经网络训练而成。
进一步地,上述图像增强模块,还用于:将CT图像中,每层图像数据输入至预先建立的肺部区域识别模型中,识别出CT图像中的肺部区域;其中,肺部区域识别模型通过U-net神经网络训练而成;将CT图像中每个像素位置的CT值,转换成对应的像素值;对肺部区域中,每层图像数据的像素值进行直方图增强处理,获得对应的非线性映射;采用非线性映射,对CT图像中,每层图像数据的像素值进行映射变换,获得变换后的CT图像。
进一步地,上述肺结节判定模块,还用于:判断输出结果是否超出设定的阈值范围;如果是,确定可疑区域为肺结节。
本发明实施例提供的肺结节的判定装置,与上述实施例提供的肺结节的判定方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
参见图4所示的一种肺结节的判定实现装置的结构示意图;该实现装置包括存储器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,以实现上述肺结节的判定方法,该肺结节的判定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结节的判定方法,该肺结节的判定方法的实现可以包括以上方法中的一种或多种。
本发明实施例所提供的肺结节的判定方法、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)
1.一种肺结节的判定方法,其特征在于,所述方法包括:
获取CT图像和所述CT图像中可疑区域的位置信息;
对所述CT图像进行图像增强处理;
根据所述位置信息,从处理后的所述CT图像中提取出所述可疑区域的区域图像数据;
将所述区域图像数据进行归一化处理;
将处理后的所述区域图像数据输入至预先建立的肺结节判定模型中,根据输出结果判定所述可疑区域是否为肺结节;其中,所述肺结节判定模型通过3D卷积神经网络训练而成。
2.根据权利要求1所述的方法,其特征在于,所述对所述CT图像进行图像增强处理的步骤,包括:
将所述CT图像中,每层图像数据输入至预先建立的肺部区域识别模型中,识别出所述CT图像中的肺部区域;其中,所述肺部区域识别模型通过U-net神经网络训练而成;
将所述CT图像中每个像素位置的CT值,转换成对应的像素值;
对所述肺部区域中,每层图像数据的所述像素值进行直方图增强处理,获得对应的非线性映射;
采用所述非线性映射,对所述CT图像中,每层图像数据的所述像素值进行映射变换,获得变换后的所述CT图像。
3.根据权利要求2所述的方法,其特征在于,所述肺部区域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,每层图像数据中的肺部区域;
建立U-net神经网络的网络结构;
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,生成所述肺部区域识别模型。
4.根据权利要求2所述的方法,其特征在于,所述将所述区域图像数据进行归一化处理的步骤,包括:
将所述区域图像数据归一化为预设边长的正方体数据。
5.根据权利要求1所述的方法,其特征在于,所述肺结节判定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,肺结节和非结节的位置信息;
对所述CT图像进行图像增强处理;
根据所述标注信息,从处理后的所述CT图像中提取出所述肺结节和所述非结节的区域图像数据;
将所述区域图像数据进行归一化处理;
建立3D卷积神经网络的网络结构;
将处理后的区域图像数据和对应的标注信息输入至所述网络结构中进行训练,生成所述肺结节判定模型。
6.根据权利要求1所述的方法,其特征在于,所述根据输出结果判定所述可疑区域是否为肺结节的步骤,包括:
判断输出结果是否超出设定的阈值范围;如果是,确定所述可疑区域为肺结节。
7.一种肺结节的判定装置,其特征在于,所述装置包括:
图像信息获取模块,用于获取CT图像和所述CT图像中可疑区域的位置信息;
图像增强模块,用于对所述CT图像进行图像增强处理;
数据提取模块,用于根据所述位置信息,从处理后的所述CT图像中提取出所述可疑区域的区域图像数据;
归一化模块,用于将所述区域图像数据进行归一化处理;
肺结节判定模块,用于将处理后的所述区域图像数据输入至预先建立的肺结节判定模型中,根据输出结果判定所述可疑区域是否为肺结节;其中,所述肺结节判定模型通过3D卷积神经网络训练而成。
8.根据权利要求7所述的装置,其特征在于,所述图像增强模块,还用于:
将所述CT图像中,每层图像数据输入至预先建立的肺部区域识别模型中,识别出所述CT图像中的肺部区域;其中,所述肺部区域识别模型通过U-net神经网络训练而成;
将所述CT图像中每个像素位置的CT值,转换成对应的像素值;
对所述肺部区域中,每层图像数据的所述像素值进行直方图增强处理,获得对应的非线性映射;
采用所述非线性映射,对所述CT图像中,每层图像数据的所述像素值进行映射变换,获得变换后的所述CT图像。
9.根据权利要求7所述的装置,其特征在于,所述肺结节判定模块,还用于:
判断输出结果是否超出设定的阈值范围;如果是,确定所述可疑区域为肺结节。
10.一种肺结节的判定实现装置,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6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711246022.6A CN107977963A (zh) | 2017-11-30 | 2017-11-30 | 肺结节的判定方法、装置和实现装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711246022.6A CN107977963A (zh) | 2017-11-30 | 2017-11-30 | 肺结节的判定方法、装置和实现装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977963A true CN107977963A (zh) | 2018-05-01 |
Family
ID=62008929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711246022.6A Pending CN107977963A (zh) | 2017-11-30 | 2017-11-30 | 肺结节的判定方法、装置和实现装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977963A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146868A (zh) * | 2018-08-27 | 2019-01-04 | 北京青燕祥云科技有限公司 | 3d肺结节生成方法、装置及电子设备 |
CN109191472A (zh) * | 2018-08-28 | 2019-01-11 | 杭州电子科技大学 | 基于改进U-Net网络的胸腺细胞图像分割方法 |
CN109242962A (zh) * | 2018-09-28 | 2019-01-18 | 北京青燕祥云科技有限公司 | 肺结节的3d显示方法、装置及电子设备 |
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 |
CN111144449A (zh) * | 2019-12-10 | 2020-05-12 | 东软集团股份有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及系统 |
WO2020253852A1 (zh) * | 2019-06-21 | 2020-12-24 | 腾讯科技(深圳)有限公司 | 图片识别方法、识别模型训练方法、装置及存储介质 |
CN113256743A (zh) * | 2021-06-16 | 2021-08-13 | 图兮数字科技(北京)有限公司 | 一种图像处理方法、装置、电子设备以及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
-
2017
- 2017-11-30 CN CN201711246022.6A patent/CN107977963A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
冈萨雷斯 等: "《数字图像处理 第二版》", 1 August 2007 * |
王世伟: "《医学影像实用技术教程》", 31 August 2007 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146868A (zh) * | 2018-08-27 | 2019-01-04 | 北京青燕祥云科技有限公司 | 3d肺结节生成方法、装置及电子设备 |
CN109191472A (zh) * | 2018-08-28 | 2019-01-11 | 杭州电子科技大学 | 基于改进U-Net网络的胸腺细胞图像分割方法 |
CN109242962A (zh) * | 2018-09-28 | 2019-01-18 | 北京青燕祥云科技有限公司 | 肺结节的3d显示方法、装置及电子设备 |
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 |
WO2020253852A1 (zh) * | 2019-06-21 | 2020-12-24 | 腾讯科技(深圳)有限公司 | 图片识别方法、识别模型训练方法、装置及存储介质 |
CN111144449A (zh) * | 2019-12-10 | 2020-05-12 | 东软集团股份有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111144449B (zh) * | 2019-12-10 | 2024-01-19 | 东软集团股份有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及系统 |
CN113256743A (zh) * | 2021-06-16 | 2021-08-13 | 图兮数字科技(北京)有限公司 | 一种图像处理方法、装置、电子设备以及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977963A (zh) | 肺结节的判定方法、装置和实现装置 | |
Lee et al. | Automated mammographic breast density estimation using a fully convolutional network | |
CN107644225A (zh) | 肺部病灶识别方法、装置和实现装置 | |
CN114820654A (zh) | 血管分割方法、装置、医疗影像设备及存储介质 | |
CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
CN108010021A (zh) | 一种医学图像处理系统和方法 | |
CN110706246A (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
WO2022001237A1 (zh) | 鼻咽癌原发肿瘤图像自动识别方法及系统 | |
CN108171709A (zh) | 肝占位性病灶区域的检测方法、装置和实现装置 | |
CN111860169B (zh) | 皮肤分析方法、装置、存储介质及电子设备 | |
CN111242959B (zh) | 基于卷积神经网络的多模态医学图像的目标区域提取方法 | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
CN109859217B (zh) | 人脸图像中毛孔区域的分割方法及计算设备 | |
Sengupta et al. | Improved skin lesion edge detection method using Ant Colony Optimization | |
CN107133638A (zh) | 基于两分类器的多参数mri前列腺癌cad方法及系统 | |
CN111754453A (zh) | 基于胸透图像的肺结核检测方法、系统和存储介质 | |
CN111815606B (zh) | 图像质量评估方法、存储介质及计算装置 | |
Khordehchi et al. | Automatic lung nodule detection based on statistical region merging and support vector machines | |
Garnavi et al. | Weighted performance index for objective evaluation of border detection methods in dermoscopy images | |
CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
CN116824168B (zh) | 基于图像处理的耳部ct特征提取方法 | |
WO2021129324A1 (zh) | 超声图像病灶的分割方法、装置和计算机设备 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
CN111091574B (zh) | 一种基于单像素特征的医学图像分割方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 100000 Beijing Shijingshan District Shijingshan Road 54 Courtyard 1 Building 10 Floor 1001, 1002 Applicant after: Beijing Qing Yan Xiangyun Technology Co., Ltd. Address before: 100000 12, 1208, 4 building, 26 Tong Street, Shijingshan District, Beijing. Applicant before: Beijing Qing Yan Xiangyun Technology Co., Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |
|
RJ01 | Rejection of invention patent application after publication |