CN110059697A - 一种基于深度学习的肺结节自动分割方法 - Google Patents
一种基于深度学习的肺结节自动分割方法 Download PDFInfo
- Publication number
- CN110059697A CN110059697A CN201910352565.9A CN201910352565A CN110059697A CN 110059697 A CN110059697 A CN 110059697A CN 201910352565 A CN201910352565 A CN 201910352565A CN 110059697 A CN110059697 A CN 110059697A
- Authority
- CN
- China
- Prior art keywords
- lung neoplasm
- type
- net
- disaggregated model
- lung
- 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 114
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 210000004072 lung Anatomy 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的肺结节自动分割方法，用于判断肺结节的类型并进行系统的分割，包括以下步骤：步骤1，从LIDC中获取CT影像数据，将CT影像数据中的肺结节区域截取为50×50像素大小的图片作为训练图片数据；步骤2，建立肺结节CNN分类模型，将训练图片数据输入CNN分类模型对CNN分类模型进行优化训练，并保存最高的分类准确率下的CNN分类模型进行使用；步骤3，建立各个类型肺结节的3DU‑net分割模型，将相同类型的肺结节区域的图片数据作为3DU‑net分割模型的输入图像来对3DU‑net分割模型进行优化训练，并保存最高的分割准确率下的3DU‑net分割模型进行使用；步骤4，将待分割的肺结节区域图像输入CNN分类模型后在经过3DU‑net分割模型完成对肺结节区域分割。
Description
技术领域
本发明属于计算机辅助医学领域，具体涉及一种基于深度学习的肺结节自动分割方法。
背景技术
肺癌的发病率高、死亡率高、5年生存率低，是全球癌症致死的头号杀手。基于CT影像的计算机辅助诊断技术也越来越多地应用到肺癌的诊断当中。而计算机辅助诊断中关键就在于对肺结节进行处理分析，首先要分割出完整的肺结节区域，之后提取该区域的影像学特征，利用提取到的特征信息对肺结节进行分析处理，进而达到诊断肺部癌症的目的。
肺结节按照组织密度的不同可分为不同的类型，如实质型，亚实质型，毛玻璃等。而不同类型的肺结节在CT影像中表现出不同的特点，很难找到统一准确稳定的分割方法对其进行分割，所以在计算机辅助诊断当中只使用单一的分割方法对肺结节进行分割是会存在很大问题的。因此只有使用多种的分割方法，针对不同类型的肺结节进行分割，才能准确完整地分割出肺结节区域，提取更加准确的特征信息，得出更准确的诊断结果。在这之前还需要判断出肺结节的类型，才能找出对应的分割方法。目前临床上主要是通过医生进行人工判断，而我们在分割的过程中为了达到快速分割的目的，通过建立分类模型的方法对肺结节类型进行快速地判断，提供一个辅助的判断结果，最终也可以由医生进行确认修改。在这当中很重要的一部分就是分割算法的设计，对于分割算法的要求就是快速准确稳定。首先速度要快，很快地得出分割结果，同时具有很好的鲁棒性，能够很稳定地输出分割结果。
目前国内外对于肺结节分割方法的研究尚存在不足，仍有较大的改进和提升空间。如现存大部分的研究都是针对某种类型的肺结节设计单一的分割方法对其进行分割，分割方法不稳定，分割精度不高等问题；对于多类型肺结节进行系统分割的研究很少，因此无法系统地对肺癌进行诊断分析。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于深度学习的肺结节自动分割方法。
本发明提供了一种基于深度学习的肺结节自动分割方法，具有这样的特征，用于判断肺结节的类型并进行系统的分割，包括以下步骤：步骤1，从LIDC中获取多个CT影像数据，该多个CT影像数据的XML文件中均具有多个放射科医生的手动标注信息，该手动标注信息中包括医生对CT影像数据中的肺结节的类型判断结果和肺结节区域的手动分割结果，随后根据手动标注信息将CT影像数据中的肺结节区域截取为50×50像素大小的图片作为肺结节区域图像数据，并该肺结节区域图像数据作为训练图片数据；
步骤2，建立肺结节CNN分类模型，将训练图片数据输入CNN分类模型，将类型判断结果做为CNN分类模型的种族标签，每张50×50像素大小的图片输入到CNN分类模型之后输出预测标签，将预测标签与种族标签进行对比来得到分类准确率，并保存最高的分类准确率下的CNN分类模型进行使用；
步骤3，建立各个类型肺结节的3DU-net分割模型，选取各个类型的肺结节区域的图片数据，将相同类型的肺结节区域的图片数据作为3DU-net分割模型的输入图像，并将各个类型的肺结节区域的图片数据转化为mask图片来作为3DU-net分割模型的标签，在3DU-net分割模型当中先经过前半段的特征提取部分得到特征图谱，再使用反卷积的方法进行上采样，最后输出与输入图像同样大小的分割图像，将该分割图像与mask图像进行对比来得到分割准确率，并保存最高分割准确率下的3DU-net分割模型进行使用，不同类型的肺结节分别对应有各自的3DU-net分割模型；
步骤4，将待分割的肺结节区域图像输入CNN分类模型进行类别判断后，根据判断得到的肺结节类型，将待分割的肺结节区域图像输入该肺结节类型对应的3DU-net分割模型中，完成对肺结节区域的分割，
其中，特征提取部分每经过一个池化层就得到一个特征图，在上采样的过程中，每上采样一次，就将特征提取部分中对应相同大小的特征图复制并进行拼接，拼接得到的特征图作为每次上采样的新的特征图。
在本发明提供的基于深度学习的肺结节自动分割方法中，还可以具有这样的特征：其中，种族标签设置为数字1-n，每个数字对应不同的肺结节类型。
在本发明提供的基于深度学习的肺结节自动分割方法中，还可以具有这样的特征：其中，步骤2中，每张50×50像素大小的图片输入到CNN分类模型后的处理过程如下：步骤2-1，每张50×50像素大小的图片经过三个卷积层得到25×25×64像素大小的特征图谱；步骤2-2，特征图谱经过最大池化层进行池化，得到全连接层，再进行随机失活，而后经过softmax分类器输出得到预测标签。
发明的作用与效果
根据本发明所涉及的基于深度学习的肺结节自动分割方法，因为具有CNN分类模型来对图片中的肺结节类型进行判断，并根据判断得到的肺结节类型，使用该肺结节类型对应的3DU-net分割模型对肺结节进行系统的分割，所以，能够快速准确的完成对于多类型肺结节的系统分割，并且有效的提高了肺结节分割的精度和鲁棒性，能够稳定地输出分割结果。
附图说明
图1是本发明实施例的CNN分类模型的处理过程示意图；
图2是本发明实施例的3DU-net分割模型的处理过程示意图；
图3是本发明实施例的基于深度学习的肺结节分割方法进行肺结节分割的流程图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
<实施例>
本实施例提供了一种基于深度学习的肺结节自动分割方法，用于判断肺结节的类型并进行系统的分割，包括以下步骤：
步骤1，从LIDC中获取多个CT影像数据，该多个CT影像数据的XML文件中均具有多个放射科医生的手动标注信息，该手动标注信息中包括医生对CT影像数据中的肺结节的类型判断结果和肺结节区域的手动分割结果，随后根据手动标注信息将CT影像数据中的肺结节区域截取为50×50像素大小的图片作为肺结节区域图像数据，并该肺结节区域图像数据作为训练图片数据。
步骤2，建立肺结节CNN分类模型。
图1是本发明实施例的CNN分类模型的处理过程示意图。
如图1所示，将训练图片数据输入CNN分类模型，将类型判断结果做为CNN分类模型的种族标签，每张50×50像素大小的图片输入到CNN分类模型之后输出预测标签，将预测标签与种族标签进行对比来得到分类准确率，训练过程中分类准确率最高能达到94％，保存最高的分类准确率下的CNN分类模型进行使用。
如表1所示，种族标签设置为数字1-n，每个数字对应不同的肺结节类型。
表1种族标签与肺结节类型的对照表
| 种族标签 | 肺结节类型 |
| 1 | 孤立型 |
| 2 | 血管粘连型 |
| 3 | 肺壁粘连型 |
| n | 更多类型 |
步骤3，建立各个类型肺结节的3DU-net分割模型。
图2是本发明实施例的3DU-net分割模型的处理过程示意图。
如图2所示，选取各个类型的肺结节区域的图片数据，将相同类型的肺结节区域的图片数据作为3DU-net分割模型的输入图像，并将各个类型的肺结节区域的图片数据转化为mask图片来作为3DU-net分割模型的标签，在3DU-net分割模型当中先经过前半段的特征提取部分得到特征图谱，再使用反卷积的方法进行上采样，最后输出与输入图像同样大小的分割图像，将该分割图像与mask图像进行对比来得到分割准确率，并保存最高分割准确率下的3DU-net分割模型进行使用，不同类型的肺结节分别对应有各自的3DU-net分割模型。
由于医生手动分割结果是以三维坐标的形式存储的，所以需要将肺结节区域的图片数据转化为mask图片的形式作为3DU-net分割模型的标签使用。
图3是本发明实施例的基于深度学习的肺结节分割方法进行肺结节分割的流程图。
步骤4，如图3所示，将待分割的肺结节区域图像输入CNN分类模型进行类别判断后，根据判断得到的肺结节类型，将待分割的肺结节区域图像输入该肺结节类型对应的3DU-net分割模型中，完成对肺结节区域的分割。
图3中，特征提取部分从图片输入至Step4，每经过一个池化层就得到就得到一个特征图，上采样过程从Step5至输出分割图像，在上采样的过程中，每上采样一次，就将特征提取部分中对应相同大小的特征图复制并进行拼接，拼接得到的特征图作为每次上采样的新的特征图。
本实施例中，还选取了一定数量的肺结节区域图片，并使用本发明的基于深度学习的肺结节自动分割方法与其他分割算法来对肺结节区域图片进行分割，并对分割结果对比评估，对比过程如下：
首先与文献[1]《血管粘连型肺结节图像的序列分割方法》中提出的分割算法进行对比，文献1中分割结果的计算指标为概率边缘指数(PRI)，它是检验实际分割结果和参考结果之间属性共生的一致性的参量。假设(xi,yi)是作为原始图像S输入的肺结节区域图片中的一个像素对，该像素对在医生手动分割图像Sa中标记为(ai,aj)，该像素对在通过分割方法得到的分割图像中Sb中标记为(bi,bj)，通过公式(1)计算(ai,aj)与(bi,bj)的属性共生一致性，PRI值越大，表明分割结果越好。
公式(1)中，M为原始图像S中的像素个数，I为判别函数，主要作用是判断像素对是否具有相同标记。
再与文献[2]《基于稀疏表示和随机游走的磨玻璃型肺结节分割》和文献[3]《ASegmentation Framework ofPulmonary Nodules in LungCT Images》中提到的分割算法结果进行对比，文献2和文献3中分割结果的计算指标均为OVERLAP，该计算指标测量了算法的分割结果和金标准之间的重叠面积比，分割结果越准确，OVERLAP值越接近1，计算过程如公式(2)所示。
公式(2)中,SA和SGT别是算法分割结果和金标准，|SA∩SGT|是既包含SA又包含SGT的像素个数，|SA∪SGT|表示包含SA或SGT或包含两者的像素个数。
表2分割结果评价对比表
表2是文献1、文献2、文献3中分割方法的分割结果与本发明的分割方法分割结果的对比表。
如表2所示，与其他分割方法相对比，本发明的基于深度学习的肺结节分割方法对不同类型肺结节分割的准确性均有所提高。
实施例的作用与效果
根据本实施例所涉及的基于深度学习的肺结节自动分割方法，因为具有CNN分类模型来对图片中的肺结节类型进行判断，并根据判断得到的肺结节类型，使用该肺结节类型对应的3DU-net分割模型对肺结节进行系统的分割，所以，能够快速准确的完成对于多类型肺结节的系统分割，并且有效的提高了肺结节分割的精度和鲁棒性，能够稳定地输出分割结果。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。
Claims (3)
1.一种基于深度学习的肺结节自动分割方法，用于判断肺结节的类型并进行系统的分割，其特征在于，包括以下步骤：
步骤1，从LIDC中获取多个CT影像数据，该多个CT影像数据的XML文件中均具有多个放射科医生的手动标注信息，该手动标注信息中包括医生对所述CT影像数据中的肺结节的类型判断结果和所述肺结节区域的手动分割结果，随后根据所述手动标注信息将所述CT影像数据中的所述肺结节区域截取为50×50像素大小的图片作为肺结节区域图像数据，并该肺结节区域图像数据作为训练图片数据；
步骤2，建立肺结节CNN分类模型，将所述训练图片数据输入所述CNN分类模型，将所述类型判断结果做为所述CNN分类模型的种族标签，每张50×50像素大小的所述图片输入到所述CNN分类模型之后输出预测标签，将所述预测标签与所述种族标签进行对比来得到分类准确率，并保存最高的所述分类准确率下的所述CNN分类模型进行使用；
步骤3，建立各个类型肺结节的3DU-net分割模型，选取各个类型的肺结节区域的图片数据，将相同类型的肺结节区域的图片数据作为所述3DU-net分割模型的输入图像，并将所述各个类型的肺结节区域的图片数据转化为mask图片来作为所述3DU-net分割模型的标签，在所述3DU-net分割模型当中先经过前半段的特征提取部分得到特征图谱，再使用反卷积的方法进行上采样，最后输出与所述输入图像同样大小的分割图像，将该分割图像与所述mask图像进行对比来得到分割准确率，并保存最高所述分割准确率下的所述3DU-net分割模型进行使用，不同类型的肺结节分别对应有各自的所述3DU-net分割模型；
步骤4，将待分割的肺结节区域图像输入所述CNN分类模型进行类别判断后，根据判断得到的肺结节类型，将待分割的肺结节区域图像输入该肺结节类型对应的所述3DU-net分割模型中，完成对肺结节区域的分割，
其中，所述特征提取部分每经过一个池化层就得到一个特征图，在上采样的过程中，每上采样一次，就将所述特征提取部分中对应相同大小的所述特征图复制并进行拼接，拼接得到的特征图作为每次上采样的新的特征图。
2.根据权利要求1所述的基于深度学习的肺结节自动分割方法，其特征在于：
其中，所述种族标签设置为数字1-n，每个数字对应不同的肺结节类型。
3.根据权利要求1所述的基于深度学习的肺结节自动分割方法，其特征在于：
其中，所述步骤2中，每张50×50像素大小的所述图片输入到所述CNN分类模型后的处理过程如下：
步骤2-1，每张50×50像素大小的所述图片经过三个卷积层得到25×25×64像素大小的特征图谱；
步骤2-2，所述特征图谱经过最大池化层进行池化，得到全连接层，再进行随机失活，而后经过softmax分类器输出得到所述预测标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910352565.9A CN110059697B (zh) | 2019-04-29 | 2019-04-29 | 一种基于深度学习的肺结节自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910352565.9A CN110059697B (zh) | 2019-04-29 | 2019-04-29 | 一种基于深度学习的肺结节自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110059697A true CN110059697A (zh) | 2019-07-26 |
| CN110059697B CN110059697B (zh) | 2023-04-28 |
Family
ID=67321486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910352565.9A Active CN110059697B (zh) | 2019-04-29 | 2019-04-29 | 一种基于深度学习的肺结节自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059697B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634132A (zh) * | 2019-08-30 | 2019-12-31 | 浙江大学 | 基于深度学习的3d ct影像自动生成肺结核量化诊断报告的方法 |
| CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 |
| CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和系统 |
| CN111369537A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种肺磨玻璃结节的自动分割系统及方法 |
| CN111369530A (zh) * | 2020-03-04 | 2020-07-03 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
| CN111428066A (zh) * | 2020-04-24 | 2020-07-17 | 南京图格医疗科技有限公司 | 一种基于卷积神经网络的病变图像的分类和分割方法 |
| 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 |
| CN111862190A (zh) * | 2020-07-10 | 2020-10-30 | 北京农业生物技术研究中心 | 自动测量离体植物软腐病斑面积的方法及装置 |
| CN112508057A (zh) * | 2020-11-13 | 2021-03-16 | 上海健康医学院 | 一种肺结节分类方法、介质及电子设备 |
| CN112560927A (zh) * | 2020-12-08 | 2021-03-26 | 上海市胸科医院 | 一种肺腺癌浸润性影像组学分类模型的构建方法 |
| CN112581436A (zh) * | 2020-12-11 | 2021-03-30 | 佛山市普世医学科技有限责任公司 | 基于深度学习的肺结节识别与分割方法及系统 |
| CN116385427A (zh) * | 2023-05-05 | 2023-07-04 | 首都医科大学附属北京友谊医院 | 图像处理方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
| 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 |
| CN107481215A (zh) * | 2016-06-07 | 2017-12-15 | 宁夏医科大学 | 基于空间分布的ct肺结节分割方法 |
| CN108010013A (zh) * | 2017-11-03 | 2018-05-08 | 天津大学 | 一种肺ct图像肺结节检测方法 |
| CN108038844A (zh) * | 2017-11-30 | 2018-05-15 | 东北大学 | 一种基于轻巧型cnn的肺结节良恶性预测方法 |
| CN108537784A (zh) * | 2018-03-30 | 2018-09-14 | 四川元匠科技有限公司 | 一种基于深度学习的ct图肺结节检测方法 |
| CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
| CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗系统(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及系统 |
-
2019
- 2019-04-29 CN CN201910352565.9A patent/CN110059697B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107481215A (zh) * | 2016-06-07 | 2017-12-15 | 宁夏医科大学 | 基于空间分布的ct肺结节分割方法 |
| CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
| 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 |
| CN108010013A (zh) * | 2017-11-03 | 2018-05-08 | 天津大学 | 一种肺ct图像肺结节检测方法 |
| CN108038844A (zh) * | 2017-11-30 | 2018-05-15 | 东北大学 | 一种基于轻巧型cnn的肺结节良恶性预测方法 |
| CN108537784A (zh) * | 2018-03-30 | 2018-09-14 | 四川元匠科技有限公司 | 一种基于深度学习的ct图肺结节检测方法 |
| CN108765369A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| CN109523521A (zh) * | 2018-10-26 | 2019-03-26 | 复旦大学 | 基于多切片ct图像的肺结节分类和病灶定位方法和系统 |
| CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗系统(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 吴保荣: "融合多维度卷积神经网络的肺结节分类方法", 《计算机工程与应用》 * |
| 徐峰 等: "基于U-Net的结节分割方法", 《软件导刊》 * |
| 段辉宏 等: "肺部CT图像气管树分割技术研究进展", 《中国生物医学工程学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634132A (zh) * | 2019-08-30 | 2019-12-31 | 浙江大学 | 基于深度学习的3d ct影像自动生成肺结核量化诊断报告的方法 |
| CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、系统、终端及存储介质 |
| CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和系统 |
| CN111369530B (zh) * | 2020-03-04 | 2021-04-02 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
| CN111369530A (zh) * | 2020-03-04 | 2020-07-03 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
| CN111369537A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种肺磨玻璃结节的自动分割系统及方法 |
| CN111428066A (zh) * | 2020-04-24 | 2020-07-17 | 南京图格医疗科技有限公司 | 一种基于卷积神经网络的病变图像的分类和分割方法 |
| 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 |
| CN111862190A (zh) * | 2020-07-10 | 2020-10-30 | 北京农业生物技术研究中心 | 自动测量离体植物软腐病斑面积的方法及装置 |
| CN111862190B (zh) * | 2020-07-10 | 2024-04-05 | 北京农业生物技术研究中心 | 自动测量离体植物软腐病斑面积的方法及装置 |
| CN112508057A (zh) * | 2020-11-13 | 2021-03-16 | 上海健康医学院 | 一种肺结节分类方法、介质及电子设备 |
| WO2022100496A1 (zh) * | 2020-11-13 | 2022-05-19 | 上海健康医学院 | 一种肺结节分类方法、介质及电子设备 |
| CN112560927A (zh) * | 2020-12-08 | 2021-03-26 | 上海市胸科医院 | 一种肺腺癌浸润性影像组学分类模型的构建方法 |
| CN112581436A (zh) * | 2020-12-11 | 2021-03-30 | 佛山市普世医学科技有限责任公司 | 基于深度学习的肺结节识别与分割方法及系统 |
| CN116385427A (zh) * | 2023-05-05 | 2023-07-04 | 首都医科大学附属北京友谊医院 | 图像处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110059697B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059697A (zh) | 一种基于深度学习的肺结节自动分割方法 | |
| CN108428229B (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
| US10445557B2 (en) | Learning pixel visual context from object characteristics to generate rich semantic images | |
| CN101657840B (zh) | 用于以显微术进行细胞分析的系统和方法 | |
| CN108648182B (zh) | 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法 | |
| CN103020585B (zh) | 一种免疫组织阳性细胞和阴性细胞识别方法 | |
| US8655069B2 (en) | Updating image segmentation following user input | |
| CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
| WO2021082168A1 (zh) | 一种场景图像中特定目标对象的匹配方法 | |
| CN102651128A (zh) | 一种基于采样的图像集分割方法 | |
| Korfhage et al. | Detection and segmentation of morphologically complex eukaryotic cells in fluorescence microscopy images via feature pyramid fusion | |
| Nguyen et al. | Spatial statistics for segmenting histological structures in H&E stained tissue images | |
| CN102982544A (zh) | 多前景目标图像交互式分割方法 | |
| CN111723817B (zh) | 一种肺结节辅助检测方法 | |
| Shi et al. | Automated quantitative image analysis of hematoxylin-eosin staining slides in lymphoma based on hierarchical Kmeans clustering | |
| CN113838009A (zh) | 一种基于半监督机制的异常细胞检测假阳性抑制方法 | |
| CN113673541A (zh) | 一种用于目标检测的图像样本生成方法及应用 | |
| CN112233085A (zh) | 一种基于像素预测增强的宫颈细胞图像分割方法 | |
| CN113450363B (zh) | 一种基于标签校正的元学习细胞核分割系统及方法 | |
| CN109816667A (zh) | 一种基于ct影像的肺结节分割方法 | |
| CN110288577A (zh) | 一种3d实现多器官病灶整合的控制方法及控制装置 | |
| CN112508860B (zh) | 一种免疫组化图像核阳性的人工智能判读方法及系统 | |
| CN113658129A (zh) | 一种结合视觉显著性和线段强度的阵地提取方法 | |
| Jiang et al. | Feature extraction and grain segmentation of sandstone images based on convolutional neural networks | |
| CN106709921A (zh) | 一种基于空间Dirichlet混合模型的彩色图像分割方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231218 Address after: 200120 floor 2, building 4, No. 2868, Kangshen Road, Pudong New Area, Shanghai Patentee after: Shanghai Kangda Kalejang Intelligent Technology Co.,Ltd. Address before: 200093 No. 516, military road, Shanghai, Yangpu District Patentee before: University of Shanghai for Science and Technology |