CN108078581A - 基于卷积神经网络的肺癌良恶性判别方法系统和实现装置 - Google Patents
基于卷积神经网络的肺癌良恶性判别方法系统和实现装置 Download PDFInfo
- Publication number
- CN108078581A CN108078581A CN201711324448.9A CN201711324448A CN108078581A CN 108078581 A CN108078581 A CN 108078581A CN 201711324448 A CN201711324448 A CN 201711324448A CN 108078581 A CN108078581 A CN 108078581A
- Authority
- CN
- China
- Prior art keywords
- samples
- convolutional neural
- neural networks
- images
- good pernicious
- 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.)
- Granted
Links
- 230000000505 pernicious effect Effects 0.000 title claims abstract description 98
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 86
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 51
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 45
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000004069 differentiation Effects 0.000 claims abstract description 32
- 230000003902 lesion Effects 0.000 claims abstract description 24
- 210000004072 lung Anatomy 0.000 claims abstract description 18
- 230000001575 pathological effect Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims 1
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 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
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于卷积神经网络的肺癌良恶性判别方法系统和实现装置，涉及医学影像技术领域，包括获取肺部CT图像，其中，CT图像包括第一CT图像和第二CT图像；将第一CT图像和第二CT图像进行配准，得到第一配准图像和第二配准图像；分别获取第一配准图像和第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；将第一CT样本的第一参数值与第二CT样本的第二参数值作差，得到3D样本；通过多个训练样本训练良恶性判别卷积神经网络，并通过良恶性判别卷积神经网络判定3D样本的良恶性，其中，训练样本为经过病理检测的3D样本。缩短回访时间，能够准确识别肺结节细小差别，进而判别肺结节良恶性。
Description
技术领域
本发明涉及医学影像技术领域，尤其是涉及基于卷积神经网络的肺癌良恶性判别方法系统和实现装置。
背景技术
当前，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，肺癌影像学诊断是发现早期肺癌的重要手段，目前智能医疗是推动我国卫生事业和健康产业发展、更好地保障人民健康的重要内容，智能医疗将辅助我们更加合理地配置医疗资源。通常来说，通过影像医学发现肺结节的患者，需在三个月后再回访，根据前后两次肺结节的大小比对，判别肺结节的良恶性，并作出相应处理。
当前，肺结节检测识别并不准确，以至于对发现肺结节的患者来说，需经过较长的时间才能回访检测肺结节，不利于患者及时对恶性的肺结节进行切除。
发明内容
有鉴于此，本发明的目的在于提供基于卷积神经网络的肺癌良恶性判别方法系统和实现装置，缩短回访时间，能够准确识别肺结节细小差别，进而判别肺结节良恶性。
第一方面，本发明实施例提供了基于卷积神经网络的肺癌良恶性判别方法，包括：
获取肺部CT图像，其中，所述CT图像包括第一CT图像和第二CT图像；
将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像；
分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；
将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本；
通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性，其中，所述训练样本为经过病理检测的所述3D样本。
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，所述分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到多个第一CT样本和多个第二CT样本包括：
分别通过自动检测或手动勾选出所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本，其中，所述CT样本为包裹所述病灶位置的最小立方体积。
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，所述将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本包括：
分别获取所述第一CT样本的第一参数值与所述第二CT样本的第二参数值；
将所述第一参数值与所述第二参数值作差，得到3D样本，其中，所述参数值包括所述CT样本的像素值和CT值。
结合第一方面，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，所述通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性包括：
将多个所述3D样本经过病理检测，得到训练样本；
通过所述训练样本训练所述良恶性判别卷积神经网络；
通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性。
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，在所述获取肺部CT图像之前，还包括：
从已有肺叶CT图像中选取基准图像；
在所述基准图像中标注关键点；
根据所述关键点和所述基准图像训练卷积神经网络。
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，所述将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像还包括：
获取卷积神经网络、第一CT图像和第二CT图像；
通过所述卷积神经网络将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述通过所述卷积神经网络将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像还包括：
通过所述卷积神经网络分别检测出所述第一CT图像和所述第二CT图像的多个第一关键点坐标和多个第二关键点坐标；
将所述多个第二关键点坐标转换到所述多个第一关键点坐标的三维空间，得到所述第一配准图像和所述第二配准图像。
第二方面，本发明实施例还提供基于卷积神经网络的肺癌良恶性判别系统，包括：
第一获取单元，用于获取肺部CT图像，其中，所述CT图像包括第一CT图像和第二CT图像；
配准单元，用于将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像；
第二获取单元，用于分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；
处理单元，用于将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本；
训练单元，用于通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性，其中，所述训练样本为经过病理检测的所述3D样本。
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，所述处理单元还用于分别获取所述第一CT样本的第一参数值与所述第二CT样本的第二参数值，将所述第一参数值与所述第二参数值作差，得到3D样本，其中，所述参数值包括所述CT样本的像素值和CT值。
第三方面，本发明实施例还提供基于卷积神经网络的肺癌良恶性判别实现装置，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上述基于卷积神经网络的肺癌良恶性判别方法。
本发明实施例提供了基于卷积神经网络的肺癌良恶性判别方法系统和实现装置，包括获取肺部CT图像，其中，CT图像包括第一CT图像和第二CT图像；将第一CT图像和第二CT图像进行配准，得到第一配准图像和第二配准图像；分别获取第一配准图像和第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；将第一CT样本的第一参数值与第二CT样本的第二参数值作差，得到3D样本；通过多个训练样本训练良恶性判别卷积神经网络，并通过良恶性判别卷积神经网络判定3D样本的良恶性，其中，训练样本为经过病理检测的3D样本。缩短回访时间，能够准确识别肺结节细小差别，进而判别肺结节良恶性。
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为本发明实施例一提供的基于卷积神经网络的肺癌良恶性判别方法流程图；
图2为本发明实施例一提供的基于卷积神经网络的肺癌良恶性判别方法中步骤S140的流程图；
图3为本发明实施例二提供的基于卷积神经网络的肺癌良恶性判别系统结构示意图；
图4为本发明实施例三提供的基于卷积神经网络的肺癌良恶性判别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。
当前，肺结节检测识别并不准确，以至于对发现肺结节的患者来说，需经过较长的时间才能回访检测肺结节，不利于患者及时对恶性的肺结节进行切除。
基于此，本发明实施例提供的基于卷积神经网络的肺癌良恶性判别方法系统和实现装置，可以缩短回访时间，能够准确识别肺结节细小差别，进而判别肺结节良恶性。
为便于对本实施例进行理解，首先对本发明实施例所公开的基于卷积神经网络的肺癌良恶性判别方法系统和实现装置进行详细介绍，
实施例一：
图1为本发明实施例一提供的基于卷积神经网络的肺癌良恶性判别方法流程图。
参照图1，基于卷积神经网络的肺癌良恶性判别方法包括以下步骤：
步骤S110，获取肺部CT图像，其中，CT图像包括第一CT图像和第二CT图像；
步骤S120，将第一CT图像和第二CT图像进行配准，得到第一配准图像和第二配准图像；
步骤S130，分别获取第一配准图像和第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；
步骤S140，将第一CT样本的第一参数值与第二CT样本的第二参数值作差，得到3D样本；
步骤S150，通过多个训练样本训练良恶性判别卷积神经网络，并通过良恶性判别卷积神经网络判定3D样本的良恶性，其中，训练样本为经过病理检测的3D样本。
具体地，通常来说，对于检查出肺结节的患者，需要在三个月后再进行回访，查看肺结节的成长情况，如果结节长大，就可能是恶性的，需要进行切除，但是对于患者来说，三个月的观察期较长，不利于后期及时诊疗，本申请通过计算机对病灶更为敏感的检测，缩短观察时间，对于比较小的结节也能够准确检测，进而通过训练的卷积神经网络判别肺结节的良恶性，使患者无需进行病理检测，即可准确判别肺结节的良恶性；
进一步的，上述实施例基于卷积神经网络的肺癌良恶性判别方法中，步骤S130可采用如下步骤实现，包括：
步骤S210，分别通过自动检测或手动勾选出第一配准图像和第二配准图像中的病灶位置，得到第一CT样本和第二CT样本，其中，CT样本为包裹病灶位置的最小立方体积。
这里，判断病灶位置有两种方式：医生手动勾画病灶位置和计算机自动诊断系统检测病灶位置；
其中，经过前后两次检测后，就得到包裹病灶位置的最小的立方体第一CT样本和第二CT样本；
具体地，针对同一病人经过配准的同一病灶位置的前后两次配准图像，得到第一CT样本和第二CT样本；
其中，若病人具有多个病灶，则针对每个病灶都按照上述方式进行检测；
进一步的，如图2所示，上述实施例基于卷积神经网络的肺癌良恶性判别方法中，步骤S140可采用如下步骤实现，包括：
步骤S310，分别获取第一CT样本的第一参数值与第二CT样本的第二参数值；
步骤S320，将第一参数值与第二参数值作差，得到3D样本，其中，参数值包括CT样本的像素值和CT值。
其中，3D样本为一个能够将前后两次CT样本中病灶位置3D都能够包括进去的最小立方体；
这里，CT值是从CT窗进行观察CT图像进而获得的；
进一步的，上述实施例基于卷积神经网络的肺癌良恶性判别方法中，步骤S150可采用如下步骤实现，包括：
步骤S410，将多个3D样本经过病理检测，得到训练样本；
步骤S420，通过训练样本训练良恶性判别卷积神经网络；
步骤S430，通过良恶性判别卷积神经网络判定3D样本的良恶性。
具体地，将有病理结果的(即进行过病理检测的)多个3D样本作为训练样本，训练出良恶性判别卷积神经网络，再通过该网络就可判别未经过病理检测的3D样本的良恶性，通过本申请提供的方法，无需再对患者进行病理活检，无需再次开刀就能检测出肺结节的良恶性；
进一步的，在步骤S110获取肺部CT图像之前，还包括：
步骤S510，从已有肺叶CT图像中选取基准图像；
步骤S520，在基准图像中标注关键点；
步骤S530，根据关键点和基准图像训练卷积神经网络。
具体地，从已有的肺叶CT图像中分别选取横截面和冠状面的基准图像，并在基准图像中标注多个关键点，再根据标注的关键点和基准图像训练卷积神经网络；
这里，由于两次CT检查的CT图像、设备参数都可能不同，所以需要首先对CT图像的数据进行配准，其中，配准的方法有很多，本申请采用肺结节定位方法进行配准，使前后两次肺部检查的区域重叠；
进一步的，上述实施例基于卷积神经网络的肺癌良恶性判别方法中，步骤S120可采用如下步骤实现，包括：
步骤S610，获取卷积神经网络、第一CT图像和第二CT图像；
步骤S620，通过卷积神经网络将第一CT图像和第二CT图像进行配准，得到第一配准图像和第二配准图像。
其中，第一CT图像和第二CT图像为病人前后两次检测的肺结节图像，通过上述建立的卷积神经网络进行配准；
这里，CT图像是3D图像，通过前后两次检查并配准的CT影像，就能够将3D病灶区域检测出来；
进一步的，上述基于卷积神经网络的肺癌良恶性判别方法实施例中，步骤S620还可采用以下步骤实现，包括：
步骤S710，通过卷积神经网络分别检测出第一CT图像和第二CT图像的多个第一关键点坐标和多个第二关键点坐标；
步骤S720，将多个第二关键点坐标转换到多个第一关键点坐标的三维空间，得到第一配准图像和第二配准图像。
本发明实施例提供了基于卷积神经网络的肺癌良恶性判别方法系统和实现装置，包括获取肺部CT图像，其中，CT图像包括第一CT图像和第二CT图像；将第一CT图像和第二CT图像进行配准，得到第一配准图像和第二配准图像；分别获取第一配准图像和第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；将第一CT样本的第一参数值与第二CT样本的第二参数值作差，得到3D样本；通过多个训练样本训练良恶性判别卷积神经网络，并通过良恶性判别卷积神经网络判定3D样本的良恶性，其中，训练样本为经过病理检测的3D样本。缩短回访时间，能够准确识别肺结节细小差别，进而判别肺结节良恶性。
实施例二：
图3为本发明实施例二提供的基于卷积神经网络的肺癌良恶性判别系统结构示意图。
参照图3，基于卷积神经网络的肺癌良恶性判别系统包括：
第一获取单元，用于获取肺部CT图像，其中，CT图像包括第一CT图像和第二CT图像；
配准单元，用于将第一CT图像和第二CT图像进行配准，得到第一配准图像和第二配准图像；
第二获取单元，用于分别获取第一配准图像和第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；
处理单元，用于将第一CT样本的第一参数值与第二CT样本的第二参数值作差，得到3D样本；
训练单元，用于通过多个训练样本训练良恶性判别卷积神经网络，并通过良恶性判别卷积神经网络判定3D样本的良恶性，其中，训练样本为经过病理检测的3D样本。
进一步的，处理单元还用于分别获取第一CT样本的第一参数值与第二CT样本的第二参数值，将第一参数值与第二参数值作差，得到3D样本，其中，参数值包括CT样本的像素值和CT值。
本发明实施例提供的基于卷积神经网络的肺癌良恶性判别系统，与上述实施例提供的基于卷积神经网络的肺癌良恶性判别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。
实施例三：
图4为本发明实施例三提供的基于卷积神经网络的肺癌良恶性判别实现装置的结构示意图。
参见图4，该设备包括存储器和处理器；其中，存储器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，以实现上述基于卷积神经网络的肺癌良恶性判别方法，该基于卷积神经网络的肺癌良恶性判别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和通信接口，处理器、通信接口和存储器通过总线连接。
其中，存储器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(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(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，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，处理器读取存储器中的信息，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基于卷积神经网络的肺癌良恶性判别方法系统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。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
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)
1.一种基于卷积神经网络的肺癌良恶性判别方法，其特征在于，包括：
获取肺部CT图像，其中，所述CT图像包括第一CT图像和第二CT图像；
将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像；
分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；
将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本；
通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性，其中，所述训练样本为经过病理检测的所述3D样本。
2.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，所述分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到多个第一CT样本和多个第二CT样本包括：
分别通过自动检测或手动勾选出所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本，其中，所述CT样本为包裹所述病灶位置的最小立方体积。
3.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，所述将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本包括：
分别获取所述第一CT样本的第一参数值与所述第二CT样本的第二参数值；
将所述第一参数值与所述第二参数值作差，得到3D样本，其中，所述参数值包括所述CT样本的像素值和CT值。
4.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，所述通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性包括：
将多个所述3D样本经过病理检测，得到训练样本；
通过所述训练样本训练所述良恶性判别卷积神经网络；
通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性。
5.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，在所述获取肺部CT图像之前，还包括：
从已有肺叶CT图像中选取基准图像；
在所述基准图像中标注关键点；
根据所述关键点和所述基准图像训练卷积神经网络。
6.根据权利要求1所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，所述将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像还包括：
获取卷积神经网络、第一CT图像和第二CT图像；
通过所述卷积神经网络将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像。
7.根据权利要求6所述的基于卷积神经网络的肺癌良恶性判别方法，其特征在于，所述通过所述卷积神经网络将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像还包括：
通过所述卷积神经网络分别检测出所述第一CT图像和所述第二CT图像的多个第一关键点坐标和多个第二关键点坐标；
将所述多个第二关键点坐标转换到所述多个第一关键点坐标的三维空间，得到所述第一配准图像和所述第二配准图像。
8.一种基于卷积神经网络的肺癌良恶性判别系统，其特征在于，包括：
第一获取单元，用于获取肺部CT图像，其中，所述CT图像包括第一CT图像和第二CT图像；
配准单元，用于将所述第一CT图像和所述第二CT图像进行配准，得到第一配准图像和第二配准图像；
第二获取单元，用于分别获取所述第一配准图像和所述第二配准图像中的病灶位置，得到第一CT样本和第二CT样本；
处理单元，用于将所述第一CT样本的第一参数值与所述第二CT样本的第二参数值作差，得到3D样本；
训练单元，用于通过多个训练样本训练良恶性判别卷积神经网络，并通过所述良恶性判别卷积神经网络判定所述3D样本的良恶性，其中，所述训练样本为经过病理检测的所述3D样本。
9.根据权利要求8所述的基于卷积神经网络的肺癌良恶性判别系统，其特征在于，所述处理单元还用于分别获取所述第一CT样本的第一参数值与所述第二CT样本的第二参数值，将所述第一参数值与所述第二参数值作差，得到3D样本，其中，所述参数值包括所述CT样本的像素值和CT值。
10.一种基于卷积神经网络的肺癌良恶性判别实现装置，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7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711324448.9A CN108078581B (zh) | 2017-12-12 | 2017-12-12 | 基于卷积神经网络的肺癌良恶性判别系统和实现装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711324448.9A CN108078581B (zh) | 2017-12-12 | 2017-12-12 | 基于卷积神经网络的肺癌良恶性判别系统和实现装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108078581A true CN108078581A (zh) | 2018-05-29 |
| CN108078581B CN108078581B (zh) | 2019-02-12 |
Family
ID=62174094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711324448.9A Active CN108078581B (zh) | 2017-12-12 | 2017-12-12 | 基于卷积神经网络的肺癌良恶性判别系统和实现装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108078581B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109003651A (zh) * | 2018-06-29 | 2018-12-14 | 上海联影医疗科技有限公司 | 病灶报告生成装置和方法 |
| 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 |
| CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
| CN111160812A (zh) * | 2020-02-17 | 2020-05-15 | 杭州依图医疗技术有限公司 | 诊断信息评估方法、显示方法及存储介质 |
| CN111415341A (zh) * | 2020-03-17 | 2020-07-14 | 北京推想科技有限公司 | 肺炎阶段的评估方法、装置、介质及电子设备 |
| CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
| CN115192057A (zh) * | 2022-09-15 | 2022-10-18 | 威海市博华医疗设备有限公司 | 一种基于ct的复合成像方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030018245A1 (en) * | 2001-07-17 | 2003-01-23 | Accuimage Diagnostics Corp. | Methods for generating a lung report |
| CN104885126A (zh) * | 2012-12-27 | 2015-09-02 | 皇家飞利浦有限公司 | 感兴趣组织的计算机辅助识别 |
| CN105872454A (zh) * | 2015-02-05 | 2016-08-17 | 富士通株式会社 | 图像显示设备和图像显示方法 |
| 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 |
| CN106447707A (zh) * | 2016-09-08 | 2017-02-22 | 华中科技大学 | 一种图像实时配准方法及系统 |
| 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 |
| 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 |
| CN107103334A (zh) * | 2017-04-26 | 2017-08-29 | 太原理工大学 | 一种基于卷积神经网络和字典对学习的肺结节分类方法 |
| CN107123137A (zh) * | 2017-04-28 | 2017-09-01 | 上海联影医疗科技有限公司 | 医学图像处理方法及设备 |
| 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
- 2017-12-12 CN CN201711324448.9A patent/CN108078581B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030018245A1 (en) * | 2001-07-17 | 2003-01-23 | Accuimage Diagnostics Corp. | Methods for generating a lung report |
| CN104885126A (zh) * | 2012-12-27 | 2015-09-02 | 皇家飞利浦有限公司 | 感兴趣组织的计算机辅助识别 |
| CN105872454A (zh) * | 2015-02-05 | 2016-08-17 | 富士通株式会社 | 图像显示设备和图像显示方法 |
| 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 |
| CN106447707A (zh) * | 2016-09-08 | 2017-02-22 | 华中科技大学 | 一种图像实时配准方法及系统 |
| 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 |
| 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 |
| CN107103334A (zh) * | 2017-04-26 | 2017-08-29 | 太原理工大学 | 一种基于卷积神经网络和字典对学习的肺结节分类方法 |
| CN107123137A (zh) * | 2017-04-28 | 2017-09-01 | 上海联影医疗科技有限公司 | 医学图像处理方法及设备 |
| 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 (1)
| Title |
|---|
| 伍长荣: "CT图像肺结节计算机辅助检测与诊断技术研究综", 《数据采集与处理》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109003651A (zh) * | 2018-06-29 | 2018-12-14 | 上海联影医疗科技有限公司 | 病灶报告生成装置和方法 |
| 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 |
| CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
| CN110766701B (zh) * | 2019-10-31 | 2020-11-06 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
| CN111160812A (zh) * | 2020-02-17 | 2020-05-15 | 杭州依图医疗技术有限公司 | 诊断信息评估方法、显示方法及存储介质 |
| CN111160812B (zh) * | 2020-02-17 | 2023-08-29 | 杭州依图医疗技术有限公司 | 诊断信息评估方法、显示方法及存储介质 |
| CN111415341A (zh) * | 2020-03-17 | 2020-07-14 | 北京推想科技有限公司 | 肺炎阶段的评估方法、装置、介质及电子设备 |
| CN111657935A (zh) * | 2020-05-11 | 2020-09-15 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
| CN115192057A (zh) * | 2022-09-15 | 2022-10-18 | 威海市博华医疗设备有限公司 | 一种基于ct的复合成像方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108078581B (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108078581B (zh) | 基于卷积神经网络的肺癌良恶性判别系统和实现装置 | |
| CN109754387B (zh) | 一种全身骨显像放射性浓聚灶的智能检测定位方法 | |
| JP2022048246A (ja) | 医用画像分析、決定サポートシステム、および関連するグラフィカルユーザインタフェース（ｇｕｉ）アプリケーションのためのネットワーク | |
| CN102208105B (zh) | 医学图像处理技术 | |
| CN101299966B (zh) | 图像解析装置及方法 | |
| RU2622375C2 (ru) | Система и способ управления запасами грудного молока | |
| CN102138827B (zh) | 图像显示装置 | |
| CN108573279A (zh) | 图像标注方法及终端设备 | |
| CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
| CN102207992A (zh) | 医学图像诊断辅助技术 | |
| CN107122806A (zh) | 一种敏感图像识别方法及装置 | |
| CN108229307A (zh) | 用于物体检测的方法、装置和设备 | |
| JP4504377B2 (ja) | 心臓関連の取得のための自動的な最適面の決定 | |
| CN112767346B (zh) | 基于多影像的全卷积单阶段乳腺图像病灶检测方法及装置 | |
| CN110969623B (zh) | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 | |
| CN109242838A (zh) | 测量骨盆x光片中中心边缘角的方法、系统、设备及介质 | |
| Lavini et al. | Model‐based, semiquantitative and time intensity curve shape analysis of dynamic contrast‐enhanced MRI: A comparison in patients undergoing antiangiogenic treatment for recurrent glioma | |
| CN103037771A (zh) | 超声波诊断装置以及超声波诊断方法 | |
| Alsheh Ali et al. | Detection of potential microcalcification clusters using multivendor for‐presentation digital mammograms for short‐term breast cancer risk estimation | |
| Zuluaga et al. | Voxelwise atlas rating for computer assisted diagnosis: Application to congenital heart diseases of the great arteries | |
| CN109242837A (zh) | 测量骨盆x光片中颈干角的方法、系统、设备及存储介质 | |
| KR102150682B1 (ko) | 특이점 분류 장치 및 분류 방법 | |
| WO2008036372A2 (en) | Method and system for lymph node segmentation in computed tomography images | |
| JPWO2019146358A1 (ja) | 学習システム、方法及びプログラム | |
| US7747053B2 (en) | Image diagnosis supporting system and method |
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: 100043 10, 1001, 1002, 1 building, 54 Shijingshan Road, Shijingshan District, Beijing. 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. |
|
| CB03 | Change of inventor or designer information |
Inventor after: Wang Fang Inventor after: Hu Fei Inventor before: Hu Fei Inventor before: Wang Fang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Fang Inventor after: Hu Fei Inventor after: Xue Xinying Inventor before: Wang Fang Inventor before: Hu Fei |
|
| CB03 | Change of inventor or designer information |