CN109285142B - 一种头颈部肿瘤检测方法、装置及计算机可读存储介质 - Google Patents

一种头颈部肿瘤检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109285142B
CN109285142B CN201810896222.4A CN201810896222A CN109285142B CN 109285142 B CN109285142 B CN 109285142B CN 201810896222 A CN201810896222 A CN 201810896222A CN 109285142 B CN109285142 B CN 109285142B
Authority
CN
China
Prior art keywords
head
neck
picture
target detection
layers
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
Application number
CN201810896222.4A
Other languages
English (en)
Other versions
CN109285142A (zh
Inventor
詹羽荣
赵常均
李博
万磊
肖定坤
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 Intelligent Equipment Research Institute Co ltd
Sun Yat Sen University Cancer Center
Original Assignee
Guangzhou Intelligent Equipment Research Institute Co ltd
Sun Yat Sen University Cancer Center
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 Intelligent Equipment Research Institute Co ltd, Sun Yat Sen University Cancer Center filed Critical Guangzhou Intelligent Equipment Research Institute Co ltd
Priority to CN201810896222.4A priority Critical patent/CN109285142B/zh
Publication of CN109285142A publication Critical patent/CN109285142A/zh
Application granted granted Critical
Publication of CN109285142B publication Critical patent/CN109285142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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]
    • 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
    • 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
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种头颈部肿瘤检测方法、装置及计算机可读存储介质，所述方法包括：采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；将所述头颈部图片输入预设的区域分割模型，输出像素分割图；对所述像素分割图进行图形膨胀和腐蚀处理，分割出头颈部各个部位所在区域的区域图片；将所述区域图片输入预设的目标检测模型，检测出肿瘤的位置和种类。本发明能够基于深度学习，融合区域分割技术和目标检测技术对头颈部肿瘤进行检测，使得检测结果更加稳定，检测精度也更高。

Description

一种头颈部肿瘤检测方法、装置及计算机可读存储介质
技术领域
本发明涉及数字医学影像处理技术领域，尤其涉及一种头颈部肿瘤检测方法、装置及计算机可读存储介质。
背景技术
头颈部肿瘤包括颈部肿瘤、耳鼻喉科肿瘤以及口腔颌面部肿瘤三大部分。其中，颈部肿瘤比较常见的就是甲状腺肿瘤；耳鼻喉科肿瘤常见的有喉癌、副鼻窦癌等；口腔颌面部肿瘤常见的为各种口腔癌，如舌癌、牙龈癌、颊癌等。因此，头颈部所发生的肿瘤，其原发部位和病理类型之多，居全身肿瘤之首。同时，头颈部重要器官比较集中，解剖关系复杂。
在临床中，头颈部肿瘤的初步诊断主要是通过放射科医生阅看患者头颈部的CT图像。每个患者大概有40到50张CT图像，平均阅片时间是40分钟。这种单纯依靠医生阅片的方式有两个不足：一是长时间的阅片加大了放射科医生的工作量，属于高强度的重复性劳动；二是头颈部肿瘤的情况复杂，在医生水平阅历参差不齐的情况下肿瘤的误诊漏诊率非常高。
对于上述问题，在对现有技术的研究和实践过程中，本发明的发明人发现，基于深度学习的肿瘤诊断方法通过大数据学习肿瘤的特征，实现肿瘤的计算机辅助诊断，是解决上述不足的有效方法。但是，目前，基于深度学习的肿瘤辅助诊断主要应用在肺部，脑部和乳腺方面，而且大多采用区域分割的方法进行检测。由于头颈部肿瘤的复杂性和多样性，单独采用区域分割无法进行精准检测，所以目前暂无基于深度学习的头颈部辅助诊断案例。
发明内容
本发明实施例所要解决的技术问题在于，提供一种头颈部肿瘤检测方法、装置及计算机可读存储介质，能够基于深度学习，融合区域分割技术和目标检测技术对头颈部肿瘤进行检测，使得检测结果更加稳定，检测精度也更高。
为解决上述问题，本发明的一个实施例提供一种头颈部肿瘤检测方法，适于在计算设备中执行，包括如下步骤：
采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
将所述头颈部图片输入预设的区域分割模型，输出像素分割图；
对所述像素分割图进行图形膨胀和腐蚀处理，分割出头颈部各个部位所在区域的区域图片；
将所述区域图片输入预设的目标检测模型，检测出肿瘤的位置和种类。
进一步地，所述预设的区域分割模型的训练步骤为：
采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
根据人工对所述头颈部图片中各个部位进行的所在区域的标注，生成各个部位的区域分割标签；
将所述头颈部图片和所述区域分割标签输入区域分割深度神经网络中进行训练，生成相应的网络模型，即区域分割模型。
进一步地，所述区域分割深度神经网络由收缩路径和扩张路径组成，其中，所述收缩路径用于获取上下文信息，所述扩张路径用于精确的定位。
进一步地，所述收缩路径，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将VGG16结构中原来的全连接层分别转化为卷积层；
所述扩张路径，采用上采样技术，将经过所述收缩路径后的图像进行若干次上采样，直至将所述图像恢复原始尺寸。
进一步地，所述预设的目标检测模型的训练步骤为：
采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
根据人工对所述头颈部图片中各个部位进行的肿瘤种类的标注，生成各个部位的目标检测标签；
截取所述头颈部图片中各个部位的所在区域，生成作为图像输入的小图片；
将所述小图片和所述目标检测标签输入目标检测深度神经网络进行训练，生成相应的网络模型，即目标检测模型。
进一步地，所述目标检测深度神经网络进行训练时，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果。
本发明实施例还提供了一种头颈部肿瘤检测装置，包括：
头颈部图片生成模块，用于采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
图片分割模块，用于将所述头颈部图片输入预设的区域分割模型，输出像素分割图；
区域图片生层模块，用于对所述像素分割图进行图形膨胀和腐蚀处理，分割出头颈部各个部位所在区域的区域图片；
检测模块，用于将所述区域图片输入预设的目标检测模型，检测出肿瘤的位置和种类。
进一步地，所述预设的区域分割模型的训练步骤为：
采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
根据人工对所述头颈部图片中各个部位进行的所在区域的标注，生成各个部位的区域分割标签；
将所述头颈部图片和所述区域分割标签输入区域分割深度神经网络中进行训练，生成相应的网络模型，即区域分割模型。
进一步地，所述预设的目标检测模型的训练步骤为：
采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
根据人工对所述头颈部图片中各个部位进行的肿瘤种类的标注，生成各个部位的目标检测标签；
截取所述头颈部图片中各个部位的所在区域，生成作为图像输入的小图片；
将所述小图片和所述目标检测标签输入目标检测深度神经网络进行训练，生成相应的网络模型，即目标检测模型。
本发明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头颈部肿瘤检测方法。
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头颈部肿瘤检测方法、装置及计算机可读存储介质，针对头颈部肿瘤的复杂性和多样性等特点，将肿瘤检测流程分成区域分割和目标检测两个阶段进行，首先利用预设的区域分割模型对头颈部图片进行像素分割，生成头颈部各个部位的区域图片；然后利用预设的目标检测模型分别对各个部位的区域图片进行肿瘤的位置检测和分类。与现有技术相比，本发明能够基于深度学习，融合区域分割技术和目标检测技术对头颈部肿瘤进行检测，使得检测结果更加稳定，检测精度也更高。
附图说明
图1是本发明第一实施例提供的一种头颈部肿瘤检测方法的流程示意图；
图2是本发明第一实施例中预设的区域分割模型的训练方法的流程示意图；
图3是本发明第一实施例中区域分割网络框架图；
图4是本发明第一实施例中预设的目标检测模型的训练方法的流程示意图；
图5是本发明第一实施例中目标检测网络框架图；
图6是本发明第二实施例提供的一种头颈部肿瘤检测装置的结构示意图。
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1-5。
如图1所示，本实施例提供的一种头颈部肿瘤检测方法，适于在计算设备中执行，包括如下步骤：
S101、采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
S102、将所述头颈部图片输入预设的区域分割模型，输出像素分割图；
S103、对所述像素分割图进行图形膨胀和腐蚀处理，分割出头颈部各个部位所在区域的区域图片；
S104、将所述区域图片输入预设的目标检测模型，检测出肿瘤的位置和种类。
可以理解的是，本实施例针对头颈部肿瘤的复杂性和多样性等特点，将肿瘤检测流程分成区域分割和目标检测两个阶段进行，首先利用预设的区域分割模型对头颈部图片进行像素分割，生成头颈部各个部位的区域图片。然后利用预设的目标检测模型分别对各个部位的区域图片进行肿瘤的位置检测和分类，从而使得检测结果更加稳定，检测精度也更高。
对于步骤S102，如图2所示，优选地，所述预设的区域分割模型的训练步骤为：
S201、采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
S202、根据人工对所述头颈部图片中各个部位进行的所在区域的标注，生成各个部位的区域分割标签；
S203、将所述头颈部图片和所述区域分割标签输入区域分割深度神经网络中进行训练，生成相应的网络模型，即区域分割模型。
在本实施例中，需要采集1000位患者的头颈部CT数据，每位患者平均有20张CT扫描增强图片。
步骤S202中所述根据人工对所述头颈部图片中各个部位进行的所在区域的标注，指的是放射科医生对头颈部图片中的各个部位进行分别标注，例如分别标注出甲状腺部位，鼻咽部位等等。然后根据标注，生成各个部位的区域分割标签，用Y＝{y1,y2,..yi}来记录每个标签样本，其中ym是一个i维的One-Hot编码向量。
在本实施例中，如图3所示，所述区域分割深度神经网络由收缩路径和扩张路径组成，其中，所述收缩路径用于获取上下文信息，所述扩张路径用于精确的定位。
其中，所述收缩路径，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将VGG16结构中原来的全连接层分别转化为卷积层；
所述扩张路径，采用上采样技术，将经过所述收缩路径后的图像进行若干次上采样，直至将所述图像恢复原始尺寸。
具体的，图像经过收缩路径后，得到的输出尺寸为原图的1/32大小，所以需要所述扩张路径进行5次上采样，恢复原始尺寸。
对于步骤S104，如图4所示，所述预设的目标检测模型的训练步骤为：
S301、采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
S302、根据人工对所述头颈部图片中各个部位进行的肿瘤种类的标注，生成各个部位的目标检测标签；
S303、截取所述头颈部图片中各个部位的所在区域，生成作为图像输入的小图片；
S304、将所述小图片和所述目标检测标签输入目标检测深度神经网络进行训练，生成相应的网络模型，即目标检测模型。
对于步骤S302，具体的，放射科医生对头颈部图片中的各个部位进行肿瘤种类标注，例如分别标注出正常甲状腺，甲状腺癌，甲状腺结肿等等。
其中，所述目标检测深度神经网络进行训练时，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果。
具体的，所述目标检测深度神经网络以VGG16网络作为基础，使用前面的前5层，然后利用astrous算法将fc6和fc7层转化成两个卷积层，接着再增加了3个卷积层和一个平均池化层，最后将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果。
本发明实施例提供的一种头颈部肿瘤检测方法，针对头颈部肿瘤的复杂性和多样性等特点，将肿瘤检测流程分成区域分割和目标检测两个阶段进行，首先利用预设的区域分割模型对头颈部图片进行像素分割，生成头颈部各个部位的区域图片；然后利用预设的目标检测模型分别对各个部位的区域图片进行肿瘤的位置检测和分类。与现有技术相比，本实施例能够基于深度学习，融合区域分割技术和目标检测技术对头颈部肿瘤进行检测，使得检测结果更加稳定，检测精度也更高。
本发明第二实施例：
请参阅图6。
如图6所示，本实施例还提供了一种头颈部肿瘤检测装置，包括：头颈部图片生成模块401、图片分割模块402、区域图片生层模块403，以及检测模块404。
头颈部图片生成模块401，用于采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片。
图片分割模块402，用于将所述头颈部图片输入预设的区域分割模型，输出像素分割图。
在本实施例中你，如图2所示，优选地，所述预设的区域分割模型的训练步骤为：
S201、采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片。
在本实施例中，需要采集1000位患者的头颈部CT数据，每位患者平均有20张CT扫描增强图片。
S202、根据人工对所述头颈部图片中各个部位进行的所在区域的标注，生成各个部位的区域分割标签。
其中，所述根据人工对所述头颈部图片中各个部位进行的所在区域的标注，指的是放射科医生对头颈部图片中的各个部位进行分别标注，例如分别标注出甲状腺部位，鼻咽部位等等。然后根据标注，生成各个部位的区域分割标签，用Y＝{y1,y2,..yi}来记录每个标签样本，其中ym是一个i维的One-Hot编码向量。
S203、将所述头颈部图片和所述区域分割标签输入区域分割深度神经网络中进行训练，生成相应的网络模型，即区域分割模型。
在本实施例中，如图3所示，所述区域分割深度神经网络由收缩路径和扩张路径组成，其中，所述收缩路径用于获取上下文信息，所述扩张路径用于精确的定位。
其中，所述收缩路径，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将VGG16结构中原来的全连接层分别转化为卷积层；
所述扩张路径，采用上采样技术，将经过所述收缩路径后的图像进行若干次上采样，直至将所述图像恢复原始尺寸。
具体的，图像经过收缩路径后，得到的输出尺寸为原图的1/32大小，所以需要所述扩张路径进行5次上采样，恢复原始尺寸。
区域图片生层模块403，用于对所述像素分割图进行图形膨胀和腐蚀处理，分割出头颈部各个部位所在区域的区域图片。
检测模块404，用于将所述区域图片输入预设的目标检测模型，检测出肿瘤的位置和种类。
在本实施例中，如图4所示，所述预设的目标检测模型的训练步骤为：
S301、采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片。
S302、根据人工对所述头颈部图片中各个部位进行的肿瘤种类的标注，生成各个部位的目标检测标签。
具体的，放射科医生对头颈部图片中的各个部位进行肿瘤种类标注，例如分别标注出正常甲状腺，甲状腺癌，甲状腺结肿等等。
S303、截取所述头颈部图片中各个部位的所在区域，生成作为图像输入的小图片。
S304、将所述小图片和所述目标检测标签输入目标检测深度神经网络进行训练，生成相应的网络模型，即目标检测模型。
其中，所述目标检测深度神经网络进行训练时，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果。
具体的，所述目标检测深度神经网络以VGG16网络作为基础，使用前面的前5层，然后利用astrous算法将fc6和fc7层转化成两个卷积层，接着再增加了3个卷积层和一个平均池化层，最后将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果。
本发明实施例提供的一种头颈部肿瘤检测装置，针对头颈部肿瘤的复杂性和多样性等特点，将肿瘤检测流程分成区域分割和目标检测两个阶段进行，首先利用预设的区域分割模型对头颈部图片进行像素分割，生成头颈部各个部位的区域图片；然后利用预设的目标检测模型分别对各个部位的区域图片进行肿瘤的位置检测和分类。与现有技术相比，本实施例能够基于深度学习，融合区域分割技术和目标检测技术对头颈部肿瘤进行检测，使得检测结果更加稳定，检测精度也更高。
本发明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头颈部肿瘤检测方法。
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 (3)

1.一种头颈部肿瘤检测方法，适于在计算设备中执行，其特征在于，包括如下步骤：
采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
将所述头颈部图片输入预设的区域分割模型，输出像素分割图；
对所述像素分割图进行图形膨胀和腐蚀处理，分割出头颈部各个部位所在区域的区域图片；
将所述区域图片输入预设的目标检测模型，检测出肿瘤的位置和种类；
所述预设的区域分割模型的训练步骤为：
采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
根据人工对所述头颈部图片中各个部位进行的所在区域的标注，生成各个部位的区域分割标签；
将所述头颈部图片和所述区域分割标签输入区域分割深度神经网络中进行训练，生成相应的网络模型，即区域分割模型；其中，所述区域分割深度神经网络由收缩路径和扩张路径组成；所述收缩路径，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将VGG16结构中原来的全连接层分别转化为卷积层，所述收缩路径用于获取上下文信息，得到的输出尺寸为原图的1/32大小；所述扩张路径，采用上采样技术，将经过所述收缩路径的前四层池化层后的图像进行5次上采样，将所述图像恢复原始尺寸，所述扩张路径用于精确的定位；
所述预设的目标检测模型的训练步骤为：采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；根据人工对所述头颈部图片中各个部位进行的肿瘤种类的标注，生成各个部位的目标检测标签；截取所述头颈部图片中各个部位的所在区域，生成作为图像输入的小图片；将所述小图片和所述目标检测标签输入目标检测深度神经网络进行训练，生成相应的网络模型，即目标检测模型；
所述目标检测深度神经网络进行训练时，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果，具体为：
所述目标检测深度神经网络以VGG16网络作为基础，使用前面的前5层，然后利用astrous算法将fc6和fc7层转化成两个卷积层，接着再增加了3个卷积层和一个平均池化层，最后将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果。
2.一种头颈部肿瘤检测装置，其特征在于，包括：
头颈部图片生成模块，用于采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
图片分割模块，用于将所述头颈部图片输入预设的区域分割模型，输出像素分割图；
区域图片生成模块，用于对所述像素分割图进行图形膨胀和腐蚀处理，分割出头颈部各个部位所在区域的区域图片；
检测模块，用于将所述区域图片输入预设的目标检测模型，检测出肿瘤的位置和种类；
所述预设的区域分割模型的训练步骤为：
采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；
根据人工对所述头颈部图片中各个部位进行的所在区域的标注，生成各个部位的区域分割标签；
将所述头颈部图片和所述区域分割标签输入区域分割深度神经网络中进行训练，生成相应的网络模型，即区域分割模型；其中，所述区域分割深度神经网络由收缩路径和扩张路径组成；所述收缩路径，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将VGG16结构中原来的全连接层分别转化为卷积层，所述收缩路径用于获取上下文信息，得到的输出尺寸为原图的1/32大小；所述扩张路径，采用上采样技术，将经过所述收缩路径的前四层池化层后的图像进行5次上采样，将所述图像恢复原始尺寸，所述扩张路径用于精确的定位；
所述预设的目标检测模型的训练步骤为：采集头颈部CT数据，并根据所述头颈部CT数据中的窗宽和窗位调整Hu值，形成头颈部图片；根据人工对所述头颈部图片中各个部位进行的肿瘤种类的标注，生成各个部位的目标检测标签；截取所述头颈部图片中各个部位的所在区域，生成作为图像输入的小图片；将所述小图片和所述目标检测标签输入目标检测深度神经网络进行训练，生成相应的网络模型，即目标检测模型；
所述目标检测深度神经网络进行训练时，以VGG16网络作为基础，使用一系列的卷积层和池化层操作，将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果，具体为：
所述目标检测深度神经网络以VGG16网络作为基础，使用前面的前5层，然后利用astrous算法将fc6和fc7层转化成两个卷积层，接着再增加了3个卷积层和一个平均池化层，最后将不同层次的特征图分别用于边框的偏移以及不同类别得分的预测，并通过非最大值抑制得到检测结果。
3.一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所述的头颈部肿瘤检测方法。
CN201810896222.4A 2018-08-07 2018-08-07 一种头颈部肿瘤检测方法、装置及计算机可读存储介质 Active CN109285142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810896222.4A CN109285142B (zh) 2018-08-07 2018-08-07 一种头颈部肿瘤检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810896222.4A CN109285142B (zh) 2018-08-07 2018-08-07 一种头颈部肿瘤检测方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109285142A CN109285142A (zh) 2019-01-29
CN109285142B true CN109285142B (zh) 2023-01-06

Family

ID=65183029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810896222.4A Active CN109285142B (zh) 2018-08-07 2018-08-07 一种头颈部肿瘤检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109285142B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197206B (zh) * 2019-05-10 2021-07-13 杭州深睿博联科技有限公司 图像处理的方法及装置
CN110188757A (zh) * 2019-06-03 2019-08-30 济南浪潮高新科技投资发展有限公司 基于重要性加权的肿瘤检测模型构建方法及构建系统
CN110610527B (zh) * 2019-08-15 2023-09-22 苏州瑞派宁科技有限公司 计算suv的方法、装置、设备、系统及计算机存储介质
CN111368923B (zh) * 2020-03-05 2023-12-19 上海商汤智能科技有限公司 神经网络训练方法及装置、电子设备和存储介质
CN113763358B (zh) * 2021-09-08 2024-01-09 合肥中科类脑智能技术有限公司 基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统
CN116740768B (zh) * 2023-08-11 2023-10-20 南京诺源医疗器械有限公司 基于鼻颅镜的导航可视化方法、系统、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102385751B (zh) * 2011-07-19 2014-04-09 中国科学院自动化研究所 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法
CA2903261C (en) * 2012-12-03 2021-03-09 Curasight Aps Positron emitting radionuclide labeled peptides for human upar pet imaging
CN106372390B (zh) * 2016-08-25 2019-04-02 汤一平 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统
CN107016681B (zh) * 2017-03-29 2023-08-25 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
CN107103187B (zh) * 2017-04-10 2020-12-29 四川省肿瘤医院 基于深度学习的肺结节检测分级与管理的方法及系统
CN107358613A (zh) * 2017-08-15 2017-11-17 上海斐讯数据通信技术有限公司 肺部区域分割方法及其系统

Also Published As

Publication number Publication date
CN109285142A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
CN109285142B (zh) 一种头颈部肿瘤检测方法、装置及计算机可读存储介质
Lindner et al. Fully automatic system for accurate localisation and analysis of cephalometric landmarks in lateral cephalograms
WO2020077962A1 (zh) 一种乳腺影像识别的方法及装置
WO2020182036A1 (zh) 图像处理方法、装置、服务器及存储介质
Yi et al. Automatic catheter and tube detection in pediatric x-ray images using a scale-recurrent network and synthetic data
CN111325739A (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
Leonardi et al. An evaluation of cellular neural networks for the automatic identification of cephalometric landmarks on digital images
US10628659B2 (en) Intelligent tumor tracking system
CN110599421A (zh) 模型训练方法、视频模糊帧转换方法、设备及存储介质
CN115205469A (zh) 基于cbct的牙齿与牙槽骨重建方法、设备及介质
CN112150472A (zh) 基于cbct的三维颌骨图像分割方法、装置及终端设备
Mondal et al. Automatic craniofacial structure detection on cephalometric images
Kwon et al. Multistage probabilistic approach for the localization of cephalometric landmarks
Zhu et al. CRCNet: Global-local context and multi-modality cross attention for polyp segmentation
Song et al. An efficient deep learning based coarse-to-fine cephalometric landmark detection method
CN111192268A (zh) 医学图像分割模型构建方法与cbct图像骨分割方法
CN116433695A (zh) 一种乳腺钼靶图像的乳腺区域提取方法及系统
CN113989269B (zh) 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法
CN113379691B (zh) 一种基于先验引导的乳腺病灶深度学习分割方法
Zhang et al. BDU‐net: toward accurate segmentation of dental image using border guidance and feature map distortion
KR102174246B1 (ko) 카테터 추적 시스템 및 제어 방법
CN114037665A (zh) 下颌神经管的分割方法、装置、电子设备及存储介质
Wirtz et al. Automated cephalometric landmark localization using a coupled shape model
El-Fegh et al. Automated 2-D cephalometric analysis of X-ray by image registration approach based on least square approximator
Dhar et al. Automatic tracing of mandibular canal pathways using deep learning

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