CN108846432A - 一种基于深度学习对胸部ct影像的分类方法 - Google Patents
一种基于深度学习对胸部ct影像的分类方法 Download PDFInfo
- Publication number
- CN108846432A CN108846432A CN201810585175.1A CN201810585175A CN108846432A CN 108846432 A CN108846432 A CN 108846432A CN 201810585175 A CN201810585175 A CN 201810585175A CN 108846432 A CN108846432 A CN 108846432A
- Authority
- CN
- China
- Prior art keywords
- chest
- images
- deep learning
- image
- classification method
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于深度学习对胸部CT影像的分类方法,利用当前比较成熟的深度学习方法对胸部CT影像特征进行提取和分析,最终利用已有影像数据集进行训练模型结构,来实现影响疾病判断的多种指标的量化分类,为诊断医生提供量化后的生理指标分类结果,降低职业医生的工作负担以及分析判断难度。
Description
技术领域
本发明涉及人工智能领域中的深度学习与医学影像处理的交叉领域,具体涉及一种基于深度学习对胸部CT影像的分类方法。
背景技术
随着社会快速发展和生活质量不断提高,人们对健康也越来越重视,作为临床治疗的诊断依据,医学影像技术的精确识别变得越来越重要。肺部疾病是一种常见的疾病,包括肺不张、积液、浸润、肺块、结节、肺炎等。一般诊断方法则是根据胸部CT影像信息判断是否患有某种疾病。一般的,具有丰富临床经验的职业医生可以根据自身经验进行准确判断,但涉及到不同性别和年龄差异性特别大的时候,日益增大的工作量和识别的难度逐渐上升,尤其在医学资源比较紧缺的今天,一个替代传统诊断识别方法的机器辅助诊断影像技术无疑会加快病人的诊断和治疗过程。
发明内容
本发明针对现有技术中存在的技术问题,提供一种利用当前比较成熟的深度学习方法对胸部CT影像特征进行提取和分析,最终利用已有影像数据集进行训练模型结构,来实现影响疾病判断的多种指标的量化分类,为诊断医生提供量化后的生理指标分类结果,降低职业医生的工作负担以及分析判断难度。
本发明解决上述技术问题的技术方案如下:
一种基于深度学习对胸部CT影像的分类方法,包括以下步骤:
步骤1,对胸部CT影像进行预处理,从原始的影像样片中分割出完整的含有双肺的主要区域;
步骤2,采用3D-Unet算法对预处理的胸部CT影像中的密集部分进行分割,同时使用卷积神经网络对密集部分影像进行特征提取;
步骤3,将提取的密集部分影像特征输入到深度神经网络模型中,对胸部CT影像密集块中的结节位置、密度、最长径和体积进行精检测分类;所述深度神经网络模型的网络结构由多个DenseNet和多个Transition Block的交替组合构成。
进一步,所述步骤1还包括对原始的胸部CT影像进行旋转或缩放的增广处理,以增大和多样化医学影像图的样本集。
进一步,所述使用卷积神经网络对密集部分影像进行特征提取包括:
深度卷积神经网络采用Conv(7*7)的卷积结构对影像进行卷积计算、利用Pooling(3*3)的结构进行池化处理。
进一步,所述深度神经网络模型包括6层结构,即包括3个DenseNet和3个Transition Block块交替组合构成的网络结构,为了保证网络中层与层之间最大程度的信息传输,所述DenseNet网路采用了直接将所有层连接起来的方法,所述Transision Block用于转换模型之间的参数,用于模型调优过程。
本发明的有益效果是:首先通过对胸部CT影像对关键部位进行影像分割,然后利用深度卷积神经网络技术通过卷积池化过程进行特征提取,然后再经过深度神经网络模型对影响肺部疾病诊断的多种指标进行量化分类,有效降低了职业医生在肺部疾病诊断过程中的工作负担以及分析判断难度。
附图说明
图1为本发明方法流程图;
图2为深度卷积神经网络架构图;
图3为DenseNet的网络结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提供了一种基于深度学习对胸部CT影像的分类方法。该方法是从胸部CT影像中提取并分割出关键的特征,利用深度卷积神经网络技术通过卷积池化过程进行特征提取,然后再经过深度神经网络模型对影响肺部疾病诊断的多种指标进行量化分类。现结合附图说明中图1执行流程对本发明做进一步描述:
1、影像分割和数据增广
图像分割过程如下:首先对胸部CT影像进行预处理,即在保留含有肺部结构内容的情况下对原来影像进行切割,本发明采用对影像边缘裁剪对应距离处理。为了增加学习到的模型具有较高的泛化能力,需要将较小的影像数据集进行数据增广处理,以尽可能的扩充和丰富数据集。本发明主要利用旋转(顺时针90°)和缩放(20%)两种方法进行处理,顺时针旋转主要是用于转换影像角度来增大数据。缩放处理是对影像缩小,以降低局部结构在整体影像中的比例,从而来为模型学习提供更多样例。
2、3D-Unet分割和深度卷积神经网路提取特征。
本发明对预处理后的图片利用3D-Unet算法对明显关键的部分(密度比较大、特征比较明显、体积比较明显)进行分割,这些特征往往是决定不同的肺部疾病的的明显表现,利用深度卷积神经网络对特征进行提取,卷积神经网络的卷积核为7*7,池化过程真是3*3的结构,深度卷积神经网络的作用就是对影像的主要特征进行提取。具体的网络结构如图2。
3、DenseNet网络结构与深度神经网络精确识别分类
通过前文的影像分割处理,本发明的精检测是对深度卷积神经网络提取的特征利用神经网络学习出一个肺部生理指标量化分类模型,为了能够进一步对胸部CT影像密集块中的结节位置、密度、最长径和体积进行精检测并从网络中刚学到模型的最佳参数。本发明的网络结构采用DenseNet和Transition Block块交替组合(网络结构交替6层,即DenseNet-Trans-DenseNet-Trans-DenseNet-Trans),为了保证网络中层与层之间最大程度的信息传输的前提下,DenseNet网路采用了直接将所有层连接起来,结构如图3。Transision Block主要作用是转换模型之间的参数,用于模型调优过程。
本发明还可通过在神经网络的最后一层采用了softmax激活函数进行疾病得病的多分类计算(其中在整个网络训练中采用了Adam梯度下降优化方法),最后根据对已有影像的网络结构的训练,得到一个精确的模型来对肺部疾病的准确分类。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习对胸部CT影像的分类方法,其特征在于,包括以下步骤:
步骤1,对胸部CT影像进行预处理,从原始的影像样片中分割出完整的含有双肺的主要区域;
步骤2,采用3D-Unet算法对预处理的胸部CT影像中的密集部分进行分割,同时使用卷积神经网络对密集部分影像进行特征提取;
步骤3,将提取的密集部分影像特征输入到深度神经网络模型中,对胸部CT影像密集块中的结节位置、密度、最长径和体积进行精检测分类;所述深度神经网络模型的网络结构由多个DenseNet和多个Transition Block的交替组合构成。
2.根据权利要求1所述一种基于深度学习对胸部CT影像的分类方法,其特征在于,所述步骤1还包括对原始的胸部CT影像进行旋转或缩放的增广处理,以增大和多样化医学影像图的样本集。
3.根据权利要求1所述所述一种基于深度学习对胸部CT影像的分类方法,其特征在于,所述使用卷积神经网络对密集部分影像进行特征提取包括:
深度卷积神经网络采用Conv(7*7*k)的卷积结构对影像进行卷积计算、利用Pooling(3*3)的结构进行池化处理。
4.根据权利要求1所述所述一种基于深度学习对胸部CT影像的分类方法,其特征在于,所述深度神经网络模型包括6层结构,即包括3个DenseNet和3个Transition Block块交替组合构成的网络结构,为了保证网络中层与层之间最大程度的信息传输,所述DenseNet网路采用了直接将所有层连接起来的方法,所述Transision Block用于转换模型之间的参数,用于模型调优过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810585175.1A CN108846432A (zh) | 2018-06-06 | 2018-06-06 | 一种基于深度学习对胸部ct影像的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810585175.1A CN108846432A (zh) | 2018-06-06 | 2018-06-06 | 一种基于深度学习对胸部ct影像的分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108846432A true CN108846432A (zh) | 2018-11-20 |
Family
ID=64211615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810585175.1A Pending CN108846432A (zh) | 2018-06-06 | 2018-06-06 | 一种基于深度学习对胸部ct影像的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846432A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712111A (zh) * | 2018-11-22 | 2019-05-03 | 平安科技(深圳)有限公司 | 一种皮肤癌种类识别方法、系统、计算机设备和存储介质 |
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
CN109949318A (zh) * | 2019-03-07 | 2019-06-28 | 西安电子科技大学 | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 |
CN110047577A (zh) * | 2019-04-23 | 2019-07-23 | 杭州依图医疗技术有限公司 | 影像分配装置及影像分配方法 |
CN110089297A (zh) * | 2019-05-18 | 2019-08-06 | 安徽大学 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
CN110321943A (zh) * | 2019-06-25 | 2019-10-11 | 中国科学院自动化研究所 | 基于半监督深度学习的ct图像分类方法、系统、装置 |
CN110400297A (zh) * | 2019-07-22 | 2019-11-01 | 中国石油大学(华东) | 一种基于深度学习的肺癌分期预测方法 |
CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
CN110910371A (zh) * | 2019-11-22 | 2020-03-24 | 北京理工大学 | 基于生理指标和影像融合的肝肿瘤自动分类方法及装置 |
CN111127484A (zh) * | 2019-12-25 | 2020-05-08 | 北京小白世纪网络科技有限公司 | 基于深度学习神经网络的肝脏ct图像分割方法及装置 |
CN111383218A (zh) * | 2020-03-11 | 2020-07-07 | 上海依智医疗技术有限公司 | 基于医学影像的诊断信息处理方法及存储介质 |
CN111639676A (zh) * | 2020-05-07 | 2020-09-08 | 安徽医科大学第二附属医院 | 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 |
CN111739023A (zh) * | 2020-08-25 | 2020-10-02 | 湖南数定智能科技有限公司 | 漏斗胸Haller指数测量方法、电子设备及存储介质 |
-
2018
- 2018-06-06 CN CN201810585175.1A patent/CN108846432A/zh active Pending
Non-Patent Citations (1)
Title |
---|
SHUBHANG DESAI: "《Exploring 3D Convolutional Neural Networks for Lung Cancer Detection in CT Volumes》", 《CS 229 MACHINE LEARNING FINAL PROJECTS REPORTS》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712111A (zh) * | 2018-11-22 | 2019-05-03 | 平安科技(深圳)有限公司 | 一种皮肤癌种类识别方法、系统、计算机设备和存储介质 |
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
CN109949318A (zh) * | 2019-03-07 | 2019-06-28 | 西安电子科技大学 | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 |
CN109949318B (zh) * | 2019-03-07 | 2023-11-14 | 西安电子科技大学 | 基于多模态影像的全卷积神经网络癫痫病灶分割方法 |
CN110047577A (zh) * | 2019-04-23 | 2019-07-23 | 杭州依图医疗技术有限公司 | 影像分配装置及影像分配方法 |
CN110089297A (zh) * | 2019-05-18 | 2019-08-06 | 安徽大学 | 小麦赤霉病大田环境下病情严重度诊断方法及装置 |
CN110321943A (zh) * | 2019-06-25 | 2019-10-11 | 中国科学院自动化研究所 | 基于半监督深度学习的ct图像分类方法、系统、装置 |
CN110400297A (zh) * | 2019-07-22 | 2019-11-01 | 中国石油大学(华东) | 一种基于深度学习的肺癌分期预测方法 |
CN110910371A (zh) * | 2019-11-22 | 2020-03-24 | 北京理工大学 | 基于生理指标和影像融合的肝肿瘤自动分类方法及装置 |
CN110910377B (zh) * | 2019-11-28 | 2023-01-03 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
CN111127484A (zh) * | 2019-12-25 | 2020-05-08 | 北京小白世纪网络科技有限公司 | 基于深度学习神经网络的肝脏ct图像分割方法及装置 |
CN111383218A (zh) * | 2020-03-11 | 2020-07-07 | 上海依智医疗技术有限公司 | 基于医学影像的诊断信息处理方法及存储介质 |
CN111383218B (zh) * | 2020-03-11 | 2021-11-09 | 上海依智医疗技术有限公司 | 基于医学影像的诊断信息处理方法及存储介质 |
CN111639676A (zh) * | 2020-05-07 | 2020-09-08 | 安徽医科大学第二附属医院 | 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 |
CN111739023A (zh) * | 2020-08-25 | 2020-10-02 | 湖南数定智能科技有限公司 | 漏斗胸Haller指数测量方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846432A (zh) | 一种基于深度学习对胸部ct影像的分类方法 | |
Pereira et al. | COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios | |
CN108364006B (zh) | 基于多模式深度学习的医学图像分类装置及其构建方法 | |
CN110223281B (zh) | 一种数据集中含有不确定数据时的肺结节图像分类方法 | |
Li et al. | Accurate retinal vessel segmentation in color fundus images via fully attention-based networks | |
CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
CN108446730A (zh) | 一种基于深度学习的ct肺结节检测方法 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN111767952B (zh) | 一种可解释的肺结节良恶性分类方法 | |
Han et al. | Automatic recognition of 3D GGO CT imaging signs through the fusion of hybrid resampling and layer-wise fine-tuning CNNs | |
CN106780453A (zh) | 一种基于深度信任网络实现对脑肿瘤分割的方法 | |
CN115062165B (zh) | 基于读片知识图谱的医学影像诊断方法及装置 | |
CN115601602A (zh) | 癌症组织病理图像分类方法、系统、介质、设备及终端 | |
Zhao et al. | Cascade and fusion of multitask convolutional neural networks for detection of thyroid nodules in contrast-enhanced CT | |
Sun et al. | Context matters: Graph-based self-supervised representation learning for medical images | |
CN112949654A (zh) | 图像检测方法及相关装置、设备 | |
Song et al. | Classifying tongue images using deep transfer learning | |
Kausar et al. | SD-GAN: A style distribution transfer generative adversarial network for Covid-19 detection through X-ray images | |
CN113421228A (zh) | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN116630964A (zh) | 一种基于离散小波注意力网络的食品图像分割方法 | |
CN115810109A (zh) | 一种舌像特征提取方法、系统和存储介质 | |
Zhu et al. | Embedding task knowledge into 3D neural networks via self-supervised learning | |
CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |
|
RJ01 | Rejection of invention patent application after publication |