CN110400295A - 一种肺结节相对位置确定的方法及装置 - Google Patents
一种肺结节相对位置确定的方法及装置 Download PDFInfo
- Publication number
- CN110400295A CN110400295A CN201910654974.4A CN201910654974A CN110400295A CN 110400295 A CN110400295 A CN 110400295A CN 201910654974 A CN201910654974 A CN 201910654974A CN 110400295 A CN110400295 A CN 110400295A
- Authority
- CN
- China
- Prior art keywords
- lung
- lung neoplasm
- image
- neoplasm
- relative position
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肺结节相对位置确定的方法及装置,该方法包括获取肺部3D影像、肺结节的三维坐标和肺分割影像,根据肺结节的三维坐标从肺部3D影像上确定出肺结节的ROI,根据肺结节的ROI、肺结节的三维坐标、肺分割影像和预设的3D卷积神经网络分类模型,确定肺结节的相对位置。采用预设的3D卷积神经网络分类模型对肺结节的ROI、肺结节的三维坐标、肺分割影像进行分析得到肺结节的相对位置,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,从而提高确定肺结节相对位置的准确性。
Description
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相对位置确定的方法及装置。
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。
以肺结节的相对位置为例,医生通常需要人为地观测肺结节是否位于胸膜上,以分析该肺结节是否为良性,这一过程难免会出现误诊的情况。
基于此,目前亟需一种确定肺结节的相对位置的方法,用于提高识别肺结节的相对位置的准确率。
发明内容
本发明实施例提供一种肺结节相对位置确定的方法及装置,用以提高肺结节相对位置确定的准确率。
本发明实施例提供的一种肺结节相对位置确定的方法,包括:
获取肺部3D影像、所述肺部3D影像上肺结节的三维坐标和肺分割影像;
根据所述肺结节的三维坐标从所述肺部3D影像上确定出包含所述肺结节的感兴趣区域(Region of Interest,ROI);
根据所述包含所述肺结节的ROI、所述肺结节的三维坐标、所述肺分割影像和预设的3D卷积神经网络分类模型,确定所述肺结节的相对位置;所述预设的3D卷积神经网络分类模型是通过对已标记的肺部3D影像、已标记的肺结节的三维坐标和已标记的肺分割影像进行训练学习得到的。
上述技术方案中,采用预设的3D卷积神经网络分类模型对肺结节的ROI、肺结节的三维坐标、肺分割影像进行分析得到肺结节的相对位置,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,从而提高确定肺结节相对位置的准确性。
可选的,所述根据所述肺结节的三维坐标从所述肺部3D影像上确定出包含所述肺结节的ROI,包括:
以所述肺结节的三维坐标为中心,从所述肺部3D影像上截取预设尺寸的立体块确定为包含所述肺结节的ROI。
可选的,所述预设的3D卷积神经网络分类模型包括特征提取模块和全连接分类模块;
所述根据所述包含所述肺结节的ROI、所述肺结节的三维坐标、所述肺分割影像和预设的3D卷积神经网络分类模型,确定所述肺结节的相对位置,包括:
将所述包含所述肺结节的ROI、所述肺结节的三维坐标和所述肺分割影像输入至所述特征提取模块,得到所述肺部3D影像的特征向量;
将所述肺部3D影像的特征向量输入至所述全连接分类模块中,得到各相对位置的置信度;
将置信度大于预设阈值的相对位置确定为所述肺结节的相对位置。
可选的,所述肺结节的相对位置为所述肺结节是否位于胸膜上。
可选的,所述特征提取模块包括N个连续的卷积模块,每个卷积模块包括一个M×M×M的3D卷积层、一个批量归一化层、一个激活函数层和一个Y×Y×Y的池化层;
所述全连接分类模块包括两个连续的全连接层。
第二方面,本发明实施例提供一种肺结节相对位置确定的装置,包括:
获取单元,用于获取肺部3D影像、所述肺部3D影像上肺结节的三维坐标和肺分割影像;
处理单元,用于根据所述肺结节的三维坐标从所述肺部3D影像上确定出包含所述肺结节的ROI;根据所述包含所述肺结节的ROI、所述肺结节的三维坐标、所述肺分割影像和预设的3D卷积神经网络分类模型,确定所述肺结节的相对位置;所述预设的3D卷积神经网络分类模型是通过对已标记的肺部3D影像、已标记的肺结节的三维坐标和已标记的肺分割影像进行训练学习得到的。
可选的,所述处理单元具体用于:
以所述肺结节的三维坐标为中心,从所述肺部3D影像上截取预设尺寸的立体块确定为包含所述肺结节的ROI。
可选的,所述预设的3D卷积神经网络分类模型包括特征提取模块和全连接分类模块;
所述处理单元具体用于:
将所述包含所述肺结节的ROI、所述肺结节的三维坐标和所述肺分割影像输入至所述特征提取模块,得到所述肺部3D影像的特征向量;
将所述肺部3D影像的特征向量输入至所述全连接分类模块中,得到各相对位置的置信度;
将置信度大于预设阈值的相对位置确定为所述肺结节的相对位置。
可选的,所述肺结节的相对位置为所述肺结节是否位于胸膜上。
可选的,所述特征提取模块包括N个连续的卷积模块,每个卷积模块包括一个M×M×M的3D卷积层、一个批量归一化层、一个激活函数层和一个Y×Y×Y的池化层;
所述全连接分类模块包括两个连续的全连接层。
第三方面,本发明实施例还提供一种计算设备,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相对位置确定的方法。
第四方面,本发明实施例还提供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相对位置确定的方法。
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相对位置确定的方法的流程示意图;
图3为本发明实施例提供的一种肺部3D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特征提取模块的示意图;
图6为本发明实施例提供的一种全连接分类模块的示意图;
图7为本发明实施例提供的一种肺结节相对位置确定的装置的结构示意图。
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一种系统架构。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。
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相对位置确定的方法的流程,该流程可以由肺结节相对位置确定的装置执行,该装置可以位于如图1所示服务器100内,也可以是该服务器100。
如图2所示,该流程具体包括:
步骤201,获取肺部3D影像、所述肺部3D影像上肺结节的三维坐标和肺分割影像。
肺部3D影像为三维图像。肺结节的三维坐标可以为肺部3D影像上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。肺部3D影像可以是计算机断层摄影(Computed Tomography,简称CT)影像、磁共振成像(MagneticResonance 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。
该肺分割影像是肺部CT的二值化的影像。
步骤202,根据所述肺结节的三维坐标从所述肺部3D影像上确定出包含所述肺结节的ROI。
具体的,以所述肺结节的三维坐标为中心,从肺部3D影像上截取预设尺寸的立体块确定为包含所述肺结节的ROI。该立体块为肺结节的像素立体块。该预设尺寸可以依据经验设置,例如,可以为肺结节的半径的预设倍数。
如肺结节半径的2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的三维坐标之间的距离。举例来说,这里可以是以肺结节的三维坐标为中心,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3D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,根据所述包含所述肺结节的ROI、所述肺结节的三维坐标、所述肺分割影像和预设的3D卷积神经网络分类模型,确定所述肺结节的相对位置。
在本发明实施例中,该预设的3D卷积神经网络分类模型包括特征提取模块和全连接分类模块,可以将包含肺结节的ROI、肺结节的三维坐标和肺分割影像输入至特征提取模块,得到肺部3D影像的特征向量,然后将肺部3D影像的特征向量输入至全连接分类模块中,得到各相对位置的置信度,最后将置信度大于预设阈值的相对位置确定为肺结节的相对位置。
该预设的3D卷积神经网络分类模型可以是通过对已标记的肺部3D影像、已标记的肺结节的三维坐标和已标记的肺分割影像进行训练学习得到的。其中,特征提取模块包括N个连续的卷积模块,每个卷积模块包括一个M×M×M的3D卷积层、一个批量归一化(BatchNormalization,BN)层、一个激活函数层和一个Y×Y×Y的池化(max pooling)层。全连接分类模块可以包括两个连续的全连接层。其中,N小于或等于第一阈值,M小于或等于第二阈值,Y小于或等于第三阈值,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、第二阈值和第三阈值的具体数值,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的3D卷积神经网络分类模型中的特征提取模块,图5示例性示出了本发明实施例提供的一种特征提取模块的结构。该特征提取模块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maxpooling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,本发明实施例中的特征提取模块可以为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特征向量,具体不做限定。
通过将肺结节的ROI、肺结节的三维坐标和肺分割影像输入至特征提取模块,得到肺部3D影像的特征向量。
图6示例性示出了本发明实施例提供的一种全连接分类模块的结构,如图6所示,该全连接分类模块包括第一全连接层601、第二全连接层602和sigmoid层603。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进行分类后肺结节的各个相对位置的置信度,从而得到肺结节的相对位置。该肺结节的相对位置可以为肺结节是否位于胸膜上,也就是说,输出的结果为肺结节在胸膜上或肺结节不在胸膜上两种分类,也相当于是两种结果。
如此,本发明实施例通过获取肺部3D影像、肺结节的三维坐标和肺分割影像,根据肺结节的三维坐标从肺部3D影像上确定出肺结节的ROI,根据肺结节的ROI、肺结节的三维坐标、肺分割影像和预设的3D卷积神经网络分类模型,确定肺结节的相对位置。采用预设的3D卷积神经网络分类模型对肺结节的ROI、肺结节的三维坐标、肺分割影像进行分析得到肺结节的相对位置,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,从而提高确定肺结节相对位置的准确性。
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相对位置确定的装置的结构,该装置可以执行肺结节相对位置确定的流程,该装置可以位于图1所示的服务器100内,也可以是该服务器100。
如图7所示,该装置具体包括:
获取单元701,用于获取肺部3D影像、所述肺部3D影像上肺结节的三维坐标和肺分割影像;
处理单元702,用于根据所述肺结节的三维坐标从所述肺部3D影像上确定出包含所述肺结节的ROI;根据所述包含所述肺结节的ROI、所述肺结节的三维坐标、所述肺分割影像和预设的3D卷积神经网络分类模型,确定所述肺结节的相对位置;所述预设的3D卷积神经网络分类模型是通过对已标记的肺部3D影像、已标记的肺结节的三维坐标和已标记的肺分割影像进行训练学习得到的。
可选的,所述处理单元702具体用于:
以所述肺结节的三维坐标为中心,从所述肺部3D影像上截取预设尺寸的立体块确定为包含所述肺结节的ROI。
可选的,所述预设的3D卷积神经网络分类模型包括特征提取模块和全连接分类模块;
所述处理单元702具体用于:
将所述包含所述肺结节的ROI、所述肺结节的三维坐标和所述肺分割影像输入至所述特征提取模块,得到所述肺部3D影像的特征向量;
将所述肺部3D影像的特征向量输入至所述全连接分类模块中,得到各相对位置的置信度;
将置信度大于预设阈值的相对位置确定为所述肺结节的相对位置。
可选的,所述肺结节的相对位置为所述肺结节是否位于胸膜上。
可选的,所述特征提取模块包括N个连续的卷积模块,每个卷积模块包括一个M×M×M的3D卷积层、一个批量归一化层、一个激活函数层和一个Y×Y×Y的池化层;
所述全连接分类模块包括两个连续的全连接层。
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相对位置确定的方法。
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相对位置确定的方法。
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)
1.一种肺结节相对位置确定的方法,其特征在于,包括:
获取肺部3D影像、所述肺部3D影像上肺结节的三维坐标和肺分割影像;
根据所述肺结节的三维坐标从所述肺部3D影像上确定出包含所述肺结节的ROI;
根据所述包含所述肺结节的ROI、所述肺结节的三维坐标、所述肺分割影像和预设的3D卷积神经网络分类模型,确定所述肺结节的相对位置;所述预设的3D卷积神经网络分类模型是通过对已标记的肺部3D影像、已标记的肺结节的三维坐标和已标记的肺分割影像进行训练学习得到的。
2.如权利要求1所述的方法,其特征在于,所述根据所述肺结节的三维坐标从所述肺部3D影像上确定出包含所述肺结节的ROI,包括:
以所述肺结节的三维坐标为中心,从所述肺部3D影像上截取预设尺寸的立体块确定为包含所述肺结节的ROI。
3.如权利要求1所述的方法,其特征在于,所述预设的3D卷积神经网络分类模型包括特征提取模块和全连接分类模块;
所述根据所述包含所述肺结节的ROI、所述肺结节的三维坐标、所述肺分割影像和预设的3D卷积神经网络分类模型,确定所述肺结节的相对位置,包括:
将所述包含所述肺结节的ROI、所述肺结节的三维坐标和所述肺分割影像输入至所述特征提取模块,得到所述肺部3D影像的特征向量;
将所述肺部3D影像的特征向量输入至所述全连接分类模块中,得到各相对位置的置信度;
将置信度大于预设阈值的相对位置确定为所述肺结节的相对位置。
4.如权利要求3所述的方法,其特征在于,所述肺结节的相对位置为所述肺结节是否位于胸膜上。
5.如权利要求3所述的方法,其特征在于,所述特征提取模块包括N个连续的卷积模块,每个卷积模块包括一个M×M×M的3D卷积层、一个批量归一化层、一个激活函数层和一个Y×Y×Y的池化层;
所述全连接分类模块包括两个连续的全连接层。
6.一种肺结节相对位置确定的装置,其特征在于,包括:
获取单元,用于获取肺部3D影像、所述肺部3D影像上肺结节的三维坐标和肺分割影像;
处理单元,用于根据所述肺结节的三维坐标从所述肺部3D影像上确定出包含所述肺结节的ROI;根据所述包含所述肺结节的ROI、所述肺结节的三维坐标、所述肺分割影像和预设的3D卷积神经网络分类模型,确定所述肺结节的相对位置;所述预设的3D卷积神经网络分类模型是通过对已标记的肺部3D影像、已标记的肺结节的三维坐标和已标记的肺分割影像进行训练学习得到的。
7.如权利要求6所述的装置,其特征在于,所述处理单元具体用于:
以所述肺结节的三维坐标为中心,从所述肺部3D影像上截取预设尺寸的立体块确定为包含所述肺结节的ROI。
8.如权利要求6所述的装置,其特征在于,所述预设的3D卷积神经网络分类模型包括特征提取模块和全连接分类模块;
所述处理单元具体用于:
将所述包含所述肺结节的ROI、所述肺结节的三维坐标和所述肺分割影像输入至所述特征提取模块,得到所述肺部3D影像的特征向量;
将所述肺部3D影像的特征向量输入至所述全连接分类模块中,得到各相对位置的置信度;
将置信度大于预设阈值的相对位置确定为所述肺结节的相对位置。
9.如权利要求8所述的装置,其特征在于,所述肺结节的相对位置为所述肺结节是否位于胸膜上。
10.如权利要求8所述的装置,其特征在于,所述特征提取模块包括N个连续的卷积模块,每个卷积模块包括一个M×M×M的3D卷积层、一个批量归一化层、一个激活函数层和一个Y×Y×Y的池化层;
所述全连接分类模块包括两个连续的全连接层。
11.一种计算设备,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权利要求1至5任一项所述的方法。
12.一种计算机可读非易失性存储介质,其特征在于,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,使得计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910654974.4A CN110400295A (zh) | 2019-07-19 | 2019-07-19 | 一种肺结节相对位置确定的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910654974.4A CN110400295A (zh) | 2019-07-19 | 2019-07-19 | 一种肺结节相对位置确定的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110400295A true CN110400295A (zh) | 2019-11-01 |
Family
ID=68324672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910654974.4A Pending CN110400295A (zh) | 2019-07-19 | 2019-07-19 | 一种肺结节相对位置确定的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400295A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
CN109523546A (zh) * | 2018-12-21 | 2019-03-26 | 杭州依图医疗技术有限公司 | 一种肺结节分析的方法及装置 |
US20190130228A1 (en) * | 2017-10-26 | 2019-05-02 | Hitachi, Ltd. | Nodule detection with false positive reduction |
-
2019
- 2019-07-19 CN CN201910654974.4A patent/CN110400295A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190130228A1 (en) * | 2017-10-26 | 2019-05-02 | Hitachi, Ltd. | Nodule detection with false positive reduction |
CN108648172A (zh) * | 2018-03-30 | 2018-10-12 | 四川元匠科技有限公司 | 一种基于3D-Unet的CT图肺结节检测系统 |
CN109523546A (zh) * | 2018-12-21 | 2019-03-26 | 杭州依图医疗技术有限公司 | 一种肺结节分析的方法及装置 |
Non-Patent Citations (1)
Title |
---|
LI Y: ""Lung Nodule Detection With Deep Learning in 3D Thoracic MR Images"", 《IEEE ACCESS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446951B (zh) | 三维图像的语义分割方法、装置、设备及存储介质 | |
EP3333768A1 (en) | Method and apparatus for detecting target | |
CN104424634B (zh) | 对象跟踪方法和装置 | |
CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN108648178A (zh) | 一种影像结节检测的方法及装置 | |
CN109523546A (zh) | 一种肺结节分析的方法及装置 | |
CN108986075A (zh) | 一种优选图像的判断方法及装置 | |
CN107688783B (zh) | 3d图像检测方法、装置、电子设备及计算机可读介质 | |
CN112927279A (zh) | 一种图像深度信息生成方法、设备及存储介质 | |
CN108648179A (zh) | 一种分析肺结节的方法及装置 | |
CN110674837A (zh) | 视频相似度获取方法、装置、计算机设备及存储介质 | |
CN110136153A (zh) | 一种图像处理方法、设备及存储介质 | |
CN111738265A (zh) | Rgb-d图像的语义分割方法、系统、介质及电子设备 | |
CN114022718A (zh) | 消化系统病理图像识别方法、系统及计算机存储介质 | |
CN108830319A (zh) | 一种图像分类方法和装置 | |
CN110782446A (zh) | 一种确定肺结节体积的方法及装置 | |
CN113554657A (zh) | 基于注意力机制及卷积神经网络的超像素分割方法及系统 | |
CN116012515A (zh) | 一种神经辐射场网络训练方法以及相关设备 | |
CN115048969A (zh) | 用于评估、理解和改进深度神经网络的视觉分析系统 | |
CN109711315A (zh) | 一种肺结节分析的方法及装置 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN113096080B (zh) | 图像分析方法及系统 | |
CN113221731B (zh) | 一种多尺度遥感图像目标检测方法及系统 | |
CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |
|
RJ01 | Rejection of invention patent application after publication |