CN108742679A - 结节检测装置和方法 - Google Patents
结节检测装置和方法 Download PDFInfo
- Publication number
- CN108742679A CN108742679A CN201810715791.4A CN201810715791A CN108742679A CN 108742679 A CN108742679 A CN 108742679A CN 201810715791 A CN201810715791 A CN 201810715791A CN 108742679 A CN108742679 A CN 108742679A
- Authority
- CN
- China
- Prior art keywords
- tubercle
- medical image
- images
- data block
- network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000013170 computed tomography imaging Methods 0.000 claims abstract description 10
- 238000002591 computed tomography Methods 0.000 claims description 73
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 11
- 239000003814 drug Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 210000004072 lung Anatomy 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 208000020816 lung neoplasm Diseases 0.000 description 7
- 238000002600 positron emission tomography Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 206010006272 Breast mass Diseases 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000009453 Thyroid Nodule Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Data Mining & Analysis (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种结节检测装置和CT成像系统。结节检测装置包括:计算机可读存储介质,用于存储可由处理器执行的指令;处理器,用于执行所述指令以实现如下步骤:获取标记有结节信息的第一医学图像;根据所述第一医学图像生成包含结节的训练数据块;根据所述结节信息和所述训练数据块生成标签矩阵;利用所述训练数据块和所述标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型;以及利用所述网络模型对第二医学图像进行结节检测,以在所述第二医学图像确定结节区域。本发明的结节检测装置和CT成像系统能够高效、准确地检测出结节,并且普适能力强。
Description
技术领域
本发明主要涉及医学图像分析,尤其涉及一种结节检测装置和方法。
背景技术
肺癌是当今对人类身体健康危害最大的恶性肿瘤之一,肺癌的早期诊断与治疗能提高患者的术后5年存活率。随着薄层CT(thin-section CT)的普及,医生的工作量急剧增强,使得对计算机辅助检测(Computer Aided Detection,CAD)的需求变得迫切。肺结节的计算机辅助检测能有效检测出被医生遗漏的结节,同时提高医生检测的敏感度。
假阳性结节过多和检测效率太低是目前CAD面临的主要问题。传统方法,使用手工设计的特征提取器来提取特征,会损失很多有用的信息,模型的学习能力受到很大的限制。而目前的深度学习的方法,一次只能处理一层或者最多三层的二维信息,无法有效地处理整个结节,不仅损失了信息,而且效率很低。
在传统的CAD系统中,主要通过如下的五个步骤来检测结节:数据采集、预处理、肺分割、结节初始检测、假阳性抑制。数据采集是指从成像设备采集医学图像的过程。预处理是指通过去噪、去伪影、增强结节区域等操作,提高获得的肺部图像的质量和可读性的过程。肺分割是指识别肺叶区域并去除其他部分的过程,这个过程提高了肺结节检测系统的可靠性,准确性和精确性。肺结节初始检测是指判断图像中是否出现了结节,并确定结节的位置。假阳性抑制是指消除结节检测或者肺分割结果中的假阳性结果(被识别为结节,实际上不是结节的组织)的过程。有些现有的结节检测系统没有假阳性抑制这个步骤,直接使用肺分割的结果进行假阳性抑制,有的系统没有使用肺分割,直接定位结节,然后进行假阳性抑制。在上述步骤可知,现有结节检测的方法步骤过于繁琐,且检测的精度和效率有待进一步提高。
发明内容
本发明要解决的技术问题是提供一种结节检测装置和CT成像系统,其能够高效、准确地检测出结节,并且普适能力强。
为解决上述技术问题,本发明的一方面提供了一种结节检测装置,包括:计算机可读存储介质,用于存储可由处理器执行的指令;处理器,用于执行所述指令以实现如下步骤:获取标记有结节信息的第一医学图像;根据所述第一医学图像生成包含结节的训练数据块;根据所述结节信息和所述训练数据块生成标签矩阵;利用所述训练数据块和所述标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型;以及利用所述网络模型对第二医学图像进行结节检测,以在所述第二医学图像确定结节区域。
在本发明的一实施例中,根据所述结节信息和所述训练数据块生成标签矩阵的步骤包括:利用所述卷积神经网络对所述训练数据块进行卷积,以得到卷积后的第一特征图;将所述第一特征图的每一点映射到所述第一医学图像中,以得到第一映射区域;在所述第一映射区域中选取多个第一候选区域;以及根据所述多个第一候选区域与经标记的结节区域的交并比和位置偏移生成所述标签矩阵;其中,所述经标记的结节区域由所述结节信息确定。
在本发明的一实施例中,所述卷积神经网络包括特征提取网络、检测网络和代价层,所述检测网络位于所述特征提取网络和所述代价层之间,或位于不同层次的所述特征提取网络中。
在本发明的一实施例中,所述特征提取网络包括残差网络、基础为VGG网络的特征金字塔网络和基础为残差网络的特征金字塔网络中的一种或多种。
在本发明的一实施例中,所述特征提取网络包括多个卷积层,并且在相邻两个卷积层之间设置有一个激活层和一个批量归一化层。
在本发明的一实施例中,所述检测网络包括第一卷积层组和第二卷积层组,所述第一卷积层组包括一个或四个卷积核大小为3*3的卷积层,所述第二卷积层组包括一个或二个卷积核大小为1*1的卷积层。
在本发明的一实施例中,利用所述网络模型对第二医学图像进行结节检测,以在所述第二医学图像确定结节区域的步骤包括:根据所述第二医学图像生成检测数据块;利用所述网络模型对所述检测数据块进行结节检测,以得到第二特征图和偏移矩阵;确定所述第二特征图的每一点对应的多个第二候选区域;以及根据所述第二候选区域和所述偏移矩阵在所述第二医学图像确定结节区域。
本发明的另一方面提供了一种结节检测装置,包括:获取模块,用于获取第一医学图像,所述第一医学图像标记有结节信息;训练数据块生成模块,用于根据第一医学图像生成包含结节的训练数据块;标签矩阵生成模块,用于根据所述结节信息和所述训练数据块生成标签矩阵;网络模型生成模块,用于利用训练数据块和标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型;结节检测模块,用于利用所述网络模型对第二医学图像进行结节检测,以在所述第二医学图像确定结节区域。
本发明的又一方面提供了一种CT成像系统,包括:CT扫描设备,用于对检测对象执行扫描,获取CT图像;中央处理系统,所述中央处理系统能够接收所述CT图像,并利用检测结节的网络模型对所述CT图像进行结节检测,以在所述CT图像中确定结节区域;所述网络模型通过如下步骤获取:获取标记有结节信息的第一医学图像;根据所述第一医学图像生成包含结节的训练数据块;根据所述结节信息和所述训练数据块生成标签矩阵;利用所述训练数据块和所述标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型;显示器,与所述CT扫描设备和所述中央处理系统同时连接,用于显示所述CT图像和/或所述结节区域。
在本发明的一实施例中,所述CT图像包括在第一时段采集的第一CT图像和在第二时段采集的第二CT图像,且所述第一CT图像和所述第二CT图像对应检测对象的同一区域,所述中央处理系统还能够执行如下步骤:利用所述检测结节的网络模型对所述第一CT图像进行结节检测,以在所述第一CT图像中确定结节区域;利用所述检测结节的网络模型对所述第二CT图像进行结节检测,以在所述第二CT图像中确定结节区域;根据所述第一CT图像中确定的结节区域和所述第二CT图像中确定的结节区域确定所述检测对象的结节变化。
与现有技术相比,本发明具有以下优点:
本发明的结节检测装置和方法将卷积神经网络应用于结节的初始检测过程中,其能够一次性完成结节检测的所有步骤,具有耗时短、敏感性高、假阳性少等特点。另外,本发明的结节检测装置和方法中的网络模型普适能力强,对于不同的成像条件,只需要改变配对的训练数据,即可使网络模型适用。
附图说明
图1是本发明一些实施例的计算机设备的结构示意图。
图2是本发明一些实施例的结节检测装置的方框图。
图3是本发明一些实施例的卷积神经网络的示意图。
图4是本发明一些实施例的卷积神经网络的示意图。
图5是本发明一些实施例的结节检测方法的流程示意图。
图6是本发明一些实施例的CT成像系统结构示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在计算设备和/或处理器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
应当理解的是,当单元或模块被描述为“连接”、“耦接”其它单元、模块或块时,其可以指直接连接或耦接,或者与其它单元、模块或块通信,或者可以存在中间的单元、模块或块,除非上下文明确指明其它方式。本文所使用的术语“和/或”可包括一个或多个相关列出项目的任意与所有组合。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,或将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请描述基于医学图像的结节检测装置/方法,在此,医学图像可以包括由各种成像系统获得的投影图像数据。成像系统可为单模成像系统,例如计算机断层摄影(Computed Tomography,CT)系统、超声成像系统、X射线光学成像系统、正电子发射断层摄影(Positron Emission Tomography,PET)系统等。成像系统也可为多模成像系统,例如正电子发射断层-计算机断层摄影(PET-CT)、正电子发射断层摄影-磁共振成像(PET-MRI)系统、单光子发射断层摄影-计算机断层摄影(SPECT-CT)系统、数字减影血管造影-计算机断层摄影(DSA-CT)系统等。医学图像可以包括将投影数据重建后得到的重建图像。
图1是本发明一些实施例的计算机设备的结构示意图。计算机100可以被用于实现实施本发明一些实施例中披露的特定方法和装置。本实施例中的特定装置利用功能框图展示了一个包含显示模块的硬件平台。在一些实施例中,计算机100可以通过其硬件设备、软件程序、固件以及它们的组合来实现本发明一些实施例的具体实施。在一些实施例中,计算机100可以是一个通用目的的计算机,或一个有特定目的的计算机。在一些实施例中,计算机100可以是移动终端、个人电脑、服务器、云计算平台等。
如图1所示,计算机100可以包括内部通信总线101、处理器(processor)102、只读存储器(ROM)103、随机存取存储器(RAM)104、通信端口105、输入/输出组件106、硬盘107以及用户界面108。内部通信总线101可以实现计算机100组件间的数据通信。处理器102可以进行判断和发出提示。在一些实施例中,处理器102可以由一个或多个处理器组成。通信端口105可以实现计算机100与其他部件(图中未示出)例如:外接设备、图像采集设备、数据库、外部存储以及图像处理工作站等之间进行数据通信。在一些实施例中,计算机100可以通过通信端口105从网络发送和接受信息及数据。输入/输出组件106支持计算机100与其他部件之间的输入/输出数据流。作为举例,输入/输出组件106可以包括以下的组件的一种或多种:鼠标、轨迹球、键盘、触控组件、声音接收器等。用户界面108可以实现计算机100和用户之间的交互和信息交换。计算机100还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘107,只读存储器(ROM)103和随机存取存储器(RAM)104,能够存储计算机处理和/或通信使用的各种数据文件,以及处理器102所执行的可能的程序指令。
图2是本发明一些实施例的结节检测装置200的方框图。结节检测装置200可被实施于各种部件上(例如图1所示的计算机100的处理器102)。结节检测装置200可以包括获取模块210、训练数据生成模块220、标签矩阵生成模块230、网络模型生成模块240和结节检测模块250。
获取模块210可用于获取标记有结节信息的第一医学图像。第一医学图像可以包含结节的CT(Computed tomography)图像、PET(Positron emission tomography)图像、X光图像等。医学图像中的结节可以是肺部图像上的肺结节,可以是甲状腺图像中的甲状腺结节,还可是乳房图像中的乳腺结节等球状/类目标区域。以CT图像为例说明,CT图像例如可以是薄层平扫的医学图像。所述的结节可以是肺结节、甲状腺结节或者乳腺结节等。在一些实施例中,结节信息可以包括结节的位置(例如可以用三维坐标(GX,GY,GZ)表示)和结节的大小(例如可以用半径GR表示)。也就是说,结节信息对应的结节位于第一医学图像中中心点为(GX,GY,GZ),半径为GR的区域中。换个角度说,第一医学图像中中心点为(GX,GY,GZ),半径为GR的区域即为经标记的结节区域。需要说明的是,结节信息可以由人工对第一医学图像进行标记得到。
获取模块210可从成像系统或者存储装置(例如硬盘107、ROM 103或者RAM 104)获取第一医学图像。在一些实施例中,获取模块210可将获取的第一医学图像发送到结节检测装置200的其它模块或单元以用于进一步处理。例如,获取的医学图像可发送到存储模块进行存储。作为另一个示例,获取模块210可发送第一医学图像(例如投影数据)到训练数据块生成模块220以生成训练数据块。
训练数据块生成模块220可以用于根据第一医学图像生成包含结节的训练数据块。在一些实施例中,训练数据块生成模块220可以先对第一医学图像进行预处理,使第一医学图像的CT值(通常以亨氏单位(hounsfield unit,HU)表示)归一化,和/或使第一医学图像的像素间隔统一;然后在经预处理后的第一医学图像中随机选取包含结节的数据块,以得到训练数据块。在一些更具体的实施例中,训练数据块生成模块220可以根据第一医学图像的窗宽窗位信息对第一医学图像进行预处理。在一些更具体的实施例中,第一医学图像的CT值可以被归一化到(-128,128)的区间内。在一些更具体的实施例中,训练数据块可以是大小为128*128*128的数据块。在一个实施例中,同样以CT图像为例说明,窗宽(windowwidth,ww)指CT图像像素范围,窗位(window level,wl)指窗宽的中心CT值。
标签矩阵生成模块230可以用于根据结节信息和训练数据块生成标签矩阵。在一些实施例中,标签矩阵生成模块230可以利用卷积神经网络对训练数据块进行卷积,以得到卷积后的第一特征图(feature map);将第一特征图的每一点映射到原医学图像中,以得到第一映射区域;在第一映射区域中选取多个第一候选区域;根据多个第一候选区域与经标记的结节区域的交并比和位置偏移生成标签矩阵。其中,经标记的结节区域由结节信息确定。
具体地,可以将训练数据块的大小记为M*M*M,M>0,卷积后得到的第一特征图的大小记为D*D*D,D>0。将第一特征图的每一点(其位置记为(DX,DY,DZ))映射到原医学图像(即第一医学图像)中,从而得到在原医学图像中中心点在(DX,DY,DZ),大小为的第一映射区域。在第一映射区域中设定多个第一候选区域,例如三个。第一候选区域的大小,在此(例如该区域的轴向长度)可以记为Dr。计算每一个第一候选区域与经标记的结节区域的交集与并集的比例,即交并比(IOU)。若IOU大于阈值(例如0.02),则将该第一候选区域记为真(表示该第一候选区域包含结节),可以用ID=1表示;反之,则记该第一候选区域为假(表示该第一候选区域不包含结节),可以用ID=0表示。对每个第一候选区域计算其与经标记的结节区域的位置偏移。该位置偏移可以通过下式计算:
因此,多个第一候选区域的每一个得到了记录其信息长度为5的向量(ID,dx,dy,dz,dr)。组合第一特征图每一点对应的每一第一候选区域的向量(ID,dx,dy,dz,dr)即可生成标签矩阵。对于具有三个第一候选区域的实施例而言,得到的标签矩阵是一个D*D*D*3*5的矩阵。
网络模型生成模块240可以用于利用训练数据块和标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型。在一些实施例中,网络模型生成模块240可以采用随机梯度下降法对卷积神经网络进行训练。
图3是本发明一些实施例的卷积神经网络300的示意图。参考图3所示,卷积神经网络300可以包括特征提取网络310、检测网络320和代价层330。在一些实施例中,检测网络320可以位于特征提取网络310和代价层330之间。在另一些实施例中,检测网络320可以位于不同层次的特征提取网络310中。该检测网络320通过设置在不同层次的特征提取网络中,可以在不同尺度的特征上进行检测,增加检测结果的可靠性。
在一些实施例中,特征提取网络310可以包括残差网络(Residual Network,ResNet)、基础为VGG网络的特征金字塔网络和基础为残差网络的特征金字塔网络中的一种或多种。其中,残差网络、VGG网络可以是三维的。在此实施例中,特征提取网络310选择为VGG网络以提高检测的准确率。
图4是本发明一些实施例的卷积神经网络的示意图。参考图4所示,特征提取网络310可以包括多个卷积层,例如卷积层311、卷积层314等。特征提取网络310的最后一个卷积层后面连接检测网络320。在一些实施例中,在特征提取网络310中的两个卷积层之间还可以设置有一个激活层和一个批量归一化(Batch Normalization,BN)层,例如在卷积层311和卷积层314之间设置有激活层312和批量归一化层313。在一些实施例中,特征提取网络310可以包括5~13层的卷积层。优选地,特征提取网络310可以包括13层卷积层。
在一些实施例中,特征提取网络310中的卷积层的卷积核的大小为3*3到11*11之间。优选地,特征提取网络310中的卷积层的卷积核的大小为3*3。在一些实施例中,特征提取网络310中的卷积层的输出个数可以为32~512中的任意值。
在一些实施例中,特征提取网络310中的激活层的激活函数可以为修正线性单元(Rectified Linear Unit,ReLU)。
检测网络320可以包括第一卷积层组和第二卷积层组,通过将检测网络320设置成两组可减少网络参数,减低网络训练的复杂度。
在一些实施例中,第一卷积层组可以包括一个卷积层。该卷积层的卷积核大小为3*3,输出个数为512。在另一些实施例中,第一卷积层组可以包括四个卷积层。该四个卷积层的卷积核大小为3*3。
在一些实施例中,第二卷积层组可以包括一个卷积层。该卷积层的卷积核大小为1*1,输出个数为5*3。在另一些实施例中,第二卷积层组可以包括二个卷积层。该二个卷积层的卷积核大小为1*1,其输出个数分别为1*3和4*3。
代价层330用于接收检测网络320的输出和标签矩阵,以计算分类误差和回归误差。
在一些实施例中,分类误差可以通过下式计算得到,
Lcls=IDlog(IP)+(1-ID)log(1-IP),
其中,ID为第一候选区域在标签矩阵中的值,IP为相同位置的网络预测值。
在另一些实施例中,分类误差可以通过焦点损失函数(loss function)计算得到,其表达式如下:
FL(Pt)=-(1-IP)γlog(IP),
其中,FL(·)为表示Focal loss函数,Pt为表示单个样本的loss,IP为相同位置的网络预测值,(1-Ip)γ为调节因子,γ≥0,例如可取值在0至5之间。在此实施例中,当一个样本被错误分类,Ip值很小时,调节因子(1-Ip)γ的值很小,因此不会对loss产生影响;当Ip值很大时以至于趋近于1时,调节因子(1-Ip)γ的值趋近于0,因此对于正确分类的样本的loss值被缩小了。
在一些实施例中,回归误差可以通过下式计算得到,
其中,dk为第一候选区域在标签矩阵中的值,为相同位置的网络预测值,S(·)是平滑的一阶正函数,其表达式如下:
总误差为分类误差与回归误差的和,如下:
L=Lcls+Lreg。
结节检测模块250可以用于利用网络模型对新获取的第二医学图像进行结节检测,以得到候选结节区域。第二医学图像可以包含CT图像、PET图像、X光图像或者MR图像等。
在一些实施例中,结节检测模块250可以根据第二医学图像生成检测数据块;利用网络模型对检测数据块进行结节检测,以得到第二特征图和偏移矩阵;确定第二特征图的每一点对应的多个第二候选区域;根据第二候选区域和偏移矩阵确定候选结节区域。
在一些实施例中,结节检测模块250可以对第二医学图像进行顺序取样,以得到检测数据块。在一些更具体的实施例中,结节检测模块250可以以第一步长在第二医学图像的各维度取起始点;以起始点为基础,以第二步长在第二医学图像的各维度取数据块,以得到检测数据块。其中,第二步长等于或小于第一步长的二倍。例如,可以对第二医学图像按顺序分成128*128*128的数据块。具体地,遍历第二医学图像中的三个坐标轴,按第一步长64取起始点,生成记录数据块起始坐标矩阵Mcoord,遍历所有的起始点,在长宽高三个方向按第二步长128取数据块,以得到检测数据块。在另一些实施例中,可以将第二步长设置为114,使每个数据块之间重叠12个像素。
在一些实施例中,结节检测模块250还可以在对检测数据块进行结节检测前,对检测数据块进行归一化。例如,结节检测模块250可以将监测数据块的CT值归一化到(-128,128)的区间内。
在一些实施例中,结节检测模块250利用网络模型对检测数据进行结节检测得到的第二特征图同样具有D*D*D的大小。第二特征图的每一点同样可以映射到原医学图像(即第二医学图像)中,以得到第二映射图像。同样地,可以在第二映射图像中设定多个第二候选区域,例如三个。同样地,第二候选区域的大小也为Dr。
在一些实施例中,结节检测模块250利用网络模型对检测数据进行结节检测得到的偏移矩阵Mshift与标签矩阵相似,其大小同样为D*D*D*3*5。不同的是,偏移矩阵包含的是网络模型预测的偏移值而标签矩阵所包含的是经计算得到的正确的偏移值(dx,dy,dz,dr)。
在一些实施例中,结节检测模块250可以对第二特征图像对应的每一第二候选区域,按网络模型分类的置信度排序,取前k个点。可以理解,在第二映射图像中设定三个第二候选区域的实施例中,第二特征图像对应有D*D*D*3个第二候选区域。该前k个点对应于原医学图像(即第二医学图像)的坐标(DX,DY,DZ),可以根据偏移矩阵进行位移,以得到相对于检测数据块的候选结节区域。其计算方式如下:
其中,(TX,TY,TZ,Tr)为得到的候选结节区域,为网络模型预测的偏移值,Dr为第二候选区域的大小。
在一些实施例中,结节检测模块250还可以(TX,TY,TZ,Tr)与起始坐标矩阵Mcoord进行加和,从而得到相对于原医学图像(即第二医学图像)的候选结节区域。
回到图2,在一些实施例中,结节检测装置200还可以包括数据扩增模块260。数据扩增模块260可以对训练数据生成模块220生成的训练数据和标签矩阵生成模块230生成的标签矩阵进行翻转和/或旋转,并将经翻转和/或旋转后的训练数据块和标签矩阵输出给网络模型生成模块240,以利用利用经翻转和/或旋转后的训练数据块和标签矩阵对卷积神经网络进行训练。
图5是本发明一些实施例的结节检测方法500的流程示意图。结节检测方法500可以在如图1所示的计算机100或如图2所示的结节检测装置200中被执行。结节检测方法500包括:
步骤510:获取标记有结节信息的第一医学图像;
步骤520:根据第一医学图像生成包含结节的训练数据块;
步骤530:根据结节信息和训练数据块生成标签矩阵;
步骤540:利用训练数据块和标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型;以及
步骤550:利用网络模型对新获取的第二医学图像进行结节检测,以得到候选结节区域。
在一些实施例中,结节检测方法500还可以包括步骤560:对训练数据块和标签矩阵进行翻转和/或旋转。经翻转和/或旋转后的训练数据块和标签矩阵可以被用于对卷积神经网络进行训练(步骤540)。
由于步骤510、步骤520、步骤530、步骤540、步骤550和步骤560分别和结节检测装置200中的获取模块210、训练数据生成模块220、变迁矩阵生成模块230、网络模型生成模块240、结节检测模块240和数据扩增模块260一一对应,因此在这不再对步骤510、步骤520、步骤530、步骤540、步骤550和步骤560展开描述。
需要说明的是,图5所示的结节检测方法500的操作顺序并非旨在限制本发明。可以理解,某些步骤可以被同时执行,某些步骤的先后顺序可以被调换。
可以理解,卷积神经网络允许处理包含整个结节及其周围结构在内的所有信息,考虑了不同层之间的相关性,自动获取数据多个抽象级别的表示,放大有用的特征。因此,本发明的结节检测装置/方法可以高效,准确地检测结节。
在又一实施例中,本申请提出一种CT成像系统,包括CT扫描设备、中央处理器和显示器等。其中:CT扫描设备,用于对检测对象执行扫描,获取CT图像;中央处理系统,能够接收CT图像,并利用检测结节的网络模型对CT图像进行结节检测,以在CT图像中确定结节区域;显示器,与CT扫描设备和中央处理系统同时连接,用于显示CT图像和/或结节区域。可选地,网络模型可通过如下步骤获取:获取标记有结节信息的第一医学图像;根据第一医学图像生成包含结节的训练数据块;根据结节信息和训练数据块生成标签矩阵;利用训练数据块和标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型。
如图6为本申请一实施例的CT成像系统结构示意图。该CT成像系统600包括了CT扫描设备610、中央处理系统620以及显示器630。
其中,CT扫描设备610具体包括高压发生器611、CT球管612、扫描床613、数据采集模块(data acquisition system,DAS)614、探测器615以及图像重建系统616。高压发生器611用于接收控制模块(图中未示出)的命令并控制CT球管612的工作;CT球管612又称为X射线源,提供X射线的扇形束或者圆锥形束X射线即产生X射线信号;该X射线穿过位于扫描床613上的人体并产生部分衰减,探测器615接收部分衰减的X射线信号并转换为相应的电信号,多个探测器615组成的阵列安装于金属基底组成的探测器支架内部,并与CT球管612安装于机架的相对两侧;与探测器615连接的数据采集模块614获取探测器615输出的电信号,上述电信号经A/D转换器转换为数字信号(投影数据);控制模块连接数据采集模块614,具有存储器和CPU(central processing unit),其接收数据采集模块的投影数据,并进行必要的数据压缩和重定格式处理,随后将处理后的数据缓存图像重建系统616,与控制系统连接,图像重建系统616中的反投影控制器将控制模块处理后的投影数据分配至反投影版的各个单元,每个反投影单元容纳的数据可从一个投影到六个投影,并被同时存储起来,接着影像数据与每个反投影单元的结果一起被传送到每个反投影板进行求和运算合成像素数据,即可重建得到断层摄影图像(即CT图像),并在显示器630中显示。
中央处理系统620能够接收CT图像,并利用检测结节的网络模型对CT图像进行结节检测,以在CT图像中确定结节区域。
显示器630与CT扫描设备610和中央处理系统620同时连接,用于显示CT图像和/或结节区域。
在一个实施例中,CT图像可包括在第一时段采集的第一CT图像和在第二时段采集的第二CT图像,且第一CT图像和第二CT图像对应检测对象的同一区域,例如:第一CT图像为检测对象6个月前扫描获得,第二CT图像为检测对象现在时刻扫描获得。中央处理系统620还能够执行如下步骤:利用检测结节的网络模型对第一CT图像进行结节检测,以在第一CT图像中确定结节区域;利用检测结节的网络模型对第二CT图像进行结节检测,以在第二CT图像中确定结节区域;根据第一CT图像中确定结节区域和第二CT图像中确定结节区域确定检测对象的结节变化。可选地,结节的变化可指结节大小的变化趋势,如结节变化可通过倍增时间来衡量,示例性地,倍增时间可通过如下公式获得:
VDT=t×log2/log(Vt/V0)
其中,VDT表示体积倍增时间;t表示当前影像检查距离前次影像检查的时间;Vt表示当前影像检查的结节区域的体积,对应第二CT图像;V0表示前次影像检查的结节的体积,对应第一CT图像。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。计算机可读存储介质可以用于存储计算机可读程序编码,其可以包括硬盘、内存和存储器中的一者或多者。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”等来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±明所述的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (10)
1.一种结节检测装置,包括:
计算机可读存储介质,用于存储可由处理器执行的指令;
处理器,用于执行所述指令以实现如下步骤:
获取标记有结节信息的第一医学图像;
根据所述第一医学图像生成包含结节的训练数据块;
根据所述结节信息和所述训练数据块生成标签矩阵;
利用所述训练数据块和所述标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型;以及
利用所述网络模型对第二医学图像进行结节检测,以在所述第二医学图像确定结节区域。
2.根据权利要求1所述的结节检测装置,其特征在于,根据所述结节信息和所述训练数据块生成标签矩阵的步骤包括:
利用所述卷积神经网络对所述训练数据块进行卷积,以得到卷积后的第一特征图;
将所述第一特征图的每一点映射到所述第一医学图像中,以得到第一映射区域;
在所述第一映射区域中选取多个第一候选区域;以及
根据所述多个第一候选区域与经标记的结节区域的交并比和位置偏移生成所述标签矩阵;
其中,所述经标记的结节区域由所述结节信息确定。
3.根据权利要求1所述的结节检测装置,其特征在于,所述卷积神经网络包括特征提取网络、检测网络和代价层,所述检测网络位于所述特征提取网络和所述代价层之间,或位于不同层次的所述特征提取网络中。
4.根据权利要求3所述的结节检测装置,其特征在于,所述特征提取网络包括残差网络、基础为VGG网络的特征金字塔网络和基础为残差网络的特征金字塔网络中的一种或多种。
5.根据权利要求3所述的结节检测装置,其特征在于,所述特征提取网络包括多个卷积层,并且在相邻两个卷积层之间设置有一个激活层和一个批量归一化层。
6.根据权利要求3所述的结节检测装置,其特征在于,所述检测网络包括第一卷积层组和第二卷积层组,所述第一卷积层组包括一个或四个卷积核大小为3*3的卷积层,所述第二卷积层组包括一个或二个卷积核大小为1*1的卷积层。
7.根据权利要求1所述的结节检测装置,其特征在于,利用所述网络模型对第二医学图像进行结节检测,以在所述第二医学图像确定结节区域的步骤包括:
根据所述第二医学图像生成检测数据块;
利用所述网络模型对所述检测数据块进行结节检测,以得到第二特征图和偏移矩阵;
确定所述第二特征图的每一点对应的多个第二候选区域;以及
根据所述第二候选区域和所述偏移矩阵在所述第二医学图像确定结节区域。
8.一种结节检测装置,其特征在于,包括:
获取模块,用于获取第一医学图像,所述第一医学图像标记有结节信息;
训练数据块生成模块,用于根据第一医学图像生成包含结节的训练数据块;
标签矩阵生成模块,用于根据所述结节信息和所述训练数据块生成标签矩阵;
网络模型生成模块,用于利用训练数据块和标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型;
结节检测模块,用于利用所述网络模型对第二医学图像进行结节检测,以在所述第二医学图像确定结节区域。
9.一种CT成像系统,其特征在于,包括:
CT扫描设备,用于对检测对象执行扫描,获取CT图像;
中央处理系统,所述中央处理系统能够接收所述CT图像,并利用检测结节的网络模型对所述CT图像进行结节检测,以在所述CT图像中确定结节区域;所述网络模型通过如下步骤获取:获取标记有结节信息的第一医学图像;根据所述第一医学图像生成包含结节的训练数据块;根据所述结节信息和所述训练数据块生成标签矩阵;利用所述训练数据块和所述标签矩阵对卷积神经网络进行训练,以得到适于检测结节的网络模型;
显示器,与所述CT扫描设备和所述中央处理系统同时连接,用于显示所述CT图像和/或所述结节区域。
10.根据权利要求9所述的CT成像系统,其特征在于,所述CT图像包括在第一时段采集的第一CT图像和在第二时段采集的第二CT图像,且所述第一CT图像和所述第二CT图像对应检测对象的同一区域,所述中央处理系统还能够执行如下步骤:
利用所述检测结节的网络模型对所述第一CT图像进行结节检测,以在所述第一CT图像中确定结节区域;
利用所述检测结节的网络模型对所述第二CT图像进行结节检测,以在所述第二CT图像中确定结节区域;
根据所述第一CT图像中确定的结节区域和所述第二CT图像中确定的结节区域确定所述检测对象的结节变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810715791.4A CN108742679B (zh) | 2018-06-29 | 2018-06-29 | 结节检测装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810715791.4A CN108742679B (zh) | 2018-06-29 | 2018-06-29 | 结节检测装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108742679A true CN108742679A (zh) | 2018-11-06 |
CN108742679B CN108742679B (zh) | 2022-07-05 |
Family
ID=63975756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810715791.4A Active CN108742679B (zh) | 2018-06-29 | 2018-06-29 | 结节检测装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108742679B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109498061A (zh) * | 2018-12-27 | 2019-03-22 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法、装置、设备及计算机可读存储介质 |
CN109671055A (zh) * | 2018-11-27 | 2019-04-23 | 杭州深睿博联科技有限公司 | 肺结节检测方法及装置 |
CN110009599A (zh) * | 2019-02-01 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 肝占位检测方法、装置、设备及存储介质 |
CN110992361A (zh) * | 2019-12-25 | 2020-04-10 | 创新奇智(成都)科技有限公司 | 基于代价平衡的发动机紧固件检测系统及检测方法 |
CN113658284A (zh) * | 2020-05-01 | 2021-11-16 | 西门子医疗有限公司 | 用于训练结节检测系统的来自ct图像的x射线图像合成 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030194124A1 (en) * | 2002-04-12 | 2003-10-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
US20120183187A1 (en) * | 2009-09-17 | 2012-07-19 | Sharp Kabushiki Kaisha | Diagnosis processing device, diagnosis processing system, diagnosis processing method, diagnosis processing program and computer-readable recording medium, and classification processing device |
CN103228216A (zh) * | 2011-01-19 | 2013-07-31 | 株式会社东芝 | 医用图像处理装置、x射线ct装置以及医用图像处理程序 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN106022237A (zh) * | 2016-05-13 | 2016-10-12 | 电子科技大学 | 一种端到端的卷积神经网络的行人检测方法 |
CN106097340A (zh) * | 2016-06-12 | 2016-11-09 | 山东大学 | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 |
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 |
CN107451609A (zh) * | 2017-07-24 | 2017-12-08 | 上海交通大学 | 基于深度卷积神经网络的肺结节图像识别系统 |
CN107578405A (zh) * | 2017-08-30 | 2018-01-12 | 北京网医智捷科技有限公司 | 一种基于深度卷积神经网络的肺部结节自动检测方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 |
CN107767362A (zh) * | 2017-09-01 | 2018-03-06 | 苏州侠洛信息科技有限公司 | 一种基于深度学习的肺癌早筛装置 |
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108171694A (zh) * | 2017-12-28 | 2018-06-15 | 深圳开立生物医疗科技股份有限公司 | 基于卷积神经网络的结节检测方法、系统及设备 |
-
2018
- 2018-06-29 CN CN201810715791.4A patent/CN108742679B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030194124A1 (en) * | 2002-04-12 | 2003-10-16 | The University Of Chicago | Massive training artificial neural network (MTANN) for detecting abnormalities in medical images |
US20120183187A1 (en) * | 2009-09-17 | 2012-07-19 | Sharp Kabushiki Kaisha | Diagnosis processing device, diagnosis processing system, diagnosis processing method, diagnosis processing program and computer-readable recording medium, and classification processing device |
CN103228216A (zh) * | 2011-01-19 | 2013-07-31 | 株式会社东芝 | 医用图像处理装置、x射线ct装置以及医用图像处理程序 |
CN105160361A (zh) * | 2015-09-30 | 2015-12-16 | 东软集团股份有限公司 | 一种图像识别方法及装置 |
CN106022237A (zh) * | 2016-05-13 | 2016-10-12 | 电子科技大学 | 一种端到端的卷积神经网络的行人检测方法 |
CN106097340A (zh) * | 2016-06-12 | 2016-11-09 | 山东大学 | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 |
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 |
CN107451609A (zh) * | 2017-07-24 | 2017-12-08 | 上海交通大学 | 基于深度卷积神经网络的肺结节图像识别系统 |
CN107578405A (zh) * | 2017-08-30 | 2018-01-12 | 北京网医智捷科技有限公司 | 一种基于深度卷积神经网络的肺部结节自动检测方法 |
CN107767362A (zh) * | 2017-09-01 | 2018-03-06 | 苏州侠洛信息科技有限公司 | 一种基于深度学习的肺癌早筛装置 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 |
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108171694A (zh) * | 2017-12-28 | 2018-06-15 | 深圳开立生物医疗科技股份有限公司 | 基于卷积神经网络的结节检测方法、系统及设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671055A (zh) * | 2018-11-27 | 2019-04-23 | 杭州深睿博联科技有限公司 | 肺结节检测方法及装置 |
CN109498061A (zh) * | 2018-12-27 | 2019-03-22 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法、装置、设备及计算机可读存储介质 |
CN110009599A (zh) * | 2019-02-01 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 肝占位检测方法、装置、设备及存储介质 |
CN110992361A (zh) * | 2019-12-25 | 2020-04-10 | 创新奇智(成都)科技有限公司 | 基于代价平衡的发动机紧固件检测系统及检测方法 |
CN113658284A (zh) * | 2020-05-01 | 2021-11-16 | 西门子医疗有限公司 | 用于训练结节检测系统的来自ct图像的x射线图像合成 |
Also Published As
Publication number | Publication date |
---|---|
CN108742679B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108742679A (zh) | 结节检测装置和方法 | |
US10950026B2 (en) | Systems and methods for displaying a medical image | |
KR101992057B1 (ko) | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 | |
CN109544534A (zh) | 一种病灶图像检测装置、方法和计算机可读存储介质 | |
US10452957B2 (en) | Image classification apparatus, method, and program | |
CN109753866A (zh) | 机器学习中具有密集特征金字塔网络架构的医学图像对象检测 | |
CN104346821B (zh) | 用于医学成像的自动规划 | |
CN112561908B (zh) | 乳腺图像病灶匹配方法、装置及存储介质 | |
JP2020512130A (ja) | 階層式マルチレベル特徴画像合成および提示のためのシステムおよび方法 | |
CN110313941B (zh) | 数据处理方法、装置、设备及存储介质 | |
US20110262015A1 (en) | Image processing apparatus, image processing method, and storage medium | |
US9504450B2 (en) | Apparatus and method for combining three dimensional ultrasound images | |
TWI697010B (zh) | 醫療矢面影像的取得方法、神經網路的訓練方法及計算機裝置 | |
CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
CN109003651A (zh) | 病灶报告生成装置和方法 | |
CN112955934A (zh) | 识别医学图像中的介入设备 | |
CN102301394A (zh) | 透壁灌注梯度图像分析 | |
KR20200120311A (ko) | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 | |
CN115018775A (zh) | 图像检测方法、装置、设备和存储介质 | |
CN108229494A (zh) | 网络训练方法、处理方法、装置、存储介质和电子设备 | |
CN109313803A (zh) | 一种用于映射对象的身体的至少部分的图像中的结构的至少部分的方法和装置 | |
US20120220855A1 (en) | Method and System for MR Scan Range Planning | |
CN111144449A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN112446911A (zh) | 中心线提取、界面交互与模型训练方法、系统及设备 | |
CN108511052B (zh) | 用于确定投影数据组的方法以及投影确定系统 |
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: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TG01 | Patent term adjustment | ||
TG01 | Patent term adjustment |