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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2019
- 2019-06-13 CN CN201910509977.9A patent/CN110223286A/zh active Pending
Patent Citations (3)
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)
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 |