CN110223286A - 一种肺部ct图像粘连血管型结节检测方法 - Google Patents

一种肺部ct图像粘连血管型结节检测方法 Download PDF

Info

Publication number
CN110223286A
CN110223286A CN201910509977.9A CN201910509977A CN110223286A CN 110223286 A CN110223286 A CN 110223286A CN 201910509977 A CN201910509977 A CN 201910509977A CN 110223286 A CN110223286 A CN 110223286A
Authority
CN
China
Prior art keywords
lung
lung neoplasm
trained
image
network model
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
CN201910509977.9A
Other languages
English (en)
Inventor
华树成
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.)
First Hospital Jinlin University
Original Assignee
First Hospital Jinlin University
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 First Hospital Jinlin University filed Critical First Hospital Jinlin University
Priority to CN201910509977.9A priority Critical patent/CN110223286A/zh
Publication of CN110223286A publication Critical patent/CN110223286A/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
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种肺部CT图像粘连血管型结节检测方法，包括如下步骤：第一步：获取用户的3D肺部CT序列影像；第二步：对3D影像进行标准化，得到多个大小相同的3D正方体样本块；第三步：将标准化3D影像数据进行增强处理，然后输入至预设的深度学习网络模型进行训练，从而得到训练好的肺结节检测模型；第四步：将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型，从而得到初步的肺结节检测结果；第五步：对于初步的肺结节检测结果，根据测试样本集的结果绘制ROC曲线，由ROC曲线特性和AUC值确定最佳阈值，用于训练好的新神经网络模型对于肺结节良恶性的分类。能够在保证总体精度的情况下，进一步减少假阳性，大大减轻医生的阅片压力，让医生更专注于其它更富创造性的任务中，有着巨大的经济及社会效益。

Description

一种肺部CT图像粘连血管型结节检测方法
技术领域
本发明涉及CT影像检测处理技术领域，具体是一种肺部CT图像粘连血管型结节检测方法。
背景技术
肺癌是全球癌症相关死亡的主要原因，利用CT扫描对高风险人群进行检查是一种有效的发现早期肺癌的手段，肺结节的早期发现是提高肺癌患者生存率的关键。肺结节的发现是目前早期肺癌防治中的第一步。随着大数据时代的到来，医院每天都将产生大量的CT影像数据，这给放射科医师带来了巨大的阅片压力。据统计,当医生每天的阅片量超过20组时，其错误率就会达到7％-15％。因此研发一种自动检测肺结节的方法对提高医生工作效率，降低医生工作强度具有重要意义。
发明内容
本发明所要解决的技术问题是提供一种肺部CT图像粘连血管型结节检测方法，以解决现有技术中存在的缺陷。
本发明解决上述技术问题的技术方案如下：
一种基于深度学习的CT肺结节检测方法，包括以下步骤：
第一步：获取用户的3D肺部CT序列影像；
第二步：对3D影像进行标准化，得到多个大小相同的3D正方体样本块；
第三步：将标准化3D影像数据进行增强处理，然后输入至预设的深度学习网络模型进行训练，从而得到训练好的肺结节检测模型；
第四步：将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型，从而得到初步的肺结节检测结果；
第五步：对于初步的肺结节检测结果，根据测试样本集的结果绘制ROC曲线，由ROC曲线特性和AUC值确定最佳阈值，用于训练好的新神经网络模型对于肺结节良恶性的分类。
进一步的，第三步中，所述预设的深度学习网络模型包括多尺度特征，并且所述多尺度特征被应用于训练的过程中；
进一步的，第三步中，对复制后的训练样本集进行增强处理包括随机选取旋转、翻折、放大、缩小和交换变化中的二至五种，并对复制后的训练样本集进行变换，从而得到更多更加随机的样本以供使用。
本发明的有益效果是：设计思路较简洁，深度神经网络的机构较简单，易于实现，训练模型的计算量相对较小，对用于训练的计算机设备要求较低。本发明的自动检测的精度高，不仅能够更快更好更经济的检测出疑似肺结节，而且专门融合了降低假阳性的识别技术，能够在保证总体精度的情况下，进一步减少假阳性，大大减轻医生的阅片压力，让医生更专注于其它更富创造性的任务中，有着巨大的经济及社会效益。
附图说明
图1为本发明结构示意图；
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种基于深度学习的CT肺结节检测方法，包括以下步骤：
第一步：获取用户的3D肺部CT序列影像；
第二步：对3D影像进行标准化，得到多个大小相同的3D正方体样本块；
第三步：将标准化3D影像数据进行增强处理，然后输入至预设的深度学习网络模型进行训练，从而得到训练好的肺结节检测模型；
第四步：将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型，从而得到初步的肺结节检测结果；
第五步：对于初步的肺结节检测结果，根据测试样本集的结果绘制ROC曲线，由ROC曲线特性和AUC值确定最佳阈值，用于训练好的新神经网络模型对于肺结节良恶性的分类。
更具体的，第三步中，所述预设的深度学习网络模型包括多尺度特征，并且所述多尺度特征被应用于训练的过程中；
更具体的，第三步中，对复制后的训练样本集进行增强处理包括随机选取旋转、翻折、放大、缩小和交换变化中的二至五种，并对复制后的训练样本集进行变换，从而得到更多更加随机的样本以供使用。
具体工作原理：
本发明按下述步骤完成，a、预处理：采集若干患者的CT文件，构成数据集；将每位患者对应的CT文件制成包含有100～600张切片的CT文件；每张所述的切片的像素间距为1*1*1mm、大小为512*512像素；b、肺部区域图像提取：将每位患者CT文件基于亨氏单位值来进行像素值的二值化处理，以分隔得到肺部区域的mask图，再根据mask图提取肺部区域图像；c、肺结节检测：训练U-Net卷积神经网络用于肺部区域图像肺结节检测，得到U-Net训练模型；d、降低假阳性率：训练深度残差网络用于剔除U-Net训练模型中非结节的假阳性点，得到检测模型；得到检测模型后，即能用检测模型对患者CT文件进行肺结节自动检测。本发明自动检测的精度高。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种肺部CT图像粘连血管型结节检测方法，其特征在于，包括以下步骤：
第一步：获取用户的3D肺部CT序列影像；
第二步：对3D影像进行标准化，得到多个大小相同的3D正方体样本块；
第三步：将标准化3D影像数据进行增强处理，然后输入至预设的深度学习网络模型进行训练，从而得到训练好的肺结节检测模型；
第四步：将测试的3D肺部CT序列影像输入至训练好的肺结节检测模型，从而得到初步的肺结节检测结果；
第五步：对于初步的肺结节检测结果，根据测试样本集的结果绘制ROC曲线，由ROC曲线特性和AUC值确定最佳阈值，用于训练好的新神经网络模型对于肺结节良恶性的分类；
其中，第三步中，所述预设的深度学习网络模型包括多尺度特征，并且所述多尺度特征被应用于训练的过程中；
或者，第三步中，对复制后的训练样本集进行增强处理包括随机选取旋转、翻折、放大、缩小和交换变化中的二至五种，并对复制后的训练样本集进行变换，从而得到更多更加随机的样本以供使用。
CN201910509977.9A 2019-06-13 2019-06-13 一种肺部ct图像粘连血管型结节检测方法 Pending CN110223286A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910509977.9A CN110223286A (zh) 2019-06-13 2019-06-13 一种肺部ct图像粘连血管型结节检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910509977.9A CN110223286A (zh) 2019-06-13 2019-06-13 一种肺部ct图像粘连血管型结节检测方法

Publications (1)

Publication Number Publication Date
CN110223286A true CN110223286A (zh) 2019-09-10

Family

ID=67816844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910509977.9A Pending CN110223286A (zh) 2019-06-13 2019-06-13 一种肺部ct图像粘连血管型结节检测方法

Country Status (1)

Country Link
CN (1) CN110223286A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570417A (zh) * 2019-09-12 2019-12-13 慧影医疗科技（北京）有限公司 肺结节分类方法、装置及图像处理设备
CN111340827A (zh) * 2020-05-18 2020-06-26 天津精诊医疗科技有限公司 一种肺部ct影像数据处理分析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050171409A1 (en) * 2004-01-30 2005-08-04 University Of Chicago Automated method and system for the detection of lung nodules in low-dose CT image for lung-cancer screening
CN108389190A (zh) * 2018-02-08 2018-08-10 贵州联科卫信科技有限公司 一种基于深度学习方法的肺结节自动检测方法
CN108389201A (zh) * 2018-03-16 2018-08-10 北京推想科技有限公司 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050171409A1 (en) * 2004-01-30 2005-08-04 University Of Chicago Automated method and system for the detection of lung nodules in low-dose CT image for lung-cancer screening
CN108389190A (zh) * 2018-02-08 2018-08-10 贵州联科卫信科技有限公司 一种基于深度学习方法的肺结节自动检测方法
CN108389201A (zh) * 2018-03-16 2018-08-10 北京推想科技有限公司 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570417A (zh) * 2019-09-12 2019-12-13 慧影医疗科技（北京）有限公司 肺结节分类方法、装置及图像处理设备
CN111340827A (zh) * 2020-05-18 2020-06-26 天津精诊医疗科技有限公司 一种肺部ct影像数据处理分析方法及系统

Similar Documents

Publication Publication Date Title
CN107016665B (zh) 一种基于深度卷积神经网络的ct肺结节检测方法
CN108389190B (zh) 一种基于深度学习方法的肺结节自动检测方法
CN109903284B (zh) 一种her2免疫组化图像自动判别方法及系统
CN108198179A (zh) 一种生成对抗网络改进的ct医学图像肺结节检测方法
CN108334909A (zh) 基于ResNet的宫颈癌TCT数字切片数据分析方法
CN112184657A (zh) 一种肺结节自动检测方法、装置及计算机系统
CN111369530B (zh) 一种基于深度学习的ct图像肺结节快速筛查方法
CN108956420B (zh) 一种混凝土孔隙特征提取方法及系统
CN108447050A (zh) 一种基于超像素的工件表面缺陷分割方法
CN107622277A (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN110223286A (zh) 一种肺部ct图像粘连血管型结节检测方法
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN107464234A (zh) 基于rgb通道叠加方法的肺结节图像深度学习识别系统及其方法
CN108765409A (zh) 一种基于ct图像的候选结节的筛选方法
CN116843999B (zh) 一种基于深度学习的动火作业中气瓶检测方法
CN102565074B (zh) 小张清分机疑似缺陷产品图像复检系统及方法
US20220230748A1 (en) Artificial intelligence cloud diagnosis platform
CN110796661A (zh) 基于卷积神经网络的真菌显微图像分割检测方法及系统
CN110782441A (zh) 一种基于深度学习的dr影像肺结核智能分割与检测方法
CN109741351A (zh) 一种基于深度学习的类别敏感型边缘检测方法
CN110060246A (zh) 一种图像处理方法、设备及存储介质
CN110807754A (zh) 基于深度语义分割的真菌显微图像分割检测方法及系统
CN108846342A (zh) 一种唇裂手术标志点识别系统
Hristov et al. A software system for classification of archaeological artefacts represented by 2D plans
CN105786957A (zh) 一种基于单元格邻接关系与深度优先遍历的表格排序方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190910