CN109003274A - 一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质 - Google Patents

一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质 Download PDF

Info

Publication number
CN109003274A
CN109003274A CN201810852410.7A CN201810852410A CN109003274A CN 109003274 A CN109003274 A CN 109003274A CN 201810852410 A CN201810852410 A CN 201810852410A CN 109003274 A CN109003274 A CN 109003274A
Authority
CN
China
Prior art keywords
layer
pulmonary tuberculosis
image
tumour
identified
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
Application number
CN201810852410.7A
Other languages
English (en)
Inventor
黄文恺
薛义豪
胡凌恺
何杰贤
倪皓舟
彭广龙
朱静
吴羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
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 University filed Critical Guangzhou University
Priority to CN201810852410.7A priority Critical patent/CN109003274A/zh
Publication of CN109003274A publication Critical patent/CN109003274A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30096—Tumor; Lesion

Abstract

本发明公开了一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质，所述方法包括：采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分；根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明；对已标注的待识别CT图像进行预处理；将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。本发明能够通过CT图像自动精确区分肺结核与肺部肿瘤，辅助医生诊断，提高医生对判断肺结核与肺部肿瘤的准确性，避免造成无法挽回的损失。

Description

一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质。
背景技术
根据调查，肺结核与肺癌患病征兆极为相似，都会出现咳嗽、胸痛、咯血等典型症状，加上疾病早期各种症状均不明显，不少肺癌患者因肺癌误诊。
由于我国二三线城市医院设备匮乏，医生经验不足，更加大了将肺癌误诊为肺结核的可能性，造成无法挽回的损失。根据调查研究，本发明的发明人发现，我国二三线城市患者数量十分庞大，因此，根据CT图像对肺结核与肿瘤的高效准确区分就显得尤为重要。
现行的临床方法对于肺结核或肿瘤的检测大多是利用CT机获得患者肺部的平面灰度断层影像即CT图像，再通过影像科医师人工完成对于患者肺结核或是肿瘤的判断，这样传统的检测方法易出错，判断结果也依赖于医师的专业技术水平。
发明内容
本发明实施例所要解决的技术问题在于，提供基于遗传算法的提升泵优先度控制方法、装置及存储介质，能够通过CT图像自动精确区分肺结核与肺部肿瘤，辅助医生诊断，提高医生对判断肺结核与肺部肿瘤的准确性，避免造成无法挽回的损失。
为解决上述问题，本发明的一个实施例提供一种区分肺结核与肿瘤的诊断方法，适于在计算设备中执行，包括如下步骤：
采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分；
根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明；
对已标注的待识别CT图像进行预处理；
将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。
进一步地，所述深度卷积神经网络包括5个卷积层、3个池化层和3个全连接层。
进一步地，所述深度卷积神经网络的具体构建方式为，
第一层：卷积层，使用64个大小为3×9×9的卷积核，对输入的肿瘤或肺结核的CT图像做步长为1的卷积；
第二层：池化层，对第一层输入到第二层的数据做池化区间为2×2，步长为2的池化操作；
第三层，卷积层，使用64个大小为3×3×64的卷积核，对第二层输入到第三层的数据做步长为1的卷积；
第四层，卷积层，使用128个大小为3×3×64的卷积核，对第三层输入到第四层的数据做步长为1的卷积；
第五层，池化层，对第四层输入到第五层的数据做池化区间为2×2，步长为2的池化操作；
第六层，卷积层，使用128个大小为3×3×128的卷积核，对第五层输入到第六层的数据做步长为1的卷积；
第七层，卷积层，使用256个大小为3×3×128的卷积核，对第六层输入到第七层的数据做步长为1的卷积；
第八层，池化层，对第七层输入到第八层的数据做池化区间为2×2，步长为2的池化操作；
第九层，全连接层，共1096个神经元，每个神经元与第八层输出的数据进行全连接；
第十层，全连接层，共1096个神经元，每个神经元与第八层输出的数据进行全连接。
进一步地，所述第一层至所述第八层的神经网络，均采用修正线性单元ReLu作为激活函数，所述修正线性单元ReLu为：
ReLu(y)＝1/2(y+|y|)；
其中，y表示激活函数的输入，ReLu(y)表示激活函数的输出；
所述第九层和所述第十层的神经网络，均采用tanh函数作为激活函数，所述tanh函数为：
进一步地，在所述池化层后和反卷积层前加入非线性修正单元ReLu作为激活函数。
进一步地，所述对已标注的待识别CT图像进行预处理，具体为：
采用高斯滤波对已标注的待识别CT图像进行线性平滑，降噪并提高对比度。
进一步地，所述待识别CT图像的格式为16位DICOM标准格式，像素512×512，像素大小0.74mm×0.74mm。
本发明的一个实施例还提供了一种区分肺结核与肿瘤的诊断装置，包括：
待识别CT图像采集模块，用于采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分；
标注模块，用于根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明；
预处理模块，用于对已标注的待识别CT图像进行预处理；
诊断模块，用于将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。
本发明的一个实施例还提供了一种区分肺结核与肿瘤的诊断装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的区分肺结核与肿瘤的诊断方法。
本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的区分肺结核与肿瘤的诊断方法。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质，所述方法包括：采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分；根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明；对已标注的待识别CT图像进行预处理；将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。本发明能够通过CT图像自动精确区分肺结核与肺部肿瘤，辅助医生诊断，提高医生对判断肺结核与肺部肿瘤的准确性，避免造成无法挽回的损失。
附图说明
图1是本发明第一实施例提供的一种区分肺结核与肿瘤的诊断方法的流程示意图；
图2是本发明第一实施例提供的深度卷积神经网络的具体构建方式的流程示意图；
图3是本发明第一实施例提供的深度卷积神经网络的结构示意图；
图4是本发明第二实施例提供的一种区分肺结核与肿瘤的诊断装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一实施例：
请参阅图1-3。
如图1所示，本实施例提供的一种区分肺结核与肿瘤的诊断方法，适于在计算设备中执行，包括如下步骤：
S101、采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分。
其中，所述待识别CT图像的格式为16位DICOM标准格式，像素512×512，像素大小0.74mm×0.74mm。
S102、根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明。
在本实施例中，收集患者肺结核与肺部肿瘤的CT图像，提取出可能的肺结核部分和肿瘤部分，并对肺结核部分和肿瘤部分分别进行标注说明，并将其制作为一个数据集。
S103、对已标注的待识别CT图像进行预处理。
具体的，采用高斯滤波对已标注的待识别CT图像进行线性平滑，降噪并提高对比度。
在本实施例中，对已标注的待识别CT图像进行预处理，包括包括改善图像意外扭曲以及增强图像特征，采用高斯滤波进行线性平滑，以降低噪声的影响，提高对比度，以获得能更清晰显示的CT图像。
可以理解的是，由于成像与传输系统的不完善，图像在成像与传输的过程中会受到噪声的污染，这些噪声在图像上常表现为容易引起较强视觉效果的孤立像素点，因此需要对图片进行预处理。
S104、将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。
在本实施例中，如图2-3所示，重点是设计一个深度卷积神经网络的结构，使用经过预处理的待识别CT图像对所述深度卷积神经网络进行训练，以不断完善所述深度卷积神经网络。
在本实施例中，所述深度卷积神经网络包括5个卷积层、3个池化层和3个全连接层。进一步地，所述深度卷积神经网络还包括1个误差层，用于计算误差。
优选地，所述深度卷积神经网络的具体构建方式为，
第一层：卷积层，使用64个大小为3×9×9的卷积核，对输入的肿瘤或肺结核的CT图像做步长为1的卷积；
第二层：池化层，对第一层输入到第二层的数据做池化区间为2×2，步长为2的池化操作；
第三层，卷积层，使用64个大小为3×3×64的卷积核，对第二层输入到第三层的数据做步长为1的卷积；
第四层，卷积层，使用128个大小为3×3×64的卷积核，对第三层输入到第四层的数据做步长为1的卷积；
第五层，池化层，对第四层输入到第五层的数据做池化区间为2×2，步长为2的池化操作；
第六层，卷积层，使用128个大小为3×3×128的卷积核，对第五层输入到第六层的数据做步长为1的卷积；
第七层，卷积层，使用256个大小为3×3×128的卷积核，对第六层输入到第七层的数据做步长为1的卷积；
第八层，池化层，对第七层输入到第八层的数据做池化区间为2×2，步长为2的池化操作；
第九层，全连接层，共1096个神经元，每个神经元与第八层输出的数据进行全连接；
第十层，全连接层，共1096个神经元，每个神经元与第八层输出的数据进行全连接。
其中，所述第一层至所述第八层的神经网络，均采用修正线性单元ReLu作为激活函数，所述修正线性单元ReLu为：
ReLu(y)＝1/2(y+|y|)；
其中，y表示激活函数的输入，ReLu(y)表示激活函数的输出；
所述第九层和所述第十层的神经网络，均采用tanh函数作为激活函数，所述tanh函数为：
在本实施例中，假如把上述激活函数设置为sigmoid函数，初始值过大会使权值无法更新，加入把上述激活函数设置为maxout函数，则容易导致参数double化，因此本实施例选择ReLu函数作为激活函数。
需要说明的是，该神经网络使用Pooling来减少每层的样本数，进一步减少参数数量，同时还可以提升模型的鲁棒性。并且，将卷积核大小设置为3×3能更好综合局部细节信息。
需要说明的是，该卷积神经网络中，每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连，有利于减少参数。
需要说明的是，使用预处理后的CT图像训练神经网络，循环次数设置为70次，学习率设置为0.0001。使用训练完成的深度卷积神经网络对肺结核以及肿瘤图像进行判断，能得到其性质类别，有力辅助医生诊断，医生可将患者肺部可疑区域导入本计算设备系统中，系统会判断其为肿瘤或是肺结核，可降低医生的误诊率，实现过程方便且通用性强。
进一步地，在所述池化层后和反卷积层前加入非线性修正单元ReLu作为激活函数。
本实施例提供的一种区分肺结核与肿瘤的诊断方法，首先，收集患者肺结核与肺部肿瘤的CT图像，提取出肿瘤与肺结核的部分，并对肿瘤与肺结核分别进行标注说明，并将其制作为一个数据集。其次，为提高检测的准确度，对已标注的CT图像进行预处理，包括改善图像与增强图像特征，获得具有更高对比度，能更清晰显示的图像。设计一个深度卷积神经网络结构，使用经过预处理后的CT图像对神经网络进行训练，不断完善神经网络。最后，用训练完成的神经网络去区分肿瘤与肺结核。本实施例能够通过CT图像自动精确区分肺结核与肺部肿瘤，辅助医生诊断，提高医生对判断肺结核与肺部肿瘤的准确性，实现过程方便且通用性强，避免造成无法挽回的损失。
本发明第二实施例：
请参阅图4。
如图4所示，本实施例还提供了一种区分肺结核与肿瘤的诊断装置，包括：
待识别CT图像采集模块201，用于采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分。
其中，所述待识别CT图像的格式为16位DICOM标准格式，像素512×512，像素大小0.74mm×0.74mm。
标注模块202，用于根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明。
在本实施例中，收集患者肺结核与肺部肿瘤的CT图像，提取出可能的肺结核部分和肿瘤部分，并对肺结核部分和肿瘤部分分别进行标注说明，并将其制作为一个数据集。
预处理模块203，用于对已标注的待识别CT图像进行预处理。
具体的，采用高斯滤波对已标注的待识别CT图像进行线性平滑，降噪并提高对比度。
在本实施例中，对已标注的待识别CT图像进行预处理，包括包括改善图像意外扭曲以及增强图像特征，采用高斯滤波进行线性平滑，以降低噪声的影响，提高对比度，以获得能更清晰显示的CT图像。
可以理解的是，由于成像与传输系统的不完善，图像在成像与传输的过程中会受到噪声的污染，这些噪声在图像上常表现为容易引起较强视觉效果的孤立像素点，因此需要对图片进行预处理。
诊断模块204，用于将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。
在本实施例中，如图2-3所示，重点是设计一个深度卷积神经网络的结构，使用经过预处理的待识别CT图像对所述深度卷积神经网络进行训练，以不断完善所述深度卷积神经网络。
在本实施例中，所述深度卷积神经网络包括5个卷积层、3个池化层和3个全连接层。进一步地，所述深度卷积神经网络还包括1个误差层，用于计算误差。
优选地，所述深度卷积神经网络的具体构建方式为，
第一层：卷积层，使用64个大小为3×9×9的卷积核，对输入的肿瘤或肺结核的CT图像做步长为1的卷积；
第二层：池化层，对第一层输入到第二层的数据做池化区间为2×2，步长为2的池化操作；
第三层，卷积层，使用64个大小为3×3×64的卷积核，对第二层输入到第三层的数据做步长为1的卷积；
第四层，卷积层，使用128个大小为3×3×64的卷积核，对第三层输入到第四层的数据做步长为1的卷积；
第五层，池化层，对第四层输入到第五层的数据做池化区间为2×2，步长为2的池化操作；
第六层，卷积层，使用128个大小为3×3×128的卷积核，对第五层输入到第六层的数据做步长为1的卷积；
第七层，卷积层，使用256个大小为3×3×128的卷积核，对第六层输入到第七层的数据做步长为1的卷积；
第八层，池化层，对第七层输入到第八层的数据做池化区间为2×2，步长为2的池化操作；
第九层，全连接层，共1096个神经元，每个神经元与第八层输出的数据进行全连接；
第十层，全连接层，共1096个神经元，每个神经元与第八层输出的数据进行全连接。
其中，所述第一层至所述第八层的神经网络，均采用修正线性单元ReLu作为激活函数，所述修正线性单元ReLu为：
ReLu(y)＝1/2(y+|y|)；
其中，y表示激活函数的输入，ReLu(y)表示激活函数的输出；
所述第九层和所述第十层的神经网络，均采用tanh函数作为激活函数，所述tanh函数为：
在本实施例中，假如把上述激活函数设置为sigmoid函数，初始值过大会使权值无法更新，加入把上述激活函数设置为maxout函数，则容易导致参数double化，因此本实施例选择ReLu函数作为激活函数。
需要说明的是，该神经网络使用Pooling来减少每层的样本数，进一步减少参数数量，同时还可以提升模型的鲁棒性。并且，将卷积核大小设置为3×3能更好综合局部细节信息。
需要说明的是，该卷积神经网络中，每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连，有利于减少参数。
需要说明的是，使用预处理后的CT图像训练神经网络，循环次数设置为70次，学习率设置为0.0001。使用训练完成的深度卷积神经网络对肺结核以及肿瘤图像进行判断，能得到其性质类别，有力辅助医生诊断，医生可将患者肺部可疑区域导入本计算设备系统中，系统会判断其为肿瘤或是肺结核，可降低医生的误诊率，实现过程方便且通用性强。
进一步地，在所述池化层后和反卷积层前加入非线性修正单元ReLu作为激活函数。
本实施例提供的一种区分肺结核与肿瘤的诊断装置，首先，收集患者肺结核与肺部肿瘤的CT图像，提取出肿瘤与肺结核的部分，并对肿瘤与肺结核分别进行标注说明，并将其制作为一个数据集。其次，为提高检测的准确度，对已标注的CT图像进行预处理，包括改善图像与增强图像特征，获得具有更高对比度，能更清晰显示的图像。设计一个深度卷积神经网络结构，使用经过预处理后的CT图像对神经网络进行训练，不断完善神经网络。最后，用训练完成的神经网络去区分肿瘤与肺结核。本实施例能够通过CT图像自动精确区分肺结核与肺部肿瘤，辅助医生诊断，提高医生对判断肺结核与肺部肿瘤的准确性，实现过程方便且通用性强，避免造成无法挽回的损失。
本发明的一个实施例还提供了一种区分肺结核与肿瘤的诊断装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的区分肺结核与肿瘤的诊断方法。
本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的区分肺结核与肿瘤的诊断方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

Claims (10)

1.一种区分肺结核与肿瘤的诊断方法，适于在计算设备中执行，其特征在于，包括如下步骤：
采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分；
根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明；
对已标注的待识别CT图像进行预处理；
将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。
2.根据权利要求1所述的区分肺结核与肿瘤的诊断方法，其特征在于，所述深度卷积神经网络包括5个卷积层、3个池化层和3个全连接层。
3.根据权利要求2所述的区分肺结核与肿瘤的诊断方法，其特征在于，所述深度卷积神经网络的具体构建方式为，
第一层：卷积层，使用64个大小为3×9×9的卷积核，对输入的肿瘤或肺结核的CT图像做步长为1的卷积；
第二层：池化层，对第一层输入到第二层的数据做池化区间为2×2，步长为2的池化操作；
第三层，卷积层，使用64个大小为3×3×64的卷积核，对第二层输入到第三层的数据做步长为1的卷积；
第四层，卷积层，使用128个大小为3×3×64的卷积核，对第三层输入到第四层的数据做步长为1的卷积；
第五层，池化层，对第四层输入到第五层的数据做池化区间为2×2，步长为2的池化操作；
第六层，卷积层，使用128个大小为3×3×128的卷积核，对第五层输入到第六层的数据做步长为1的卷积；
第七层，卷积层，使用256个大小为3×3×128的卷积核，对第六层输入到第七层的数据做步长为1的卷积；
第八层，池化层，对第七层输入到第八层的数据做池化区间为2×2，步长为2的池化操作；
第九层，全连接层，共1096个神经元，每个神经元与第八层输出的数据进行全连接；
第十层，全连接层，共1096个神经元，每个神经元与第八层输出的数据进行全连接。
4.根据权利要求3所述的区分肺结核与肿瘤的诊断方法，其特征在于，所述第一层至所述第八层的神经网络，均采用修正线性单元ReLu作为激活函数，所述修正线性单元ReLu为：
ReLu(y)＝1/2(y+|y|)；
其中，y表示激活函数的输入，ReLu(y)表示激活函数的输出；
所述第九层和所述第十层的神经网络，均采用tanh函数作为激活函数，所述tanh函数为：
5.根据权利要求3所述的区分肺结核与肿瘤的诊断方法，其特征在于，在所述池化层后和反卷积层前加入非线性修正单元ReLu作为激活函数。
6.根据权利要求1所述的区分肺结核与肿瘤的诊断方法，其特征在于，所述对已标注的待识别CT图像进行预处理，具体为：
采用高斯滤波对已标注的待识别CT图像进行线性平滑，降噪并提高对比度。
7.根据权利要求1所述的区分肺结核与肿瘤的诊断方法，其特征在于，所述待识别CT图像的格式为16位DICOM标准格式，像素512×512，像素大小0.74mm×0.74mm。
8.一种区分肺结核与肿瘤的诊断装置，其特征在于，包括：
待识别CT图像采集模块，用于采集待识别CT图像，并从所述待识别CT图像中提取可能的肺结核部分和肿瘤部分；
标注模块，用于根据预设的标注模板，获取所述肺结核部分和所述肿瘤部分的标注说明；
预处理模块，用于对已标注的待识别CT图像进行预处理；
诊断模块，用于将经预处理的待识别CT图像输入已训练好的深度卷积神经网络中进行肺结核和肿瘤区分，输出诊断结果。
9.一种区分肺结核与肿瘤的诊断装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的区分肺结核与肿瘤的诊断方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7任一项所述的区分肺结核与肿瘤的诊断方法。
CN201810852410.7A 2018-07-27 2018-07-27 一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质 Pending CN109003274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810852410.7A CN109003274A (zh) 2018-07-27 2018-07-27 一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810852410.7A CN109003274A (zh) 2018-07-27 2018-07-27 一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN109003274A true CN109003274A (zh) 2018-12-14

Family

ID=64596933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810852410.7A Pending CN109003274A (zh) 2018-07-27 2018-07-27 一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN109003274A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383759A (zh) * 2020-03-16 2020-07-07 郭红梅 一种肺炎自动诊断系统
CN111783774A (zh) * 2020-06-22 2020-10-16 联想(北京)有限公司 图像处理方法、设备及存储介质
CN113095382A (zh) * 2021-03-30 2021-07-09 浙江大学 基于ct图像的可解释性肺结核分类网络识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN105718952A (zh) * 2016-01-22 2016-06-29 武汉科恩斯医疗科技有限公司 使用深度学习网络对断层医学影像进行病灶分类的方法
CN106250931A (zh) * 2016-08-03 2016-12-21 武汉大学 一种基于随机卷积神经网络的高分辨率图像场景分类方法
CN106780498A (zh) * 2016-11-30 2017-05-31 南京信息工程大学 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
CN107680082A (zh) * 2017-09-11 2018-02-09 宁夏医科大学 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN107945179A (zh) * 2017-12-21 2018-04-20 王华锋 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574859A (zh) * 2015-12-14 2016-05-11 中国科学院深圳先进技术研究院 一种基于ct图像的肝脏肿瘤分割方法及装置
CN105718952A (zh) * 2016-01-22 2016-06-29 武汉科恩斯医疗科技有限公司 使用深度学习网络对断层医学影像进行病灶分类的方法
CN106250931A (zh) * 2016-08-03 2016-12-21 武汉大学 一种基于随机卷积神经网络的高分辨率图像场景分类方法
CN106780498A (zh) * 2016-11-30 2017-05-31 南京信息工程大学 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
CN107680082A (zh) * 2017-09-11 2018-02-09 宁夏医科大学 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN107945179A (zh) * 2017-12-21 2018-04-20 王华锋 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383759A (zh) * 2020-03-16 2020-07-07 郭红梅 一种肺炎自动诊断系统
CN111783774A (zh) * 2020-06-22 2020-10-16 联想(北京)有限公司 图像处理方法、设备及存储介质
CN113095382A (zh) * 2021-03-30 2021-07-09 浙江大学 基于ct图像的可解释性肺结核分类网络识别方法
CN113095382B (zh) * 2021-03-30 2022-07-26 浙江大学 基于ct图像的可解释性肺结核分类网络识别方法

Similar Documents

Publication Publication Date Title
Wang et al. Pulmonary image classification based on inception-v3 transfer learning model
Bi et al. Automatic liver lesion detection using cascaded deep residual networks
CN108615237B (zh) 一种肺部图像处理方法及图像处理设备
Dong et al. Learning to read chest X-ray images from 16000+ examples using CNN
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN108198184B (zh) 造影图像中血管分割的方法和系统
Li et al. Automatic cardiothoracic ratio calculation with deep learning
CN110348541A (zh) 眼底血管图像分类方法、装置、设备及存储介质
CN109741317B (zh) 医学影像智能评价方法
CN107657602A (zh) 基于两次迁移卷积神经网络的乳腺结构紊乱识别方法
CN108280827B (zh) 基于深度学习的冠状动脉病变自动检测方法、系统和设备
CN109087306A (zh) 动脉血管图像模型训练方法、分割方法、装置及电子设备
CN109741316B (zh) 医学影像智能评片系统
CN107730489A (zh) 无线胶囊内窥镜小肠病变计算机辅助检测系统及检测方法
CN110517238B (zh) Ct医学影像ai三维重建与人机交互可视化网络系统
CN108334899A (zh) 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法
CN110298383A (zh) 基于多模态深度学习的病理分类方法及系统
CN106504232A (zh) 一种基于3d卷积神经网络的肺部结节自动检测方法
CN106529555A (zh) 一种基于全卷积网络的dr片肺轮廓提取方法
CN109003274A (zh) 一种区分肺结核与肿瘤的诊断方法、装置及可读存储介质
JP2013537445A (ja) 内科医が直接用いるのに適応したビジュアライゼーション
CN112184659A (zh) 一种肺部图像处理方法、装置及设备
CN111899244B (zh) 图像分割、网络模型的训练方法及装置，及电子设备
US20220366679A1 (en) Methods and systems for training learning network for medical image analysis

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: 20181214

RJ01 Rejection of invention patent application after publication