CN109636788A - 一种基于深度神经网络的ct图像胆结石智能检测模型 - Google Patents

一种基于深度神经网络的ct图像胆结石智能检测模型 Download PDF

Info

Publication number
CN109636788A
CN109636788A CN201811513078.8A CN201811513078A CN109636788A CN 109636788 A CN109636788 A CN 109636788A CN 201811513078 A CN201811513078 A CN 201811513078A CN 109636788 A CN109636788 A CN 109636788A
Authority
CN
China
Prior art keywords
gall stone
gall
neural network
model
liver
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
CN201811513078.8A
Other languages
English (en)
Inventor
庞善臣
丁桐
张亚钦
韩宁生
江璟瑜
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201811513078.8A priority Critical patent/CN109636788A/zh
Publication of CN109636788A publication Critical patent/CN109636788A/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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

胆结石发生在胆囊中，胆囊和肝脏一同出现，倘若只检测出胆结石而没有检测出肝和胆囊则有很大可能是误诊，而检测出胆囊和胆结石的正确率要比检测出肝和胆结石的正确率要高一些。如果检测胆结石的同时即检测出肝又检测出胆，那么我们可以较为肯定的是没有误诊，可以增加一部分置信度。因此根据时下流行的目标检测算法，然后根据上述观念，可建立胆结石的数据预处理模型、识别胆结石的神经网络模型以及置信度计算方法，最终形成胆结石智能检测模型。

Description

一种基于深度神经网络的CT图像胆结石智能检测模型
技术领域
本发明涉及一种CT图像胆结石智能检测模型，特别涉及一种基于深度神经网络的CT图像胆结石智能检测模型。
背景技术
图像分类，检测及分割是计算机视觉领域的三大任务。图像分类模型是将图像划分为单个类别，通常对应于图像中最突出的物体。但是现实世界的很多图片通常包含不只一个物体，此时如果使用图像分类模型为图像分配一个单一标签其实是非常粗糙的，并不准确。对于这样的情况，就需要目标检测模型，目标检测模型可以识别一张图片的多个物体，并可以定位出不同物体(给出边界框)。目标检测在很多场景有用，如无人驾驶和安防系统。
目前主流的目标检测算法主要是基于深度学习模型，其可以分成两大类：(1)two-stage检测算法，其将检测问题划分为两个阶段，首先产生候选区域(region proposals)，然后对候选区域分类(一般还需要对位置精修)，这类算法的典型代表是基于regionproposal的R-CNN系算法，如R-CNN，Fast R-CNN，Faster R-CNN等；(2)one-stage检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，比较典型的算法如YOLO和SSD。目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。一般情况下，two-stage算法在准确度上有优势，而one-stage算法在速度上有优势。不过，随着研究的发展，两类算法都在两个方面做改进。Google在2017年开源了TensorFlow Object Detection API，并对主流的FasterR-CNN，R-FCN及SSD三个算法在MS COCO数据集上的性能做了细致对比(见Huang etal.2017)。近期，Facebook的FAIR也开源了基于Caffe2的目标检测平台Detectron，其实现了最新的Mask R-CNN，RetinaNet等检测算法，并且给出了这些算法的Baseline Results。
目前对于胆结石智能检测开展的研究与成果较少，对于医师辅助诊断手段较差，因此可以用本发明专利缓解这一现状。
发明内容
为了使胆结石目标检测手段达到医用，本发明提出了一种基于深度神经网络的CT图像胆结石智能检测模型，本发明基于神经网络的泛化性，及其在目标检测领域中的优秀成果，同时基于胆结石CT数据本身的特征，提出一种基于深度神经网络的CT图像胆结石智能检测模型。
本发明所采用的技术方案如下：
1、一种基于深度神经网络的CT图像胆结石智能检测模型，包括以下部分：
A、建立以肝、胆目标检测为基本的胆结石CT图像预处理模型，用于以较高效率来对海量的原始胆结石CT数据进行清洗和筛选。
B、建立胆结石目标检测神经网络模型，将预处理好的样本按照特定比例进行模型的训练；
C、建立基于深度神经网络的CT图像胆结石智能检测模型。
2、根据权利要求1所述的一种基于深度神经网络的CT图像胆结石智能检测模型，其特征在于，所述的部分A中，所述的建立以肝、胆目标检测为基本的胆结石CT图像预处理模型：将一定数量病例中的胆结石CT图像进行数据清洗，从中挑选出包含肝、胆、脊柱、胆囊和胆结石的CT图像，选择合适的深度学习目标检测模型，最终建立可以识别肝胆的神经网络模型，并用于对海量的原始胆结石CT数据进行清洗和筛选。
3、根据权利要求1所述的一种基于深度神经网络的CT图像胆结石智能检测模型，其特征在于，所述的部分B中，所述的神经网络模型建立过程是：选择合适的深度学习目标检测模型，RNN系列、SSD、YOLO等皆可作为目标检测神经网络来建立。通过设定卷积层、池化层，batch-normalization、dropout等来进行神经网络的建立。
4、根据权利要求1所述的一种基于深度神经网络的CT图像胆结石智能检测模型，其特征在于，所述的部分C中，所述的建立基于深度神经网络的CT图像胆结石智能检测模型指：
建立模型步骤1：
建立以肝、胆目标检测为基本的胆结石CT图像预处理模型，将一定数量病例中的胆结石CT图像进行数据清洗，从中挑选出包含肝、胆、脊柱、胆囊和胆结石的CT图像，选择合适的深度学习目标检测模型，最终建立可以识别肝胆的神经网络模型。
建立模型步骤2：
将样本按照训练样本：验证样本：测试样本＝8:1:1的比例划分。划分后进行神经网络的选取及训练，可根据神经网络目标检测领域的发展，选取较为合适的开源神经网络进行训练，训练出可以以较高精度来检测胆结石的神经网络模型。
建立模型步骤3：
训练出可以以较高精度来检测胆结石的神经网络模型后，按照以下算法进行结果输出：
(1)检测出肝、胆和胆结石的，胆结石的置信度*120％，结果超过100％的，输出结果100％。
(2)只检测出胆和胆结石的，胆结石的置信度*80％，输出检测准确率结果。
(3)只检测出肝和胆结石的，胆结石的置信度*60％，输出检测准确率结果。
(4)只检测出胆结石的，胆结石的置信度*0％，输出检测准确率结果0％。
附图说明
为了更清楚地说明本发明的技术方案，下面将对发明内容中所需要使用的附图作简要地介绍。
图1为本发明的一种基于深度神经网络的胆结石CT图像数据预处理模型。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。
实施例一
从医院获得了1500例病人的220000张原始胆结石CT图像，需要用来训练识别胆结石的神经网络模型。初始样本中每一位病人的CT图像切片有大约200-500张，包含胆结石的只有10-20张，因此人工从220000张图像中获得可用的图像消耗巨大且效率低下。因此需要使用本发明的一种基于深度神经网络的胆结石CT图像数据预处理模型。
在数据预处理阶段：
首先人工数据清洗、预处理，获得少量包含肝、胆的胆结石CT图像。要求选取图像中肝、胆、结石等数据随机，不具有特异性。大概选取500张左右包含肝胆CT图像并进行标注。
其次将样本按照训练样本：验证样本：测试样本＝8:1:1的比例划分。划分后进行神经网络的选取及训练，可根据神经网络目标检测领域的发展，选取较为合适的开源神经网络进行训练，训练出可以以较高精度(通常是95％)来检测肝、胆的神经网络模型。
最后将220000张图像批量识别，最终识别出15000张左右包含肝胆的CT图像，其中这些图像大部分包含胆结石，少部分不含胆结石的可以作为噪声样本、泛化样本提升胆结石识别的准确度。
在训练神经网络阶段:
首先将前文中获得的15000张图像按照训练样本：验证样本：测试样本＝8:1:1的比例划分，然后进行标注，标注出肝、胆、脊柱、胆结石，最后进行神经网络的训练。
在胆结石检测阶段：
训练出可以以较高精度来检测胆结石的神经网络模型后，按照以下算法进行结果输出：
(1)检测出肝、胆和胆结石的，胆结石的置信度*120％，结果超过100％的，输出结果100％。
(2)只检测出胆和胆结石的，胆结石的置信度*80％，输出检测准确率结果。
(3)只检测出肝和胆结石的，胆结石的置信度*60％，输出检测准确率结果。
(4)只检测出胆结石的，胆结石的置信度*0％，输出检测准确率结果0％。
检测出一张CT中含有肝、胆、胆结石，置信度为78％，按照计算方法：0.78*1.2＝0.936，则最终的置信度为93.6％。

Claims (4)

1.一种基于深度神经网络的CT图像胆结石智能检测模型，包括以下部分：
A、建立以肝、胆目标检测为基本的胆结石CT图像预处理模型，用于以较高效率来对海量的原始胆结石CT数据进行清洗和筛选。
B、建立胆结石目标检测神经网络模型，将预处理好的样本按照特定比例进行模型的训练；
C、建立基于深度神经网络的CT图像胆结石智能检测模型。
2.根据权利要求1所述的一种基于深度神经网络的CT图像胆结石智能检测模型，其特征在于，所述的部分A中，所述的建立以肝、胆目标检测为基本的胆结石CT图像预处理模型：将一定数量病例中的胆结石CT图像进行数据清洗，从中挑选出包含肝、胆、脊柱、胆囊和胆结石的CT图像，选择合适的深度学习目标检测模型，最终建立可以识别肝胆的神经网络模型，并用于对海量的原始胆结石CT数据进行清洗和筛选。
3.根据权利要求1所述的一种基于深度神经网络的CT图像胆结石智能检测模型，其特征在于，所述的部分B中，所述的神经网络模型建立过程是：选择合适的深度学习目标检测模型，RNN系列、SSD、YOLO等皆可作为目标检测神经网络来建立。通过设定卷积层、池化层，batch-normalization、dropout等来进行神经网络的建立。
4.根据权利要求1所述的一种基于深度神经网络的CT图像胆结石智能检测模型，其特征在于，所述的部分C中，所述的建立基于深度神经网络的CT图像胆结石智能检测模型指：
建立模型步骤1：
建立以肝、胆目标检测为基本的胆结石CT图像预处理模型，将一定数量病例中的胆结石CT图像进行数据清洗，从中挑选出包含肝、胆、脊柱、胆囊和胆结石的CT图像，选择合适的深度学习目标检测模型，最终建立可以识别肝胆的神经网络模型。
建立模型步骤2：
将样本按照训练样本：验证样本：测试样本＝8:1:1的比例划分。划分后进行神经网络的选取及训练，可根据神经网络目标检测领域的发展，选取较为合适的开源神经网络进行训练，训练出可以以较高精度来检测胆结石的神经网络模型。
建立模型步骤3：
训练出可以以较高精度来检测胆结石的神经网络模型后，按照以下算法进行结果输出：
(1)检测出肝、胆和胆结石的，胆结石的置信度*120％，结果超过100％的，输出结果100％。
(2)只检测出胆和胆结石的，胆结石的置信度*80％，输出检测准确率结果。
(3)只检测出肝和胆结石的，胆结石的置信度*60％，输出检测准确率结果。
(4)只检测出胆结石的，胆结石的置信度*0％，输出检测准确率结果0％。
模型建立原理：
胆结石发生在胆囊中，胆囊和肝脏一同出现，倘若只检测出胆结石而没有检测出肝和胆囊则有很大可能是误诊，而检测出胆囊和胆结石的正确率要比检测出肝和胆结石的正确率要高一些。如果检测胆结石的同时即检测出肝又检测出胆，那么我们可以较为肯定的是没有误诊，可以增加一部分置信度。
CN201811513078.8A 2018-12-11 2018-12-11 一种基于深度神经网络的ct图像胆结石智能检测模型 Pending CN109636788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811513078.8A CN109636788A (zh) 2018-12-11 2018-12-11 一种基于深度神经网络的ct图像胆结石智能检测模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811513078.8A CN109636788A (zh) 2018-12-11 2018-12-11 一种基于深度神经网络的ct图像胆结石智能检测模型

Publications (1)

Publication Number Publication Date
CN109636788A true CN109636788A (zh) 2019-04-16

Family

ID=66072806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811513078.8A Pending CN109636788A (zh) 2018-12-11 2018-12-11 一种基于深度神经网络的ct图像胆结石智能检测模型

Country Status (1)

Country Link
CN (1) CN109636788A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458246A (zh) * 2019-08-27 2019-11-15 上海理工大学 一种基于深度学习的胆道结石分类方法
CN110570407A (zh) * 2019-08-29 2019-12-13 上海联影智能医疗科技有限公司 图像处理方法、存储介质及计算机设备
CN111340130A (zh) * 2020-03-09 2020-06-26 江西省人民医院 一种基于深度学习和影像组学的泌尿结石检测分类方法
CN113344911A (zh) * 2021-07-06 2021-09-03 北京大都正隆医疗科技有限公司 一种结石尺寸的测量方法以及测量装置
WO2021196239A1 (zh) * 2020-04-03 2021-10-07 清华大学 跨医疗数据源的网络表示学习算法
CN116805532A (zh) * 2023-06-28 2023-09-26 河北大学 一种感染性肾结石的网络评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107024586A (zh) * 2017-04-20 2017-08-08 中国人民解放军第五九医院 基于人工神经网络肿瘤标志联合检测辅助诊断肝癌的方法
CN108171709A (zh) * 2018-01-30 2018-06-15 北京青燕祥云科技有限公司 肝占位性病灶区域的检测方法、装置和实现装置
CN108564578A (zh) * 2018-04-13 2018-09-21 上海商汤智能科技有限公司 病理诊断辅助方法、装置及系统
CN108664971A (zh) * 2018-05-22 2018-10-16 中国科学技术大学 基于2d卷积神经网络的肺结节检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107024586A (zh) * 2017-04-20 2017-08-08 中国人民解放军第五九医院 基于人工神经网络肿瘤标志联合检测辅助诊断肝癌的方法
CN108171709A (zh) * 2018-01-30 2018-06-15 北京青燕祥云科技有限公司 肝占位性病灶区域的检测方法、装置和实现装置
CN108564578A (zh) * 2018-04-13 2018-09-21 上海商汤智能科技有限公司 病理诊断辅助方法、装置及系统
CN108664971A (zh) * 2018-05-22 2018-10-16 中国科学技术大学 基于2d卷积神经网络的肺结节检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458246A (zh) * 2019-08-27 2019-11-15 上海理工大学 一种基于深度学习的胆道结石分类方法
CN110570407A (zh) * 2019-08-29 2019-12-13 上海联影智能医疗科技有限公司 图像处理方法、存储介质及计算机设备
CN111340130A (zh) * 2020-03-09 2020-06-26 江西省人民医院 一种基于深度学习和影像组学的泌尿结石检测分类方法
CN111340130B (zh) * 2020-03-09 2023-12-05 江西省人民医院 一种基于深度学习和影像组学的泌尿结石检测分类方法
WO2021196239A1 (zh) * 2020-04-03 2021-10-07 清华大学 跨医疗数据源的网络表示学习算法
CN113344911A (zh) * 2021-07-06 2021-09-03 北京大都正隆医疗科技有限公司 一种结石尺寸的测量方法以及测量装置
CN116805532A (zh) * 2023-06-28 2023-09-26 河北大学 一种感染性肾结石的网络评估方法

Similar Documents

Publication Publication Date Title
CN109636788A (zh) 一种基于深度神经网络的ct图像胆结石智能检测模型
Zhao et al. Single image action recognition using semantic body part actions
Wang et al. Adversarial multimodal fusion with attention mechanism for skin lesion classification using clinical and dermoscopic images
CN109409443A (zh) 一种基于深度学习的多尺度可变形卷积网络目标检测方法
CN108596030A (zh) 基于Faster R-CNN的声呐目标检测方法
CN107369160A (zh) 一种oct图像中脉络膜新生血管分割算法
CN113240691A (zh) 一种基于u型网络的医学图像分割方法
CN109325952A (zh) 基于深度学习的时尚服装图像分割方法
CN109363698A (zh) 一种乳腺影像征象识别的方法及装置
CN108090906A (zh) 一种基于区域提名的宫颈图像处理方法及装置
CN111027377B (zh) 一种双流神经网络时序动作定位方法
US20230377097A1 (en) Laparoscopic image smoke removal method based on generative adversarial network
CN110263920A (zh) 卷积神经网络模型及其训练方法和装置、巡检方法和装置
Pham et al. Lesion segmentation and automated melanoma detection using deep convolutional neural networks and XGBoost
CN113628245A (zh) 多目标跟踪方法、装置、电子设备和存储介质
Li et al. Image segmentation based on improved unet
Zhang et al. Attention-guided feature extraction and multiscale feature fusion 3d resnet for automated pulmonary nodule detection
CN117011883A (zh) 一种基于金字塔卷积和Transformer双分支的行人重识别方法
CN113889238A (zh) 一种图像识别方法、装置、电子设备及存储介质
CN116524549A (zh) 基于改进UNet的手背或手掌静脉图像关键点与ROI定位方法
CN108595014A (zh) 一种基于视觉的实时动态手势识别系统及方法
Song et al. Dense face network: A dense face detector based on global context and visual attention mechanism
CN109816665A (zh) 一种光学相干断层扫描图像的快速分割方法及装置
CN117911697A (zh) 基于大模型分割的高光谱目标跟踪方法、系统、介质和设备
Chen et al. SRCBTFusion-Net: An Efficient Fusion Architecture via Stacked Residual Convolution Blocks and Transformer for Remote Sensing Image Semantic Segmentation

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190416

WD01 Invention patent application deemed withdrawn after publication