CN109003260B - Ct图像肺结节检测方法、装置、设备及可读存储介质 - Google Patents
Ct图像肺结节检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109003260B CN109003260B CN201810695624.8A CN201810695624A CN109003260B CN 109003260 B CN109003260 B CN 109003260B CN 201810695624 A CN201810695624 A CN 201810695624A CN 109003260 B CN109003260 B CN 109003260B
- Authority
- CN
- China
- Prior art keywords
- image
- nodule
- probability
- region
- candidate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 29
- 238000002591 computed tomography Methods 0.000 claims abstract description 177
- 238000012545 processing Methods 0.000 claims abstract description 84
- 230000011218 segmentation Effects 0.000 claims abstract description 70
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 230000001537 neural effect Effects 0.000 claims abstract description 38
- 238000007499 fusion processing Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 42
- 238000005070 sampling Methods 0.000 claims description 41
- 206010056342 Pulmonary mass Diseases 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
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
- A61B6/52—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
- 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
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- 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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
Abstract
本发明公开了一种CT图像肺结节检测方法、装置、设备及可读存储介质,所述CT图像肺结节检测方法包括:获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;通过预存的不同三维卷积神经网络分类器对应的多个模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。本发明解决现有基于CT图像自动化检测肺结节精确度欠佳的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种CT图像肺结节检测方法、装置、设备及可读存储介质。
背景技术
肺结节是肺癌最重要的早期征象之一,根据肺结节的病变特征能够推断出肺病灶的病变特性,由于结节的大小、形状以及密度等特征的不确定性,现有检测方法难以满足市场对肺结节检测精确度的需求。
发明内容
本发明的主要目的在于提供一种CT图像肺结节检测方法、装置、设备及可读存储介质,旨在解决现有技术中基于CT图像自动化检测肺结节精确度欠佳的技术问题。
为实现上述目的,本发明提供一种CT图像肺结节检测方法,所述CT图像肺结节检测方法包括:
获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。
可选地,所述通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域分析得到候选结节区域步骤包括:
对所述CT图像进行预设尺寸的区域分割处理,得到CT图像的子区域,通过预存的三维像素分割网络对所述子区域分别进行预设次数的下采样处理,对下采样处理后的所述子区域进行同样预设次数的上采样处理;
对所述下采样处理后以及上采样处理后分别得到的所述子区域进行桥接特征融合处理,得到与所述子区域尺寸相等的子概率图;
对所述各个子概率图进行拼接还原得到所述CT图像对应的概率图;
对所述CT图像对应的概率图进行连通域标记,得到候选结节区域。
可选地,所述下采样处理包括对所述子区域的卷积、激活、批标准化以及池化处理,上采样处理包括对所述下采样处理后子区域的反卷积、激活、批标准化以及池化处理。
可选地,所述融合处理所述各个概率预测值,得到所述候选结节区域的分类结果步骤包括:
平均处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,其中,所述预存阀值根据对应三维卷积神经网络分类器中对应的ROC曲线确定。
可选地,所述通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值步骤包括:
通过预存的不同三维卷积神经网络分类器对应的各个预测模型分别对所述候选结节区域进行下采样处理以及全连接处理,得到所述候选结节区域对应的各个概率预测值;
其中,所述对所述候选结节区域进下采样处理步骤包括对所述候选结节区域的卷积、激活、批标准化以及池化处理。
可选地,所述得到所述候选结节区域的目标概率预测值步骤之后包括:
输出所述目标概率预测值,并生成目标提示信息。
可选地,所述获取待检测电子计算机断层扫描CT图像,通过三维卷积神经像素分割网络对所述CT图像进行预测步骤之前包括:
线上多进程采集CT图像样本数据,将所述采集的CT图像样本数据作为第一样本数据,将所述第一样本数据作为输入数据以进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练,并得到难分样本数据,其中,所述难分样本数据是第一样本数据中预测失败的数据;
对所述难分样本数据进行多次平移和水平翻转操作,以增大难分样本数据在所述第一样本数据中的比例,并将增大难分样本数据比例后的数据作为第二样本数据;
将所述第二样本数据作为输入数据以多次进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练;
当训练后的所述三维卷积神经像素分割网络以及三维卷积神经网络分类器的预测准确率分别达到第一目标准确率、第二目标准确率时,执行获取待检测电子计算机断层扫描CT图像的步骤。
本发明还提供一种CT图像肺结节检测装置,所述CT图像肺检测装置包括:
获取模块,用于获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
模型融合模块,用于通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。
可选地,所述获取模块包括:
子概率图获取单元,用于对所述CT图像进行预设尺寸的区域分割处理,得到CT图像的子区域,通过预存的三维像素分割网络对所述子区域分别进行预设次数的下采样处理,对下采样处理后的所述子区域进行同样预设次数的上采样处理;
特征融合单元,用于对所述下采样处理后以及上采样处理后分别得到的所述子区域进行桥接特征融合处理,得到与所述子区域尺寸相等的子概率图;
拼接还原单元,用于对所述各个子概率图进行拼接还原得到所述CT图像对应的概率图;
连通域处理模块,用于对所述CT图像对应的概率图进行连通域标记,得到候选结节区域。
可选地,所述子概率图获取单元用于对所述子区域的卷积、激活、批标准化以及池化处理,还用于对所述下采样处理后子区域的反卷积、激活、批标准化以及池化处理。
可选地,所述模型融合模块包括:
平均单元,用于平均处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
比较单元,用于将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,其中,所述预存阀值根据对应三维卷积神经网络分类器中对应的ROC曲线确定。
可选地,所述模型融合模块还包括:
模型融合单元,用于通过预存的不同三维卷积神经网络分类器对应的各个预测模型分别对所述候选结节区域进行下采样处理以及全连接处理,得到所述候选结节区域对应的各个概率预测值;
其中,所述模型融合单元还用于对所述候选结节区域的卷积、激活、批标准化以及池化处理。
可选地,所述CT图像肺结节检测装置还包括:
输出模块,用于输出所述目标概率预测值,并生成目标提示信息。
可选地,所述CT图像肺结节检测装置还包括:
采集模块,用于线上多进程采集CT图像样本数据,将所述采集的CT图像样本数据作为第一样本数据,将所述第一样本数据作为输入数据以进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练,并得到难分样本数据,其中,所述难分样本数据是第一样本数据中预测失败的数据;
难分样本数据加强模块,用于对所述难分样本数据进行多次平移和水平翻转操作,以增大难分样本数据在所述第一样本数据中的比例,并将增大难分样本数据比例后的数据作为第二样本数据;
训练模块,用于将所述第二样本数据作为输入数据以多次进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练;
执行模块,用于当训练后的所述三维卷积神经像素分割网络以及三维卷积神经网络分类器的预测准确率分别达到第一目标准确率、第二目标准确率时,执行获取待检测电子计算机断层扫描CT图像的步骤。
此外,为实现上述目的,本发明还提供一种CT图像肺结节检测设备,所述CT图像肺结节检测设备包括:存储器、处理器,通信总线以及存储在所述存储器上的CT图像肺结节检测程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述CT图像肺结节检测程序,以实现以下步骤:
获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。
可选地,所述通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域分析得到候选结节区域步骤包括:
对所述CT图像进行预设尺寸的区域分割处理,得到CT图像的子区域,通过预存的三维像素分割网络对所述子区域分别进行预设次数的下采样处理,对下采样处理后的所述子区域进行同样预设次数的上采样处理;
对所述下采样处理后以及上采样处理后分别得到的所述子区域进行桥接特征融合处理,得到与所述子区域尺寸相等的子概率图;
对所述各个子概率图进行拼接还原得到所述CT图像对应的概率图;
对所述CT图像对应的概率图进行连通域标记,得到候选结节区域。
可选地,所述下采样处理包括对所述子区域的卷积、激活、批标准化以及池化处理,上采样处理包括对所述下采样处理后子区域的反卷积、激活、批标准化以及池化处理。
可选地,所述融合处理所述各个概率预测值,得到所述候选结节区域的分类结果步骤包括:
平均处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,其中,所述预存阀值根据对应三维卷积神经网络分类器中对应的ROC曲线确定。
可选地,所述通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值步骤包括:
通过预存的不同三维卷积神经网络分类器对应的各个预测模型分别对所述候选结节区域进行下采样处理以及全连接处理,得到所述候选结节区域对应的各个概率预测值;
其中,所述对所述候选结节区域进下采样处理步骤包括对所述候选结节区域的卷积、激活、批标准化以及池化处理。
可选地,所述得到所述候选结节区域的目标概率预测值步骤之后包括:
输出所述目标概率预测值,并生成目标提示信息。
可选地,所述获取待检测电子计算机断层扫描CT图像,通过三维卷积神经像素分割网络对所述CT图像进行预测步骤之前包括:
线上多进程采集CT图像样本数据,将所述采集的CT图像样本数据作为第一样本数据,将所述第一样本数据作为输入数据以进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练,并得到难分样本数据,其中,所述难分样本数据是第一样本数据中预测失败的数据;
对所述难分样本数据进行多次平移和水平翻转操作,以增大难分样本数据在所述第一样本数据中的比例,并将增大难分样本数据比例后的数据作为第二样本数据;
将所述第二样本数据作为输入数据以多次进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练;
当训练后的所述三维卷积神经像素分割网络以及三维卷积神经网络分类器的预测准确率分别达到第一目标准确率、第二目标准确率时,执行获取待检测电子计算机断层扫描CT图像的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于:
获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。
本发明通过获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测处理,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。在本发明中,预存的三维卷积神经像素分割网络以及三维卷积神经网络分类器是已经训练完成的,具有一定准确度的处理网络,在第一阶段通过预存的三维卷积神经网络得到候选结节区域,在第二阶段,通过多模型融合,补偿不同模型的偶然性,得到候选结节区域的目标概率预测值,因而避免了由于肺结节的大小、形状以及密度等特征的不确定性造成肺结节检测精确度低的现象,解决了现有技术中基于CT图像自动化检测肺结节精确度欠佳的技术问题。
附图说明
图1为本发明CT图像肺结节检测方法第一实施例的流程示意图;
图2为本发明CT图像肺结节检测方法第二实施例的流程示意图;
图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图;
图4是本发明CT图像肺结节检测方法的场景示意图。
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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种CT图像肺结节检测方法,在本发明CT图像肺结节检测方法的第一实施例中,参照图1,所述CT图像肺结节检测方法包括:
获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。
具体步骤如下:
步骤S10,获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
在进行检测前,首先获取或者接收待检测的电子计算机断层扫描CT图像即所述CT图像,其中,所述CT图像是从医院通过CT采集肺结节得到的,所述CT图像中可以包含医生所标记的肺结节区域即结节标记区域,在本实施例中,在得到CT图像后,首先通过预存的三维卷积神经像素分割网络,对所述CT结节图像进行预测,以得到CT图像对应概率图,对该概率图进行连通域分析或者连通域标记得到候选结节区域。如图四所示,3D-Unet即三维卷积神经像素分割网络,通过阶段一即state1,得到候选结节区域(candidate screening),需要说明的是,三维卷积神经像素分割网络是已经训练完成的神经网络模型,该像素分割网络中最后一层卷积层使用的sigmoid函数激活,且该像素分割网络的训练使用dice loss以及focal loss损失函数,能够缓解正负样本的不平衡性。
具体地,参照图2,步骤S10包括:
步骤S11,对所述CT图像进行预设尺寸的区域分割处理,得到CT图像的子区域,通过预存的三维像素分割网络对所述子区域分别进行预设次数的下采样处理,对下采样处理后的所述子区域进行同样预设次数的上采样处理;
步骤S12,对所述下采样处理后以及上采样处理后分别得到的所述子区域进行桥接特征融合处理,得到与所述子区域尺寸相等的子概率图;
步骤S13,对所述各个子概率图进行拼接还原得到所述CT图像对应的概率图;
步骤S14,对所述CT图像对应的概率图进行连通域标记,得到候选结节区域。
需要说明的是,图形处理器GPU的存储空间一般难以满足对整个CT图像的同时计算,因而需要对CT图像进行预设尺寸的区域分割处理,以满足GPU的计算能力,将分割处理后得到的图像作为CT图像的子区域,如在检测过程中,将CT图像分成128*128*128的小区域,该128*128*128的小区域即是CT图像的子区域。
在得到CT图像的子区域后,通过三维卷积神经像素分割网络对CT图像的子区域分别进行预测以得到各个子概率图,具体地,通过预存的三维像素分割网络对所述子区域分别进行预设次数的下采样处理,对下采样处理后的所述子区域进行同样预设次数的上采样处理,对所述下采样处理后以及上采样处理后分别得到的所述子区域进行桥接特征融合处理,得到与所述子区域尺寸相等的子概率图,以弥补下采样导致所述子区域的信息丢失,其中,由于通过同样次数的下采样处理与上采样处理,因而能够得到和原始CT图像的子区域形状相同的子概率图,桥接特征融合处理指的是在上采样和下采样阶段,对下采样以及上采样处理后的同尺寸的子区域之间加入桥接结构,对子区域的图像特征进行融合,因而能够避免可能存在的子区域信息的丢失。
进一步地,对所述各个子概率图进行拼接还原能够得到所述CT图像对应的概率图,通过准确获取概率图,能够为查找得到候选结节区域奠下基础。
其中,所述下采样处理包括对所述子区域的卷积、激活、批标准化以及池化处理,上采样处理包括对所述下采样处理后子区域的反卷积、激活、批标准化以及池化处理。
提取CT图像子区域的特征,其中,该特征包括图像纹理特征,对称特征等,在得到子概率图前,需要对该子区域进行预设次数的卷积、激活、批标准化以及池化处理,其中,卷积过程可以理解为:图像的一部分的统计特性与其他部分是一样的,即是在这一部分学习的特征也能用在相应另一部分上,因而将学习到的特征作为探测器,应用到这个图像的任意地方中去。即通过小范围图像所学习到的特征跟原本的大尺寸图像作卷积,并实现对图像上的任一像素位置获得一个不同特征的激活值,在得到激活值后,进行相应批标准化处理即校正处理,对应校正参数是预存的,在批标准化后,进行池化处理,在本实施例中,可以是最大池化处理即获取最大激活值,以提取局部特征,通过多个局部特征组合即可以得到下采样处理后的所述子区域。
对所述下采样处理后的所述子区域,进行同样预设次数的反卷积、激活、批标准化以及池化处理,得到与所述子区域尺寸相等的子概率图。
其中,反卷积处理即是卷积过程的逆向过程,在此不做具体说明。
在得到子概率图后,对所述各个子概率图进行拼接还原得到所述CT图像对应的概率图,需要说明的是,该各个子概率图是按照预设顺序拼接得到所述CT图像对应的概率图的,该预设顺序与像素分割CT图像中分割各个子区域的分割顺序映射关联。
步骤S20,通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。
需要说明的是,在本实施例中,训练有多个三维卷积神经网络分类器,该不同三维卷积神经网络分类器中的预测模型不同,具体地,可以是通过2个三维卷积神经网络分类器对应的2个预测模型,即采用2个预测模型融合方式对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,如图4中通过阶段二即state2,由于通过多个预测模型,因而能够消除模型之前的偶然性,提升检测精确度与准确度。在得到各个概率预测值后,通过该各个概率预测值,即可得到所述候选结节区域的分类结果。
具体地,所述通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值步骤包括:
步骤S21,通过预存的不同三维卷积神经网络分类器对应的各个预测模型分别对所述候选结节区域进行下采样处理以及全连接处理,得到所述候选结节区域对应的各个概率预测值;
步骤S22,其中,所述对所述候选结节区域进下采样处理步骤包括对所述候选结节区域的卷积、激活、批标准化以及池化处理。
需要说明的是,不同三维卷积神经网络分类器分别对全部的候选结节区域进行预测,三维卷积神经网络分类器包括多个下采样层以及最后的全连接层,以实现对各个候选结节区域进行下采样处理以及全连接处理,其中,对各个候选结节区域进行下采样处理过程包括对所述候选结节区域的卷积、激活、批标准化以及池化处理,全连接处理即是将下采样处理后得到的各个节点连接,以综合处理各个节点对应的图像特征,以最后得到所述候选结节区域对应的各个概率预测值,其中,由于多个三维卷积神经网络分类器分别对所述候选结节区域进行预测,而每个候选结节区域对应每个三维卷积神经网络分类器得到一个概率预测值,因而,每个候选结节区域对应得到多个概率预测值。
其中,所述融合处理所述各个概率预测值,得到所述候选结节区域的分类结果步骤包括:
步骤S23,平均处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
步骤S24,将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,其中,所述预存阀值根据三维卷积神经网络分类器中对应的ROC曲线确定。
在本实施例中,在得到每个候选结节区域对应得到多个概率预测值后,对该多个概率预测值进行平均处理,并将平均处理后的概率预测值作为候选结节区域的目标概率预测值,在得到目标概率预测值后,获取预存阀值,将目标概率预测值与预存阀值进行比较,得到比较结果,需要说明的是,预存阀值是可以调整的,具体地,预存阀值根据三维卷积神经网络分类器中不同模型整体的ROC曲线确定。在得到比较结果,基于该比较结果,即可得到所述候选结节区域的分类结果,该分类结果包括结节区域与非结节区域。
需要说明的是,在得到目标概率预测值后,可以对目标概率预测值进行输出处理,并生成目标提示信息,该目标提示信息对应提示方式并不做具体限定。
本发明通过获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测处理,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。在本发明中,三维卷积神经像素分割网络以及三维卷积神经网络分类器是已经训练完成的,具有一定准确度的处理网络,在第一阶段通过三维卷积神经网络得到候选结节区域,在第二阶段,通过多模型融合,补偿不同模型的偶然性,得到候选结节区域的目标概率预测值,因而避免了由于肺结节的大小、形状以及密度等特征的不确定性造成肺结节检测精确度低的现象,解决了现有检测方法难以满足市场对肺结节检测精确度的需求的技术问题。
进一步地,本发明提供CT结节检测方法的另一实施例,在该实施例中,所述获取待检测电子计算机断层扫描CT图像,通过三维卷积神经像素分割网络对所述CT图像进行预测步骤之前包括:
步骤S01,线上多进程采集CT图像样本数据,将所述采集的CT图像样本数据作为第一样本数据,将所述第一样本数据作为输入数据以进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练,并得到难分样本数据,其中,所述难分样本数据是第一样本数据中预测失败的数据;
步骤S02,对所述难分样本数据进行多次平移和水平翻转操作,以增大难分样本数据在所述第一样本数据中的比例,并将增大难分样本数据比例后的数据作为第二样本数据;
步骤S03,将所述第二样本数据作为输入数据以多次进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练;
步骤S04,当训练后的所述三维卷积神经像素分割网络以及三维卷积神经网络分类器的预测准确率分别达到第一目标准确率、第二目标准确率时,执行获取待检测电子计算机断层扫描CT图像的步骤。
在本实施例中,在三维卷积神经像素分割网络以及三维卷积神经网络分类器训练过程中,不断进行线上多进程采集CT图像样本数据即第一样本数据,如图4所示,在第一样本数据作为输入数据进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练后,通过平移和水平翻转等操作实现难分样本的数据增强,以实现第二样本数据中难分样本数据比例增大,因而,在将所述第二样本数据作为输入数据再次进行相应三维卷积神经网络模型的训练过程中,能够提高所述维卷积神经网络模型的敏感率。
参照图3,图3是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例CT图像肺结节检测设备可以是PC,便携计算机,也可以是移动终端等终端设备。
如图3所示,该CT图像肺结节检测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该CT图像肺结节检测设备还可以包括用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的CT图像肺结节检测设备结构并不构成对CT图像肺结节检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及CT图像肺结节检测程序。操作系统是管理和控制CT图像肺结节检测设备硬件和软件资源的程序,支持CT图像肺结节检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与CT图像肺结节检测设备中其它硬件和软件之间通信。
在图3所示的CT图像肺结节检测设备中,处理器1001用于执行存储器1005中存储的CT图像肺结节检测程序,实现上述任一项所述的CT图像肺结节检测方法的步骤。
本发明CT图像肺结节检测设备具体实施方式与上述CT图像肺结节检测方法各实施例基本相同,在此不再赘述。
本发明还提供一种CT图像肺结节检测装置,所述CT图像肺结节检测装置包括:
获取模块,用于获取待检测的电子计算机断层扫描CT图像,通过预存的三维卷积神经像素分割网络对所述CT图像进行像素分割处理,得到所述CT图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
模型融合模块,用于通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果。
本发明CT图像肺结节检测装置具体实施方式与上述CT图像肺结节检测方法各实施例基本相同,在此不再赘述。
本发明提供了一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的CT图像肺结节检测方法的步骤。
本发明可读存储介质具体实施方式与上述CT图像肺结节检测方法各实施例基本相同,在此不再赘述。
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处理范围内。
Claims (9)
1.一种CT图像肺结节检测方法,其特征在于,所述CT图像肺结节检测方法包括:
获取待检测的电子计算机断层扫描CT图像,对所述CT图像进行预设尺寸的区域分割处理,得到CT图像的子区域,通过预存的三维像素分割网络对所述子区域分别进行预设次数的下采样处理,对下采样处理后的所述子区域进行同样预设次数的上采样处理;
对所述下采样处理后以及上采样处理后分别得到的所述子区域进行桥接特征融合处理,得到与所述子区域尺寸相等的子概率图;
对所述各个子概率图进行拼接还原得到所述CT图像对应的概率图;
对所述CT图像对应的概率图进行连通域标记,得到候选结节区域;
通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果,其中,训练有多个三维卷积神经网络分类器,该不同三维卷积神经网络分类器中的预测模型不同。
2.如权利要求1所述的CT图像肺结节检测方法,其特征在于,所述下采样处理包括对所述子区域的卷积、激活、批标准化以及池化处理,上采样处理包括对所述下采样处理后子区域的反卷积、激活、批标准化以及池化处理。
3.如权利要求1所述的CT图像肺结节检测方法,其特征在于,所述融合处理所述各个概率预测值,得到所述候选结节区域的分类结果步骤包括:
平均处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,其中,所述预存阀值根据对应三维卷积神经网络分类器中对应的ROC曲线确定。
4.如权利要求1所述的CT图像肺结节检测方法,其特征在于,所述通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值步骤包括:
通过预存的不同三维卷积神经网络分类器对应的各个预测模型分别对所述候选结节区域进行下采样处理以及全连接处理,得到所述候选结节区域对应的各个概率预测值;
其中,所述对所述候选结节区域进下采样处理步骤包括对所述候选结节区域的卷积、激活、批标准化以及池化处理。
5.如权利要求1所述的CT图像肺结节检测方法,其特征在于,所述得到所述候选结节区域的目标概率预测值步骤之后包括:
输出所述目标概率预测值,并生成目标提示信息。
6.如权利要求1-5任一项所述的CT图像肺结节检测方法,其特征在于,所述获取待检测电子计算机断层扫描CT图像,通过三维卷积神经像素分割网络对所述CT图像进行预测步骤之前包括:
线上多进程采集CT图像样本数据,将所述采集的CT图像样本数据作为第一样本数据,将所述第一样本数据作为输入数据以进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练,并得到难分样本数据,其中,所述难分样本数据是第一样本数据中预测失败的数据;
对所述难分样本数据进行多次平移和水平翻转操作,以增大难分样本数据在所述第一样本数据中的比例,并将增大难分样本数据比例后的数据作为第二样本数据;
将所述第二样本数据作为输入数据以多次进行对应三维卷积神经像素分割网络以及三维卷积神经网络分类器的训练;
当训练后的所述三维卷积神经像素分割网络以及三维卷积神经网络分类器的预测准确率分别达到第一目标准确率、第二目标准确率时,执行获取待检测电子计算机断层扫描CT图像的步骤。
7.一种CT图像肺结节检测装置,其特征在于,所述CT图像肺结节检测装置包括:
获取模块,用于获取待检测的电子计算机断层扫描CT图像,对所述CT图像进行预设尺寸的区域分割处理,得到CT图像的子区域,通过预存的三维像素分割网络对所述子区域分别进行预设次数的下采样处理,对下采样处理后的所述子区域进行同样预设次数的上采样处理;对所述下采样处理后以及上采样处理后分别得到的所述子区域进行桥接特征融合处理,得到与所述子区域尺寸相等的子概率图;对所述各个子概率图进行拼接还原得到所述CT图像对应的概率图;对所述CT图像对应的概率图进行连通域标记,得到候选结节区域;
模型融合模块,用于通过预存的不同三维卷积神经网络分类器对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的分类结果,其中,训练有多个三维卷积神经网络分类器,该不同三维卷积神经网络分类器中的预测模型不同。
8.一种CT图像肺结节检测设备,其特征在于,所述CT图像肺结节检测设备包括:存储器、处理器,通信总线以及存储在所述存储器上的CT图像肺结节检测程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述CT图像肺结节检测程序,以实现如权利要求1至6中任一项所述的CT图像肺结节检测方法的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有CT图像肺结节检测程序,所述CT图像肺结节检测程序被处理器执行时实现如权利要求1-6中任一项所述的CT图像肺结节检测方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695624.8A CN109003260B (zh) | 2018-06-28 | 2018-06-28 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
PCT/CN2018/104189 WO2020000643A1 (zh) | 2018-06-28 | 2018-09-05 | Ct图像肺结节检测方法、设备及可读存储介质 |
US16/243,217 US10909682B2 (en) | 2018-06-28 | 2019-01-09 | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695624.8A CN109003260B (zh) | 2018-06-28 | 2018-06-28 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003260A CN109003260A (zh) | 2018-12-14 |
CN109003260B true CN109003260B (zh) | 2021-02-09 |
Family
ID=64602134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810695624.8A Active CN109003260B (zh) | 2018-06-28 | 2018-06-28 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10909682B2 (zh) |
CN (1) | CN109003260B (zh) |
WO (1) | WO2020000643A1 (zh) |
Families Citing this family (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402191B (zh) * | 2018-12-28 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 一种目标检测方法、装置、计算设备及介质 |
CN109961423B (zh) * | 2019-02-15 | 2024-05-31 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN109978004B (zh) * | 2019-02-21 | 2024-03-29 | 平安科技(深圳)有限公司 | 图像识别方法及相关设备 |
CN109961446B (zh) * | 2019-03-27 | 2021-06-01 | 深圳视见医疗科技有限公司 | Ct/mr三维图像分割处理方法、装置、设备及介质 |
CN110136096A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于断层扫描图数据集进行病变区域分割的方法 |
CN110141776A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 瘤体内放射性粒子源线性填充方法 |
CN110097564B (zh) * | 2019-04-04 | 2023-06-16 | 平安科技(深圳)有限公司 | 基于多模型融合的图像标注方法、装置、计算机设备及存储介质 |
CN110148192B (zh) * | 2019-04-18 | 2023-05-30 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
CN110084810B (zh) * | 2019-05-06 | 2021-11-05 | 成都医云科技有限公司 | 一种肺结节图像检测方法、模型训练方法、装置及存储介质 |
CN110223300A (zh) * | 2019-06-13 | 2019-09-10 | 北京理工大学 | Ct图像腹部多器官分割方法及装置 |
CN110600105B (zh) * | 2019-08-27 | 2022-02-01 | 武汉科技大学 | 一种ct影像数据处理方法、装置及存储介质 |
CN110689112A (zh) * | 2019-09-02 | 2020-01-14 | 杭州深睿博联科技有限公司 | 数据处理的方法及装置 |
CN110634144B (zh) * | 2019-09-23 | 2022-08-02 | 武汉联影医疗科技有限公司 | 一种卵圆孔定位方法、装置和存储介质 |
CN110766659A (zh) * | 2019-09-24 | 2020-02-07 | 西人马帝言(北京)科技有限公司 | 医学图像识别方法、装置、设备和介质 |
CN110866925B (zh) * | 2019-10-18 | 2023-05-26 | 拜耳股份有限公司 | 一种用于图像分割的方法和装置 |
CN110807788B (zh) * | 2019-10-21 | 2023-07-21 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
CN110992312B (zh) * | 2019-11-15 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN110728675A (zh) * | 2019-10-22 | 2020-01-24 | 慧影医疗科技(北京)有限公司 | 肺结节分析装置、模型训练方法、装置及分析设备 |
CN110991535A (zh) * | 2019-12-04 | 2020-04-10 | 中山大学 | 一种基于多类型医学数据的pCR预测方法 |
TWI767439B (zh) * | 2020-01-03 | 2022-06-11 | 國立臺灣大學 | 醫療影像分析系統及其方法 |
US11684333B2 (en) | 2020-01-03 | 2023-06-27 | National Taiwan University | Medical image analyzing system and method thereof |
CN111292339B (zh) * | 2020-01-22 | 2023-01-10 | 北京航空航天大学 | 基于w型网络结构的临床颞骨ct多结构提取方法及装置 |
CN111311578B (zh) * | 2020-02-17 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
US11113577B1 (en) * | 2020-02-27 | 2021-09-07 | GE Precision Healthcare LLC | Systems and methods for detecting laterality of a medical image |
CN111402219A (zh) * | 2020-03-11 | 2020-07-10 | 北京深睿博联科技有限责任公司 | 陈旧性脑梗死检测方法和装置 |
CN111445478B (zh) * | 2020-03-18 | 2023-09-08 | 吉林大学 | 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法 |
CN111445449B (zh) * | 2020-03-19 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
CN111583179B (zh) * | 2020-04-02 | 2022-09-16 | 天津大学 | 一种基于浮动切割的肺结节深度学习分类方法 |
CN111462101A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct检测的分期设备及其使用方法 |
CN111583188B (zh) * | 2020-04-15 | 2023-12-26 | 武汉联影智融医疗科技有限公司 | 手术导航标记点定位方法、存储介质及计算机设备 |
CN111553892B (zh) * | 2020-04-23 | 2021-11-05 | 北京小白世纪网络科技有限公司 | 基于深度学习的肺结节分割计算方法、装置及系统 |
CN111652217B (zh) * | 2020-06-03 | 2022-05-03 | 北京易真学思教育科技有限公司 | 文本检测方法、装置、电子设备及计算机存储介质 |
CN111626257B (zh) * | 2020-06-03 | 2023-06-06 | 兰波(苏州)智能科技有限公司 | 硅藻检测识别用多概率组合预测后处理方法、系统及存储介质 |
CN111784646A (zh) * | 2020-06-18 | 2020-10-16 | 北京智像科技有限公司 | 图像处理装置及电子设备 |
CN112001218B (zh) * | 2020-06-19 | 2023-05-30 | 中国科学院计算技术研究所 | 一种基于卷积神经网络的三维颗粒类别检测方法及系统 |
CN111815579B (zh) * | 2020-06-24 | 2024-04-26 | 浙江大华技术股份有限公司 | 一种图像变化检测方法、装置及计算机可读存储介质 |
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 |
CN111767952B (zh) * | 2020-06-30 | 2024-03-29 | 重庆大学 | 一种可解释的肺结节良恶性分类方法 |
CN111915568B (zh) * | 2020-07-08 | 2023-07-25 | 深圳大学 | 图像篡改定位模型的生成方法、图像篡改定位方法及设备 |
CN111798437A (zh) * | 2020-07-09 | 2020-10-20 | 兴义民族师范学院 | 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法 |
CN112053319B (zh) * | 2020-07-22 | 2022-12-02 | 清华大学 | 图像处理的方法和装置 |
CN111951276A (zh) * | 2020-07-28 | 2020-11-17 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN111915698B (zh) * | 2020-08-21 | 2024-06-07 | 南方科技大学 | 一种脉管浸润检测方法、装置、计算机设备及存储介质 |
CN112085714B (zh) * | 2020-08-31 | 2023-12-15 | 广州视源电子科技股份有限公司 | 一种肺结节检测方法、模型训练方法、装置、设备及介质 |
CN112102266B (zh) * | 2020-08-31 | 2022-09-20 | 清华大学 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
CN111932482B (zh) * | 2020-09-25 | 2021-05-18 | 平安科技(深圳)有限公司 | 图像中目标物的检测方法、装置、电子设备及存储介质 |
CN112102311B (zh) * | 2020-09-27 | 2023-07-18 | 平安科技(深圳)有限公司 | 甲状腺结节图像的处理方法、装置和计算机设备 |
CN112348774A (zh) * | 2020-09-29 | 2021-02-09 | 深圳市罗湖区人民医院 | 一种适用于膀胱癌的ct影像分割方法、终端以及存储介质 |
CN112102326B (zh) * | 2020-10-26 | 2023-11-07 | 北京航星机器制造有限公司 | 一种安检ct图像目标物的提取和分割方法 |
CN112419306B (zh) * | 2020-12-11 | 2024-03-15 | 长春工业大学 | 一种基于nas-fpn的肺结节检测方法 |
CN112669312A (zh) * | 2021-01-12 | 2021-04-16 | 中国计量大学 | 一种基于深度特征对称融合的胸片肺炎检测方法及系统 |
CN112785565B (zh) * | 2021-01-15 | 2024-01-05 | 上海商汤智能科技有限公司 | 目标检测方法及装置、电子设备和存储介质 |
CN113017670A (zh) * | 2021-03-01 | 2021-06-25 | 北京小白世纪网络科技有限公司 | 一种基于3D UNet的纵隔肿物识别方法、装置及存储介质 |
CN112966609B (zh) * | 2021-03-05 | 2023-08-11 | 北京百度网讯科技有限公司 | 目标检测方法及装置 |
CN112927210A (zh) * | 2021-03-08 | 2021-06-08 | 常州市第一人民医院 | 一种能够定量分析肾表面结节的量化方法 |
CN113077419A (zh) * | 2021-03-19 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | 用于髋关节ct影像识别的信息处理方法及装置 |
CN112967279A (zh) * | 2021-04-02 | 2021-06-15 | 慧影医疗科技(北京)有限公司 | 一种检测肺结节的方法、装置、存储介质和电子设备 |
CN112949767B (zh) * | 2021-04-07 | 2023-08-11 | 北京百度网讯科技有限公司 | 样本图像增量、图像检测模型训练及图像检测方法 |
CN113269672B (zh) * | 2021-04-14 | 2023-02-24 | 佛山科学技术学院 | 一种超分辨率的细胞图像构建方法和系统 |
CN113240666B (zh) * | 2021-06-04 | 2024-04-16 | 科大讯飞股份有限公司 | 一种医学影像预处理方法、装置、设备及存储介质 |
CN113408595B (zh) * | 2021-06-09 | 2022-12-13 | 北京小白世纪网络科技有限公司 | 病理图像处理的方法、装置、电子设备及可读存储介质 |
CN113506289B (zh) * | 2021-07-28 | 2024-03-29 | 中山仰视科技有限公司 | 一种利用双流网络进行肺结节假阳性分类的方法 |
CN113470026B (zh) * | 2021-09-02 | 2021-11-05 | 北京字节跳动网络技术有限公司 | 息肉识别方法、装置、介质及设备 |
CN113947613B (zh) * | 2021-12-21 | 2022-03-29 | 腾讯科技(深圳)有限公司 | 目标区域检测方法、装置、设备及存储介质 |
CN114387227A (zh) * | 2021-12-23 | 2022-04-22 | 沈阳东软智能医疗科技研究院有限公司 | 结节类型预测方法、装置、存储介质及电子设备 |
CN114004425B (zh) * | 2021-12-29 | 2022-06-07 | 北京京东振世信息技术有限公司 | 物品流转信息预测模型生成方法、信息生成方法、装置 |
CN114677383B (zh) * | 2022-03-03 | 2024-03-15 | 西北工业大学 | 基于多任务学习的肺结节检测分割方法 |
CN114820535B (zh) * | 2022-05-05 | 2023-09-12 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
CN114757943B (zh) * | 2022-06-10 | 2022-09-27 | 肺诊网(苏州)网络科技有限公司 | 一种数字影像人工智能分析方法和系统 |
CN115272206B (zh) * | 2022-07-18 | 2023-07-04 | 深圳市医未医疗科技有限公司 | 医学图像处理方法、装置、计算机设备及存储介质 |
CN116310513B (zh) * | 2023-02-14 | 2023-12-05 | 成都泰莱生物科技有限公司 | 基于肺部CT与5hmC标志物融合的肺结节分类方法及产品 |
CN116228745A (zh) * | 2023-04-24 | 2023-06-06 | 徐州医科大学 | 一种用于肺结节良恶性分类的深度卷积网络构建方法 |
CN117237359B (zh) * | 2023-11-15 | 2024-02-20 | 天津市恒一机电科技有限公司 | 传送带撕裂检测方法、装置、存储介质和电子设备 |
CN117830302A (zh) * | 2024-03-04 | 2024-04-05 | 瀚依科技(杭州)有限公司 | 肺段分割的优化方法及装置、电子设备和存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090092299A1 (en) * | 2007-10-03 | 2009-04-09 | Siemens Medical Solutions Usa, Inc. | System and Method for Joint Classification Using Feature Space Cluster Labels |
CN105976367B (zh) * | 2016-04-29 | 2019-06-28 | 上海联影医疗科技有限公司 | 图像分割方法、肺结节检测方法及其计算机辅助检测系统 |
US10304198B2 (en) * | 2016-09-26 | 2019-05-28 | Siemens Healthcare Gmbh | Automatic medical image retrieval |
CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 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 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN106940816B (zh) * | 2017-03-22 | 2020-06-09 | 杭州健培科技有限公司 | 基于3d全卷积神经网络的ct图像肺结节检测系统 |
US10692211B2 (en) * | 2017-06-20 | 2020-06-23 | Case Western Reserve University | Intra-perinodular textural transition (IPRIS): a three dimenisonal (3D) descriptor for nodule diagnosis on lung computed tomography (CT) images |
CN107590797B (zh) * | 2017-07-26 | 2020-10-30 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
CN107480677B (zh) * | 2017-08-07 | 2020-04-28 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
US11341631B2 (en) * | 2017-08-09 | 2022-05-24 | Shenzhen Keya Medical Technology Corporation | System and method for automatically detecting a physiological condition from a medical image of a patient |
CN108010021B (zh) * | 2017-11-30 | 2021-12-10 | 上海联影医疗科技股份有限公司 | 一种医学图像处理系统和方法 |
CN108257128B (zh) * | 2018-01-30 | 2020-09-18 | 浙江大学 | 一种基于3d卷积神经网络的肺结节检测装置的建立方法 |
-
2018
- 2018-06-28 CN CN201810695624.8A patent/CN109003260B/zh active Active
- 2018-09-05 WO PCT/CN2018/104189 patent/WO2020000643A1/zh active Application Filing
-
2019
- 2019-01-09 US US16/243,217 patent/US10909682B2/en active Active
Non-Patent Citations (2)
Title |
---|
《Accurate Pulmonary Nodule Detection in Computed Tomography Images Using Deep Convolutional Neural Networks》;Jia Ding等;《arXiv:1706.04303v3》;20170829;全文 * |
《Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning》;Qi Dou等;《arXiv:1708.03867v1》;20170813;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109003260A (zh) | 2018-12-14 |
WO2020000643A1 (zh) | 2020-01-02 |
US10909682B2 (en) | 2021-02-02 |
US20200005460A1 (en) | 2020-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003260B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
JP7085062B2 (ja) | 画像セグメンテーション方法、装置、コンピュータ機器およびコンピュータプログラム | |
CN109410218B (zh) | 用于生成车辆损伤信息的方法和装置 | |
US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
CN108960090B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN108986085B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
CN113421263B (zh) | 零件缺陷检测方法、设备、介质及计算机程序产品 | |
CN108229673B (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
CN110675407B (zh) | 一种图像实例分割方法、装置、电子设备及存储介质 | |
CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
JP2012032370A (ja) | 欠陥検出方法、欠陥検出装置、学習方法、プログラム、及び記録媒体 | |
CN110443258B (zh) | 文字检测方法、装置、电子设备及存储介质 | |
CN109377508B (zh) | 图像处理方法和装置 | |
CN109559303B (zh) | 钙化点的识别方法、装置和计算机可读存储介质 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN112016569A (zh) | 基于注意力机制的目标检测方法、网络、设备和存储介质 | |
CN112767354A (zh) | 基于图像分割的缺陷检测方法、装置、设备及存储介质 | |
CN114722958A (zh) | 网络训练及目标检测方法、装置、电子设备和存储介质 | |
CN112183627A (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
CN111783777A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111583417B (zh) | 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质 | |
CN111179245A (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN114067099B (zh) | 学生图像识别网络的训练方法及图像识别方法 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN112668637B (zh) | 网络模型的训练方法、识别方法、装置及电子设备 |
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 |