CN109801263A - 一种肺结节分析的方法及装置 - Google Patents

Abstract

本发明公开了一种肺结节分析的方法及装置，该方法包括获取患者的肺部的肺结节影像以及肺结节影像中肺结节相对于肺内空间的相对位置、肺部的分割影像，根据肺结节相对于肺内空间的相对位置从肺结节影像中确定包含所述肺结节的ROI，将肺结节的ROI、肺结节相对于肺内空间的相对位置、肺部的分割影像输入至预设特征提取神经网络模型进行特征提取，得到肺结节影像的特征向量，将肺结节影像的特征向量输入至预设分类神经网络模型，得到预设分类神经网络模型输出的患者的肺结节分析结果。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高肺结节分析的准确性。

Description

一种肺结节分析的方法及装置

技术领域

本发明实施例涉及机器学习技术领域，尤其涉及一种肺结节分析的方法及装置。

背景技术

随着环境污染的日益严重，越来越多的疾病呈现出高爆发率的趋势。现代医疗技术的发展已经很成熟，医生可以凭借医学知识以及医疗经验诊断出各种疾病。也就是说，现有技术中的确定疾病的大多依靠医生的诊断，然而由于各个地区的医疗水平很不一致，且医生的个人经验水平也参差不齐，因此，传统的医生诊断疾病的方法容易受到地区医疗水平以及医生个人经验水平的影像，导致诊断误差较大的问题。

以肺结节为例，医生通常需要人为地观测肺部影像，以对患者所患有的肺结节进行分析，这一过程难免会出现误诊的情况。

基于此，目前亟需一种分析肺结节的方法，用于提高分析肺结节的准确率。

发明内容

本发明实施例提供一种肺结节分析的方法及装置，用以提高分析肺结节的准确率。

本发明实施例提供的一种肺结节分析的方法，包括：

获取患者的肺部的肺结节影像以及所述肺结节影像中肺结节相对于肺内空间的相对位置、所述肺部的分割影像；

根据所述肺结节相对于肺内空间的相对位置从所述肺结节影像中确定包含所述肺结节的感兴趣区域(Region of Interest，简称ROI)；

将所述肺结节的ROI、所述肺结节相对于肺内空间的相对位置、所述肺部的分割影像输入至预设特征提取神经网络模型进行特征提取，得到所述肺结节影像的特征向量；所述预设特征提取神经网络模型是通过对已标记的肺结节影像、已标记的肺结节相对于肺内空间的相对位置、已标记的肺部的分割影像进行训练得到的；

将所述肺结节影像的特征向量输入至预设分类神经网络模型，得到所述预设分类神经网络模型输出的所述患者的肺结节分析结果；其中，所述预设分类神经网络模型是通过对多个患者的肺结节影像的特征向量以及患者患有肺结节的已知结果进行训练得到的。

如此，本发明实施例采用预设特征提取神经网络模型对肺结节的ROI、肺结节相对于肺内空间的相对位置、肺部的分割影像和提取特征向量，并结合预设分类神经网络来对肺结节进行分析，由于以上模型均是通过对大量数据进行训练得到的，从而使得通过模型得到的结果较为合理，且具有一定的科学依据。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高肺结节分析的准确性。

可选的，所述预设分类神经网络模型为预设征象分类神经网络模型；所述预设征象分类神经网络模型是通过对多个患者对应的特征向量、每个患者患有的肺结节的征象进行训练得到的；

所述预设分类神经网络模型输出的所述患者的肺结节分析结果为所述患者患有的肺结节的征象。

如此，相比于现有技术中医生通过人为诊断的方式来判断肺结节的征象而言，本发明实施例采用预设特征提取神经网络模型，并结合预设征象分类神经网络来判断肺结节的征象，能够降低因医生水平差异导致的诊断误差率，从而提高确定肺结节征象的准确性。

可选的，所述预设分类神经网络模型是通过对多个患者的肺结节影像的特征向量以及患者患有肺结节的已知征象结果进行训练得到的，包括：

将所述多个患者对应的特征向量输入到初始的征象分类神经网络模型，得到每个患者患有的肺结节的预测征象；

根据所述每个患者患有的肺结节的预测征象以及每个患者患有的肺结节的实际征象，进行反向训练，生成所述预设征象分类神经网络模型。

如此，通过预测征象和实际征象之间的对比，可以准确的调整预设征象分类神经网络模型的参数，提高生成的预设征象分类神经网络模型的准确度。

可选的，所述将所述患者对应的特征向量输入预设分类神经网络模型，并得到所述预设分类神经网络模型输出的所述患者患有的肺结节的分析结果，包括：

将所述患者对应的特征向量输入预设分类神经网络模型，得到预设征象对应的置信度；

若所述预设征象对应的置信度大于预设阈值，则将所述预设征象作为所述患者患有的肺结节的征象。

如此，通过每个征象的置信度与预设阈值的对比，将置信度大于预设阈值的征象作为患者患有的肺结节的征象，从而能够有效避免忽略同一个肺结节存在多种征象的情况。

可选的，所述征象为胸膜凹陷征。

相应的，本发明实施例还提供了一种肺结节分析的装置，包括：

获取单元，用于获取患者的肺部的肺结节影像以及所述肺结节影像中肺结节相对于肺内空间的相对位置、所述肺部的分割影像；

确定单元，用于根据所述肺结节相对于肺内空间的相对位置从所述肺结节影像中确定包含所述肺结节的ROI；

处理单元，用于将所述肺结节的ROI、所述肺结节相对于肺内空间的相对位置、所述肺部的分割影像输入至预设特征提取神经网络模型进行特征提取，得到所述肺结节影像的特征向量；所述预设特征提取神经网络模型是通过对已标记的肺结节影像、已标记的肺结节相对于肺内空间的相对位置、已标记的肺部的分割影像进行训练得到的；以及将所述肺结节影像的特征向量输入至预设分类神经网络模型，得到所述预设分类神经网络模型输出的所述患者的肺结节分析结果；其中，所述预设分类神经网络模型是通过对多个患者的肺结节影像的特征向量以及患者患有肺结节的已知结果进行训练得到的。

可选的，所述预设分类神经网络模型为预设征象分类神经网络模型；所述预设征象分类神经网络模型是通过对多个患者对应的特征向量、每个患者患有的肺结节的征象进行训练得到的；

所述预设分类神经网络模型输出的所述患者的肺结节分析结果为所述患者患有的肺结节的征象。

可选的，所述处理单元具体用于：

将所述多个患者对应的特征向量输入到初始的征象分类神经网络模型，得到每个患者患有的肺结节的预测征象；

根据所述每个患者患有的肺结节的预测征象以及每个患者患有的肺结节的实际征象，进行反向训练，生成所述预设征象分类神经网络模型。

可选的，所述处理单元具体用于：

将所述患者对应的特征向量输入预设分类神经网络模型，得到预设征象对应的置信度；

若所述预设征象对应的置信度大于预设阈值，则将所述预设征象作为所述患者患有的肺结节的征象。

可选的，所述征象为胸膜凹陷征。

相应的，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存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行上述肺结节分析的方法。

相应的，本发明实施例还提供了一种图像识别的计算设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述肺结节分析的方法。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种系统架构的示意图；

图2为本发明实施例提供的一种肺结节分析的方法的流程示意图；

图3为本发明实施例提供的一种肺结节影像的示意图；

图4a和图4b为本发明实施例提供的一种肺结节影像的示意图；

图5为本发明实施例提供的一种预设特征提取神经网络模型的结构示意图；

图6为本发明实施例提供的一种预设分类神经网络模型的结构示意图；

图7为本发明实施例提供的一种肺结节分析的装置的结构示意图；

图8为本发明实施例提供的一种肺结节分析的设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。

图1为本发明实施例提供的肺结节分析的方法所适用的系统架构。参考图1所示，该系统架构可以为服务器100，包括处理器110、通信接口120和存储器130。

其中，通信接口120用于医生适用的终端设备进行通信，收发该终端设备传输的信息，实现通信。

处理器110是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。

存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。本发明实施例中所提及的征象为胸膜凹陷征，对此不做限制，仅是示例作用。

基于上述描述，图2示例性的示出了本发明实施例提供的一种肺结节分析的流程，该流程可以由肺结节分析的装置执行。

如图2所示，该流程具体包括：

步骤201，获取患者的肺部的肺结节影像以及所述肺结节影像中肺结节相对于肺内空间的相对位置、所述肺部的分割影像。

肺结节影像为三维图像。肺结节相对于肺内空间的相对位置可以为肺结节内的点的三维坐标(比如肺结节中心点的三维坐标)，也可以是肺结节表面的点的三维坐标。肺结节影像可以是计算机体层摄影(Computed Tomography，简称CT)影像、磁共振成像(Magnetic Resonance Imaging，简称MRI)影像等等，为了更清楚的描述肺结节影像，图3示例性示出了一名患者的肺部CT影像，该CT影像中的肺结节的征象为胸膜凹陷征。肺部的分割影像可以为肺部CT的二值化的影像。

步骤202，根据所述肺结节相对于肺内空间的相对位置从所述肺结节影像中确定包含所述肺结节的ROI。

具体的，可以以肺结节相对于肺内空间的相对位置为中心，向周围扩展预设距离，确定包含该肺结节的像素立方体，其中，该预设距离为肺结节的半径的预设倍数，比如肺结节半径的1.25倍。然后截取此像素立方体，并插值缩放到一定的大小。之后再对该像素立方体中每一个像素附加一个空间信息通道，输出ROI，空间信息通道为像素立方体与肺结节相对于肺内空间的相对位置之间的距离。举例来说，这里可以是以肺结节相对于肺内空间的相对位置为中心，向三个坐标轴各方向延伸L像素，就可以选取一个2L*2L*2L大小的像素立方体。如图4a所示，为肺部CT图像的一种示例的示意图。该肺部CT图像中存在肺结节A，且肺结节A的中心坐标为(x₀，y₀，z₀)，肺结节A的半径为r，则可以根据中心坐标(x₀，y₀，z₀)为中心点，以半径r的2倍为边长，如图4b所示，所得到的区域(正方体)即为肺结节A对应的ROI。

考虑到实际情况中，每个肺结节的大小并不一致，且每个肺结节可能为不规则图形。基于上述这种情况，本发明实施例中，可以以肺结节的中心坐标为中心点，以肺结节的长径的2.5倍、3倍为边长，并将所得到的区域作为ROI。如此，能够保证所得到的肺结节图像能够包括整个肺结节所在的区域，避免遗漏肺结节的部分图像。

需要说明的是，ROI可以为多种形状，上文所描述的立方体形的肺结节图像对应的区域仅为一种示例，在其它可能的示例中，ROI也可以为球体或其他形状。

在其它可能的提取ROI的实现方式中，也可以根据肺结节在肺部CT中的位置，根据肺结节的轮廓，提取得到ROI，具体不做限定。

更进一步地，在得到ROI之后，可以将ROI进行数据增强，从而扩大预设特征提取神经网络模型的训练样本量，进而提高预设特征提取神经网络模型的准确度。本发明实施例中，数据增强的方式有多种，比如，可以对ROI采用随机水平镜像的方式进行数据增强；或者，也可以对ROI采用随机上、下、左、右平移的方式进行数据增强；或者，也可以对ROI采用随机旋转的方式进行数据增强；或者，还可以对ROI采用随机缩放的方式进行数据增强，具体不做限定。

步骤203，将所述肺结节的ROI、所述肺结节相对于肺内空间的相对位置、所述肺部的分割影像输入至预设特征提取神经网络模型进行特征提取，得到所述肺结节影像的特征向量。

预设特征提取神经网络模型可以是通过已标记的肺结节影像、已标记的肺结节相对于肺内空间的相对位置、已标记的肺部的分割影像进行训练得到的。其中，预设特征提取神经网络模型可以为浅层神经网络模型，即该预设特征提取神经网络可以包括N个卷积模块，且，N小于或等于第一阈值。本领域技术人员可以根据经验和实际情况来设定第一阈值的具体数值，此处不做限定。

为了根据更加清楚地描述上文所涉及的预设特征提取神经网络模型，图5示例性示出了本发明实施例提供的一种预设特征提取神经网络模型的结构示意图。该预设特征提取神经网络模型可以包括三个卷积模块。如图5所示，三个卷积模块分别为第一卷积模块501、第二卷积模块502和第三卷积模块503；其中，每个卷积模块又可以包括卷积层、与卷积层连接的归一化(Batch Normalization，BN)层、与BN层连接的激活函数层、以及与激活函数层连接的max pooling层，如图5示出的第一卷积模块501包括第一卷积层5011、第一BN层5012、第一激活函数层5013和第一max pooling层5014，第二卷积模块502包括第二卷积层5021、第二BN层5022、第二激活函数层5023和第二max pooling层5024，第三卷积模块503包括第三卷积层5031、第三BN层5032、第三激活函数层5033和第三max pooling层5034。

需要说明的是：(1)图5中示出的激活函数可以为多种类型的激活函数，比如，可以为线性整流函数(Rectified Linear Unit,ReLU)，具体不做限定；(2)图5中示出的各个卷积层的卷积核大小、max pooling层的卷积核大小、每个卷积模块提取的特征通道数值可以为本领域技术人员根据经验和实际情况设定并调整得到的，具体不做限定；(3)由于本发明实施例中输入的图像为三维图像，因此，本发明实施例中的预设特征提取神经网络模型可以为(3Dimensions，3D)卷积神经网络，相应地，3D卷积神经网络对应的卷积核大小可以为m*m*m，其中，m为大于或等于1的整数。

上文所描述的患者对应的特征向量的确定方式仅为一种可能的实现方式，在其它可能的实现方式中，也可以通过其它方式确定患者对应的特征向量，具体不做限定。

通过将肺结节的ROI、肺结节相对于肺内空间的相对位置、肺部的分割影像输入至预设特征提取神经网络模型进行特征提取，得到肺结节影像的特征向量。

步骤204，将所述肺结节影像的特征向量输入至预设分类神经网络模型，得到所述预设分类神经网络模型输出的所述患者的肺结节分析结果。

图6示例性示出了本发明实施例提供的一种预设分类神经网络模型的结构示意图，如图6所示，该预设分类神经网络模型包括第一全连接层601、第二全连接层602和sigmoid层603。待确诊患者对应的特征向量可以依次通过第一全连接层601、第二全连接层602进行计算后，再由sigmoid层603进行分类后输出分类结果，从而得到患者患有的肺结节的分析结果。

为了更加清楚地描述上文所述的预设分类神经网络对肺结节的分析过程，下面以对肺结节的征象进行分析为例，进行具体说明。其中，预设分类神经网络模型可以为预设征象分类神经网络模型，并且，预设征象分类神经网络模型输出的所述患者患有的肺结节的分析结果为所述患者患有的肺结节的征象。本发明实施例中，预设征象分类神经网络模型是通过对多个患者的肺结节影像的特征向量以及患者患有肺结节的已知结果进行训练得到的。

进一步地，肺结节的征象可以包括多种类型，本发明实施例主要是胸膜凹陷征为例进行描述。

如表1所示，为多个患者的特征向量及患有的肺结节的征象的一种示例。患者1的特征向量为X₁，患有的肺结节的征象为毛刺征象；患者2的特征向量为X₂，患有的肺结节的征象为其它；患者3的特征向量为X₃，患有的肺结节的征象为无。

表1：多个患者的肺结节影像的特征向量及患有的肺结节的征象的一种示例

编号	特征向量	肺结节的征象
			患者1	X<sub>1</sub>	胸膜凹陷征
患者2	X<sub>2</sub>	其它
			患者3	X<sub>3</sub>	无
……	……	……

进一步地，将表1中示出的多个患者的肺结节影像的特征向量，以及每个患者患有的肺结节的征象输入预设征象分类神经网络模型中，可以确定预设征象分类神经网络模型的参数。具体来说，可以先将多个患者的肺结节影像的特征向量输入到初始的征象分类神经网络模型，得到每个患者患有的肺结节的预测征象，然后根据每个患者患有的肺结节的预测征象以及每个患者患有的肺结节的实际征象，进行反向训练，生成预设征象分类神经网络模型。

需要说明的是，在训练预设征象分类神经网络模型时，多个患者患有的肺结节的实际征象可以由医生来确定。

举个例子，以表1中示出的患者1为例，将患者1对应的特征向量X₁输入预设征象分类神经网络中，通过前向传播，可以得到一个3维的结果向量其中，y₁为胸膜凹陷征对应的置信度；y₂为其它征象对应的置信度；y₃为无征象对应的置信度。根据该征象分类神经网络的结果向量得到患者1对应的预测征象；进一步地，若患者1对应的预测征象为胸膜凹陷征，而患者1对应的实际征象根据表1示出的内容为其它征象，这样预设征象分类神经网络模型的预测结果与实际结果之间就存在误差，即损失(loss)函数值。进而，可以使用反向传播算法，根据随机梯度下降(Stochastic gradient descent，SGD)算法沿着损失(loss)函数值下降的方向调整预设征象分类神经网络模型的参数。如此，通过预测征象和实际征象之间的对比，可以准确的调整预设征象分类神经网络模型的参数，提高生成的预设征象分类神经网络模型的准确度。

本发明实施例中，患者患有的肺结节的征象的确定方式可以有多种，一个示例中，可以将所述患者对应的特征向量输入预设分类神经网络模型，得到多个预设征象对应的置信度，进而可将置信度最高的预设征象作为患者患有的肺结节的征象。

另一个示例中，考虑到同一个肺结节可能存在多种征象，比如，某患者患有的肺结节的征象可以为胸膜凹陷征和其它征象。在这种情况下，可以先将患者对应的特征向量输入预设分类神经网络模型，得到多个预设征象对应的置信度，进而针对预设征象对应的置信度，若所述预设征象对应的置信度大于预设阈值，则将所述预设征象作为所述患者患有的肺结节的征象。

举个例子，若患者对应的特征向量为X₁’，将该患者对应的特征向量X₁’输入预设征象分类神经网模型中后，所得到的结果向量其中，y₁’为胸膜凹陷征对应的置信度；y₂’为其它征象对应的置信度；y₃’为无征象对应的置信度。若经计算得知，y₁’大于预设阈值，而y₂’和y₃’均小于预设阈值，则患者患有的肺结节的征象为胸膜凹陷征。

如此，本发明实施例采用预设特征提取神经网络模型对肺结节的ROI、肺结节相对于肺内空间的相对位置、肺部的分割影像提取特征向量，并结合预设分类神经网络来对肺结节进行分析，由于以上模型均是通过对大量数据进行训练得到的，从而使得通过模型得到的结果较为合理，且具有一定的科学依据。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高肺结节分析的准确性。

基于相同的技术构思，图7示例性的示出了本发明实施例提供的一种肺结节分析的装置700，该装置700可以执行肺结节分析的流程。

如图7所示，该装置具体包括：

获取单元701，用于获取患者的肺部的肺结节影像以及所述肺结节影像中肺结节相对于肺内空间的相对位置、所述肺部的分割影像；

确定单元702，用于根据所述肺结节相对于肺内空间的相对位置从所述肺结节影像中确定包含所述肺结节的ROI；

处理单元703，用于将所述肺结节的ROI、所述肺结节相对于肺内空间的相对位置、所述肺部的分割影像输入至预设特征提取神经网络模型进行特征提取，得到所述肺结节影像的特征向量；所述预设特征提取神经网络模型是通过对已标记的肺结节影像、已标记的肺结节相对于肺内空间的相对位置、已标记的肺部的分割影像进行训练得到的；以及将所述肺结节影像的特征向量输入至预设分类神经网络模型，得到所述预设分类神经网络模型输出的所述患者的肺结节分析结果；其中，所述预设分类神经网络模型是通过对多个患者的肺结节影像的特征向量以及患者患有肺结节的已知结果进行训练得到的。

可选的，所述预设分类神经网络模型为预设征象分类神经网络模型；所述预设征象分类神经网络模型是通过对多个患者对应的特征向量、每个患者患有的肺结节的征象进行训练得到的；

所述预设分类神经网络模型输出的所述患者的肺结节分析结果为所述患者患有的肺结节的征象。

可选的，所述处理单元703具体用于：

将所述多个患者对应的特征向量输入到初始的征象分类神经网络模型，得到每个患者患有的肺结节的预测征象；

根据所述每个患者患有的肺结节的预测征象以及每个患者患有的肺结节的实际征象，进行反向训练，生成所述预设征象分类神经网络模型。

可选的，所述处理单元703具体用于：

将所述患者对应的特征向量输入预设分类神经网络模型，得到预设征象对应的置信度；

若所述预设征象对应的置信度大于预设阈值，则将所述预设征象作为所述患者患有的肺结节的征象。

可选的，所述征象为胸膜凹陷征。

基于相同的技术构思，本发明实施例还提供了一种计算设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述肺结节分析的方法。

基于相同的技术构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述肺结节分析的方法。

基于相同的技术构思，本发明实施例提供了一种肺结节分析的设备，如图8所示，包括至少一个处理器801，以及与至少一个处理器连接的存储器802，本发明实施例中不限定处理器801与存储器802之间的具体连接介质，图8中处理器801和存储器802之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。

在本发明实施例中，存储器802存储有可被至少一个处理器801执行的指令，至少一个处理器801通过执行存储器802存储的指令，可以执行前述的肺结节分析的方法中所包括的步骤。

其中，处理器801是肺结节分析的设备的控制中心，可以利用各种接口和线路连接肺结节分析的设备的各个部分，通过运行或执行存储在存储器802内的指令以及调用存储在存储器802内的数据，从而实现肺结节分析。可选的，处理器801可包括一个或多个处理单元，处理器801可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器801中。在一些实施例中，处理器801和存储器802可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器801可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合肺结节分析的实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器802可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器902是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本发明实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种肺结节分析的方法，其特征在于，该方法包括：

获取患者的肺部的肺结节影像以及所述肺结节影像中肺结节相对于肺内空间的相对位置、所述肺部的分割影像；

根据所述肺结节相对于肺内空间的相对位置从所述肺结节影像中确定包含所述肺结节的感兴趣区域ROI；

将所述肺结节的ROI、所述肺结节相对于肺内空间的相对位置、所述肺部的分割影像输入至预设特征提取神经网络模型进行特征提取，得到所述肺结节影像的特征向量；所述预设特征提取神经网络模型是通过对已标记的肺结节影像、已标记的肺结节相对于肺内空间的相对位置、已标记的肺部的分割影像进行训练得到的；

将所述肺结节影像的特征向量输入至预设分类神经网络模型，得到所述预设分类神经网络模型输出的所述患者的肺结节分析结果；其中，所述预设分类神经网络模型是通过对多个患者的肺结节影像的特征向量以及患者患有肺结节的已知结果进行训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述预设分类神经网络模型为预设征象分类神经网络模型；所述预设征象分类神经网络模型是通过对多个患者对应的特征向量、每个患者患有的肺结节的征象进行训练得到的；

所述预设分类神经网络模型输出的所述患者的肺结节分析结果为所述患者患有的肺结节的征象。

3.根据权利要求2所述的方法，其特征在于，所述预设分类神经网络模型是通过对多个患者的肺结节影像的特征向量以及患者患有肺结节的已知征象结果进行训练得到的，包括：

将所述多个患者对应的特征向量输入到初始的征象分类神经网络模型，得到每个患者患有的肺结节的预测征象；

根据所述每个患者患有的肺结节的预测征象以及每个患者患有的肺结节的实际征象，进行反向训练，生成所述预设征象分类神经网络模型。

4.根据权利要求2所述的方法，其特征在于，所述将所述患者对应的特征向量输入预设分类神经网络模型，并得到所述预设分类神经网络模型输出的所述患者患有的肺结节的分析结果，包括：

将所述患者对应的特征向量输入预设分类神经网络模型，得到预设征象对应的置信度；

若所述预设征象对应的置信度大于预设阈值，则将所述预设征象作为所述患者患有的肺结节的征象。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述征象为胸膜凹陷征。

6.一种肺结节分析的装置，其特征在于，包括：

获取单元，用于获取患者的肺部的肺结节影像以及所述肺结节影像中肺结节相对于肺内空间的相对位置、所述肺部的分割影像；

确定单元，用于根据所述肺结节相对于肺内空间的相对位置从所述肺结节影像中确定包含所述肺结节的感兴趣区域ROI；

处理单元，用于将所述肺结节的ROI、所述肺结节相对于肺内空间的相对位置、所述肺部的分割影像输入至预设特征提取神经网络模型进行特征提取，得到所述肺结节影像的特征向量；所述预设特征提取神经网络模型是通过对已标记的肺结节影像、已标记的肺结节相对于肺内空间的相对位置、已标记的肺部的分割影像进行训练得到的；以及将所述肺结节影像的特征向量输入至预设分类神经网络模型，得到所述预设分类神经网络模型输出的所述患者的肺结节分析结果；其中，所述预设分类神经网络模型是通过对多个患者的肺结节影像的特征向量以及患者患有肺结节的已知结果进行训练得到的。

7.根据权利要求6所述的装置，其特征在于，所述预设分类神经网络模型为预设征象分类神经网络模型；所述预设征象分类神经网络模型是通过对多个患者对应的特征向量、每个患者患有的肺结节的征象进行训练得到的；

所述预设分类神经网络模型输出的所述患者的肺结节分析结果为所述患者患有的肺结节的征象。

8.根据权利要求7所述的装置，其特征在于，所述处理单元具体用于：

将所述多个患者对应的特征向量输入到初始的征象分类神经网络模型，得到每个患者患有的肺结节的预测征象；

根据所述每个患者患有的肺结节的预测征象以及每个患者患有的肺结节的实际征象，进行反向训练，生成所述预设征象分类神经网络模型。

9.根据权利要求7所述的装置，其特征在于，所述处理单元具体用于：

将所述患者对应的特征向量输入预设分类神经网络模型，得到预设征象对应的置信度；

若所述预设征象对应的置信度大于预设阈值，则将所述预设征象作为所述患者患有的肺结节的征象。

10.根据权利要求6至9中任一项所述的装置，其特征在于，所述征象为胸膜凹陷征。

11.一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存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如权利要求1至5中任一项所述的方法。

12.一种图像识别的计算设备，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如权利要求1至5中任一项所述的方法。