CN108564044A - 一种确定肺结节密度的方法及装置 - Google Patents

一种确定肺结节密度的方法及装置 Download PDF

Info

Publication number
CN108564044A
CN108564044A CN201810344226.1A CN201810344226A CN108564044A CN 108564044 A CN108564044 A CN 108564044A CN 201810344226 A CN201810344226 A CN 201810344226A CN 108564044 A CN108564044 A CN 108564044A
Authority
CN
China
Prior art keywords
density
lung neoplasm
patient
lung
neoplasm
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
Application number
CN201810344226.1A
Other languages
English (en)
Other versions
CN108564044B (zh
Inventor
魏子昆
杨忠程
丁泽震
Original Assignee
Guangzhou Yi Chart Medical Technology Co Ltd
Hangzhou Yi Chart Network Technology Co Ltd
According To Hangzhou Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Yi Chart Medical Technology Co Ltd, Hangzhou Yi Chart Network Technology Co Ltd, According To Hangzhou Medical Technology Co Ltd filed Critical Guangzhou Yi Chart Medical Technology Co Ltd
Priority to CN201810344226.1A priority Critical patent/CN108564044B/zh
Publication of CN108564044A publication Critical patent/CN108564044A/zh
Priority to PCT/CN2019/082680 priority patent/WO2019201205A1/zh
Application granted granted Critical
Publication of CN108564044B publication Critical patent/CN108564044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种确定肺结节密度的方法及装置。所述方法包括：从患者的肺部CT图像中提取得到肺结节图像后，可以采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，并得到所述患者对应的特征向量；进一步地，可将患者对应的特征向量输入预设密度分类神经网络模型，从而得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度。由于以上模型均是通过对大量数据进行训练得到的，从而使得通过模型得到的结果较为合理，且具有一定的科学依据。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高确定肺结节密度的准确性。

Description

一种确定肺结节密度的方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种确定肺结节密度的方法及装置。
背景技术
肺结节是一种非干酪样坏死的上皮肉芽肿病变。肺结节有良性和恶性之分，良性的肺结节可以自行缓解，对人体的危害相对较小；恶性的肺结节容易引起功能损害、肺广泛纤维化，甚至导致肺癌，对人体的危害极大。目前，对肺结节的良恶性情况可以根据肺结节密度来确定。
现有技术中，医生在确定肺结节密度时，往往是通过观察胸部影像，这种诊断方法需要医生人为地进行判断，效率较低，且容易受到地区医疗水平以及医生个人经验水平的影响，准确性较低。
基于此，目前亟需一种确定肺结节密度的方法，以提高确定肺结节密度的效率和准确性。
发明内容
本发明实施例提供一种确定肺结节密度的方法及装置，以提高确定肺结节密度的效率和准确性。
本发明实施例提供一种确定肺结节密度的方法，所述方法包括：
获取患者的肺部电子计算机断层扫描(Computed Tomography，CT)图像；
确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；
采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；
将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。
如此，本发明实施例采用预设特征提取神经网络模型，并结合预设密度分类神经网络来对肺结节密度进行分析，由于以上模型均是通过对大量数据进行训练得到的，从而使得通过模型得到的结果较为合理，且具有一定的科学依据。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高确定肺结节密度的准确性；进一步地，由神经网络模型对肺结节进行分析，能够大大提高确定肺结节密度的效率。
在一种可能的实现方式中，将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度，包括：
将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；
将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。
在一种可能的实现方式中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的，包括：
将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；
根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。
如此，通过预测肺结节密度和实际肺结节密度之间的对比，可以准确的调整预设密度分类神经网络模型的参数，提高生成的预设密度分类神经网络模型的准确度。
在一种可能的实现方式中，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；
其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化(BatchNormalization，BN)层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的maxpooling层。
在一种可能的实现方式中，所述肺结节密度包括实性肺结节密度、磨玻璃肺结节密度、半实性肺结节密度中的任意一项。
本发明实施例提供一种确定肺结节密度的装置，所述装置包括：
获取单元，用于获取患者的肺部电子计算机断层扫描CT图像；
处理单元，用于确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；
所述处理单元，还用于采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；以及将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。
在一种可能的实现方式中，所述处理单元具体用于：
将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；
将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。
在一种可能的实现方式中，所述处理单元具体用于：
将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；
根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。
在一种可能的实现方式中，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；
其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化BN层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的max pooling层。
在一种可能的实现方式中，所述肺结节密度包括实性肺结节密度、磨玻璃肺结节密度、半实性肺结节密度中的任意一项。
本发明实施例还提供一种装置，所述装置可以为确定肺结节密度的装置，所述装置包括：
存储器，用于存储软件程序；
处理器，用于读取所述存储器中的软件程序并执行上述各种可能的实现方式中所描述的确定肺结节密度的方法。
本发明实施例还提供一种计算机存储介质，所述存储介质中存储软件程序，该软件程序在被一个或多个处理器读取并执行时实现上述各种可能的实现方式中所描述的确定肺结节密度的方法。
本发明实施例还提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各种可能的实现方式中所描述的确定肺结节密度的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。
图1为本发明实施例提供的一种确定肺结节密度的方法所对应的流程示意图；
图2为本发明实施例提供的一种提取后的肺结节图像的示意图；
图3为本发明实施例提供的一种预设特征提取神经网络模型的结构示意图；
图4a为本发明实施例提供的一种实性肺结节密度的肺结节图像的示意图；
图4b为本发明实施例提供的一种磨玻璃肺结节密度的肺结节图像的示意图；
图4c为本发明实施例提供的一种半实性肺结节密度的肺结节图像的示意图；
图5为本发明实施例提供的一种预设密度分类神经网络模型的结构示意图；
图6为本发明实施例提供一种确定肺结节密度的装置的结构示意图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例中。
图1示例性示出了本发明实施例提供的一种确定肺结节密度的方法所对应的流程示意图，如图1所示，包括如下步骤：
步骤101，获取患者的肺部电子计算机断层扫描CT图像。
具体来说，肺部CT图像是指利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的肺部作一个接一个的断面扫描所得到的图像。本领域技术人员应知，肺部CT图像为三维图像，也就是说，本发明实施例所描述的方法可以针对三维图像进行肺结节密度的确定.
进一步地，肺部CT图像也可以为对初始肺部CT图像进行预处理后得到的图像。本发明实施例中，对初始肺部CT图像进行预处理的处理方式有多种，比如，可以对初始肺部CT图像采取平移、旋转、缩放等处理方式进行变形处理，从而能够扩大肺部CT图像的数据量。具体实施过程中，本领域技术人员可以仅采用上述一种处理方式对初始肺部CT图像进行变形处理，或者也可以采用多种处理方式对初始肺部CT图像进行变形处理，具体不做限定。
步骤102，确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像。
本发明实施例中，肺结节图像的提取方式有多种，例如，可以是直接从肺部CT图像中抠图得到肺结节图像；或者，也可以是根据肺结节在患者的肺部CT图像中的中心坐标和半径，从肺部CT图像中得到肺结节图像。
以根据中心坐标和半径得到肺结节图像为例，如图2所示，为本发明实施例提供的一种提取后的肺结节图像的示意图。其中，肺结节在该肺部CT图像中的位置为，中心坐标(x0，y0，z0)。根据图2示出的内容可知，该肺结节为不规则图形，若该肺结节中，距离中心坐标(x0，y0，z0)最近的距离为D1，而距离中心坐标(x0，y0，z0)最近的距离为D2，则可以根据中心坐标(x0，y0，z0)为中心点，以2倍的D2为边长，所得到的区域(即图2中虚线所框出的区域)即为该肺结节对应的肺结节图像。
进一步地，为了保证所得到的肺结节图像能够包括整个肺结节所在的区域，也可以以大于2倍D2的长度作为该区域的边长，从而得到肺结节图像，进而避免遗漏肺结节的部分图像。
需要说明的是：(1)肺结节图像对应的区域可以为多种形状，上文所描述的长方体的肺结节图像对应的区域仅为一种示例，在其它可能的示例中，肺结节图像对应的区域也可以为球体或其他形状；(2)由于肺部CT图像为三维图像，因此，从肺部CT图像中提取得到的肺结节图像也为三维图像。
更进一步地，在得到肺结节图像之后，可以对肺结节图像作进一步处理，从而扩大预设特征提取神经网络模型的训练样本量，进而提高预设特征提取神经网络模型的准确度。本发明实施例中，对肺结节图像的处理方式有多种，比如，处理方式可以为水平平移、上下平移、水平镜像、垂直镜像、旋转、缩放等，
步骤103，采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量。
预设特征提取神经网络模型的参数可以是通过对多个患者的肺结节图像进行训练得到的。其中，预设特征提取神经网络模型可以为浅层神经网络模型，即该预设特征提取神经网络可以包括N个卷积模块，且，N小于或等于第一阈值。本领域技术人员可以根据经验和实际情况来设定第一阈值的具体数值，此处不做限定。
为了根据更加清楚地描述上文所涉及的预设特征提取神经网络模型，图3示例性示出了本发明实施例提供的一种预设特征提取神经网络模型的结构示意图。该预设特征提取神经网络模型可以包括三个卷积模块。如图3所示，三个卷积模块分别为第一卷积模块301、第二卷积模块302和第三卷积模块303；其中，每个卷积模块又可以包括卷积层、与卷积层连接的归一化(Batch Normalization，BN)层、与BN层连接的激活函数层、以及与激活函数层连接的max pooling层，如图3示出的第一卷积模块301包括第一卷积层3011、第一BN层3012、第一激活函数层3013和第一max pooling层3014，第二卷积模块302包括第二卷积层3021、第二BN层3022、第二激活函数层3023和第二max pooling层3024，第三卷积模块303包括第三卷积层3031、第三BN层3032、第三激活函数层3033和第三max pooling层3034。
需要说明的是：(1)图3中示出的激活函数可以为多种类型的激活函数，比如，可以为线性整流函数(Rectified Linear Unit,ReLU)，具体不做限定；(2)图3中示出的各个卷积层的卷积核大小、max pooling层的卷积核大小、每个卷积模块提取的特征通道数值可以为本领域技术人员根据经验和实际情况设定并调整得到的，具体不做限定；(3)由于本发明实施例中输入的图像为三维图像，因此，本发明实施例中的预设特征提取神经网络模型可以为(3Dimensions，3D)卷积神经网络，相应地，3D卷积神经网络对应的卷积核大小可以为m*m*m，其中，m为大于或等于1的整数。
上文所描述的患者对应的特征向量的确定方式仅为一种可能的实现方式，在其它可能的实现方式中，也可以通过其它方式确定患者对应的特征向量，具体不做限定。
步骤104，将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度。
具体来说，肺结节密度可以包括多种类型，比如，如图4a所示，肺结节密度可以为实性肺结节密度；又比如，如图4b所示，肺结节密度可以为磨玻璃肺结节密度；如图4c所示，肺结节密度可以为半实性肺结节密度。本领域技术人员可以根据经验和实际情况对肺结节密度进行分类，具体不做限定
本发明实施例中，预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。进一步地，预设的密度分类神经网络可以为多种类型的神经网络，一个示例中，如图5所示，为本发明实施例提供的一种预设密度分类神经网络模型的结构示意图。该预设的密度分类神经网络模型500包括第一全连接层501、第二全连接层502和softmax层503。待确诊患者对应的特征向量可以依次通过第一全连接层501、第二全连接层502进行计算后，再由softmax层503进行分类后输出分类结果，从而得到患者患有的肺结节对应的肺结节密度。
需要说明的是，图5所示出的预设的密度分类神经网络模型仅为一种可能的结构，在其它示例中，本领域技术人员可以对图5所示出的内容进行修改，比如，预设的密度分类神经网络模型可以包括三个全连接层，具体不做限定。
具体训练过程中，如表1所示，为预设的密度分类神经网络模型的训练集的一种示例。患者1的特征向量为X1，患有的肺结节对应的肺结节密度为半实性；患者2的特征向量为X2，患有的肺结节对应的肺结节密度为实性；患者3的特征向量为X3，患有的肺结节对应的肺结节密度为实性；患者4的特征向量为X4，患有的肺结节对应的肺结节密度为磨玻璃；患者5的特征向量为X5，患有的肺结节对应的肺结节密度为半实性。
表1：预设的密度分类神经网络模型的训练集的一种示例
编号 特征向量 肺结节密度
患者1 X1 半实性
患者2 X2 实性
患者3 X3 实性
患者4 X4 磨玻璃
患者5 X5 半实性
…… …… ……
进一步地，将表1中示出的多个患者的特征向量，以及每个患者患有的肺结节对应的肺结节密度输入预设密度分类神经网络模型中，可以确定预设密度分类神经网络模型的参数。具体来说，可以先将多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节的预测肺结节密度，然后根据每个患者患有的肺结节的预测肺结节密度以及每个患者患有的肺结节的实际肺结节密度，进行反向训练，生成预设密度分类神经网络模型。
需要说明的是，在训练预设密度分类神经网络模型时，多个患者患有的肺结节的实际肺结节密度可以由医生来确定。
举个例子，以表1中示出的患者1为例，将患者1对应的特征向量X1输入预设密度分类神经网络中，通过前向传播，可以得到一个3维的结果向量其中，y1为实性肺结节密度对应的置信度；y2为磨玻璃肺结节密度对应的置信度；y3为半实性肺结节密度对应的置信度。根据该密度分类神经网络的结果向量得到患者1对应的预测肺结节密度；进一步地，若患者1对应的预测肺结节密度为实性，而患者1对应的实际肺结节密度根据表1示出的内容为实性，这样预设密度分类神经网络模型的预测结果与实际结果之间就存在误差，即损失(loss)函数值。进而，可以使用反向传播算法，根据随机梯度下降(Stochasticgradient descent，SGD)算法沿着损失(loss)函数值下降的方向调整预设密度分类神经网络模型的参数。如此，通过预测肺结节密度和实际肺结节密度之间的对比，可以准确的调整预设密度分类神经网络模型的参数，提高生成的预设密度分类神经网络模型的准确度。
更进一步地，在得到训练好的预设密度分类神经网络模型之后，可以将患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度，进而可将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。
如此，本发明实施例采用预设特征提取神经网络模型，并结合预设密度分类神经网络来对肺结节密度进行分析，由于以上模型均是通过对大量数据进行训练得到的，从而使得通过模型得到的结果较为合理，且具有一定的科学依据。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高肺结节分析的准确性；进一步地，由神经网络模型对肺结节进行分析，能够大大提高确定肺结节密度的效率。
基于相同的发明构思，本发明实施例提供一种确定肺结节密度的装置，如图6所示，该装置包括获取单元601和处理单元602；其中，
获取单元601，用于获取患者的肺部电子计算机断层扫描CT图像；
处理单元602，用于确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；
所述处理单元602，还用于采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；以及将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。
在一种可能的实现方式中，所述处理单元602具体用于：
将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；
将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。
在一种可能的实现方式中，所述处理单元602具体用于：
将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；
根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。
在一种可能的实现方式中，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；
其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化BN层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的max pooling层。
在一种可能的实现方式中，所述肺结节密度包括实性肺结节密度、磨玻璃肺结节密度、半实性肺结节密度中的任意一项。
本发明实施例还提供一种装置，所述装置可以为确定肺结节密度的装置，所述装置包括：
存储器，用于存储软件程序；
处理器，用于读取所述存储器中的软件程序并执行上述各种可能的实现方式中所描述的设备参数的设置方法。
本发明实施例还提供一种计算机存储介质，所述存储介质中存储软件程序，该软件程序在被一个或多个处理器读取并执行时实现上述各种可能的实现方式中所描述的确定肺结节密度的方法。
本发明实施例还提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各种可能的实现方式中所描述的确定肺结节密度的方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种确定肺结节密度的方法，其特征在于，所述方法包括：
获取患者的肺部电子计算机断层扫描CT图像；
确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；
采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；
将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。
2.根据权利要求1所述的方法，其特征在于，将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度，包括：
将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；
将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。
3.根据权利要求1所述的方法，其特征在于，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的，包括：
将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；
根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；
其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化BN层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的max pooling层。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述肺结节密度包括实性肺结节密度、磨玻璃肺结节密度、半实性肺结节密度中的任意一项。
6.一种确定肺结节密度的装置，其特征在于，所述装置包括：
获取单元，用于获取患者的肺部电子计算机断层扫描CT图像；
处理单元，用于确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；
所述处理单元，还用于采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；以及将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。
7.根据权利要求6所述的装置，其特征在于，所述处理单元具体用于：
将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；
将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。
8.根据权利要求6所述的装置，其特征在于，所述处理单元具体用于：
将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；
根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。
9.根据权利要求6所述的装置，其特征在于，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；
其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化BN层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的max pooling层。
10.根据权利要求6至9中任一项所述的装置，其特征在于，所述肺结节密度包括实性肺结节密度、磨玻璃肺结节密度、半实性肺结节密度中的任意一项。
CN201810344226.1A 2018-04-17 2018-04-17 一种确定肺结节密度的方法及装置 Active CN108564044B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810344226.1A CN108564044B (zh) 2018-04-17 2018-04-17 一种确定肺结节密度的方法及装置
PCT/CN2019/082680 WO2019201205A1 (zh) 2018-04-17 2019-04-15 一种确定肺结节密度的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810344226.1A CN108564044B (zh) 2018-04-17 2018-04-17 一种确定肺结节密度的方法及装置

Publications (2)

Publication Number Publication Date
CN108564044A true CN108564044A (zh) 2018-09-21
CN108564044B CN108564044B (zh) 2021-04-27

Family

ID=63535482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810344226.1A Active CN108564044B (zh) 2018-04-17 2018-04-17 一种确定肺结节密度的方法及装置

Country Status (2)

Country Link
CN (1) CN108564044B (zh)
WO (1) WO2019201205A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461144A (zh) * 2018-10-16 2019-03-12 杭州依图医疗技术有限公司 一种乳腺影像识别的方法及装置
CN109711315A (zh) * 2018-12-21 2019-05-03 四川大学华西医院 一种肺结节分析的方法及装置
WO2019201205A1 (zh) * 2018-04-17 2019-10-24 杭州依图医疗技术有限公司 一种确定肺结节密度的方法及装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139928B (zh) * 2020-01-16 2024-02-23 中移(上海)信息通信科技有限公司 肺结节检测模型的训练方法和肺结节检测方法
CN111862001B (zh) * 2020-06-28 2023-11-28 微医云(杭州)控股有限公司 Ct影像的半自动标注方法及装置、电子设备、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002080089A1 (en) * 2001-03-28 2002-10-10 The University Of Chicago Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
CN101556650A (zh) * 2009-04-01 2009-10-14 东北大学 一种分布式自适应肺结节计算机检测方法及系统
US20110172514A1 (en) * 2008-09-29 2011-07-14 Koninklijke Philips Electronics N.V. Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3938872B2 (ja) * 2001-02-02 2007-06-27 松下電器産業株式会社 データ分類装置および物体認識装置
CN106778785B (zh) * 2016-12-23 2019-09-17 东软集团股份有限公司 构建图像特征提取模型的方法及图像识别的方法、装置
CN108564044B (zh) * 2018-04-17 2021-04-27 杭州依图医疗技术有限公司 一种确定肺结节密度的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002080089A1 (en) * 2001-03-28 2002-10-10 The University Of Chicago Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images
CN101517614A (zh) * 2006-09-22 2009-08-26 皇家飞利浦电子股份有限公司 肺结节的高级计算机辅助诊断
US20110172514A1 (en) * 2008-09-29 2011-07-14 Koninklijke Philips Electronics N.V. Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties
CN101556650A (zh) * 2009-04-01 2009-10-14 东北大学 一种分布式自适应肺结节计算机检测方法及系统
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019201205A1 (zh) * 2018-04-17 2019-10-24 杭州依图医疗技术有限公司 一种确定肺结节密度的方法及装置
CN109461144A (zh) * 2018-10-16 2019-03-12 杭州依图医疗技术有限公司 一种乳腺影像识别的方法及装置
CN109461144B (zh) * 2018-10-16 2021-02-23 杭州依图医疗技术有限公司 一种乳腺影像识别的方法及装置
CN109711315A (zh) * 2018-12-21 2019-05-03 四川大学华西医院 一种肺结节分析的方法及装置

Also Published As

Publication number Publication date
WO2019201205A1 (zh) 2019-10-24
CN108564044B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN108564044A (zh) 一种确定肺结节密度的方法及装置
CN111724904B (zh) 用于针对医学扫描的患者建模的多任务渐进式网络
CN108629764A (zh) 一种确定肺结节良恶性的方法及装置
WO2021078066A1 (zh) 乳腺超声筛查方法、装置及系统
CN108648179A (zh) 一种分析肺结节的方法及装置
CN105027163B (zh) 扫描区域确定装置
US11715203B2 (en) Image processing method and apparatus, server, and storage medium
US20200226752A1 (en) Apparatus and method for processing medical image
US8873819B2 (en) Method for sorting CT image slices and method for constructing 3D CT image
CN107480677A (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
CN111557665A (zh) 用于医学成像中的患者定位的根据相机数据的密集身体标记估计
CN110969245B (zh) 医学图像的目标检测模型训练方法和装置
KR20180021635A (ko) 3차원 의료 영상에서 깊이 방향 재귀 학습을 이용하는 병변 특징 표현 분석 방법 및 시스템
CN108648178A (zh) 一种影像结节检测的方法及装置
CN109447088A (zh) 一种乳腺影像识别的方法及装置
JP2018110615A (ja) 画像処理装置および画像処理方法
US11715212B2 (en) Heatmap and atlas
KR20240013724A (ko) 다중 펄스 x-선 소스 이동 단층합성 영상화 시스템을 사용한 인공 지능 훈련
CN109461144A (zh) 一种乳腺影像识别的方法及装置
CN103140875A (zh) 利用实况反馈对内部组织进行多模态分割的系统和方法
CN109087357A (zh) 扫描定位方法、装置、计算机设备及计算机可读存储介质
CN114521914A (zh) 超声参数测量方法和超声参数测量系统
CN109191425A (zh) 医学影像分析方法
US20210264644A1 (en) Annular structure representation
EP3910597A1 (en) Body representations

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190620

Address after: 310000 Room 177, Building No. 16, Zhuantang Science and Technology Economic Zone, Xihu District, Hangzhou City, Zhejiang Province

Applicant after: According to the Hangzhou Medical Technology Co., Ltd.

Address before: 310000 Room 177, Building No. 16, Zhuantang Science and Technology Economic Zone, Xihu District, Hangzhou City, Zhejiang Province

Applicant before: According to the Hangzhou Medical Technology Co., Ltd.

Applicant before: Hangzhou Yi chart Network Technology Co., Ltd.

Applicant before: Guangzhou Yi chart Medical Technology Co., Ltd.

GR01 Patent grant
GR01 Patent grant