CN110930414A - 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 - Google Patents
医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110930414A CN110930414A CN201910989085.3A CN201910989085A CN110930414A CN 110930414 A CN110930414 A CN 110930414A CN 201910989085 A CN201910989085 A CN 201910989085A CN 110930414 A CN110930414 A CN 110930414A
- Authority
- CN
- China
- Prior art keywords
- lung
- lung region
- model
- preset
- medical image
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 454
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000000638 solvent extraction Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 96
- 238000012360 testing method Methods 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000002059 diagnostic imaging Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000001830 phrenic effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 13
- 238000005192 partition Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 208000019693 Lung disease Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 206010035653 pneumoconiosis Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 208000008128 pulmonary tuberculosis Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (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
本发明适用于计算机技术领域，提出一种医学影像的肺部区域划分方法，包括：根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像；根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点；基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图进行分区，对分区后的肺部区域包含的阴影进行标记。其根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，能够准确确定阴影区域所在的肺部区域，提高阴影区域位置标记的准确性。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种医学影像的肺部区域阴影标记方法、装置、服务器及存储介质。
背景技术
目前，在需要基于肺部区域的分区进行相关研究的领域，主要是研究人员依据经验对DR设备拍摄的医学影像(X光影像)中肺部进行分区，并根据分区之后各个肺部分区内阴影的密集度，以及各个肺部分区内阴影的大小进行相关的研究。而X光影像中各阴影的分布不均匀，且有些阴影区域的位置很难准确定位，导致无法凭经验准确地对肺部区域的阴影进行标记。
发明内容
有鉴于此，本发明实施例提供了医学影像的肺部区域划分方法、装置、服务器及存储介质，以解决现有技术中无法准确进行肺部阴影标记的问题。
本发明实施例的第一方面提供了一种医学影像的肺部区域阴影标记方法，包括：
根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型，所述第一医学影像包括阴影分布不均匀的医学影像；
根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的肺部区域图像，训练完成的神经网络模型，所述第一肺部区域图像包括阴影区域；
基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记。
可选地，在所述根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域之前，包括：
获取第一预设数量的第一医学影像，将所述第一医学影像分为第一比例的训练样本和第二比例的测试样本，所述第一医学影像为预先划分了肺部区域的医学影像；
将所述第一比例的训练样本输入U-Net模型，进行训练；
将所述第二比例的测试样本输入所述U-Net模型，得到所述U-Net模型输出的划分了肺部区域的第二医学影像；
若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率大于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率小于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
可选地，在所述将所述第二比例的测试样本输入所述U-Net模型，得到所述U-Net模型输出的每个所述测试样本对应的划分了肺部区域的第二医学影像之后，包括：
获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型对每个所述测试样本进行分析，所述U-Net模型的损失函数的值；
若所述目标值的变化率小于预设的变化率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
若所述目标值的变化率大于或者等于预设的变化率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
可选地，所述训练完成的U-Net模型的损失函数为：
其中，w(x)定义如下：
其中，wc(x)是预设的和第x个像素点所属的肺部区域相关的映射函数，d1(x)是第x个像素点距离肺部区域最近的距离，d2(x)是第x个像素点距离肺部区域第二近的距离，w0和σ是模型的两个参数，pl(x)表示第x个像素点属于肺部区域的概率。
可选地，所述预先训练完成的神经网络模型包括特征层和检测层；
在所述根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域包含的预设关键特征点之前，包括：
将第二预设数量的训练样本输入所述特征层进行训练，获得所述特征层输出的第二肺部区域图像，所述训练样本为预先标注了肺部关键特征点的第一肺部区域图像，所述第二肺部区域图像为所述特征层标注了肺部关键特征点的图片；
所述检测层将所述第二肺部区域图像进行聚类分析，得到包含有所述预设关键特征点的第三肺部区域图像；
若所有所述第二肺部区域图像与所述第三肺部区域图像的相似度均小于预设的相似度阈值，则所述神经网络模型为训练完成的所述肺部关键特征点检测模型；
若有所述第二肺部区域图像与所述第三肺部区域图像的相似度大于或等于预设的相似度阈值，则增加所述训练样本的数量，重新执行所述将预设数量的训练样本输入所述特征层进行训练，获得所述特征层输出的第二肺部区域图像。
可选地，所述预设关键特征点包括第一肺尖、第一膈底、第二肺尖以及第二膈底；所述基于所述肺部区域包含的预设关键特征点将所述肺部区域进行分区，对分区后的肺部区域包含的阴影进行标记，包括：
基于所述第一肺尖和所述第二肺尖生成第一直线；
基于所述第一膈底和所述第二膈底生成第二直线；
确定所述第一直线和所述第二直线之间的垂直线段，获取所述垂直线段的三等分点；
分别基于每个等分点生成水平线，以所述第一直线、所述第二直线、所述垂直线段以及每条所述水平线为分割基准线，对分区后的肺部区域包含的阴影进行标记。
本发明实施例的第二方面提供了一种医学影像的肺部区域阴影标记装置，包括：
划分模块，用于根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型，所述第一医学影像包括阴影分布不均匀的医学影像；
检测模块，用于根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的肺部区域图像，训练完成的神经网络模型，所述第一肺部区域图像包括阴影区域；
标记模块，用于基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记。
可选地，所述预先训练完成的肺部区域划分模型为训练完成的U-Net模型，还包括：
获取模块，用于获取第一预设数量的第一医学影像，将所述第一医学影像分为预设比例的训练样本集和测试样本集，所述第一医学影像为预先划分了肺部区域的医学影像；
训练模块，用于将所述训练样本集中的所述第一医学影像输入U-Net模型，进行训练；
获得模块，用于将所述测试样本集中的所述第一医学影像输入所述U-Net模型，获得所述U-Net模型输出的第二医学影像，所述第二医学影像为所述U-Net模型划分了肺部区域的医学影像；
第一确定模块，用于在若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率大于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
第二确定模块，用于若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率小于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
可选地，在所述将所述第二比例的测试样本输入所述U-Net模型，得到所述U-Net模型输出的每个所述测试样本对应的划分了肺部区域的第二医学影像之后，包括：
获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型对每个所述测试样本进行分析，所述U-Net模型的损失函数的值；
若所述目标值的变化率小于预设的变化率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
若所述目标值的变化率大于或者等于预设的变化率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
可选地，所述训练完成的U-Net模型的损失函数为：
其中，w(x)定义如下：
其中，wc(x)是预设的和第x个像素点所属的肺部区域相关的映射函数，d1(x)是第x个像素点距离肺部区域最近的距离，d2(x)是第x个像素点距离肺部区域第二近的距离，w0和σ是模型的常数项，p1(x)表示第x个像素点属于肺部区域的概率。
本发明实施例的第三方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的医学影像的肺部区域阴影标记方法的步骤。
本发明实施例的第四方面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程序，所述计算机程序被处理器执行时实现如上所述医学影像的肺部区域阴影标记方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型；根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的肺部区域图像，训练完成的神经网络模型；基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图进行分区，对分区后的肺部区域包含的阴影进行标记。由于肺部区域划分模型为根据第一预设数量的第一医学影像训练完成的模型，所述第一医学影像包括阴影分布不均匀的医学影像；预先训练完成的肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的第一肺部区域图像训练完成的模型，所述第一肺部区域图像包括阴影区域；因此，根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，能够不受医学影像中各阴影分布不均匀的影响，准确对肺部区域进行分割，再根据预先训练完成的肺部关键特征点检测模型对分割之后的肺部区域进行预设关键特征点的检测，并基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记，能够准确确定阴影区域所在的肺部区域，提高阴影区域位置标记的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的医学影像的肺部区域阴影标记方法的实现流程图；
图2是本发明第二实施例提供的医学影像的肺部区域阴影标记方法的实现流程图；
图3是本发明第三实施例提供的医学影像的肺部区域阴影标记方法的实现流程图；
图4是图1中S103的具体实施流程图；
图5是本发明提供的医学影像的肺部区域阴影标记装置的功能模块示意图；
图6是本发明提供的服务器的内部功能示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。如图1所示，是本发明第一实施例提供的医学影像的肺部区域阴影标记方法的实现流程图，本实施例的执行主体为服务器。详述如下：
S101，根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型，所述第一医学影像包括阴影分布不均匀的医学影像。可以理解地，包含肺部的医学影像是尘肺病诊断过程中的重要依据，常见的包含肺部的医学影像为尘肺胸片，也称X光胸片。在尘肺病诊断过程中，医生需要根据经验判断包含肺部的医学影像中各肺区的纹理及特征。在本方案的实施例中，为了提高医生诊断的准确性，首先对包含肺部的医学影像进行肺部区域分割，具体地，根据预先训练完成的肺部区域划分模型进行分割。所述预先训练完成的肺部区域划分模型为U-Net模型。
S102，根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的第一肺部区域图像，训练完成的神经网络模型，所述第一肺部区域图像包括阴影区域。
优选地，在本实施例中，所述预先训练完成的肺部关键特征点检测模型为神经网络模型，所述神经网络模型包括特征层和检测层，所述检测层为混合高斯模型模型(Gaussian Mixture Model,GMM)，所述GMM模型用于对所述特征层的各层特征进行聚类分析，对所述特征层的各层特征由粗到精进行特征定位，最后得到所述特征层的各层特征的准确定位的模型。
优选地，在本实施例中，所述GMM模型包括CL1-CL4的卷积层，CL1-CL3分别包括卷积层conv和最大池化层MP，CL4包括卷积核为2×2的卷积层构成，FC5-FC6为全链接层。
S103，基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记。
进一步地，在本实施例中，所述预设关键特征点包括第一肺尖、第一膈低、第二肺尖以及第二膈低；可以理解的是，在其他一些实施例中，所述预设关键特征点还可以包括第一膈顶以及第二膈顶，具体在此不做限制。
具体地，如图2所示，是图1中S103的具体实施流程图，由图2可知，S103包括:
S1031，基于所述第一肺尖和所述第二肺尖生成第一直线；
通常，人体包含有左右两侧肺叶，在本实施例中，将医学影像图像中左右两侧肺叶包含的肺尖分别预设为第一肺尖和第二肺尖，将左右两侧肺叶包含的膈低分别预设为第一膈低和第二膈低，基于所述第一肺尖和所述第二肺尖生成第一直线。
S1032，基于所述第一膈底和所述第二膈底生成第二直线。
S1033，确定所述第一直线和所述第二直线之间的垂直线段，获取所述垂直线段的三等分点。
具体地，在本实施例中，在确定了所述第一直线和所述第二直线之间的垂直线段后，将所述垂直线段进行等分，使得肺部分区更精准。
可以理解的是，将肺部分为多少个肺区，通常需要根据实际应用场景进行确定，例如，在诊断肺病的过程中，通常以肺部区域发生病变而导致的疾病类型来确定将肺部区域分为多少个肺区，在一种可能的实现方式中，将所述肺尖垂直距离分为三等分，具体地，获取所述垂直线段的三等分点。
可以理解地是，在不同的实施过程中，随着应用场景的不同，可以分为任意等分，在此不做具体限制。
S1034，分别基于每个等分点生成水平线，以所述第一直线、所述第二直线、所述垂直线段以及每条所述水平线为分割基准线，对分区后的肺部区域包含的阴影进行标记。
可以理解地，对肺部区域包含的阴影进行标记，在医学领域具有非常重要的意义，例如，在基于医学影像进行肺部疾病，如肺癌，肺结核的诊断过程中，对肺部区域进行准确分割以及确定每个分割之后的肺区包含的阴影尤为重要，是疾病准确诊断的基础。基于每个肺区内阴影的密度及大小可以更准确地对包含肺部的医学影像进行肺病诊断。这是由于肺部疾病的严重程度不仅与肺部阴影的密度相关，还与肺部阴影的分布区域密切相关，因此，将肺部区域根据预设关键特征点进行分区之后，可以更方便准确地确定每个肺区的阴影密度，提高肺病诊断的准确性。
通过上述分析可知，本发明提出的医学影像的肺部区域阴影标记方法，根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型；根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的肺部区域图像，训练完成的神经网络模型；基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图进行分区，对分区后的肺部区域包含的阴影进行标记。由于肺部区域划分模型为根据第一预设数量的第一医学影像训练完成的模型，所述第一医学影像包括阴影分布不均匀的医学影像；预先训练完成的肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的第一肺部区域图像训练完成的模型，所述第一肺部区域图像包括阴影区域；因此，根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，能够不受医学影像中各阴影分布不均匀的影响，准确对肺部区域进行分割，再根据预先训练完成的肺部关键特征点检测模型对分割之后的肺部区域进行预设关键特征点的检测，并基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记，能够准确确定阴影区域所在的肺部区域，提高阴影区域位置标记的准确性。
具体地，如图3所示，是本发明第二实施例提供的医学影像的肺部区域阴影标记方法的实现流程图。由图3可知，本实施例与图1所示实施例相比，S206-S209与S101-S103的具体实施过程相同，不同之处在于，在S206之前包括S201-S205，其中，S201-S205的具体实施过程如下所述。
S201，获取第一预设数量的第一医学影像，将所述第一医学影像分为第一比例的训练样本和第二比例的测试样本。
具体地，所述第一医学影像为预先划分了肺部区域的医学影像；可以理解地，可以从医学专用图像库中获取所述预设数量的第一医学影像，为了提高模型训练的准确性，将所述预设数量的第一医学影像分为预设比例(例如7:3)，生成由第一比例的训练样本生成的训练样本集和由第二比例的测试样本生成的测试样本集。
S202，将所述第一比例的训练样本输入预先建立的U-Net模型，进行训练。
优选地，在进行训练之前，根据预设的图像变换函数对所述第一比例的训练样本进行图像变换(resize)，得到预设大小(如224*224)的图像；这是由于人体内的器官随时会处于不同的状态，且在有些情况下会被其他器官挤压使得形状发生扭曲，因此，在进行模型训练之前，对训练样本进行图像变换，包括拉伸，放缩，平移等变换；将所述预设大小的图像输入U-Net模型的输入网络，进行训练，可以提高模型训练的效率和准确率。
优选地，所述预设的图像大小变换函数可以为：
dsize＝Size(round(fx*src),round(fy*src))
其中，fx：表示宽度(width)方向的缩放比例，fy：表示高度(height)方向的缩放比例，src表示变换之前的图像。
可选地，还可以对所述训练样本中每个样本对应的像素点求二值掩码，然后生成对应的二值图像；根据所述二值图像训练所述U-Net模型。
S203，将所述第二比例的测试样本输入所述U-Net模型，得到所述U-Net模型输出的划分了肺部区域的第二医学影像。
可以理解地，随着模型训练的进行，U-Net模型在训练完成之后，会输出划分了肺部区域的第二医学影像，具体地，U-Net模型训练的准确率越高，其输出的第二医学影像中划分的肺部区域与训练样本中划分的肺部区域的重合率越高。
S204，若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率大于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为所述肺部区域划分模型。
具体地，所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率记为IOU，则
其中C表示第二医学影像的肺部区域，G表示测试样本中的肺部区域。
S205，若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率小于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行S202。本发明提出的医学影像的肺部区域阴影标记方法，根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型；根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的肺部区域图像，训练完成的神经网络模型；基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图进行分区，对分区后的肺部区域包含的阴影进行标记。由于肺部区域划分模型为根据第一预设数量的第一医学影像训练完成的模型，所述第一医学影像包括阴影分布不均匀的医学影像；预先训练完成的肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的第一肺部区域图像训练完成的模型，所述第一肺部区域图像包括阴影区域；因此，根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，能够不受医学影像中各阴影分布不均匀的影响，准确对肺部区域进行分割，再根据预先训练完成的肺部关键特征点检测模型对分割之后的肺部区域进行预设关键特征点的检测，并基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记，能够准确确定阴影区域所在的肺部区域，提高阴影区域位置标记的准确性。需要说明的是，上述S201～S205为对所述U-Net模型的训练过程，可以理解地，在不同的实施例中，对所述U-Net模型的训练过程不限于上述S201～S205，例如，在一种可选的实现方式中，可以通过下述步骤完成对所述U-Net模型的训练，详述如下：
获取第一预设数量的第一医学影像，将所述第一医学影像分为第一比例的训练样本和第二比例的测试样本；
将所述第一比例的训练样本输入预先建立的U-Net模型，进行训练；
将所述第二比例的测试样本输入所述U-Net模型，得到所述U-Net模型输出的每个所述测试样本对应的划分了肺部区域的第二医学影像；
获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型对每个所述测试样本进行分析，所述U-Net模型的损失函数的值；
若所述目标值的变化率小于预设的变化率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
若所述目标值的变化率大于或者等于预设的变化率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
在一种可选的实现方式中，训练完成的U-Net模型的损失函数为：
其中，w(x)为衡量像素点x的函数，其定义如下：
其中,wc(x)是一个和x像素点所属的目标区域(肺部区域)相关的函数映射，d1(x)是x像素点距离目标区域最近的距离，d2(x)是x像素点距离目标区域第二近的距离。w0和σ是模型的两个参数；p1(x)表示像素点x属于目标区域(肺部区域)的概率。
具体地，如图4所示，是本发明第三实施例提供的医学影像的肺部区域阴影标记方法的实现流程图。由图4可知，本实施例与图1所示实施例相比，S301-S303与S101-S103的具体实施过程相同。不同之处在于，在S303之前还包括S304-307，其中，S304与S302可以同时执行，也可以择一执行，S304-S307的具体实施过程如下所述。
S304，将第二预设数量的训练样本输入神经网络模型的特征层进行训练，获得所述特征层输出的第二肺部区域图像；
具体地，所述训练样本为预先标注了肺部关键特征点的第一肺部区域图像，所述第二肺部区域图像为所述特征层标注了肺部关键特征点的图片。
S305，所述检测层将所述第二肺部区域图像进行聚类分析，聚类得到包含有所述预设关键特征点的第三肺部区域图像。
具体地，所述检测层的全链接层FC5的数量，假设为K，在训练过程中，K的值保持不变为1，直至GMM模型开始收敛，K的值开始发生变化；通过GMM模型将所述训练样本经过CL4层得到的特征进行聚类分析，在此过程中，随着GMM模型的聚类分析，K的值开始变化，最后得到K类包含有所述预设关键特征点的第三肺部区域图像。
S306，若所有所述第二肺部区域图像与所述第三肺部区域图像的相似度均小于预设的相似度阈值，则所述神经网络模型为训练完成的所述肺部关键特征点检测模型。
具体地，分别将所有所述第二肺部区域图像重新输入所述神经网络模型，计算所述GMM模型的CL4层将所述第二肺部区域图像进行分析之后得到的包含有所述预设关键特征点的肺部区域图像与所述K类包含有所述预设关键特征点的第三肺部区域图像之间的相似度。
S307，若有所述第二肺部区域图像与所述第三肺部区域图像的相似度大于或等于预设的相似度阈值，则增加所述训练样本的数量，重新执行S305。
需要说明的是，由于不同形态的肺在膈顶位置的特征显著的不同，因此在模型的训练过程中，首先将所述训练样本的特征进行聚类分析，使得能够更加准确的针对不同形态的肺找到对应的膈顶位置，所述膈顶位置为所述肺部的关键特征点。
优选地，在本方案中，所述CNN神经网络模型的损失函数可以表示为：
需要说明的是，所述预设关键特征点根据肺部的几何特征以及病变区域可以进行预先设置，在此，不做具体的限定。
优选地，在本实施例中，所述预设关键特征点包括第一肺尖、第一膈底、第二肺尖以及第二膈底。
由上述分析可知，本发明提出的医学影像的肺部区域阴影标记方法，根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型；根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的肺部区域图像，训练完成的神经网络模型；基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图进行分区，对分区后的肺部区域包含的阴影进行标记。由于肺部区域划分模型为根据第一预设数量的第一医学影像训练完成的模型，所述第一医学影像包括阴影分布不均匀的医学影像；预先训练完成的肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的第一肺部区域图像训练完成的模型，所述第一肺部区域图像包括阴影区域；因此，根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，能够不受医学影像中各阴影分布不均匀的影响，准确对肺部区域进行分割，再根据预先训练完成的肺部关键特征点检测模型对分割之后的肺部区域进行预设关键特征点的检测，并基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记，能够准确确定阴影区域所在的肺部区域，提高阴影区域位置标记的准确性。图5是本发明提供的医学影像的肺部区域阴影标记装置的功能模块示意图。如图5所示，该实施例的医学影像的肺部区域划分装置5包括：划分模块510、检测模块520以及分区模块530。其中，
划分模块510，用于根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型，所述第一医学影像包括阴影分布不均匀的医学影像；
检测模块520，用于根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的第一肺部区域图像，训练完成的神经网络模型，所述第一肺部区域图像包括阴影区域；
分区模块530，用于基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记。
优选地，还包括：
获取模块，用于获取第一预设数量的第一医学影像，将所述第一医学影像分为预设比例的训练样本集和测试样本集，所述第一医学影像为预先划分了肺部区域的医学影像；
训练模块，用于将所述训练样本集中的所述第一医学影像输入U-Net模型，进行训练；
获得模块，用于将所述测试样本集中的所述第一医学影像输入所述U-Net模型，获得所述U-Net模型输出的第二医学影像；
第一确定模块，用于在若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率大于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
第二确定模块，用于若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率小于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
优选地，所述训练完成的U-Net模型的损伤函数为：
其中，w(x)定义如下：
其中,wc(x)是预设的和第x个像素点所属的肺部区域相关的映射函数，d1(x)是第x个像素点距离肺部区域最近的距离，d2(x)是第x个像素点距离肺部区域第二近的距离，w0和σ是模型的常数项，pl(x)表示第x个像素点属于肺部区域的概率。
优选地，还包括：
获得图像模块，用于将第二预设数量的训练样本输入所述特征层进行训练，获得所述特征层输出的第二肺部区域图像，所述训练样本为预先标注了肺部关键特征点的第一肺部区域图像，所述第二肺部区域图像为所述特征层标注了肺部关键特征点的图片；
聚类分析模块，用于基于所述检测层将所述第一肺部区域图像进行聚类分析，得到包含有所述预设关键特征点的第三肺部区域图像；
第一比较模块，用于在若所有所述第二肺部区域图像与所述第三肺部区域图像的相似度均小于预设的相似度阈值，则所述神经网络模型为训练完成的所述肺部关键特征点检测模型；
第二比较模块，用于在若有所述第二肺部区域图像与所述第三肺部区域图像的相似度大于或等于预设的相似度阈值，则增加所述训练样本的数量，重新执行所述将预设数量的训练样本输入所述特征层进行训练，获得所述特征层输出的第二肺部区域图像。
优选地，所述预设关键特征点包括第一肺尖、第一膈底、第二肺尖以及第二膈底标记模块530，包括：
第一生成单元，用于基于所述第一肺尖和所述第二肺尖生成第一直线；
第二生成单元，用于基于所述第一膈底和所述第二膈底生成第二直线；
获取生成单元，用于确定所述第一直线和所述第二直线之间的垂直线段，获取所述垂直线段的三等分点；
第三生成单元，用于分别基于每个等分点生成水平线；
标记单元，用于以所述第一直线、所述第二直线、所述垂直线段以及每条所述水平线为分割基准线，获得预设数量的肺区，对分区后的肺部区域包含的阴影进行标记。。
图6是本发明提供的服务器的内部功能示意图。如图6所示，该实施例的服务器6包括：处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62，例如医学影像的肺部区域阴影标记程序。处理器60执行计算机程序62时实现上述各个医学影像的肺部区域阴影标记方法实施例中的步骤，例如图1所示的步骤101至103。或者，处理器60执行计算机程序62时实现上述医学影像的肺部区域阴影标记装置实施例中各模块/单元的功能，例如图5所示模块510至530的功能。
示例性的，计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在服务器6中的执行过程。例如，计算机程序62可以被分割成划分模块、检测模块以及分区模块(虚拟装置中的模块)，各模块具体功能如下：
划分模块，用于根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型，所述第一医学影像包括阴影分布不均匀的医学影像；
检测模块，用于根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的肺部区域图像，训练完成的神经网络模型，所述第一肺部区域图像包括阴影区域；
分区模块，用于基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个通信单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种医学影像的肺部区域阴影标记方法，其特征在于，包括：
根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型，所述第一医学影像包括阴影分布不均匀的医学影像；
根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的第一肺部区域图像，训练完成的神经网络模型，所述第一肺部区域图像包括阴影区域；
基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记。
2.如权利要求1所述的医学影像的肺部区域阴影标记方法，其特征在于，在所述根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域之前，包括：
获取第一预设数量的第一医学影像，将所述第一医学影像分为第一比例的训练样本和第二比例的测试样本，所述第一医学影像为预先划分了肺部区域的医学影像；
将所述第一比例的训练样本输入所述U-Net模型，进行训练；
将所述第二比例的测试样本输入所述U-Net模型，得到所述U-Net模型输出的每个所述测试样本对应的划分了肺部区域的第二医学影像；
若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率大于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率小于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
3.如权利要求2所述的医学影像的肺部区域阴影标记方法，其特征在于，在所述将所述第二比例的测试样本输入所述U-Net模型，得到所述U-Net模型输出的每个所述测试样本对应的划分了肺部区域的第二医学影像之后，包括：
获取所述U-Net模型的损失函数的目标值，所述目标值为所述U-Net模型对每个所述测试样本进行分析，所述U-Net模型的损失函数的值；
若所述目标值的变化率小于预设的变化率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
若所述目标值的变化率大于或者等于预设的变化率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
4.如权利要求3所述的医学影像的肺部区域阴影标记方法，其特征在于，所述训练完成的U-Net模型的损失函数为：
其中，w(x)定义如下：
其中，L是第X个像素点属于预设肺部区域的概率w(x)是，wc(x)是预设的和第x个像素点所属的肺部区域相关的映射函数，d1(x)是第x个像素点距离肺部区域最近的距离，d2(x)是第x个像素点距离肺部区域第二近的距离，w0和σ是常数项，pl(x)是第x个像素点属于肺部区域的概率。
5.如权利要求1所述的医学影像的肺部区域阴影标记方法，其特征在于，所述预先训练完成的神经网络模型包括特征层和检测层；
在所述根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域包含的预设关键特征点之前，包括：
将第二预设数量的训练样本输入所述特征层进行训练，获得所述特征层输出的第二肺部区域图像，所述训练样本为预先标注了肺部关键特征点的第一肺部区域图像，所述第二肺部区域图像为所述特征层标注了肺部关键特征点的图片；
所述检测层将所述第二肺部区域图像进行聚类分析，得到包含有所述预设关键特征点的第三肺部区域图像；
若所有所述第二肺部区域图像与所述第三肺部区域图像的相似度均小于预设的相似度阈值，则所述神经网络模型为训练完成的所述肺部关键特征点检测模型；
若有所述第二肺部区域图像与所述第三肺部区域图像的相似度大于或等于预设的相似度阈值，则增加所述训练样本的数量，重新执行所述将预设数量的训练样本输入所述特征层进行训练，获得所述特征层输出的第二肺部区域图像。
6.如权利要求1所述的医学影像的肺部区域阴影标记方法，其特征在于，所述预设关键特征点包括第一肺尖、第一膈底、第二肺尖以及第二膈底；；所述基于所述肺部区域包含的预设关键特征点将所述肺部区域进行分区，获得预设数量的肺区，包括：
基于所述第一肺尖和所述第二肺尖生成第一直线；
基于所述第一膈底和所述第二膈底生成第二直线；
确定所述第一直线和所述第二直线之间的垂直线段，获取所述垂直线段的三等分点；
分别基于每个等分点生成水平线；
以所述第一直线、所述第二直线、所述垂直线段以及每条所述水平线为分割基准线，获得预设数量的肺区，对分区后的肺部区域包含的阴影进行标记。
7.一种医学影像的肺部区域阴影标记装置，其特征在于，包括：
划分模块，用于根据预先训练完成的肺部区域划分模型对包含肺部的医学影像进行肺部区域分割，得到肺部区域图像，所述肺部区域划分模型为根据第一预设数量的第一医学影像，训练完成的U-Net模型，所述第一医学影像包括阴影分布不均匀的医学影像；
检测模块，用于根据预先训练完成的肺部关键特征点检测模型检测所述肺部区域图像包含的预设关键特征点，所述肺部关键特征点检测模型为根据第二预设数量的预先标注了肺部关键特征点的肺部区域图像，训练完成的神经网络模型，所述第一肺部区域图像包括阴影区域；
标记模块，用于基于所述肺部区域图像包含的预设关键特征点将所述肺部区域图像进行分区，对分区后的肺部区域包含的阴影进行标记。
8.如权利要求6所述的医学影像的肺部区域阴影标记装置，其特征在于，所述预先训练完成的肺部区域划分模型为训练完成的U-Net模型，还包括：
获取模块，用于获取第一预设数量的第一医学影像，将所述第一医学影像分为预设比例的训练样本集和测试样本集，所述第一医学影像为预先划分了肺部区域的医学影像；
训练模块，用于将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练；
获得模块，用于将所述测试样本集中的所述第一医学影像输入所述U-Net模型，获得所述U-Net模型输出的第二医学影像；
第一确定模块，用于在若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率大于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试通过，所述U-Net模型为训练完成的肺部区域划分模型；
第二确定模块，用于若所述第二医学影像与预设的所述测试样本集中各样本的肺部区域的重合率小于或者等于预设的重合率阈值，则确定对所述U-Net模型的测试不通过，增加所述训练样本集中样本的数量，并执行所述将所述训练样本集中的所述第一医学影像输入所述U-Net模型，进行训练。
9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的医学影像的肺部区域阴影标记方法的步骤。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的医学影像的肺部区域阴影标记方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910989085.3A CN110930414A (zh) | 2019-10-17 | 2019-10-17 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
| PCT/CN2020/093516 WO2021073120A1 (zh) | 2019-10-17 | 2020-05-29 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910989085.3A CN110930414A (zh) | 2019-10-17 | 2019-10-17 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110930414A true CN110930414A (zh) | 2020-03-27 |
Family
ID=69849210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910989085.3A Pending CN110930414A (zh) | 2019-10-17 | 2019-10-17 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110930414A (zh) |
| WO (1) | WO2021073120A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861984A (zh) * | 2020-06-08 | 2020-10-30 | 上海依智医疗技术有限公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
| WO2021073120A1 (zh) * | 2019-10-17 | 2021-04-22 | 平安科技（深圳）有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
| CN113409924A (zh) * | 2021-07-01 | 2021-09-17 | 上海市第一人民医院 | 基于人工智能的肺部检查影像辅助标记方法及其系统 |
| CN113496478A (zh) * | 2020-04-01 | 2021-10-12 | 纬创资通股份有限公司 | 医学影像辨识方法及医学影像辨识装置 |
| CN114511562A (zh) * | 2022-04-19 | 2022-05-17 | 深圳市疾病预防控制中心（深圳市卫生检验中心、深圳市预防医学研究所） | 基于大数据的慢性阻塞性肺炎风险预测系统、方法及设备 |
| CN115222805A (zh) * | 2022-09-20 | 2022-10-21 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
| CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6958202B2 (ja) * | 2017-10-03 | 2021-11-02 | コニカミノルタ株式会社 | 動態画像処理装置及びプログラム |
| CN108537793A (zh) * | 2018-04-17 | 2018-09-14 | 电子科技大学 | 一种基于改进的u-net网络的肺结节检测方法 |
| CN110930414A (zh) * | 2019-10-17 | 2020-03-27 | 平安科技（深圳）有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
-
2019
- 2019-10-17 CN CN201910989085.3A patent/CN110930414A/zh active Pending
-
2020
- 2020-05-29 WO PCT/CN2020/093516 patent/WO2021073120A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
| CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
Non-Patent Citations (2)
| Title |
|---|
| RONNEBERGER OLAF ET AL.: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED》, vol. 9351, pages 234 - 241, XP055786949, DOI: 10.1007/978-3-319-24574-4_28 * |
| 袁甜 等: "基于U-Net网络的肺部CT图像分割算法", 《自动化与仪器仪表》, no. 6, pages 59 - 61 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021073120A1 (zh) * | 2019-10-17 | 2021-04-22 | 平安科技（深圳）有限公司 | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 |
| CN113496478A (zh) * | 2020-04-01 | 2021-10-12 | 纬创资通股份有限公司 | 医学影像辨识方法及医学影像辨识装置 |
| CN113496478B (zh) * | 2020-04-01 | 2024-02-02 | 纬创资通股份有限公司 | 医学影像辨识方法及医学影像辨识装置 |
| CN111861984A (zh) * | 2020-06-08 | 2020-10-30 | 上海依智医疗技术有限公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
| CN111861984B (zh) * | 2020-06-08 | 2023-12-22 | 北京深睿博联科技有限责任公司 | 一种确定肺部区域的方法及装置、计算机设备及存储介质 |
| CN113409924A (zh) * | 2021-07-01 | 2021-09-17 | 上海市第一人民医院 | 基于人工智能的肺部检查影像辅助标记方法及其系统 |
| CN114511562A (zh) * | 2022-04-19 | 2022-05-17 | 深圳市疾病预防控制中心（深圳市卫生检验中心、深圳市预防医学研究所） | 基于大数据的慢性阻塞性肺炎风险预测系统、方法及设备 |
| CN115222805A (zh) * | 2022-09-20 | 2022-10-21 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
| CN115222805B (zh) * | 2022-09-20 | 2023-01-13 | 威海市博华医疗设备有限公司 | 一种基于肺癌影像的预期成像方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021073120A1 (zh) | 2021-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930414A (zh) | 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质 | |
| US8311296B2 (en) | Voting in mammography processing | |
| US10956795B2 (en) | Predicting recurrence in early stage non-small cell lung cancer (NSCLC) using spatial arrangement of clusters of tumor infiltrating lymphocytes and cancer nuclei | |
| CN111488872B (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| US11756199B2 (en) | Image analysis in pathology | |
| CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
| CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| CN111652862A (zh) | 脊柱顺列分类方法、计算机设备和存储介质 | |
| CN111275699A (zh) | 医学图像的处理方法、装置、设备及存储介质 | |
| CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
| CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
| CN113096080A (zh) | 图像分析方法及系统 | |
| CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| CN109800820B (zh) | 一种基于超声造影图像均匀程度的分类方法 | |
| CN107833631A (zh) | 一种医学影像计算机辅助分析方法 | |
| US10902256B2 (en) | Predicting response to immunotherapy using computer extracted features relating to spatial arrangement of tumor infiltrating lymphocytes in non-small cell lung cancer | |
| CN110934565B (zh) | 一种瞳孔直径的测量方法、装置及计算机可读存储介质 | |
| CN110533637B (zh) | 一种检测对象的方法及装置 | |
| Aubreville et al. | Field of interest prediction for computer-aided mitotic count | |
| CN115240014B (zh) | 基于残差神经网络的医学图像分类系统 | |
| CN115908296B (zh) | 医学图像类激活映射评价方法、装置、计算机设备及存储介质 | |
| US20220262513A1 (en) | Method and system for training machine learning model for detecting abnormal region in pathological slide image | |
| CN112950582B (zh) | 一种基于深度学习的3d肺部病灶分割方法、装置 | |
| CN113256557B (zh) | 一种基于舌象临症图像的中医舌态鉴别的方法及装置 |
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 |