CN109741312A - 一种肺结节鉴别方法、装置、设备及介质 - Google Patents
一种肺结节鉴别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109741312A CN109741312A CN201811630064.4A CN201811630064A CN109741312A CN 109741312 A CN109741312 A CN 109741312A CN 201811630064 A CN201811630064 A CN 201811630064A CN 109741312 A CN109741312 A CN 109741312A
- Authority
- CN
- China
- Prior art keywords
- image data
- lung neoplasm
- identified
- feature
- network
- 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.)
- Granted
Links
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 184
- 238000012850 discrimination method Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012952 Resampling Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 210000004072 lung Anatomy 0.000 description 17
- 238000012549 training Methods 0.000 description 16
- 230000000505 pernicious effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003211 malignant effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000005337 ground glass Substances 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000024121 nodulation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06V10/70—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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例公开了一种肺结节鉴别方法、装置、设备及介质，所述方法包括：获取待鉴别图像数据；将所述待鉴别图像数据输入至预先训练好的，包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络的鉴别模型中，获得所述鉴别模型输出的分类结果；根据所述分类结果确定所述待鉴别图像数据的鉴别结果。本发明实施例所提供的肺结节鉴别方法通过结合肺结节鉴别主干网络、肺结节分割网络和肺结节密度分类网络进行肺结节的鉴别，提高了肺结节鉴别结果的准确性。
Description
技术领域
本发明实施例涉及医学图像技术领域，尤其涉及一种肺结节鉴别方法、装置、设备及介质。
背景技术
肺癌是世界范围内死亡率最高的癌症之一。病人的癌症被发现时，多数为中晚期，不仅存活率低，而且治疗成本高昂。早期诊断可有效提高肺癌患者的存活率，减轻患者家庭负担。电子计算机断层扫描(Computed Tomography，CT)的肺癌筛查是常见的早期诊断技术，但会导致医生工作强度的大幅上升，以及与之相伴的肺结节漏诊，特别是磨玻璃结节的漏诊。计算机辅助诊断(CAD)可以帮助医生降低工作强度，提升准确率，减少诊断错误。
近年来，基于深度学习的CAD技术逐渐得到医生的信赖和采用，特别是肺结节的检测任务，基于深度学习的CAD技术能够大大减少医生的工作量，同时能够一定程度上降低漏诊率。但是检测结果中会有较多小结节以及胸膜结节，这些结节绝大部分都是良性的，对于病人不会产生影响。因此需要有一个良恶性鉴别的环节，帮助医生对肺结节进行分类，以便给出针对性建议，减少病人不必要的恐慌。
关于肺结节鉴别，目前已经有许多算法对其进行实现，包括传统算法以及深度学习算法。但是由于肺结节的良恶性较难准确界定，其与多种征象都有关系，而目前基于深度学习的方法进行肺结节良恶性鉴别时，主要都是简单的将原始图像输入到网络中，让网络本身去学习输入图像的特征，这种方法若希望取得较为理想的鉴别结果，需要有大量的数据支撑，但是肺结节良恶性的标注需要对手术患者的切片进行病理分析，实现起来较为困难。因此目前基于深度学习的鉴别模型获得的鉴别结果准确率较低。
发明内容
本发明实施例提供了一种肺结节鉴别方法、装置、设备及介质，以实现提高肺结节鉴别结果的准确性。
第一方面，本发明实施例提供了一种肺结节鉴别方法，包括：
获取待鉴别图像数据；
将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；
根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
第二方面，本发明实施例还提供了一种医学图像显示装置，包括：
图像数据获取模块，用于获取待鉴别图像数据；
分类结果获取模块，用于将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；
鉴别结果确定模块，根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
第三方面，本发明实施例还提供了一种计算机设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的用于肺结节鉴别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的肺结节鉴别方法。
本发明实施例通过获取待鉴别图像数据；将所述待鉴别图像数据输入至预先训练好的包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络的鉴别模型中，获得所述鉴别模型输出的分类结果；根据所述分类结果确定所述待鉴别图像数据的鉴别结果，通过结合肺结节鉴别主干网络、肺结节分割网络和肺结节密度分类网络进行肺结节的鉴别，提高了肺结节鉴别结果的准确性。
附图说明
图1是本发明实施例一所提供的一种肺结节鉴别方法的流程图；
图2a是本发明实施例二所提供的一种肺结节鉴别方法的流程图；
图2b是本发明实施例二所提供的一种肺结节鉴别方法的算法实现示意图；
图3a是本发明实施例三所提供的一种肺结节鉴别方法的流程图；
图3b是本发明实施例三所提供的一种肺结节鉴别方法的流程示意图；
图4是本发明实施例四所提供的一种肺结节鉴别装置的结构示意图；
图5是本发明实施例五所提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一所提供的一种肺结节鉴别方法的流程图。本实施例可适用于根据肺部图像对肺结节进行鉴别时的情形。该方法可以由肺结节鉴别装置执行，该肺结节鉴别装置可以采用软件和/或硬件的方式实现，例如，该肺结节鉴别装置可配置于计算机设备中。如图1所示，所述方法包括：
S110、获取待鉴别图像数据。
在本实施例中，待鉴别图像数据为已标注的患者的肺部图像。其中患者肺部图像的获取方式可以有多种，例如可以通过磁共振成像(magnetic resonance imaging，MRI)系统、电子计算机断层扫描(Computed Tomography，CT)系统、数字化X射线成像系统、超声成像系统、正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)系统、PET-MR系统、PET-CT系统等医学成像系统获得。可选的，当用户需要根据患者的肺部图像进行患者肺结节的鉴别时，可以首先对患者肺部图像中的肺结节中心点位置进行标注，将已标注的患者肺部图像作为待鉴别图像数据，输入至肺结节鉴别装置中，肺结节鉴别装置获取用户输入的待鉴别图像数据，并根据获得的待鉴别图像数据进行肺结节的鉴别。
在本实施例中，对患者肺部图像中肺结节中心点位置进行标注的方式不做限制。示例性的，可以通过人工标注的方式完成对肺部图像肺结节中心点位置的标注，也可以利用现有的肺结节检测网络完成对肺部图像肺结节中心点位置的标注。
S120、将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果。
肺结节特征在良恶性鉴别诊断中非常重要，也就是说，肺结节的良恶性和其多种特征都会有相关性。以肺结节大小为例，一般来说，结节越大，恶性可能性就越大，例如肺结节直径小于5mm的大多都是良性，直径大于20mm的大多是恶性，进行肺结节良恶性鉴别时，直径在5-20mm之间的肺结节良恶性较难鉴别。另外，肺结节的密度和良恶性也具有较强相关性，一般的，根据肺结节密度可以将肺结节分为磨玻璃结节、钙化结节、实性结节、混合结节等。其中，钙化结节基本都是良性的，结节内含有磨玻璃样成分的，更倾向于属于恶性。
在实施例的一种实施方式中，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络。考虑到肺结节大小、密度分别与肺结节良恶性的相关性，将肺结节的大小和密度特征均加入到鉴别模型中，以使鉴别模型的鉴别结果更加准确，鲁棒性更强。
可选的，将待鉴别图像数据作为输入至预先训练好的鉴别模型中，分别经鉴别模型中的肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络进行鉴别，获得各网络输出的结果，然后结合各网络输出的结果确定待鉴别图像数据的分类结果。
S130、根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
在本实施例的一种实施方式中，鉴别模型输出的分类结果包括待鉴别图像数据的候选类型以及各所述候选类型对应的概率值。可选的，待鉴别图像数据的候选类型有三种：良性、疑似和恶性。鉴别结果输出的分类结果为待鉴别图像中肺结节为良性的概率值、肺结节为疑似恶性的概率值，以及肺结节为恶性的概率值。具体的，根据所述分类结果确定所述待鉴别图像数据的鉴别结果为：将各候选类型对应的概率值进行比较，将最大概率值对应的候选类型作为待鉴别图像数据的鉴别结果。
示例性的，若鉴别模型输出的良性类型对应的概率值为0.73，疑似恶性类型对应的概率值为0.35，恶性类型对应的概率值为0.27，则判定待鉴别图像中肺结节为良性。
本发明实施例通过获取待鉴别图像数据；将所述待鉴别图像数据输入至预先训练好的包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络的鉴别模型中，获得所述鉴别模型输出的分类结果；根据所述分类结果确定所述待鉴别图像数据的鉴别结果，通过结合肺结节鉴别主干网络、肺结节分割网络和肺结节密度分类网络进行肺结节的鉴别，提高了肺结节鉴别结果的准确性。
在上述方案的基础上，在获取待鉴别图像数据之前，还包括：
获取原始图像数据，使用预设的图像预处理算法对所述原始图像数据进行图像预处理，得到待鉴别图像数据。
在本发明的一种实施方式中，为了使输入鉴别模型的待鉴别图像数据具有相同的分辨率、灰度分布范围等，满足肺结节鉴别的主干网络、肺结节分割网络以及肺结节密度分类网络的要求，在获取待鉴别图像数据之前，对获取的原始图像数据进行图像预处理。
可选的，所述使用预设的图像预处理算法对所述原始图像数据进行图像预处理，得到待鉴别图像数据，包括：
将所述原始图像数据进行重采样，获得预设分辨率的重采样图像数据；
根据检测到的与所述重采样图像数据对应的结节中心位置从所述重采样图像数据中取出，获取预设大小的图像块；
使用预先设置的归一化算法对所述图像块进行归一化，得到待鉴别图像数据。
可选的，获取的原始图像数据为已标注的肺部图像数据，获取已标注的肺部图像数据后，对图像数据进行重采样、取块、归一化等处理，得到处理后的图像数据。其中，对图像进行重采样处理是指将图像重采样为指定分辨率的图像，对图像进行取块处理是指以标注的肺结节中心点为中心，提取出预设大小(如64*64*64)的图像块，对图像进行归一化处理是指通过预先设置的归一化算法将图像的灰度分布控制在指定灰度分布范围内(如将图像的灰度值控制在0-1之间)，以满足各网络的要求。为了使基于待鉴别图像的肺结节鉴别更加准确，还可以在对图像进行重采样、取块、归一化等处理之后，使用预设的去噪算法对图像进行去噪。其中，图像重采样、取块、归一化、去噪的方式与现有技术相同，在此不再赘述。
实施例二
图2a是本发明实施例二所提供的一种肺结节鉴别方法的流程图。本实施例在上述实施例的基础上进行进一步地优化。如图2a所示，所述方法包括：
S210、获取待鉴别图像数据。
S220、将所述待鉴别图像数据分别输入至预先训练好的肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络中。
在本实施例中，鉴别模型主要包括三部分网络：肺结节鉴别的主干网络、肺结节分割网络以及肺结节密度分类网络，首先将待鉴别图像数据分别输入至肺结节鉴别的主干网络、肺结节分割网络以及肺结节密度分类网络中，以获得肺结节鉴别的主干网络、肺结节分割网络以及肺结节密度分类网络分别输出的结果。
其中，肺结节鉴别主干网络和肺结节密度分类网络均属于分类问题，因此肺结节鉴别的主干网络和肺结节密度分类网络的组成可以相同，也可以不同。可选的，肺结节鉴别主干网络可以有四个下采样层完成，每一个下采样层包括卷积层、批标准化(BatchNormalization，BN)层和激活函数(Rectified Linear Units，Relu)层。其中，每个下采样层的实现方式在此不做限制。示例性的，每个下采样层可以使用密集卷积模块(DenseNetBlock)或残差模块(ResNet Block)实现。优选的，每个下采样层可以使用残差模块实现，使用残差模块，对于深层网络能够更好的收敛。可选的，肺结节分割网络属于分割问题，可以采用端对端(end-to-end)的方法实现。
S230、获得所述肺结节鉴别主干网络输出的主干特征，所述肺结节分割网络输出的分割特征，以及所述肺结节密度分类网络输出的密度特征。
在本实施例的一种实施方式中，将待鉴别图像数据输入至肺结节鉴别主干网络中，获得肺结节鉴别主干网络输出的主干特征，将待鉴别图像数据输入至肺结节分割网络中，获得肺结节分割网络输出的分割特征，将待鉴别图像数据输入至肺结节密度分类网络中，获得肺结节密度分类网络输出的密度特征。可选的，上述主干特征、分割特征以及密度特征以特征图的形式展示。
S240、根据所述主干特征、分割特征，以及所述密度特征确定所述待鉴别图像数据的分类结果。
在本实施例中，结合肺结节鉴别主干网络输出的主干特征、肺结节分割网络输出的分割特征，以及肺结节密度分类网络输出的密度特征生成待鉴别图像数据的分类结果。可选的，可以将上述特征图拼接得到一个新的特征图，将得到的新的特征图依次经过训练好的全连接层以及softmax层得到最终概率图。其中，最终概率图包括各候选类型以及各候选类型对应的概率值。
可选的，所述根据所述主干特征、分割特征，以及所述密度特征确定所述待鉴别图像数据的分类结果，包括：
将所述主干特征、分割特征，以及所述密度特征进行拼接，得到所述待鉴别图像数据的鉴别特征；
根据所述鉴别特征确定待鉴别图像数据的分类结果。
在本发明的一种实施方式中，各网络输出的特征是以三维特征图的形式展现的，在将主干特征、分割特征以及密度特征进行拼接之前，需要将三维主干特征、三维分割特征以及三维密度特征分别转换为一维主干特征向量、一维分割特征向量和一维密度特征向量，基于转换的一维主干特征向量、一维分割特征向量和一维密度特征向量进行特征的拼接。
可选的，所述将所述主干特征、分割特征，以及所述密度特征进行拼接，得到所述待鉴别图像数据的鉴别特征，包括：
将所述主干特征转换为一维主干特征向量，将所述分割特征转换为一维分割特征向量，将所述密度特征转换为一维密度特征向量；
将所述一维主干特征向量、一维分割特征向量以及一维密度特征向量进行拼接，得到所述待鉴别图像数据的一维鉴别特征向量，将所述一维鉴别特征向量作为所述待鉴别图像数据的鉴别特征。
在本实施例中，一维主干特征向量、一维分割特征向量以及一维密度特征向量的拼接顺序在此不做限制。示例性的，若一维主干特征向量为[0，1，1，5,6,8]，一维分割特征向量为[2，3，4]，一维分割特征向量为[7，9，5]，则将一维主干特征向量、一维分割特征向量以及一维密度特征向量拼接后得到的一维鉴别特征向量为[0，1，1，5，6，8，2，3，4，7,9,5]。
S250、根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
图2b是本发明实施例二所提供的一种肺结节鉴别方法的算法实现示意图。如图2b所示，将图像块10(待鉴别图像数据)分别输入至肺结节分割网络20、肺结节鉴别主干网络30，以及肺结节密度网络40中，将肺结节分割网络20、肺结节鉴别主干网络30，以及肺结节密度网络40输出的特征图进行拼接后，得到图像块的鉴别特征，将图像块的鉴别特征经过训练好的全连接层50以及softmax层60得到最终概率图，并根据最终概率图得到图像块的鉴别结果(良性结节)。
本发明实施例的技术方案，在上述实施例的基础上将鉴别模型的分类过程进行了具体化，通过将所述待鉴别图像数据分别输入至预先训练好的肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络中；获得所述肺结节鉴别主干网络输出的主干特征，所述肺结节分割网络输出的分割特征，以及所述肺结节密度分类网络输出的密度特征；根据所述主干特征、分割特征，以及所述密度特征确定所述待鉴别图像数据的分类结果，实现了结合肺结节大小、密度以及图像特征进行肺结节的鉴别，提高了肺结节鉴别结果的准确性。
实施例三
图3a是本发明实施例三所提供的一种肺结节鉴别方法的流程图。本实施例在上述实施例的基础上进行进一步地优化。如图3a所示，所述方法包括：
S310、获取历史鉴别图像数据以及所述历史鉴别图像数据对应的结节中心位置和鉴别结果。
S320、基于历史鉴别图像数据以及历史鉴别图像数据对应的结节中心位置和鉴别结果生成训练样本集，使用训练样本集分别对预先建立好的鉴别模型进行训练，得到训练好的鉴别模型。
在本实施例中，在使用鉴别模型确定待鉴别图像数据的分类结果之前，对预先建立好的鉴别模型进行训练，得到训练好的鉴别模型。
在本实施例的一种实施方式中，可以预先获取至少一个历史鉴别图像数据以及历史鉴别图像数据对应的鉴别结果，其中，历史鉴别数据包含有人工标注的肺结节中心点位置。然后基于历史鉴别图像数据与历史鉴别图像数据对应的鉴别结果生成样本对，对预先建立好的鉴别模型进行训练，获得训练好的鉴别模型，便可以通过训练好的鉴别模型确定待鉴别图像数据的分类信息。
可选的，可以应用焦点损失函数(Focal Loss)作为鉴别模型的目标函数，计算鉴别模型输出的损失值(Loss)，然后求取目标函数的最优解。在本实施例中，对于良性结节给予一个较小的权重，对于恶性结节给予一个较大的权重。通过调节该权重，降低样本不均衡对于网络分类性能的影响，最终得到一个较为鲁棒的鉴别模型。采用FocalLoss作为目标函数，能够更好的衡量鉴别模型的性能。示例性的，将待鉴别图像数据以批尺寸(batch size)为48输入建立好的鉴别模型进行训练，经过多次迭代，待训练的Loss较低时，保存训练模型文件，作为训练好的鉴别模型。
可选的，在基于历史鉴别图像数据与历史鉴别图像数据对应的鉴别结果生成样本对之前，还可以对历史鉴别图像数据进行图像预处理。其中，对历史鉴别图像数据进行图像预处理的方式可以参见上述实施例，在此不再赘述。
S330、获取待鉴别图像数据。
S340、将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果。
S350、根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
图3b是本发明实施例三所提供的一种肺结节鉴别方法的流程示意图。如图3b所示，可将整个方法分为两个部分：模型训练部分以及分类算法部分。在模型训练阶段产生用于分类的神经网络模型文件，该文件中包含大量通过机器学习得到的参数。在分类算法部分加载该模型参数对用户输入图像进行推测，可得到肺结节的鉴别结果。具体的，基于深度学习算法研发平台310b，通过训练数据以及标准数据对预先建立的鉴别模型进行模型训练320b，获得训练好的分类模型文件330b，训练好的分类模型文件330b与结合分类算法340b结合为完整的肺结节鉴别解决方案，用户端350b将待分类图像输入分类算法340b后，可获得分类算法340b返回的分类结果。
本发明实施例的技术方案，在上述实施例的基础上增加了使用历史鉴别图像数据对建立好的鉴别模型进行训练的操作，通过获取历史鉴别图像数据以及所述历史鉴别图像数据对应的结节中心位置和鉴别结果；基于历史鉴别图像数据以及历史鉴别图像数据对应的结节中心位置和鉴别结果生成训练样本集，使用训练样本集分别对预先建立好的鉴别模型进行训练，得到训练好的鉴别模型，使得基于鉴别模型得到的待鉴别图像数据的分类结果更加准确。
实施例四
图4是本发明实施例四所提供的一种肺结节鉴别装置的结构示意图。该肺结节鉴别装置可以采用软件和/或硬件的方式实现，例如该肺结节鉴别装置可以配置于计算机设备中。如图4所示，所述装置包括图像数据获取模块410、分类结果获取模块420和鉴别结果确定模块430，其中：
图像数据获取模块410，用于获取待鉴别图像数据；
分类结果获取模块420，用于将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；
鉴别结果确定模块430，根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
本发明实施例通过图像数据获取模块获取待鉴别图像数据；分类结果获取模块将所述待鉴别图像数据输入至预先训练好的包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络的鉴别模型中，获得所述鉴别模型输出的分类结果；鉴别结果确定模块根据所述分类结果确定所述待鉴别图像数据的鉴别结果，通过结合肺结节鉴别主干网络、肺结节分割网络和肺结节密度分类网络进行肺结节的鉴别，提高了肺结节鉴别结果的准确性。
在上述方案的基础上，所述分类结果获取模块420包括：
鉴别数据输入单元，用于将所述待鉴别图像数据分别输入至预先训练好的肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络中；
输出特征获取单元，用于获得所述肺结节鉴别主干网络输出的主干特征，所述肺结节分割网络输出的分割特征，以及所述肺结节密度分类网络输出的密度特征；
分类结果确定单元，用于根据所述主干特征、分割特征，以及所述密度特征确定所述待鉴别图像数据的分类结果。
在上述方案的基础上，所述分类结果确定单元包括：
特征拼接子单元，将所述主干特征、分割特征，以及所述密度特征进行拼接，得到所述待鉴别图像数据的鉴别特征；
概率值获取子单元，用于根据所述鉴别特征确定待鉴别图像数据的分类结果。
在上述方案的基础上，所述特征拼接子单元具体用于：
将所述主干特征转换为一维主干特征向量，将所述分割特征转换为一维分割特征向量，将所述密度特征转换为一维密度特征向量；
将所述一维主干特征向量、一维分割特征向量以及一维密度特征向量进行首尾拼接，得到所述待鉴别图像数据的一维鉴别特征向量，将所述一维鉴别特征向量作为所述待鉴别图像数据的鉴别特征。
在上述方案的基础上，所述鉴别结果确定模块具体用于：
将各所述类型对应的概率值进行比较，将最大概率值对应的类型作为所述待鉴别图像数据的鉴别结果。
在上述方案的基础上，所述装置还包括：
数据预处理模块，用于在获取待鉴别图像数据之前，获取原始图像数据，使用预设的图像预处理算法对所述原始图像数据进行图像预处理，得到待鉴别图像数据。
在上述方案的基础上，所述数据预处理模块具体用于：
将所述原始图像数据进行重采样，获得预设分辨率的重采样图像数据；
根据检测到的与所述重采样图像数据对应的结节中心位置从所述重采样图像数据中取出预设大小的图像块；
使用预先设置的归一化算法对所述图像块进行归一化，得到待鉴别图像数据。
在上述方案的基础上，所述装置还包括：
鉴别模型训练模块，用于在获取待鉴别图像数据之前，获取历史鉴别图像数据以及所述历史鉴别图像数据对应的结节中心位置和鉴别结果；
基于所述历史鉴别图像数据以及所述历史鉴别图像数据对应的结节中心位置和鉴别结果生成训练样本集，使用所述训练样本集分别对预先建立好的鉴别模型进行训练，得到训练好的鉴别模型。
本发明实施例所提供的肺结节鉴别装置可执行任意实施例所提供的肺结节鉴别方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例五所提供的计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器516，系统存储器528，连接不同系统组件(包括系统存储器528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器516或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的肺结节鉴别方法，该方法包括：
获取待鉴别图像数据；
将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；
根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的肺结节鉴别方法的技术方案。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的肺结节鉴别方法，该方法包括：
获取待鉴别图像数据；
将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；
根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的肺结节鉴别方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种肺结节鉴别方法，其特征在于，包括：
获取待鉴别图像数据；
将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；
根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，包括：
将所述待鉴别图像数据分别输入至预先训练好的肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络中；
获得所述肺结节鉴别主干网络输出的主干特征，所述肺结节分割网络输出的分割特征，以及所述肺结节密度分类网络输出的密度特征；
根据所述主干特征、分割特征，以及所述密度特征确定所述待鉴别图像数据的分类结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述主干特征、分割特征，以及所述密度特征确定所述待鉴别图像数据的分类结果，包括：
将所述主干特征、分割特征，以及所述密度特征进行拼接，得到所述待鉴别图像数据的鉴别特征；
根据所述鉴别特征确定待鉴别图像数据的分类结果。
4.根据权利要求3所述的方法，其特征在于，所述将所述主干特征、分割特征，以及所述密度特征进行拼接，得到所述待鉴别图像数据的鉴别特征，包括：
将所述主干特征转换为一维主干特征向量，将所述分割特征转换为一维分割特征向量，将所述密度特征转换为一维密度特征向量；
将所述一维主干特征向量、一维分割特征向量以及一维密度特征向量进行拼接，得到所述待鉴别图像数据的一维鉴别特征向量，将所述一维鉴别特征向量作为所述待鉴别图像数据的鉴别特征。
5.根据权利要求3所述的方法，其特征在于，所述分类结果包括待鉴别图像数据的候选类型以及各所述候选类型对应的概率值，所述根据所述分类结果确定所述待鉴别图像数据的鉴别结果，包括：
将各所述候选类型对应的概率值进行比较，将最大概率值对应的候选类型作为所述待鉴别图像数据的鉴别结果。
6.根据权利要求1所述的方法，其特征在于，在获取待鉴别图像数据之前，还包括：
获取原始图像数据，使用预设的图像预处理算法对所述原始图像数据进行图像预处理，得到待鉴别图像数据。
7.根据权利要求6所述的方法，其特征在于，所述使用预设的图像预处理算法对所述原始图像数据进行图像预处理，得到待鉴别图像数据，包括：
将所述原始图像数据进行重采样，获得预设分辨率的重采样图像数据；
根据检测到的与所述重采样图像数据对应的结节中心位置从所述重采样图像数据中取出，获取预设大小的图像块；
使用预先设置的归一化算法对所述图像块进行归一化，得到待鉴别图像数据。
8.一种肺结节鉴别装置，其特征在于，包括：
图像数据获取模块，用于获取待鉴别图像数据；
分类结果获取模块，用于将所述待鉴别图像数据输入至预先训练好的鉴别模型中，获得所述鉴别模型输出的分类结果，所述鉴别模型包括肺结节鉴别主干网络、肺结节分割网络以及肺结节密度分类网络；
鉴别结果确定模块，根据所述分类结果确定所述待鉴别图像数据的鉴别结果。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的肺结节鉴别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的肺结节鉴别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811630064.4A CN109741312B (zh) | 2018-12-28 | 2018-12-28 | 一种肺结节鉴别方法、装置、设备及介质 |
| US16/728,086 US11270157B2 (en) | 2018-12-28 | 2019-12-27 | System and method for classification determination |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811630064.4A CN109741312B (zh) | 2018-12-28 | 2018-12-28 | 一种肺结节鉴别方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109741312A true CN109741312A (zh) | 2019-05-10 |
| CN109741312B CN109741312B (zh) | 2024-07-23 |
Family
ID=66362071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811630064.4A Active CN109741312B (zh) | 2018-12-28 | 2018-12-28 | 一种肺结节鉴别方法、装置、设备及介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11270157B2 (zh) |
| CN (1) | CN109741312B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598868A (zh) * | 2020-05-14 | 2020-08-28 | 上海深至信息科技有限公司 | 一种肺部超声图像识别方法和系统 |
| CN111798424A (zh) * | 2020-06-30 | 2020-10-20 | 广西医准智能科技有限公司 | 一种基于医学图像的结节检测方法、装置及电子设备 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11568049B2 (en) * | 2019-09-27 | 2023-01-31 | Mcafee, Llc | Methods and apparatus to defend against adversarial machine learning |
| CN111862044B (zh) * | 2020-07-21 | 2024-06-18 | 深圳蓝湘智影科技有限公司 | 超声图像处理方法、装置、计算机设备和存储介质 |
| CN112102256B (zh) * | 2020-08-22 | 2022-04-12 | 复旦大学 | 面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统 |
| CN112700444B (zh) * | 2021-02-19 | 2023-06-23 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 |
| CN113569913B (zh) * | 2021-06-29 | 2023-04-25 | 西北大学 | 基于分层选择性Adaboost-DNNs的图像分类模型建立、分类方法及系统 |
| CN114239646B (zh) * | 2021-12-01 | 2023-06-16 | 电子科技大学 | 一种基于复数神经网络的辐射源识别系统 |
| WO2023191757A1 (en) * | 2022-03-30 | 2023-10-05 | Havelsan Hava Elektronik San. Ve Tic. A.S. | Detection of objects in digital images using a hybridized resnet and dense block architecture |
| WO2024094088A1 (en) * | 2022-11-01 | 2024-05-10 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image analysis |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
| CN105488800A (zh) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | 特征提取方法、计算机辅助诊断的方法及其系统 |
| CN108629764A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种确定肺结节良恶性的方法及装置 |
| CN108986085A (zh) * | 2018-06-28 | 2018-12-11 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
| CN108986067A (zh) * | 2018-05-25 | 2018-12-11 | 上海交通大学 | 基于跨模态的肺结节检测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6694046B2 (en) * | 2001-03-28 | 2004-02-17 | Arch Development Corporation | Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images |
| GB2414357A (en) * | 2004-05-18 | 2005-11-23 | Medicsight Plc | Nodule boundary detection |
| DE102006043910B4 (de) * | 2006-09-19 | 2010-02-25 | Siemens Ag | Ergebnisfilter und Verfahren zur Selektion der Ergebnisdaten einer Applikation zur automatischen Mustererkennung |
| US10121243B2 (en) * | 2006-09-22 | 2018-11-06 | Koninklijke Philips N.V. | Advanced computer-aided diagnosis of lung nodules |
| US10318008B2 (en) * | 2015-12-15 | 2019-06-11 | Purdue Research Foundation | Method and system for hand pose detection |
| US10169647B2 (en) * | 2016-07-27 | 2019-01-01 | International Business Machines Corporation | Inferring body position in a scan |
| CN108615237B (zh) | 2018-05-08 | 2021-09-07 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
| US10726302B2 (en) * | 2018-11-29 | 2020-07-28 | Qualcomm Incorporated | Edge computing |
-
2018
- 2018-12-28 CN CN201811630064.4A patent/CN109741312B/zh active Active
-
2019
- 2019-12-27 US US16/728,086 patent/US11270157B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
| CN105488800A (zh) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | 特征提取方法、计算机辅助诊断的方法及其系统 |
| CN108629764A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种确定肺结节良恶性的方法及装置 |
| CN108986067A (zh) * | 2018-05-25 | 2018-12-11 | 上海交通大学 | 基于跨模态的肺结节检测方法 |
| CN108986085A (zh) * | 2018-06-28 | 2018-12-11 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 余建明等: "《放射医学技术 高级教程 2017版》", 30 October 2016, 中华医学电子音像出版社, pages: 145 * |
| 娄岩: "《智能医学概论》", 30 October 2018, 中国铁道出版社，, pages: 93 * |
| 曹蕾: "《肺结节图像的分析与识别》", 《万方学位论文数据库》, 5 April 2009 (2009-04-05), pages 80 - 90 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598868A (zh) * | 2020-05-14 | 2020-08-28 | 上海深至信息科技有限公司 | 一种肺部超声图像识别方法和系统 |
| CN111598868B (zh) * | 2020-05-14 | 2022-12-30 | 上海深至信息科技有限公司 | 一种肺部超声图像识别方法和系统 |
| CN111798424A (zh) * | 2020-06-30 | 2020-10-20 | 广西医准智能科技有限公司 | 一种基于医学图像的结节检测方法、装置及电子设备 |
| CN111798424B (zh) * | 2020-06-30 | 2021-02-09 | 广西医准智能科技有限公司 | 一种基于医学图像的结节检测方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200210761A1 (en) | 2020-07-02 |
| CN109741312B (zh) | 2024-07-23 |
| US11270157B2 (en) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741312A (zh) | 一种肺结节鉴别方法、装置、设备及介质 | |
| CN108615237B (zh) | 一种肺部图像处理方法及图像处理设备 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN109961491A (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
| US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
| CN112465834B (zh) | 一种血管分割方法及装置 | |
| Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
| CN113168912B (zh) | 使用深度学习确定3d数据集中对象的增长速度 | |
| US8554016B2 (en) | Image registration system and method for registering images for deformable surfaces | |
| KR102258756B1 (ko) | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 | |
| CN111145173A (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 | |
| CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
| CN100592336C (zh) | 医学图像配准的系统和方法 | |
| CN113889238B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| CN112215799A (zh) | 一种磨玻璃肺结节自动分类方法及系统 | |
| CN112329871A (zh) | 一种基于自校正卷积与通道注意力机制的肺结节检测方法 | |
| WO2021184195A1 (zh) | 医学图像重建方法、医学图像重建网络训练方法和装置 | |
| CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
| CN114972729A (zh) | 用于医学图像分析的标注高效学习的方法和系统 | |
| JP2005515874A (ja) | 肺の小結節検出時のフォールスポジティブを低減するための気管支壁厚認識 | |
| CN109087357A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
| CN112651960A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
| CN112101396A (zh) | 一种分类方法、装置、设备和存储介质 | |
| CN113744215B (zh) | 三维断层扫描图像中树状管腔结构中心线的提取方法和装置 |
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 |