CN108154468B - 肺结节探测方法、应用服务器及计算机可读存储介质 - Google Patents
肺结节探测方法、应用服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108154468B CN108154468B CN201810029621.0A CN201810029621A CN108154468B CN 108154468 B CN108154468 B CN 108154468B CN 201810029621 A CN201810029621 A CN 201810029621A CN 108154468 B CN108154468 B CN 108154468B
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- picture
- net network
- dimensional
- 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.)
- Active
Links
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 210000004072 lung Anatomy 0.000 claims abstract description 60
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000008602 contraction Effects 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 2
- 238000000034 method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种肺结节探测方法，该方法包括：接收终端设备发送的肺部图片；对所述肺部图片预处理，以将所述肺部图片转换成三维图；构建U‑NET网络；将所述预处理后的三维图作为所述U‑NET网络结构的输入训练所述U‑NET网络，以输出凸显肺结节区域的图像；将所述凸显肺结节区域的图像反馈至终端设备。本发明还提供一种应用服务器及计算机可读存储介质。本发明提供的肺结节探测方法、应用服务器及计算机可读存储介质能够快速定位肺结节区域，减轻医生的压力。
Description
技术领域
本发明涉及医学图像分析技术领域，尤其涉及一种肺结节探测方法、应用服务器及计算机可读存储介质。
背景技术
中国是肺癌全球死亡人数最多的国家，肺癌发病率的不断增加与人口老龄化、城市工业化、农村城市化、环境污染化以及生活方式不良化等因素有关。肺癌早期诊断对患者的资料和预后有着重要的作用。肺癌早期主要表现为肺结节，肺部细胞增生或异物都会导致肺结节的产生，在日益变差的环境中，越来越多的人肺部产生了肺结节。现如今，肺结节已经是目前非常常见的一种症状，很多年轻人都会去医院今早摘除肺结节。然而在临床中，结节的检测一般是由医生根据经验进行肉眼判断，工作强度很大。
发明内容
有鉴于此，本发明提出一种肺结节探测方法、应用服务器及计算机可读存储介质，以解决如何方便地进行结节检测的问题。
首先，为实现上述目的，本发明提出一种肺结节探测方法，该方法包括步骤：
接收终端设备发送的肺部图片；
对所述肺部图片预处理，以将所述肺部图片转换成三维图；
构建U-NET网络，并完成所述U-NET网络的训练；
将所述预处理后的三维图作为所述U-NET网络结构的输入训练所述U-NET网络，以输出凸显肺结节区域的图像；
将所述凸显肺结节区域的图像反馈至终端设备。
可选地，所述对所述肺部图片预处理，以将所述肺部图片转换成三维图的步骤，具体包括：
切除所述图片上下与外界连接的切片；
使用-600HU作为阈值将所述肺部图片转换成0-1三维图，其中所述0-1三维图包含有凹陷洞；
以所述切片达到的中心的平均距离为依据，弥补所有凹陷洞；
将所述三维图的图像像素值修改至[-1200,600]，再缩放至[0,255]。
可选地，所述方法还包括如下步骤：
将所述三维图转换成128*128*128的正方体三维图。
可选地，将所述预处理后的三维图作为所述已经完成训练的U-NET网络结构的输入，以输出凸显肺结节区域的图像的步骤，具体包括如下步骤：
设置参考值(ground truth)；
判断三维图像与所述参考值是否重合；
重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本；
利用U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理。
可选地，利用U-net网络对已经区分正负样本的图像进行Hard NegativeMining处理的步骤，具体包括如下步骤：
将所述输入的128*128*128的正方体三维图经过4次卷积和最大池化之后再经过2次去卷积得到32*32*32的概率图；
在每个去卷积前加入新的分支，每个分支经过相应的去卷积层也输出32*32*32的概率图；
将所有概率图同时进行反向传播，以减小相同敏感度下假阳性的大小，凸显肺结节结构。
此外，为实现上述目的，本发明还提供一种应用服务器，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的肺结节探测系统，所述肺结节探测系统被所述处理器执行时实现如下步骤：
接收终端设备发送的肺部图片；
对所述肺部图片预处理，以将所述肺部图片转换成三维图；
构建U-NET网络，并完成所述U-NET网络的训练；
将所述预处理后的三维图作为所述已经训练完成的U-NET网络结构的输入，以输出凸显肺结节区域的图像；
将所述凸显肺结节区域的图像反馈至终端设备。
可选地，所述对所述肺部图片预处理，以将所述肺部图片转换成三维图的步骤，具体包括：
切除所述图片上下与外界连接的切片；
使用-600HU作为阈值将所述肺部图片转换成0-1三维图，其中，所述0-1三维图包含有凹陷洞；
以所述切片达到的中心的平均距离为依据，弥补所有小的凹陷洞；
将所述三维图的图像像素值修改至[-1200,600]，再缩放至[0,255]；
将所述三维图转换成128*128*128的正方体三维图。
可选地，将所述预处理后的三维图作为所述已经训练完成的U-NET网络结构的输入，以输出凸显肺结节区域的图像的步骤，具体包括如下步骤：
设置参考值(ground truth)；
判断三维图像与所述参考值是否重合；
重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本；
利用U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理。
可选地，利用U-net网络对已经区分正负样本的图像进行Hard NegativeMining处理的步骤，具体包括如下步骤：
将所述输入的128*128*128的正方体三维图经过4次卷积和最大池化之后再经过2次去卷积得到32*32*32的概率图；
在每个去卷积前加入新的分支，每个分支经过相应的去卷积层也输出32*32*32的概率图；
将所有概率图同时进行反向传播，以减小相同敏感度下假阳性的大小，凸显肺结节结构。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有肺结节探测系统，所述肺结节探测系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的肺结节探测方法的步骤。
相较于现有技术，本发明所提出的肺结节探测方法、应用服务器及计算机可读存储介质，，首先，接收终端设备发送的肺部图片；接着，对所述肺部图片预处理，以将所述肺部图片转换成三维图；进一步地，构建U-NET网络结构；然后，将所述预处理后的三维图作为所述U-NET网络结构的输入训练所述U-NET网络，以输出凸显肺结节区域的图像；最后，将所述凸显肺结节区域的图像反馈至终端设备，以协助医生快速从输出图像在中定位到肺结节，减轻医生的压力。
附图说明
图1是本发明各个实施例一可选的应用环境示意图；
图2是图1中应用服务器一可选的硬件架构的示意图；
图3是本发明肺结节探测系统第一实施例的程序模块示意图；
图4是本发明肺结节探测系统一实施例的U-NET网络结构示意图；
图5是本发明肺结节探测系统第二实施例的程序模块示意图；
图6是本发明肺结节探测方法第一实施例的流程示意图；
图7是本发明肺结节探测方法第二实施例的流程示意图；
附图标记：
| 终端设备 | 1 |
| 应用服务器 | 2 |
| 网络 | 3 |
| 存储器 | 11 |
| 处理器 | 12 |
| 网络接口 | 13 |
| 肺结节探测系统 | 200 |
| 接收模块 | 201 |
| 转换模块 | 202 |
| 构建模块 | 203 |
| 训练模块 | 204 |
| 反馈模块 | 205 |
| 设置模块 | 206 |
| 判断模块 | 207 |
| 处理模块 | 208 |
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1所示，是本发明各个实施例一可选的应用环境示意图。
在本实施例中，本发明可应用于包括，但不仅限于，终端设备1、应用服务器2、网络3的应用环境中。其中，所述终端设备1可以是电子计算机断层扫描设备、核磁共振设备、X线机等医学扫描设备。所述应用服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该应用服务器2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。所述网络3可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中，所述应用服务器2通过所述网络3分别与一个或多个所述终端设备1通信连接，以进行数据传输和交互。
在本实施例中，所述终端设备1包括医院对应的终端设备1。
参阅图2所示，是本发明应用服务器2一可选的硬件架构的示意图。
本实施例中，所述应用服务器2可包括，但不仅限于，可通过系统总线相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-13的应用服务器2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述应用服务器2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该应用服务器2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述应用服务器2的内部存储单元，例如该应用服务器2的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述应用服务器2的外部存储设备，例如该应用服务器2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器11还可以既包括所述应用服务器2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述应用服务器2的操作系统和各类应用软件，例如肺结节探测系统200的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述应用服务器2的总体操作。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述的肺结节探测系统200等。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述应用服务器2与其他电子设备之间建立通信连接。
至此，己经详细介绍了本发明相关设备的硬件结构和功能。下面，将基于上述介绍提出本发明的各个实施例。
首先，本发明提出一种肺结节探测系统200。
参阅图3所示，是本发明肺结节探测系统200第一实施例的程序模块图。
本实施例中，所述肺结节探测系统200包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明各实施例的肺结节探测操作。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，肺结节探测系统200可以被划分为一个或多个模块。例如，在图3中，所述肺结节探测系统200可以被分割成接收模块201、转换模块202、构建模块203、训练模块204及反馈模块205。其中：
所述接收模块201，用于接收终端设备1发送的肺部图片；
具体地，所述肺部图片为肺部CT图片，所述应用服务器2与终端设备1建立长连接，在本实施例中，所述终端设备1为CT拍摄设备。当终端设备1拍摄完患者的肺部CT图片时，将所述CT图片发送至所述应用服务器2，所述应用服务器2通过所述接收模块201接收所述肺部CT图片。
所述转换模块202，用于对所述肺部图片预处理，以将所述肺部图片转换成三维图。
具体地，由于CT图片一般会有些切片与外界相连接，为了避免外界图片的干扰，所述应用服务器2通过所述转换模块202，首先切除所述肺部CT图片上下与外界连接的切片；进而，使用-600HU作为阈值将所述肺部CT图片转换成0-1三维图像，在本实施例中，采用大津法(OTSU)计算所述肺部CT的最优阈值；接着，以所述三维图区块的大小即切片达到的中心的平均距离为依据，弥补所有小的凹陷洞；最后将所述三维图的图像像素值修改至[-1200,600]，再缩放至[0,255]。非肺部区域的像素点设置为170。通过处理可以消除后续图片处理中的噪音，例如骨头的亮斑，CT床的金属线条。
所述构建模块203，用于构建U-NET网络结构；
具体地，请一并参阅附图4，附图4为本发明U-NET网络结构示意图。所述三维图作为U-NET网络结构的输入，U-NET网络结构对所述三维图进行处理。具体地，U-NET网络结构通过一个收缩网络以及一个扩张网络，构成了一个U型结构，对图片进行特征提取，U-NET网络一共由23个卷积层构成。收缩网络主要负责下采样的工作，提取高维特征信息，每一次下采样包含两个的3x3的卷积操作，一个2x2的池化操作，通过修正线性单元(rectifiedlinear unit,ReLU)作为激活函数，每一次下采样，图片大小变为原来的1/2，特征数量变为原来的2倍。扩张网络主要负责上采样的工作，每一次上采样包含两个3x3的卷积操作，通过修正线性单元作为激活函数。每一次上采样，图片大小变为原来的2倍，特征数量变为原来的1/2。在上采样操作中，将每一次的输出特征与相映射的收缩网络的特征合并在一起，补全中间丢失的边界信息。
所述训练模块204，用于训练所述U-NET网络，并将所述预处理后的三维图作为已经训练完成的U-NET网络结构的输入，以输出凸显肺结节区域的图像。
具体地，在本实施例中，限于GPU存储大小，所述应用服务器还通过所述转换模块202将所述三维图转换成128*128*128的正方体作为所述U-NET网络结构的输入。为了能够在CT图中快速探测肺结节，70％的输入正方体中保证拥有一个结节，剩下的30％采取随机裁剪，使样本中包含背景样本。大型肺结节相较于小型肺结节而言数量较少。所以在去样本的时候，对于直径大于30mm，40mm的结节样本扩充2,6倍，最后经过已经训练完成的U-NET网络输出凸显肺结节区域的图像。
所述反馈模块205，用于将所述凸显肺结节区域的图像反馈至终端设备。
具体地，所述应用服务器2通过所述反馈模块205将所述凸显肺结节区域的图像反馈至终端设备1的显示界面，以协助医生快速从输出图像在中定位到肺结节。
通过上述程序模块201-204，本发明所提出的肺结节探测系统200，首先，接收终端设备1发送的肺部图片；接着，对所述肺部图片预处理，以将所述肺部图片转换成三维图；进一步地，构建U-NET网络结构；然后，将所述预处理后的三维图作为所述U-NET网络结构的输入训练所述U-NET网络，以输出凸显肺结节区域的图像；最后，将所述凸显肺结节区域的图像反馈至终端设备，以协助医生快速从输出图像在中定位到肺结节，减轻医生的压力。
参阅图5所示，是本发明肺结节探测系统200第二实施例的程序模块图。本实施例中，所述的肺结节探测系统200除了包括第一实施例中的所述接收模块201、转换模块202、构建模块203、训练模块204及反馈模块205之外，还包括设置模块206、判断模块207及处理模块208。
所述设置模块205，用于设置参考值(ground truth)。
所述判断模块206，用于判断所述三维图像与所述参考值是否重合，当重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本。
具体地，在本实施例中，利用IOU(重合度)决定正负样本，重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本。在实际应用在中，正样本的数量远远小于负样本，这样会出现许多false positive，把其中得分较高的这些falsepositive当做所谓的Hard negative。
因此，所述应用服务器2还通过所述处理模块208，利用U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理，从而加强判别假阳性肺结节的能力。
具体地，所述应用服务器2将所述输入至所述U-NET网络机构的128*128*128的正方体三维图经过4次卷积(convolution)及最大池化(maxpooling)之后再经过2次去卷积(deconvolution)得到32*32*32的概率图；进而在每个去卷积(deconvolution)前加入新的分支，每个分支经过相应的去卷积(deconvolution)层也输出32*32*32的概率图；最后将所有概率图同时进行反向传播，以减小相同敏感度下假阳性的大小，凸显肺结节结构。
通过上述程序模块206-208，本发明所提出的肺结节探测系统200，还能够用于设置参考值(ground truth)，并判断所述三维图像与所述参考值是否重合，当重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本，U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理，从而加强判别假阳性肺结节的能力。
此外，本发明还提出一种肺结节探测方法。
参阅图6所示，是本发明肺结节探测方法第一实施例的流程示意图。在本实施例中，根据不同的需求，图6所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
步骤S501，接收终端设备1发送的肺部图片；
具体地，所述肺部图片为肺部CT图片，所述应用服务器2与终端设备1建立长连接，在本实施例中，所述终端设备1为CT拍摄设备。当终端设备1拍摄完患者的肺部CT图片时，将所述CT图片发送至所述应用服务器2，所述应用服务器2接收所述肺部CT图片。
步骤S502，对所述肺部图片预处理，以将所述肺部图片转换成三维图。
具体地，由于CT图片一般会有些切片与外界相连接，为了避免外界图片的干扰，所述应用服务器2，首先切除所述肺部CT图片上下与外界连接的切片；进而，使用-600HU作为阈值将所述肺部CT图片转换成0-1三维图像，在本实施例中，采用大津法(OTSU)计算所述肺部CT的最优阈值；接着，以所述三维图区块的大小即切片达到的中心的平均距离为依据，弥补所有小的凹陷洞；最后将所述三维图的图像像素值修改至[-1200,600]，再缩放至[0,255]。非肺部区域的像素点设置为170。通过处理可以消除后续图片处理中的噪音，例如骨头的亮斑，CT床的金属线条。
步骤S503，构建U-NET网络结构；
具体地，请一并参阅附图4，附图4为本发明肺结节探测系统200一实施例的U-NET网络结构示意图。所述三维图作为U-NET网络结构的输入，U-NET网络结构对所述三维图进行处理。具体地，U-NET网络结构通过一个收缩网络以及一个扩张网络，构成了一个U型结构，对图片进行特征提取，U-NET网络一共由23个卷积层构成。收缩网络主要负责下采样的工作，提取高维特征信息，每一次下采样包含两个的3x3的卷积操作，一个2x2的池化操作，通过修正线性单元(rectified linear unit,ReLU)作为激活函数，每一次下采样，图片大小变为原来的1/2，特征数量变为原来的2倍。扩张网络主要负责上采样的工作，每一次上采样包含两个3x3的卷积操作，通过修正线性单元作为激活函数。每一次上采样，图片大小变为原来的2倍，特征数量变为原来的1/2。在上采样操作中，将每一次的输出特征与相映射的收缩网络的特征合并在一起，补全中间丢失的边界信息。
步骤S504，将所述预处理后的三维图作为已经训练完成的U-NET网络结构的输入，以输出凸显肺结节区域的图像。
具体地，在本实施例中，限于GPU存储大小，所述应用服务器还通过所述转换模块202将所述三维图转换成128*128*128的正方体作为所述U-NET网络结构的输入。为了能够在CT图中快速探测肺结节，70％的输入正方体中保证拥有一个结节，剩下的30％采取随机裁剪，使样本中包含背景样本。大型肺结节相较于小型肺结节而言数量较少。所以在去样本的时候，对于直径大于30mm，40mm的结节样本扩充2,6倍，最后经过训练的U-NET网络输出凸显肺结节区域的图像。
步骤S505，将所述凸显肺结节区域的图像反馈至终端设备。
具体地，所述应用服务器2通过所述反馈模块205将所述凸显肺结节区域的图像反馈至终端设备1的显示界面，以协助医生快速从输出图像在中定位到肺结节。
通过上述步骤S501-S505，本发明所提出的肺结节探测方法，首先，接收终端设备1发送的肺部图片；接着，对所述肺部图片预处理，以将所述肺部图片转换成三维图；进一步地，构建U-NET网络结构；然后，将所述预处理后的三维图作为所述U-NET网络结构的输入训练所述U-NET网络，以输出凸显肺结节区域的图像；最后，将所述凸显肺结节区域的图像反馈至终端设备，以协助医生快速从输出图像在中定位到肺结节，减轻医生的压力。
如图7所示，是本发明肺结节探测方法的第二实施例的流程示意图。本实施例中，第一实施例中的将所述预处理后的三维图作为所述U-NET网络结构的输入训练所述U-NET网络，以输出凸显肺结节区域的图像的步骤，具体包括如下步骤：
步骤S601，设置参考值(ground truth)。
步骤S602，判断所述三维图像与所述参考值是否重合，当重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本。
具体地，在本实施例中，利用IOU(重合度)决定正负样本，重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本。在实际应用在中，正样本的数量远远小于负样本，这样会出现许多false positive，把其中得分较高的这些falsepositive当做所谓的Hard negative。
步骤S603，利用U-net网络对已经区分正负样本的图像进行Hard NegativeMining处理，从而加强判别假阳性肺结节的能力。
具体地，所述应用服务器2将所述输入至所述U-NET网络机构的128*128*128的正方体三维图经过4次卷积(convolution)及最大池化(maxpooling)之后再经过2次去卷积(deconvolution)得到32*32*32的概率图；进而在每个去卷积(deconvolution)前加入新的分支，每个分支经过相应的去卷积(deconvolution)层也输出32*32*32的概率图；最后将所有概率图同时进行反向传播，以减小相同敏感度下假阳性的大小，凸显肺结节结构。
通过上述步骤S601-S603，本发明所提出的肺结节探测方法，还能够用于设置参考值(ground truth)，并判断所述三维图像与所述参考值是否重合，当重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本，U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理，从而加强判别假阳性肺结节的能力。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种肺结节探测方法，应用于应用服务器，其特征在于，所述方法包括步骤：
接收终端设备发送的肺部图片；
对所述肺部图片预处理，以将所述肺部图片转换成128*128*128的正方体三维图；
构建U-NET网络，并完成所述U-NET网络的训练；所述U-NET网络结构通过一个收缩网络以及一个扩张网络，构成了一个U型结构，对所述三维图进行特征提取，所述U-NET网络一共由23个卷积层构成；所述收缩网络负责下采样的工作，提取高维特征信息，每一次下采样包含两个3x3的卷积操作，一个2x2的池化操作，通过修正线性单元作为激活函数，每一次下采样，图片大小变为原来的1/2，特征数量变为原来的2倍；所述扩张网络主要负责上采样的工作，每一次上采样包含两个3x3的卷积操作，通过修正线性单元作为激活函数，每一次上采样，图片大小变为原来的2倍，特征数量变为原来的1/2；在上采样操作中，将每一次的输出特征与相映射的收缩网络的特征合并在一起，补全中间丢失的边界信息；
将所述预处理后的128*128*128的正方体三维图作为训练完成的U-NET网络结构的输入，以输出凸显肺结节区域的图像；
将所述凸显肺结节区域的图像反馈至终端设备；
所述将所述预处理后的128*128*128的正方体三维图作为训练完成的U-NET网络结构的输入，以输出凸显肺结节区域的图像的步骤，包括：
设置参考值；
判断128*128*128的正方体三维图与所述参考值是否重合；
重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本；
利用U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理；
所述利用U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理的步骤，包括：
将所述输入的128*128*128的正方体三维图经过4次卷积及池化之后再经过2次去卷积得到32*32*32的概率图；
在每个去卷积前加入新的分支，每个分支经过相应的去卷积层也输出32*32*32的概率图；
将所有概率图同时进行反向传播，以减小相同敏感度下假阳性的大小，凸显肺结节结构。
2.如权利要求1所述的肺结节探测方法，其特征在于，所述对所述肺部图片预处理，以将所述肺部图片转换成128*128*128的正方体三维图的步骤，具体包括：
切除所述图片上下与外界连接的切片；
使用-600HU作为阈值将所述肺部图片转换成0-1三维图，其中所述0-1三维图包含有凹陷洞；
以所述切片达到的中心的平均距离为依据，弥补所有凹陷洞；
将所述三维图的图像像素值修改至[-1200,600]，再缩放至[0,255]。
3.一种应用服务器，其特征在于，所述应用服务器包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的肺结节探测系统，所述肺结节探测系统被所述处理器执行时实现如下步骤：
接收终端设备发送的肺部图片；
对所述肺部图片预处理，以将所述肺部图片转换成128*128*128的正方体三维图；
构建U-NET网络，并完成所述U-NET网络的训练；所述U-NET网络结构通过一个收缩网络以及一个扩张网络，构成了一个U型结构，对所述三维图进行特征提取，所述U-NET网络一共由23个卷积层构成；所述收缩网络负责下采样的工作，提取高维特征信息，每一次下采样包含两个3x3的卷积操作，一个2x2的池化操作，通过修正线性单元作为激活函数，每一次下采样，图片大小变为原来的1/2，特征数量变为原来的2倍；所述扩张网络主要负责上采样的工作，每一次上采样包含两个3x3的卷积操作，通过修正线性单元作为激活函数，每一次上采样，图片大小变为原来的2倍，特征数量变为原来的1/2；在上采样操作中，将每一次的输出特征与相映射的收缩网络的特征合并在一起，补全中间丢失的边界信息；
将所述预处理后的128*128*128的正方体三维图作为训练完成的U-NET网络结构的输入，以输出凸显肺结节区域的图像；
将所述凸显肺结节区域的图像反馈至终端设备；
所述将所述预处理后的128*128*128的正方体三维图作为训练完成的U-NET网络结构的输入，以输出凸显肺结节区域的图像的步骤，包括：
设置参考值；
判断128*128*128的正方体三维图与所述参考值是否重合；
重合度大于所述参考值的为图像正样本，重合度小于所述参考值的为图像负样本；
利用U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理；
所述利用U-net网络对已经区分正负样本的图像进行Hard Negative Mining处理的步骤，包括：
将所述输入的128*128*128的正方体三维图经过4次卷积及池化之后再经过2次去卷积得到32*32*32的概率图；
在每个去卷积前加入新的分支，每个分支经过相应的去卷积层也输出32*32*32的概率图；
将所有概率图同时进行反向传播，以减小相同敏感度下假阳性的大小，凸显肺结节结构。
4.如权利要求3所述的应用服务器，其特征在于，所述对所述肺部图片预处理，以将所述肺部图片转换成128*128*128的正方体三维图的步骤，具体包括：
切除所述图片上下与外界连接的切片；
使用-600HU作为阈值将所述肺部图片转换成0-1三维图，其中，所述0-1三维图包含有凹陷洞；
以所切片达到的中心的平均距离为依据，弥补所有小的凹陷洞；
将所述三维图的图像像素值修改至[-1200,600]，再缩放至[0,255]；
将所述三维图转换成128*128*128的正方体三维图。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有肺结节探测系统，所述肺结节探测系统可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-2中任一项所述的肺结节探测方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810029621.0A CN108154468B (zh) | 2018-01-12 | 2018-01-12 | 肺结节探测方法、应用服务器及计算机可读存储介质 |
| PCT/CN2018/090911 WO2019136922A1 (zh) | 2018-01-12 | 2018-06-12 | 肺结节探测方法、应用服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810029621.0A CN108154468B (zh) | 2018-01-12 | 2018-01-12 | 肺结节探测方法、应用服务器及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108154468A CN108154468A (zh) | 2018-06-12 |
| CN108154468B true CN108154468B (zh) | 2022-03-01 |
Family
ID=62461459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810029621.0A Active CN108154468B (zh) | 2018-01-12 | 2018-01-12 | 肺结节探测方法、应用服务器及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108154468B (zh) |
| WO (1) | WO2019136922A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109285157A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 左心室心肌分割方法、装置及计算机可读存储介质 |
| CN109308695A (zh) * | 2018-09-13 | 2019-02-05 | 镇江纳兰随思信息科技有限公司 | 基于改进U-net卷积神经网络模型的癌细胞识别方法 |
| CN109271992A (zh) * | 2018-09-26 | 2019-01-25 | 上海联影智能医疗科技有限公司 | 一种医学图像处理方法、系统、装置和计算机可读存储介质 |
| 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 |
| KR102378746B1 (ko) * | 2019-08-16 | 2022-03-25 | 서울여자대학교 산학협력단 | 의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
| 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 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7386165B2 (en) * | 2004-02-06 | 2008-06-10 | Siemens Medical Solutions Usa, Inc. | System and method for a sparse kernel expansion for a Bayes classifier |
| JP7109044B2 (ja) * | 2015-04-20 | 2022-07-29 | シューレース ワイヤレス，インコーポレイテッド | 改善されたモバイルインターネットの速度およびセキュリティのためのシステム |
| WO2017210690A1 (en) * | 2016-06-03 | 2017-12-07 | Lu Le | Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans |
| GB201709672D0 (en) * | 2017-06-16 | 2017-08-02 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
| CN107527069A (zh) * | 2017-08-22 | 2017-12-29 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
-
2018
- 2018-01-12 CN CN201810029621.0A patent/CN108154468B/zh active Active
- 2018-06-12 WO PCT/CN2018/090911 patent/WO2019136922A1/zh active Application Filing
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 |
| CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| Evaluate the Malignancy of Pulmonary Nodules Using the 3D Deep Leaky Noisy-or Network;Fangzhou Liao 等;《arXiv preprint arXiv:1711.08324》;20171122;第1-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108154468A (zh) | 2018-06-12 |
| WO2019136922A1 (zh) | 2019-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108154468B (zh) | 肺结节探测方法、应用服务器及计算机可读存储介质 | |
| CN111932482B (zh) | 图像中目标物的检测方法、装置、电子设备及存储介质 | |
| CN111107783B (zh) | 用于计算机辅助分诊的方法和系统 | |
| CN107665491B (zh) | 病理图像的识别方法及系统 | |
| CN110838125B (zh) | 医学图像的目标检测方法、装置、设备、存储介质 | |
| CN109754389B (zh) | 一种图像处理方法、装置及设备 | |
| CN108764039B (zh) | 神经网络、遥感影像的建筑物提取方法、介质及计算设备 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
| 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 | |
| EP4394696A1 (en) | Security check ct object recognition method and apparatus | |
| CN108073676B (zh) | 图像检索设备以及图像检索方法 | |
| CN110415237A (zh) | 皮肤瑕疵检测方法、检测装置、终端设备及可读存储介质 | |
| CN111325709A (zh) | 无线胶囊内窥镜图像检测系统及检测方法 | |
| CN113362314A (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
| CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
| CN106652017B (zh) | 三维重建中判断dicom图像文件完整性的方法及装置 | |
| CN111192320A (zh) | 一种位置信息确定方法、装置、设备和存储介质 | |
| CN111028940A (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
| CN105740777A (zh) | 信息处理方法及装置 | |
| CN113256622A (zh) | 基于三维图像的目标检测方法、装置及电子设备 | |
| CN114693642B (zh) | 一种结节匹配方法、装置、电子设备及存储介质 | |
| CN114332128B (zh) | 医学图像处理方法及其装置、电子设备和计算机存储介质 | |
| CN116825269A (zh) | 体检报告的处理方法、装置、电子设备和可读存储介质 | |
| CN116993812A (zh) | 冠脉血管中心线的提取方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |