CN109035212A - 一种肺部ct影像特殊组织的标记方法 - Google Patents

一种肺部ct影像特殊组织的标记方法 Download PDF

Info

Publication number
CN109035212A
CN109035212A CN201810727772.3A CN201810727772A CN109035212A CN 109035212 A CN109035212 A CN 109035212A CN 201810727772 A CN201810727772 A CN 201810727772A CN 109035212 A CN109035212 A CN 109035212A
Authority
CN
China
Prior art keywords
lung
image
particular tissues
original image
labeling
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
CN201810727772.3A
Other languages
English (en)
Inventor
邹昊
卢树强
马鹏程
谢苏
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.)
Study Of Medical Technology (shenzhen) Co Ltd
Original Assignee
Study Of Medical Technology (shenzhen) Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Study Of Medical Technology (shenzhen) Co Ltd filed Critical Study Of Medical Technology (shenzhen) Co Ltd
Priority to CN201810727772.3A priority Critical patent/CN109035212A/zh
Publication of CN109035212A publication Critical patent/CN109035212A/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种肺部ct影像特殊组织的标记方法，包括如下步骤：(1)、样本标记：(2)、设计语义分割模型：以像素分割的方式，在原始图像中标记出特定对象的区域，并依此建立一个U‑Net模型；(3)、特殊组织检测模型的训练：采用图像变换方法，对原始图像和掩模图像同时进行变换，以进行数据增强；(4)、计算模型性能的度量指标：模型性能的度量指标就是Dice系数，起计算公式为：本发明可以提升肺结节检查准确率。

Description

一种肺部ct影像特殊组织的标记方法
技术领域
本发明涉及肺部ct影像领域；具体涉及一种肺部ct影像特殊组织的标记方法。
背景技术
癌症，作为一直以来人类难以降服的恶疾，严重威胁着人类的生命健康。其中，肺癌在所有恶性肿瘤发病及死亡中均占首位。据统计，2012年约有160万人因肺癌死亡，另有180万新增病例被确诊。筛查肺癌对于患者的早期诊断和治疗至关重要，可以通过筛查技术来改善患者预后。肺癌筛查容易出现假阳性，由此会增加不必要的治疗成本，并给患者带来额外的压力。利用针对肺癌的计算机辅助诊断方法，能够为早期癌症筛查提供更全面的覆盖，并降低诊断中的假阳性率。
虽然发现肺结节可能并不代表确诊早期肺癌，但肺癌筛查的第一步就是检测肺结节。然而，在CT影像中的肺部，除了以结节代表的疑似肺癌外，还可能包含多种肺部疾病，例如：肺气肿、肺结核等。特别是，长期吸烟人群是多种肺部疾病的高发人群，其肺部很有可能同时存在结节和其它特殊病变组织。这就为准确检测结节，增加了额外的难度。为此，需要专门的模型，对特殊组织进行检测。
事实上，当能检测出肺部有很多“奇怪的组织”时，患者罹患癌症的机会会很高。而此时，若结节检测器没有发现任何结节，就会给出阴性的判定，这对医疗诊断有较为负面的影响。
发明内容
本发明目的在于：为了解决上述背景技术中的现有技术存在的问题，提供一种肺部ct影像特殊组织的标记方法，可以提升肺结节检查准确率。
本发明解决其技术问题所采用的技术方案是：一种肺部ct影像特殊组织的标记方法，包括如下步骤：
(1)、样本标记：LIDC-IDRI肺结节公开数据集和LUNA16肺结节检测竞赛数据集中，用传统方法，标记出肺部ct影像特殊组织样本；
(2)、设计语义分割模型：以像素分割的方式，在原始图像中标记出特定对象的区域，并依此建立一个U-Net模型；
(3)、特殊组织检测模型的训练：采用图像变换方法，对原始图像和掩模图像同时进行变换，以进行数据增强；
其中训练的batch size为4，优化方法为带动量的SGD，学习率固定为0.001。
(4)、计算模型性能的度量指标：模型性能的度量指标就是Dice系数，起计算公式为：
优选地：步骤(3)中采用的图像变换方法为随机弹性变换、随机旋转、随机翻转和随机平移。
优选地：步骤(3)中对原始图像和掩模图像进行变换时，要使用同样的变换方法和变换参数。
与现有技术相比，本发明具有以下有益效果：
本发明首先通过U-Net架构以像素分割的方式，在原始图像中标记出特定对象的区域；其次，通过使用了多种图像变换方法，包括：随机弹性变换、随机旋转、随机翻转和随机平移等对数据进行了增强，避免了用于特殊组织检测的数据集样本较少的问题。最终模型的Dice系数指标能够超过0.8，达到较高的水平。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是非结节特殊组织及其对应标记ct影像图；
图2是U-Net模型语义分割模型架构；
图3是采用随机旋转变换数据增强后ct影像对比图；
图4是特殊组织检测模型训练图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
一种肺部ct影像特殊组织的标记方法，包括如下步骤：
(1)、样本标记：LIDC-IDRI肺结节公开数据集和LUNA16肺结节检测竞赛数据集中，用传统方法，标记出肺部ct影像特殊组织样本；
(2)、设计语义分割模型：以像素分割的方式，在原始图像中标记出特定对象的区域，并依此建立一个U-Net模型；
(3)、特殊组织检测模型的训练：采用图像变换方法，对原始图像和掩模图像同时进行变换，以进行数据增强；
其中训练的batch size为4，优化方法为带动量的SGD，学习率固定为0.001。
(4)、计算模型性能的度量指标：模型性能的度量指标就是Dice系数，起计算公式为：
其中：步骤(3)中采用的图像变换方法为随机弹性变换、随机旋转、随机翻转和随机平移。
其中：步骤(3)中对原始图像和掩模图像进行变换时，要使用同样的变换方法和变换参数。
目前权威性最高，使用最为广泛的数据集及标注方法为LIDC-IDRI肺结节公开数据集(以下简称：LIDC数据)和LUNA16肺结节检测竞赛数据集(以下简称：LUNA16数据)。
其中LIDC数据由胸部医学图像文件(如：CT、X光片)和对应的诊断结果病变标注组成。该数据是由美国国家癌症研究所发起收集的，目的是为了研究高危人群早期癌症检测。图像文件为DICOM格式，共收录了1018个研究实例。
标注方法分为两个阶段，第一阶段每位医师分别独立诊断并标注病患位置，其中会标注三种类别：1)大于等于3mm的结节，2)小于3mm的结节，3)大于等于3mm的非结节。在随后的第二阶段中，各位医师都分别独立的复审其他三位医师的标注，并给出自己最终的诊断结果。除此以外，标注中还包含检出难度(Subtlety)、分叶特征显著度(Lobulation)、毛刺特征显著度(Spiculation)、结节恶性程度(Malignancy)等多个主观特征。
在LUNA16数据集中，大于30mm的结节均未做标记。事实上，该数据集的图像中含有不少肺气肿等特殊组织样本。这些样本面积较大，与周边组织区别较大，很容易分辨。即使自己进行标注，也很容易得到较为准确的结果。而且，针对这一建模需求，已有人标记出了一些非结节特殊组织，并将标记出的子数据集共享了出来。
如图1所示，是在LIDC数据和LUNA16数据基础上做出的非结节特殊组织及其对应标记。
由于特殊组织也是肺癌检测的重要特征，因此，需要构建特殊组织检测模型，在原始CT切片中，标记出特殊组织区域。我们在此基础上，采用以下方法标注非结节的特殊影像区域。
(1)、设计语义分割模型
以像素分割的方式，在原始图像中标记出特定对象的区域，是典型的图像语音分割问题。这样的问题广泛存在于医学影像分析中。目前，针对这一问题较好的模型结构是U-Net模型。根据训练数据的特点，这里构建了一个修改版的U-Net，用于完成特殊组织检测任务。具体网络架构如图2所示。
(2)特殊组织检测模型的训练
由于用于特殊组织检测的数据集样本较少，因此需要做更多的数据增强。这里，使用了多种图像变换方法，包括：随机弹性变换、随机旋转、随机翻转和随机平移。需要注意的是，必须使用同样的变换方法和变换参数，对原始图像和掩模图像同时进行变换，图像和标注才能保持一致。以随机旋转变换为例，如图3所示，是采用随机旋转变换数据增强后ct影像对比图。
训练的batch size为4，优化方法为带动量的SGD，学习率固定为0.001。由于模型需要对每一个像素点进行判断，并与掩模图像比较，这可以视为是两个集合进行比较，并度量两个集合的相似性。Dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度，其计算公式为：
模型性能的度量指标就是Dice系数。训练时的损失函数是负的Dice系数。训练曲线如图4所示，最终，验证集上的Dice系数指标能够超过0.8。
设计语义分割模型的U-Net架构的模型也可以通过其他网络实行。但是U-NET具有结构简单，训练时间短，训练参数少等优势。但是与其它网络比，深度略显不足。一般来说，网络深度意味着特征抽象层次的复杂程度。由于这里进行的特殊组织检测任务，大部分图像分割依据来源于图像的纹理、边缘等低级别特征，因此较浅的网络也能很好地完成任务。
目前肺癌的早期诊断以肺结节为第一步，然而，在CT影像中的肺部，除了以结节外，其它特殊病变组织也与肺癌密切相关。为准确肺癌，避免假阴性，本发明设计了基于CT的影像标注模型，对肺部特殊组织进行了检测。
本发明首先通过U-Net架构以像素分割的方式，在原始图像中标记出特定对象的区域；其次，通过使用了多种图像变换方法，包括：随机弹性变换、随机旋转、随机翻转和随机平移等对数据进行了增强，避免了用于特殊组织检测的数据集样本较少的问题。最终模型的Dice系数指标能够超过0.8，达到较高的水平。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种肺部ct影像特殊组织的标记方法，其特征在于，包括如下步骤：
(1)、样本标记：LIDC-IDRI肺结节公开数据集和LUNA16肺结节检测竞赛数据集中，用传统方法，标记出肺部ct影像特殊组织样本；
(2)、设计语义分割模型：以像素分割的方式，在原始图像中标记出特定对象的区域，并依此建立一个U-Net模型；
(3)、特殊组织检测模型的训练：采用图像变换方法，对原始图像和掩模图像同时进行变换，以进行数据增强；
其中训练的batch size为4，优化方法为带动量的SGD，学习率固定为0.001。
(4)、计算模型性能的度量指标：模型性能的度量指标就是Dice系数，起计算公式为：
2.如权利要求1所述的一种肺部ct影像特殊组织的标记方法，其特征在于：步骤(3)中采用的图像变换方法为随机弹性变换、随机旋转、随机翻转和随机平移。
3.如权利要求1所述的一种肺部ct影像特殊组织的标记方法，其特征在于：步骤(3)中对原始图像和掩模图像进行变换时，要使用同样的变换方法和变换参数。
CN201810727772.3A 2018-07-05 2018-07-05 一种肺部ct影像特殊组织的标记方法 Pending CN109035212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810727772.3A CN109035212A (zh) 2018-07-05 2018-07-05 一种肺部ct影像特殊组织的标记方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810727772.3A CN109035212A (zh) 2018-07-05 2018-07-05 一种肺部ct影像特殊组织的标记方法

Publications (1)

Publication Number Publication Date
CN109035212A true CN109035212A (zh) 2018-12-18

Family

ID=65522333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810727772.3A Pending CN109035212A (zh) 2018-07-05 2018-07-05 一种肺部ct影像特殊组织的标记方法

Country Status (1)

Country Link
CN (1) CN109035212A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717060A (zh) * 2019-09-04 2020-01-21 平安科技（深圳）有限公司 图像mask的过滤方法、装置及存储介质
CN111340827A (zh) * 2020-05-18 2020-06-26 天津精诊医疗科技有限公司 一种肺部ct影像数据处理分析方法及系统
CN112258530A (zh) * 2020-12-21 2021-01-22 四川大学 基于神经网络的计算机辅助肺结节自动分割方法
CN112686897A (zh) * 2021-03-15 2021-04-20 四川大学 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717060A (zh) * 2019-09-04 2020-01-21 平安科技（深圳）有限公司 图像mask的过滤方法、装置及存储介质
CN110717060B (zh) * 2019-09-04 2023-08-18 平安科技（深圳）有限公司 图像mask的过滤方法、装置及存储介质
CN111340827A (zh) * 2020-05-18 2020-06-26 天津精诊医疗科技有限公司 一种肺部ct影像数据处理分析方法及系统
CN112258530A (zh) * 2020-12-21 2021-01-22 四川大学 基于神经网络的计算机辅助肺结节自动分割方法
CN112686897A (zh) * 2021-03-15 2021-04-20 四川大学 一种基于弱监督的长短轴辅助肠胃淋巴结像素标注的方法

Similar Documents

Publication Publication Date Title
CN109035212A (zh) 一种肺部ct影像特殊组织的标记方法
Zhang et al. A sensor-based wrist pulse signal processing and lung cancer recognition
Jiang et al. Improving breast cancer diagnosis with computer-aided diagnosis
Oliver et al. A statistical approach for breast density segmentation
CN111243042A (zh) 基于深度学习的超声甲状腺结节良恶性特征可视化的方法
CN109003299A (zh) 一种基于深度学习的计算脑出血量的方法
CN106407664B (zh) 呼吸气体诊断系统的领域自适应装置
CN107330263A (zh) 一种计算机辅助乳腺浸润性导管癌组织学分级的方法
CN107247887A (zh) 基于人工智能帮助肺癌筛查的方法及系统
WO2021211787A1 (en) Systems and methods for quantification of liver fibrosis with mri and deep learning
CN104182755B (zh) 基于塔形pca的乳腺钼靶x线图像块特征提取方法
CN109741317A (zh) 医学影像智能评价方法
CN109102899A (zh) 基于机器学习与大数据的中医智能辅助系统及方法
KR102366290B1 (ko) 의료기계 학습 시스템
CN109003269A (zh) 一种能提高医生效率的医学影像病灶的标注提取方法
CN107545143A (zh) 疾病与人体部位的映射方法
JP2019008349A (ja) 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
CN110352461A (zh) 用于确定受试者中是否发生宫颈癌的方法和设备
CN106778047A (zh) 一种基于多维度医学图像的中医面诊综合系统
CN111916185A (zh) 为ai诊断模型提供影像数据的管理系统及方法
CN110264460A (zh) 一种目标检测结果的鉴别方法、装置、设备及存储介质
Li et al. End-to-end coordinate regression model with attention-guided mechanism for landmark localization in 3D medical images
CN110503147A (zh) 基于相关性学习的多模图像分类系统
CN113539476A (zh) 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统
CN115607113B (zh) 基于深度学习模型的冠心病患者手诊数据处理方法及其系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181218

WD01 Invention patent application deemed withdrawn after publication