CN108510489A - 一种基于深度学习的尘肺检测方法与系统 - Google Patents
一种基于深度学习的尘肺检测方法与系统 Download PDFInfo
- Publication number
- CN108510489A CN108510489A CN201810287545.3A CN201810287545A CN108510489A CN 108510489 A CN108510489 A CN 108510489A CN 201810287545 A CN201810287545 A CN 201810287545A CN 108510489 A CN108510489 A CN 108510489A
- Authority
- CN
- China
- Prior art keywords
- images
- dust
- image
- module
- 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.)
- Granted
Links
- 206010035653 pneumoconiosis Diseases 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims description 14
- 210000004072 lung Anatomy 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000003902 lesion Effects 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种尘肺结节的检测方法，包括以下步骤：S1、转化DICOM格式的CT图像为numpy数组格式的肺部图像并读取该CT图像数据信息；S2、进行形态学操作得到只保留肺部实质的实质图像；S3、将实质图像分割成若干个小块的小块图像；S4、将这些小块图像送入卷积神经网络进行尘肺结节的筛选及诊断，并得到检测结果；S5、将检测结果保存为csv格式。本发明通过对CT图像进行转化、形态学操作、筛选，检测尘肺结节的个数以及所在的坐标区域，实现尘肺症状的自动诊断，减少了尘肺鉴别需要大量医疗资源的问题。
Description
技术领域
本发明涉及针对CT图像的尘肺检测技术，特别是涉及一种基于深度学习的尘肺结节检测技术。
背景技术
随着人口数量、肺部医疗需求的不断增加，迫切需要在肺部医疗方面加快结节检测速度与质量。而其中尘肺的诊断鉴别问题尤为突出。传统的尘肺鉴别诊断方法需要对患者进行肺穿刺活检、需要参考患者历次X光线胸片、病例摘要等。
由于尘肺的诊断鉴别需要医生进行多角度、长时间的观察，所以其存在以下缺陷：（1）病人无法立马得到确切的诊断结果，影响生活和工作以及后续的治疗；（2）传统的方法过程复杂，需要医生花费大量的精力；（3）诊断结果主观依赖性强，不同的医生可能有不同的诊断结果。
发明内容
本发明的目的在于提供一种基于深度学习的尘肺结节检测技术，能自动根据肺部的CT图像进行诊断，减少医生的负担。
为了实现上述目的，本发明提供了以下技术方案：
本发明提供一种尘肺结节的检测方法，包括以下步骤：
S1、转化DICOM格式的CT图像为numpy数组格式的肺部图像并读取该CT图像数据信息；
S2、进行形态学操作得到只保留肺部实质的实质图像；
S3、将实质图像分割成若干个小块的小块图像；
S4、将这些小块图像送入卷积神经网络进行尘肺结节的筛选及诊断，并得到检测结果；
S5、将检测结果保存为csv格式。
其中，步骤S1中，numpy数组的各个维度为n、h、w，n代表图像的通道，h代表图像的高度，w代表图像的宽度；CT图像数据信息指的是DICOM格式数据中的病人信息及CT图像的长和宽及图片像素之间的间隔信息。
步骤S2中，形态学操作的具体操作步骤如下：
S2.1、使用大小为450的阈值，得到肺部图像的二值图像；
S2.2、清除二值图像中的连接到边缘的点；
S2.3、只保留步骤S2.2所得到的图像中的两大轮廓，即左右肺部实质；具体为，找到并保留该图像中面积最大的两个区域，该区域由相邻的值为1的像素点构成；
S2.4、对步骤S2.3所得到的图像进行腐蚀操作，再进行闭运算，再进行填充空洞；然后，以得到的图像作为掩膜，处理未进行步骤S2的肺部图像输出相应的实质图像；其中，采用掩膜处理肺部图像的过程为，将掩膜与肺部图像中的每个像素一一对应，若掩膜中的某像素点值为0，则将图像中的这个像素点的值置为0。
步骤S3中，实质图像分割的具体分割步骤如下：
S3.1、对实质图像进行填充使得宽和高符合分割标准；
S3.2、按照每一小块边长64及步长64进行分割；
S3.3、返回分割好的小块图像数组，得到小块图像。
步骤S4中，卷积神经网络的模型包括特征图产生、模块筛选模块和尘肺诊断模块，具体内容如下：
特征图产生模块使用残差神经网络，输出的特征图f1的通道为512，该特征图f1的宽和高均为送入神经网络的小块图像的宽和高的1/8；
筛选模块的输入为特征图产生模块的输出，进行一次卷积，得到通道为512、宽高为分割后的小块图片1/16的特征图f2，从中得到h/16*h/16个512维的特征向量送入分类器进行分类，每一个512维特征向量对应分割后的小块图片的的1/16的信息，进而，分类器判断特征图f2区域中是否有尘肺结节，若有尘肺结节则对特征图产生模块的输出进行标注，将含尘肺结节的特征图f2区域标注在特征图f1中；
尘肺诊断模块的输入是被筛选模块标注的特征图产生模块的输出，进行一次卷积操作，得到维度为512维长和宽为1的特征图f3，行一次全卷积，输出特征图f3区域中的尘肺结节的个数以及其在肺部图像中的坐标区域。
与现有技术相比，本发明具有以下优点：
1、本发明通过对CT图像进行转化、形态学操作、筛选，检测尘肺结节的个数以及所在的坐标区域，实现尘肺症状的自动诊断，减少了尘肺鉴别需要大量医疗资源的问题。
2、本发明可以在较短时间内根据胸部CT图像进行诊断，减少了患者的等待时间，为后续的治疗争取了时间。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实施例的检测方法的流程图；
图2为本发明的实施例的检测系统的结构框图；
图3为本发明的实施例的残差块的示意图；
图4为本发明的实施例的Pre模块的示意图；
图5为本发明的实施例的Layer1的示意图；
图6为本发明的实施例的神经网络模型的示意图。
具体实施方式
以下结合附图对本发明的实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1所示，本实施例1提供的一种基于深度学习的尘肺结节检测方法，包括以下步骤：
步骤S1、CT机扫描出一个患者完整的胸部图像，启动图像转化程序，转化DICOM格式的CT图像为numpy数组格式的肺部图像并读取该CT图像数据信息。
步骤1中，CT图像信息指的是DICOM格式数据中的病人信息及CT图的长和宽及图片像素之间的间隔。numpy数组的各个维度为n,h,w。n代表图像的通道，h代表图像的高度，w代表图像的宽度。
步骤S2、进行形态学操作得到只保留肺部实质的实质图像。
步骤2中，形态学操作具体操作步骤如下：
S2.1、使用大小为450的阈值，得到肺部图像的二值图像。其中，二值图像的含义为：图像中某一像素点的值若大于450则将其重新置为0，若小于450则重新置为1。
S2.2、清除二值图像中的连接到边缘的点。其中，连接到边缘的点的含义为：此点处于图像的某一边且值为1。
S2.3、只保留步骤S2.2所得到的图像中两大轮廓，即左右肺部实质。其中，保留两大轮廓的具体过程是：找到二值图像中面积最大的两个区域，该区域由相邻的值为1的像素点构成。
S2.4、对S2.3中得到的图像进行腐蚀操作，再进行闭运算，再进行填充空洞；得到的图像作为掩膜，处理未进行步骤2的肺部图像，具体过程为将掩膜与该图像中的每个像素一一对应，若掩膜中的某像素点值为0，则将该图像中的这个像素点的值置为0；处理后的图像作为步骤2的输出。其中，腐蚀操作使用一个半径为2的平整的盘形结构作为掩膜，闭运算使用一个半径为10的平整的盘形结构作为掩膜，填充空洞使用罗伯茨交叉算子(Robertscross operator)。
步骤S3、将图像送如分割程序，将实质图像分割成若干个小块的小块图像。
步骤3中，实质图像分割的分割方法如下：
S3.1、对实质图像进行填充使得宽和高符合分割标准；
S3.2、按照小块边长64、步长64进行分割；
S3.4、返回分割好的小块图像数组，得到小块图像。
步骤S4、将这些小块图像送入卷积神经网络进行尘肺结节的筛选及诊断，并得到检测结果。
步骤4中，卷积神经网络的模型内容大致如下：
特征图产生模块使用残差神经网络，输出的特征图f1的通道为512，宽和高为送入神经网络的小块图片的宽和高的1/8；
筛选模块的输入为特征图产生模块的输出，进行一次卷积，得到通道为512、宽高为分割后的小块图片1/16的特征图f2，从中得到h/16*h/16个512维的特征向量送入分类器进行分类，所述的每一个512维特征向量对应分割后的小块图片的的1/16的信息。分类器判断区域中是否尘肺结节，并将特征图产生模块的输出进行标注。
尘肺诊断模块的输入是被筛选模块标注的特征图产生模块的输出，包括一次卷积操作，得到维度为512维长和宽为1的特征图f3，行一次全卷积，全连接网络输出这个区域中的尘肺结节的个数以及其在肺部图像中的坐标区域。
步骤S5、将检测结果保存为csv格式，即，将包括尘肺结节个数以及其所在的坐标区域的检测结果保存到csv格式文件中。
实施例2
如图2所示，本实施例2提供的一种基于深度学习的尘肺结节检测系统，包括CT机1、CT图像转化模块2、肺部实质分割模块3、尘肺病灶区域分割和判定模块4和检测结果保存模块（检测结果保存模块保存数据的csv文件）5，CT图像转化模块2、肺部实质分割模块3、尘肺病灶区域分割和判定模块使用Python语言编程；CT机扫描到的CT图像输入CT图像转化模块2，肺部实质分割模块3的输入为CT图像转化模块2的输出，尘肺病灶区域分割和判定模块4的输入为肺部实质分割模块3的输出，检测结果保存模块5保存到数据库中的数据为尘肺病灶区域分割和判定模块4的输出；具体内容如下：
CT图像转化模块：用于转化DICOM格式的CT图像为numpy数组格式的肺部图像并读取该CT图像数据信息；
肺部实质分割模块：用于进行形态学操作得到只保留肺部实质的实质图像；
尘肺病灶区域分割及判定模块：其包括图像分割模块和尘肺结节检测模块，图像分割模块用于将实质图像分割成若干个小块的小块图像；尘肺结节检测模块用于将这些小块图像送入卷积神经网络进行尘肺结节的筛选及诊断，并得到检测结果；
检测结果保存模块：用于将检测结果保存为csv格式。
其中，numpy数组的各个维度为n、h、w，n代表图像的通道，h代表图像的高度，w代表图像的宽度。
CT图像数据信息指的是DICOM格式数据中的病人信息及CT图像的长和宽及图片像素之间的间隔信息。
形态学操作的具体操作步骤如下：
A1、使用大小为450的阈值，得到肺部图像的二值图像；
A2、清除二值图像中的连接到边缘的点；
A3、只保留步骤A2所得到的图像中的两大轮廓，即左右肺部实质；具体为，找到并保留该图像中面积最大的两个区域，该区域由相邻的值为1的像素点构成；
A4、对步骤A3所得到的图像进行腐蚀操作，再进行闭运算，再进行填充空洞；然后，以得到的图像作为掩膜，处理未进行肺部实质分割的肺部图像输出相应的实质图像；其中，采用掩膜处理肺部图像的过程为，将掩膜与肺部图像中的每个像素一一对应，若掩膜中的某像素点值为0，则将图像中的这个像素点的值置为0。
实质图像分割的具体分割步骤如下：
B1、对实质图像进行填充使得宽和高符合分割标准；
B2、按照每一小块边长64及步长64进行分割；
B3、返回分割好的小块图像数组，得到小块图像。
卷积神经网络的模型包括特征图产生、模块筛选模块和尘肺诊断模块，具体内容如下：
特征图产生模块使用残差神经网络，输出的特征图f1的通道为512，该特征图f1的宽和高均为送入神经网络的小块图像的宽和高的1/8；
筛选模块的输入为特征图产生模块的输出，进行一次卷积，得到通道为512、宽高为分割后的小块图片1/16的特征图f2，从中得到h/16*h/16个512维的特征向量送入分类器进行分类，每一个512维特征向量对应分割后的小块图片的的1/16的信息，进而，分类器判断特征图f2区域中是否有尘肺结节，若有尘肺结节则对特征图产生模块的输出进行标注，将含尘肺结节的特征图f2区域标注在特征图f1中；
尘肺诊断模块的输入是被筛选模块标注的特征图产生模块的输出，进行一次卷积操作，得到维度为512维长和宽为1的特征图f3，行一次全卷积，输出特征图f3区域中的尘肺结节的个数以及所在的坐标区域。
下述将对本发明实施例1及实施例2所使用的卷积神经网络作具体说明。
先使用深度学习框架Pytorch构建起的神经网络模型，即图1中的尘肺病灶分割和检测模块4，也即图2中的产生特征图5、筛选6、尘肺诊断7所使用的模型，使用标注的数据进行学习参数。
神经网络的大致组成见图5，由Pre模块、Layer1模块、Layer2模块、Layer3模块、Layer4模块、分类器、Layer5模块以及全卷积模块组成。
Pre模块、Layer1模块、Layer2模块、Layer3模块对应本尘肺检测系统流程图2中产生特征图5；Layer4、分类器对应尘肺检测系统流程图2中筛选6；Layer5、全卷积对应尘肺诊断7。
神经网络模型具体组成如下：
Pre模块见图3的具体参数为：卷积1、2中的卷积核个数为64，卷积核大小为3，步长为1，输入的每一条边补充0的层数(padding)为1。ReLU为线性整流函数（Rectified LinearUnit, ReLU），表达式为f(x) = max(0,x)。
Layer1模块见图5，两个残差块中的卷积核的个数都为128，卷积核大小都为3，步长都为1，输入的每一条边补充0的层数都(padding)为1；最大池化中卷积核大小为2。
Layer2模块结构与Layer1模块结构相仿，不同之处在于每一次卷积的卷积核个数为256。
Layer3模块结构与Layer1模块结构相仿，不同之处在于Layer3中有3个残差块，每一次卷积的卷积核个数为512。
Layer4模块只包含一个卷积层，卷积核个数为512，卷积核大小为3，步长为1，输入的每一条边补充0的层数(padding)为1。
分类器由一次卷积构成，卷积核个数为1，大小为1，步长为1，输入的每一条边补充0的层数(padding)为0。
Layer5模块只包含一个卷积层，卷积核个数为卷积核个数为512，卷积核大小为3，步长为1，输入的每一条边补充0的层数(padding)为1。
最后的全卷积由一次卷积构成，卷积核个数为1，大小为1，步长为1，输入的每一条边补充0的层数(padding)为0。
应当理解，本发明上述实施例及实例，是出于说明和解释目的，并非因此限制本发明的范围。本发明的范围由权利要求项定义，而不是由上述实施例及实例定义。
Claims (7)
1.一种基于深度学习的尘肺结节的检测方法，其特征在于，包括以下步骤：
S1、转化DICOM格式的CT图像为numpy数组格式的肺部图像并读取该CT图像数据信息；
S2、进行形态学操作得到只保留肺部实质的实质图像；
S3、将实质图像分割成若干个小块的小块图像；
S4、将这些小块图像送入卷积神经网络进行尘肺结节的筛选及诊断，并得到检测结果；
S5、将检测结果保存为csv格式。
2.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法，其特征在于，所述步骤S1中，numpy数组的各个维度为n、h、w，n代表图像的通道，h代表图像的高度，w代表图像的宽度。
3.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法，其特征在于，所述步骤S1中，CT图像数据信息指的是DICOM格式数据中的病人信息及CT图像的长和宽及图片像素之间的间隔信息。
4.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法，其特征在于，所述步骤S2中的形态学操作的具体操作步骤如下：
S2.1、使用大小为450的阈值，得到肺部图像的二值图像；
S2.2、清除二值图像中的连接到边缘的点；
S2.3、只保留步骤S2.2所得到的图像中的两大轮廓，即左右肺部实质；具体为，找到并保留该图像中面积最大的两个区域，该区域由相邻的值为1的像素点构成；
S2.4、对步骤S2.3所得到的图像进行腐蚀操作，再进行闭运算，再进行填充空洞；然后，以得到的图像作为掩膜，处理未进行步骤S2的肺部图像输出相应的实质图像；其中，采用掩膜处理肺部图像的过程为，将掩膜与肺部图像中的每个像素一一对应，若掩膜中的某像素点值为0，则将图像中的这个像素点的值置为0。
5.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法，其特征在于，所述步骤S3中的实质图像分割的具体分割步骤如下：
S3.1、对实质图像进行填充使得宽和高符合分割标准；
S3.2、按照每一小块边长64及步长64进行分割；
S3.3、返回分割好的小块图像数组，得到小块图像。
6.根据权利要求1所述一种基于深度学习的尘肺结节的检测方法，其特征在于，所述步骤S4中的卷积神经网络的模型包括特征图产生、模块筛选模块和尘肺诊断模块，具体内容如下：
特征图产生模块使用残差神经网络，输出的特征图f1的通道为512，该特征图f1的宽和高均为送入神经网络的小块图像的宽和高的1/8；
筛选模块的输入为特征图产生模块的输出，进行一次卷积，得到通道为512、宽高为分割后的小块图片1/16的特征图f2，从中得到h/16*h/16个512维的特征向量送入分类器进行分类，每一个512维特征向量对应分割后的小块图片的的1/16的信息，进而，分类器判断特征图f2区域中是否有尘肺结节，若有尘肺结节则对特征图产生模块的输出进行标注，将含尘肺结节的特征图f2区域标注在特征图f1中；
尘肺诊断模块的输入是被筛选模块标注的特征图产生模块的输出，进行一次卷积操作，得到维度为512维长和宽为1的特征图f3，行一次全卷积，输出特征图f3区域中的尘肺结节的个数以及其在肺部图像中的坐标区域。
7.一种基于权利要求1-6任一项权利要求所述一种基于深度学习的尘肺结节的检测方法的检测系统，其特征在于，包括以下内容：
CT图像转化模块：用于转化DICOM格式的CT图像为numpy数组格式的肺部图像并读取该CT图像数据信息；
肺部实质分割模块：用于进行形态学操作得到只保留肺部实质的实质图像；
尘肺病灶区域分割及判定模块：其包括图像分割模块和尘肺结节检测模块，图像分割模块用于将实质图像分割成若干个小块的小块图像；尘肺结节检测模块用于将这些小块图像送入卷积神经网络进行尘肺结节的筛选及诊断，并得到检测结果；
检测结果保存模块：用于将检测结果保存为csv格式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810287545.3A CN108510489B (zh) | 2018-03-30 | 2018-03-30 | 一种基于深度学习的尘肺检测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810287545.3A CN108510489B (zh) | 2018-03-30 | 2018-03-30 | 一种基于深度学习的尘肺检测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108510489A true CN108510489A (zh) | 2018-09-07 |
| CN108510489B CN108510489B (zh) | 2021-08-03 |
Family
ID=63379872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810287545.3A Active CN108510489B (zh) | 2018-03-30 | 2018-03-30 | 一种基于深度学习的尘肺检测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108510489B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009629A (zh) * | 2019-04-12 | 2019-07-12 | 北京天明创新数据科技有限公司 | 一种尘肺病筛查系统及其数据训练方法 |
| CN110232383A (zh) * | 2019-06-18 | 2019-09-13 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 |
| CN110428896A (zh) * | 2019-04-22 | 2019-11-08 | 应急总医院 | 职业性尘肺病辅助筛查智能模型 |
| CN110680326A (zh) * | 2019-10-11 | 2020-01-14 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
| CN113610785A (zh) * | 2021-07-26 | 2021-11-05 | 安徽理工大学 | 基于智能影像的尘肺预警方法、装置及存储介质 |
| CN116052500A (zh) * | 2023-01-31 | 2023-05-02 | 苏州安全精灵智能科技有限公司 | 口罩防护体验方法、电子设备、系统及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886318A (zh) * | 2014-03-31 | 2014-06-25 | 武汉天仁影像科技有限公司 | 尘肺病大体成像中病灶区域的提取与分析方法 |
| CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及系统 |
| CN107316001A (zh) * | 2017-05-31 | 2017-11-03 | 天津大学 | 一种自动驾驶场景中小且密集的交通标志检测方法 |
| CN107464234A (zh) * | 2017-07-24 | 2017-12-12 | 上海交通大学 | 基于rgb通道叠加方法的肺结节图像深度学习识别系统及其方法 |
| CN107480261A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技（集团）有限公司 | 一种基于深度学习细粒度人脸图像快速检索方法 |
| WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
| CN107591200A (zh) * | 2017-08-25 | 2018-01-16 | 卫宁健康科技集团股份有限公司 | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 |
-
2018
- 2018-03-30 CN CN201810287545.3A patent/CN108510489B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886318A (zh) * | 2014-03-31 | 2014-06-25 | 武汉天仁影像科技有限公司 | 尘肺病大体成像中病灶区域的提取与分析方法 |
| WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
| CN106971198A (zh) * | 2017-03-03 | 2017-07-21 | 北京市计算中心 | 一种基于深度学习的尘肺病等级判定方法及系统 |
| CN107316001A (zh) * | 2017-05-31 | 2017-11-03 | 天津大学 | 一种自动驾驶场景中小且密集的交通标志检测方法 |
| CN107464234A (zh) * | 2017-07-24 | 2017-12-12 | 上海交通大学 | 基于rgb通道叠加方法的肺结节图像深度学习识别系统及其方法 |
| CN107480261A (zh) * | 2017-08-16 | 2017-12-15 | 上海荷福人工智能科技（集团）有限公司 | 一种基于深度学习细粒度人脸图像快速检索方法 |
| CN107591200A (zh) * | 2017-08-25 | 2018-01-16 | 卫宁健康科技集团股份有限公司 | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| BHAGYASHRI G. PATIL、PROF. SANJEEV N. JAIN: "Cancer Cells Detection Using Digital Image Processing Methods", 《INTERNATIONAL JOURNAL OF LATEST TRENDS IN ENGINEERING AND TECHNOLOGY (IJLTET)》 * |
| JIFENG DAI 等: "R-FCN: Object Detection via Region-based Fully Convolutional Networks", 《30TH CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS (NIPS 2016)》 * |
| 杨明莉 等: "基于神经网络的无线网络故障节点定位技术", 《现代电子技术》 * |
| 黄宏伟、李庆桐: "基于深度学习的盾构隧道渗漏水病害图像识别", 《岩石力学与工程学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009629A (zh) * | 2019-04-12 | 2019-07-12 | 北京天明创新数据科技有限公司 | 一种尘肺病筛查系统及其数据训练方法 |
| CN110428896A (zh) * | 2019-04-22 | 2019-11-08 | 应急总医院 | 职业性尘肺病辅助筛查智能模型 |
| CN110428896B (zh) * | 2019-04-22 | 2023-09-08 | 应急总医院 | 职业性尘肺病辅助筛查智能模型 |
| CN110232383A (zh) * | 2019-06-18 | 2019-09-13 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 |
| CN110680326A (zh) * | 2019-10-11 | 2020-01-14 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
| CN110680326B (zh) * | 2019-10-11 | 2022-05-06 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
| CN113610785A (zh) * | 2021-07-26 | 2021-11-05 | 安徽理工大学 | 基于智能影像的尘肺预警方法、装置及存储介质 |
| CN116052500A (zh) * | 2023-01-31 | 2023-05-02 | 苏州安全精灵智能科技有限公司 | 口罩防护体验方法、电子设备、系统及可读存储介质 |
| CN116052500B (zh) * | 2023-01-31 | 2024-10-15 | 苏州安全精灵智能科技有限公司 | 口罩防护体验方法、电子设备、系统及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108510489B (zh) | 2021-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510489A (zh) | 一种基于深度学习的尘肺检测方法与系统 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN109087703B (zh) | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 | |
| JP4669268B2 (ja) | 画像の経時変化を検出し表示する方法及び装置 | |
| CN114565761B (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
| CN108205806B (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
| CN109528230B (zh) | 一种基于多级变换网络的乳腺肿瘤分割方法及装置 | |
| CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
| JPH10171910A (ja) | 診断支援装置及び方法 | |
| CN108305253A (zh) | 一种基于多倍率深度学习的病理全切片诊断方法 | |
| CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| CN113744183A (zh) | 肺结节检测方法及系统 | |
| CN110991254A (zh) | 超声图像视频分类预测方法及系统 | |
| Dovganich et al. | Automatic out-of-distribution detection methods for improving the deep learning classification of pulmonary X-ray images | |
| CN112102282A (zh) | 一种基于Mask RCNN的医学图像中不同节数腰椎的自动识别方法 | |
| CN114092463A (zh) | 数字乳腺断层影像病灶定位装置 | |
| CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
| JP7352261B2 (ja) | 学習装置、学習方法、プログラム、学習済みモデルおよび骨転移検出装置 | |
| US20220122261A1 (en) | Probabilistic Segmentation of Volumetric Images | |
| CN114240846A (zh) | 降低医学图像病灶分割结果假阳率的系统及方法 | |
| Faure et al. | A convolutional neural network for dental panoramic radiograph classification | |
| KR102436351B1 (ko) | Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치 | |
| AU2021104727A4 (en) | Development of cnn scheme for covid-19 disease detection using chest radiograph | |
| Sulaiman et al. | A Convolutional Neural Network Model for Image Enhancement of Extremely Dense Breast Tissue in Digital Breast Tomosynthesis Images | |
| CN115147378B (zh) | 一种ct图像分析提取方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |