CN107977966A - 基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法 - Google Patents
基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法 Download PDFInfo
- Publication number
- CN107977966A CN107977966A CN201711383467.9A CN201711383467A CN107977966A CN 107977966 A CN107977966 A CN 107977966A CN 201711383467 A CN201711383467 A CN 201711383467A CN 107977966 A CN107977966 A CN 107977966A
- Authority
- CN
- China
- Prior art keywords
- sample
- neural network
- deep neural
- pernicious
- pulmonary nodule
- 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
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法,包括基于CT的肺部结节检测,基于CT的肺部结节良恶性判断,基于CT的肺部结节浸润程度判断,基于CT的肺部结节病灶分割,实现辅助诊断。本发明可基于CT影像自动识别包括肺部小结节在内的病灶,并提供病灶分割、良恶性诊断和浸润程度判断,提高医生发现和诊断肺部结节的效率和效果。
Description
技术领域
本发明涉及的是一种图像处理领域的技术,具体是一种基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法。
背景技术
肺癌高危人群中进行低剂量CT(low-dose computed tomography,LDCT)检查是筛查肺癌的有效手段,肺癌早期诊断能有效改善预后和降低死亡率,准确确定高危人群不仅能提高筛查效率,还能减少医疗资源浪费,避免让低危人群接受不必要的辐射。CT判读对专业水平和临床经验有较高要求,大型三甲医院水平较高,可满足筛查和诊疗的需求,然而在基层医院,则存在相当困难,容易造成误诊、漏诊。在医疗资源极其不平衡的现况下,利用稳定的人工智能系统,迁移专业高水平医生的知识,减少专家重复劳动,避免其因重复劳动而造成的错误,提高低年资医生的诊断准确率,是非常有意义的。针对接受筛查人群的CT影像图片中发现的肺结节,目前已经有一些基于深度学习的方法;然而现有的大部分方法都并未引入目前深度学习方法研究最前沿的成果,在准确性上尚有提升空间;同时在功能上也有欠缺,这使得现有方法无法成为解决临床医生痛点的完整方案。
发明内容
本发明针对现有技术无法有效辅助临床医生诊疗肺癌,提出一种基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法,可基于CT影像自动识别包括肺部小结节在内的病灶,并提供病灶分割、良恶性诊断和浸润程度判断,提高医生发现和诊断肺部结节的效率和效果。
本发明是通过以下技术方案实现的:
本发明包括以下步骤:
步骤1、基于CT的肺部结节检测,具体为:1)将原始CT按照肺窗划分并进行等距、变向的数据标准化操作;2)在标准化过的数据上利用形态学的自动阈值、开闭运算、区域生长的区域分割操作;3)在肺内部以预设步长取出非结节区域的负样本和结节区域的正样本;4)训练专门设计的深度神经网络分割结节区域;5)训练专门的深度神经网络完成假阳性衰减;6)利用训练好的神经网络在肺内部完成各个小块的结节分割并通过预设策略将每个小块的分割结果拼接起来。
步骤2、基于CT的肺部结节良恶性判断,具体为:
1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并分为标准化的良性样本和恶性样本;3)训练专门的深度神经网络区分良恶性样本;4)利用经过训练的深度神经网络区分良恶性结节。
步骤3、基于CT的肺部结节浸润程度判断,具体为:
1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并分为标准化的浸润后样本和浸润前样本,并标记每个样本具体的浸润类别;3)训练专门的深度神经网络区分不同浸润的样本,这个深度神经网络的初始化采用步骤2中经过训练的深度神经网络;4)利用经过训练的深度神经网络区分不同的浸润程度。
步骤4、基于CT的肺部结节病灶分割并实现辅助诊断,具体为:
1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并取出结节的像素级标注;3)训练专门的深度神经网络直接划分结节区域;4)利用经过训练的深度神经网络分割结节区域。
优选地,在每一步步骤开始之前,预先收集并标准化公开数据集和私有数据集,其中私有数据集来自于合作医院,数据标注请合作医生完成。
技术效果
与现有技术相比,本发明技术效果包括:
1)全自动。该发明的整体运行流程除了需要人工输入指定文件外,所有计算不需要任何人工干预,就能得到肺部结节检测、良恶性诊断、浸润程度分类和边缘分割的结果。
2)准确。目前该发明在肺部结节检测的敏感度和假阳性、良恶性的特异度和敏感度方面均为业界领先,同时能够提供清晰的分割结果。
3)功能全面。可以完成肺部结节检测到诊断的完整流程,并提供肺部结节的浸润程度判断。
4)快速。该发明基于高效的深度学习和并行计算,速度远高于传统方法。
附图说明
图1为本发明流程示意图;
图2~图9为实施例实施效果示意图。
具体实施方式
实施例1
如图1所示,本实施例包括以下步骤:
步骤1、基于CT的肺部结节检测,具体为:1)将原始CT按照肺窗划分并进行等距、变向的数据标准化操作;2)在标准化过的数据上利用形态学的自动阈值、开闭运算、区域生长的区域分割操作;3)在肺内部以预设步长取出非结节区域的负样本和结节区域的正样本;4)训练专门设计的深度神经网络分割结节区域;5)训练专门的深度神经网络完成假阳性衰减;6)利用训练好的神经网络在肺内部完成各个小块的结节分割并通过预设策略将每个小块的分割结果拼接起来。
步骤2、基于CT的肺部结节良恶性判断,具体为:
1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并分为标准化的良性样本和恶性样本;3)训练专门的深度神经网络区分良恶性样本;4)利用经过训练的深度神经网络区分良恶性结节。
步骤3、基于CT的肺部结节浸润程度判断,具体为:
1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并分为标准化的浸润后样本和浸润前样本,并标记每个样本具体的浸润类别;3)训练专门的深度神经网络区分不同浸的样本,这个深度神经网络的初始化采用步骤2中经过训练的深度神经网络;4)利用经过训练的深度神经网络区分不同的浸润程度。
步骤4、基于CT的肺部结节病灶分割,具体为:
1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并取出结节的像素级标注;3)训练专门的深度神经网络直接划分结节区域;4)利用经过训练的深度神经网络分割结节区域。
优选地,在每一步步骤开始之前,预先收集并标准化公开数据集和私有数据集,其中私有数据集来自于合作医院,数据标注请合作医生完成。
如图2~图9所示,本方法在实施时具体通过以下界面得以操作:
1)用户在PC端,即电脑上打开浏览器,访问网址,即可出现图2登录界面;2)登录后,出现图3所示界面,点击“添加DICOM影像文件”按钮,若添加成功,出现图4所示界面,添加失败,出现图5所示界面。提交后,请等待约1分钟,系统将完成分析并显示分析结果,出现图6所示界面,右侧功能框中,用户通过铅笔按钮修改结节信息,眼睛按钮选择哪些结节可以打印到报告,并手动输入临床建议,图7为右侧功能框放大图;3)完善病人信息并导出报告;4)退出登录。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (6)
1.一种基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法,其特征在于,包括以下步骤:
步骤1、基于CT的肺部结节检测,
步骤2、基于CT的肺部结节良恶性判断,
步骤3、基于CT的肺部结节浸润程度判断,
步骤4、基于CT的肺部结节病灶分割并实现辅助诊断。
2.根据权利要求1所述的方法,其特征是,所述的步骤1具体为:1)将原始CT按照肺窗划分并进行等距、变向的数据标准化操作;2)在标准化过的数据上利用形态学的自动阈值、开闭运算、区域生长的区域分割操作;3)在肺内部以预设步长取出非结节区域的负样本和结节区域的正样本;4)训练专门设计的深度神经网络分割结节区域;5)训练专门的深度神经网络完成假阳性衰减;6)利用训练好的神经网络在肺内部完成各个小块的结节分割并通过预设策略将每个小块的分割结果拼接起来。
3.根据权利要求1所述的方法,其特征是,所述的步骤2具体为:1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并分为标准化的良性样本和恶性样本;3)训练专门的深度神经网络区分良恶性样本;4)利用经过训练的深度神经网络区分良恶性结节。
4.根据权利要求1所述的方法,其特征是,所述的步骤3具体为:1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并分为标准化的浸润后样本和浸润前样本,并标记每个样本具体的浸润类别;3)训练专门的深度神经网络区分不同浸的样本,这个深度神经网络的初始化采用步骤2中经过训练的深度神经网络;4)利用经过训练的深度神经网络区分不同的浸润程度。
5.根据权利要求1所述的方法,其特征是,所述的步骤4具体为:1)利用步骤1的方法完成肺部CT数据标准化;2)将结节区域取出,并取出结节的像素级标注;3)训练专门的深度神经网络直接划分结节区域;4)利用经过训练的深度神经网络分割结节区域。
6.根据权利要求1所述的方法,其特征是,在每一步步骤开始之前,预先收集并标准化公开数据集和私有数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711383467.9A CN107977966A (zh) | 2017-12-20 | 2017-12-20 | 基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711383467.9A CN107977966A (zh) | 2017-12-20 | 2017-12-20 | 基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977966A true CN107977966A (zh) | 2018-05-01 |
Family
ID=62006897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711383467.9A Pending CN107977966A (zh) | 2017-12-20 | 2017-12-20 | 基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977966A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117871A (zh) * | 2018-07-20 | 2019-01-01 | 上海市肺科医院 | 一种通过深度学习获取肺部病灶恶性概率的系统和方法 |
CN109785963A (zh) * | 2019-01-16 | 2019-05-21 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺结节筛查算法 |
CN111223555A (zh) * | 2019-12-26 | 2020-06-02 | 北京安德医智科技有限公司 | 一种面向医学影像人工智能辅助诊断结果表征的dicom扩展方法 |
US20210097662A1 (en) * | 2019-09-27 | 2021-04-01 | Rensselaer Polytechnic Institute | Modularized adaptive processing neural network (map-nn) for low-dose ct |
-
2017
- 2017-12-20 CN CN201711383467.9A patent/CN107977966A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117871A (zh) * | 2018-07-20 | 2019-01-01 | 上海市肺科医院 | 一种通过深度学习获取肺部病灶恶性概率的系统和方法 |
CN109785963A (zh) * | 2019-01-16 | 2019-05-21 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺结节筛查算法 |
US20210097662A1 (en) * | 2019-09-27 | 2021-04-01 | Rensselaer Polytechnic Institute | Modularized adaptive processing neural network (map-nn) for low-dose ct |
US11682110B2 (en) * | 2019-09-27 | 2023-06-20 | Rensselaer Polytechnic Institute | Modularized adaptive processing neural network (MAP-NN) for low-dose CT |
CN111223555A (zh) * | 2019-12-26 | 2020-06-02 | 北京安德医智科技有限公司 | 一种面向医学影像人工智能辅助诊断结果表征的dicom扩展方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977966A (zh) | 基于人工智能对肺结节良恶性及浸润程度的辅助诊断方法 | |
US20220156930A1 (en) | Cancer risk stratification based on histopathological tissue slide analysis | |
CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
CN107103187B (zh) | 基于深度学习的肺结节检测分级与管理的方法及系统 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
CN107247887A (zh) | 基于人工智能帮助肺癌筛查的方法及系统 | |
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 | |
CN110060774A (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
Shao et al. | A detection approach for solitary pulmonary nodules based on CT images | |
CN109858540A (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
KR102307995B1 (ko) | 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법 | |
Regge et al. | CAD: how it works, how to use it, performance | |
Ba et al. | Diagnostic assessment of deep learning for melanocytic lesions using whole-slide pathological images | |
CN111369530A (zh) | 一种基于深度学习的ct图像肺结节快速筛查方法 | |
Xia et al. | Effective pancreatic cancer screening on non-contrast CT scans via anatomy-aware transformers | |
KR102600401B1 (ko) | 분류 및 분할을 이용한 의료 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
CN107358611A (zh) | 一种全景扫描病理图像转移区域的自动分割方法 | |
Agarwal et al. | By artificial intelligence algorithms and machine learning models to diagnosis cancer | |
Safaeian et al. | The IMproving Primary Screening And Colposcopy Triage trial: human papillomavirus, cervical cytology, and histopathologic results from the baseline and 1-year follow-up phase | |
CN110264460A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
Cè et al. | Artificial intelligence in breast cancer imaging: Risk stratification, lesion detection and classification, treatment planning and prognosis—A narrative review | |
Dinesh et al. | Machine learning in the detection of oral lesions with clinical intraoral images | |
Lemieux et al. | External validation of a five-tiered CT algorithm for the diagnosis of clear cell renal cell carcinoma: A retrospective five-reader study | |
CN116862836A (zh) | 一种泛器官淋巴结转移癌检测系统及计算机设备 | |
CN107886506A (zh) | 一种超声甲状腺结节自动定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180501 |
|
WD01 | Invention patent application deemed withdrawn after publication |