CN111209916B - 病灶识别方法及系统、识别设备 - Google Patents

病灶识别方法及系统、识别设备 Download PDF

Info

Publication number
CN111209916B
CN111209916B CN201911424369.4A CN201911424369A CN111209916B CN 111209916 B CN111209916 B CN 111209916B CN 201911424369 A CN201911424369 A CN 201911424369A CN 111209916 B CN111209916 B CN 111209916B
Authority
CN
China
Prior art keywords
image
focus
module
identified
features
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.)
Active
Application number
CN201911424369.4A
Other languages
English (en)
Other versions
CN111209916A (zh
Inventor
安虹
郝晓宇
韩文廷
陈俊仕
石军
王朝晖
文可
李秀林
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.)
Hefei Kaibil High Tech Co ltd
University of Science and Technology of China USTC
Original Assignee
Hefei Kaibil High Tech Co ltd
University of Science and Technology of China USTC
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 Hefei Kaibil High Tech Co ltd, University of Science and Technology of China USTC filed Critical Hefei Kaibil High Tech Co ltd
Priority to CN201911424369.4A priority Critical patent/CN111209916B/zh
Publication of CN111209916A publication Critical patent/CN111209916A/zh
Application granted granted Critical
Publication of CN111209916B publication Critical patent/CN111209916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种病灶识别方法及系统、识别设备，其中方法包括：获取同一病患的待识别图像和临床个性化数据；输入待识别图像和临床个性化数据至病灶识别模型，病灶识别模型对待识别图像进行分割操作和定性分析操作，获得待识别图像的定性分析结果以及用于指示病灶区域的输出图像；输出待识别图像的定性分析结果以及用于指示病灶区域的输出图像。本发明采用的病灶识别模型既可以分割病灶区域又能够进行定性分析操作，既可以避免人工勾画感兴趣区域的过程提高实用性，又可以减少预测过程中的工作量、提高定性分析过程的准确率。并且，在待识别图像基础上增加临床个性化数据，扩展输入特征的维度，可以进一步可以提高定性分析过程的准确率。

Description

病灶识别方法及系统、识别设备
技术领域
本申请涉及通信技术领域，尤其涉及病灶识别方法及系统、识别设备。
背景技术
随着人工智能的不断发展，人工智能也逐渐应用于医疗领域中，例如人工智能和医疗影像交叉学科成为研究热点。目前已有一些利用分类模型来智能针对CT图像进行定性分析的方案，例如，识别CT图像中肿瘤的良恶性方案、识别CT图像中肿瘤是否有发生基金突变的方案、识别CT图像中肿瘤分化程度的方案，当然还有其它定性分析方案不再一一列举。
现有技术在使用分类模型进行定性分析之前，需要有经验临床医师对CT图像进行人工查看并画出感兴趣区域(也即病灶位置区域)，再输入感兴趣区域图像至分类模型进行定性分析。即该方案必须人工勾画感兴趣区域才能进行下一步定性分析操作，实用性较低。
目前有基于上述方案的改进方案：在分类模型之前添加分割模型。该分割模型能够自动对CT图像定位出感兴趣区域，然后，将感兴趣区域图像发送至分类模型，以供分类模型进行识别。
由于分类模型依赖于分割模型，若分割模型出错，后续分类模型必然输出不准确的识别结果。由于分割模型和分类模型均具有一定误差率，分割模型具有误差的分割结果输入到具有误差的分类模型中，会使得最终结果的误差率更大。因此上述改进方案的误差率较大，识别准确率较低。
发明内容
鉴于此，本申请提供一种病灶识别方法及系统，可以训练一个卷积神经网络模型进行分割操作和分类操作，使得训练结束后得到的一个病灶识别模型既能够分割病灶区域又能够进行定性分析，从而提高实用性又提高定性分析准确率。
为了实现上述目的，本发明提供了下述技术特征：
一种病灶识别方法，包括：
获取同一病患的待识别图像和临床个性化数据；
输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；
输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像。
可选的，所述输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像，包括：
输入所述待识别图像至所述病灶识别模型；
所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像；
所述病灶识别模型中分割模块发送所述图像特征至分类模块；
所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，基于拼接特征进行定性分析操作获得所述待识别图像的定性分析结果。
可选的，所述分割模块包括编码器模块和解码器模块，且所述编码器模块和所述解码器模块之间设有跳转连接；
则所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像，包括：
所述编码器模块对所述待识别图像进行特征提取获得多个不同尺度的图像特征，多个不同尺度的图像特征分别通过跳转连接接入所述解码器模块；
所述解码器模块以所述编码器的输出作为输入，且通过跳转连接接入的多个不同尺度的图像特征进行解码处理，获得解码图像特征数据；
所述解码器模块对所述解码图像特征进行归一卷积操作获得与待识别图像同样大小的输出图像，且，每个像素值用于指示符合病灶的概率。
可选的，所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构，所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层；
则所述病灶识别模型中分割模块发送所述图像特征至分类模块，包括：
所述编码器模块中多个残差块，分别输出多个不同尺度的图像特征；
所述解码器模块中输出卷积块输出的解码图像特征。
可选的，所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，包括：
所述病灶识别模型中分类模块接收所述多个不同尺度的图像特征和所述解码图像特征，并对所述多个不同尺度的图像特征和所述解码图像特征分别进行全局平均池化，获得多个全局平均池化特征；
按顺序拼接所述临床个性化数据和所述多个全局平均池化特征获得拼接特征。
可选的，所述获取同一病患的待识别图像和临床个性化数据包括：
获取医生门诊设备录入病患的临床个性化数据，并发送临床个性化数据；
获取医疗影像设备拍摄同一病患病灶部位后输出的CT图像，并对所述CT图像进行预处理操作获得所述待识别图像。
一种识别设备，包括：
存储器和处理器；
存储器用于存储病灶识别模型，以及，存储在存储器上并在处理器上运行的软件程序；处理器执行软件程序时实现以下步骤：
获取同一病患的待识别图像和临床个性化数据；
输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；
输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像。
一种病灶识别模型的训练方法，包括：
获取多个训练样本；其中，所述训练样本包括同一病患的预处理后的CT图像，与该预处理后的CT图像对应的、用于指示病灶区域的输出图像、临床个性化数据和定性分析结果；
利用所述多个训练样本训练卷积神经网络模型；其中，所述卷积神经网络模型包括分割模块和分类模块，分割模块对应一个分割损失函数，分类模块对应一个分类损失函数，将分割损失函数和分类损失函数组成的聚合操作为卷积神经网络模型的损失函数；
在满足训练结束条件后，将训练好的卷积神经网络模型作为病灶识别模型。
可选的，所述病灶识别模型包括分割模块和分类模块；所述分割模块包括编码器模块和解码器模块，且所述编码器模块和所述解码器模块之间设有跳转连接；
所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构，所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层。
一种病灶识别系统，包括：
医生门诊设备，用于录入病患的临床个性化数据，并发送临床个性化数据；
医疗影像设备，用于拍摄同一病患病灶部位后发送CT图像；
识别设备，用于接收医生门诊设备发送的临床个性化数据，以及，医疗影像设备发送的CT图像，对所述CT图像进行预处理操作获得所述待识别图像，输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像。
通过以上技术手段，可以实现以下有益效果：
本发明提供的病灶识别方案中采用一个病灶识别模型，该病灶识别模型既可以分割病灶区域又能够进行定性分析操作，既可以避免人工勾画感兴趣区域的过程提高实用性，又能将分割操作和定性分析操作合并于一个机器模型中，这样既可以减少预测过程中的工作量，又可以提高定性分析过程的准确率。
并且，本发明在待识别图像基础上增加了临床个性化数据，扩展了输入特征的维度，因此可以进一步可以提高定性分析过程的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种病灶识别系统的结构示意图；
图2为本申请实施例公开的一种病灶识别方法的流程图；
图3为本申请实施例公开的一种病灶识别方法中预处理操作的示意图；
图4为本申请实施例公开的一种病灶识别方法中病灶识别模型的示意图；
图5为本申请实施例公开的一种病灶识别模型的训练方法的流程图；
图6为本申请实施例公开的一种病灶识别模型中输出卷积块的示意图；
图7为本申请实施例公开的一种识别设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
本发明提供了一种病灶识别系统，参见图1，包括：
医生门诊设备100，用于录入病患的临床个性化数据，并发送临床个性化数据；
医疗影像设备200，用于拍摄同一病患病灶部位后发送CT图像；
识别设备300，用于接收医生门诊设备发送的临床个性化数据，以及，医疗影像设备发送的CT图像，对所述CT图像进行预处理操作获得所述待识别图像，输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像。
可以理解的是，医生门诊设备100和医疗影像设备200的数量可以根据实际情况而定。临床个性化数据与用户标识对应，CT图像也与用户标识对应，以便同一用户的临床个性化数据和CT图像具有关联关系。
关于识别设备300的详细执行过程将在图2中进行详细描述，对此暂不赘述。
通过以上技术手段，可以实现以下有益效果：
本发明提供的病灶识别方案中采用一个病灶识别模型，该病灶识别模型既可以分割病灶区域又能够进行定性分析操作，既可以避免人工勾画感兴趣区域的过程提高实用性，又能将分割操作和定性分析操作合并于一个机器模型中，这样既可以减少预测过程中的工作量，又可以提高定性分析过程的准确率。
并且，本发明在待识别图像基础上增加了临床个性化数据，扩展了输入特征的维度，因此可以进一步可以提高定性分析过程的准确率。
本发明需要预先利用多个训练样本(训练样本包括同一病患的预处理后的CT图像，与该预处理后的CT图像对应的、用于指示病灶区域的输出图像、临床个性化数据和定性分析结果)对卷积神经网络模型进行训练，并将训练好的卷积神经网络模型，确定为病灶识别模型。
本发明提供的病灶识别模型既可以识别待识别图像进行定性分析操作，又可以对待识别图像进行分割操作，一个病灶识别模型同时完成分割操作和定性分析操作两个任务。关于病灶识别模型的训练过程，可以详见图5所示的实施例，在此暂不赘述。
本发明提供一种病灶识别方法，应用于图1所示的识别设备，识别设备存储有训练好的病灶识别模型。参见图2，病灶识别方法包括以下步骤：
步骤S201：获取同一病患的待识别图像和临床个性化数据。
获取医生门诊设备录入病患的临床个性化数据，并发送临床个性化数据；获取医疗影像设备拍摄同一病患病灶部位后输出的CT图像，并对所述CT图像进行预处理操作获得所述待识别图像。
其中，对所述CT图像进行预处理操作获得所述待识别图像可以包括：调整裁剪窗口宽度和裁剪窗口位置，使得CT图像的CT值位于预设范围内；调整像素值至[0，1]之间；采用线性插值法将像素间距调整为预设间距；根据CT图像大小调整CT图像达到预设尺寸；调整所述裁剪窗口至预设坐标，利用裁剪窗口对CT图像执行裁剪操作获得待识别图像。
以病灶部位为肺部为例，对于一个肺部CT图像：
首先调整调整裁剪窗口宽度和裁剪窗口位置，将CT值范围阶段在[-1024,400]之间，并将像素范围调整至[0,1]。
其次，如图3所示，通过线性插值法将像素间距调整为1mm，并依据CT图像大小进行裁剪或填充操作使得CT图像大小为512x512。
最后，将裁剪窗口的左上角固定坐标(90，130)，裁剪得到尺寸为320x260的图像作为待识别图像。
步骤S202：输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像。
参见图4，所述病灶识别模型包括分割模块和分类模块；所述分割模块包括编码器模块和解码器模块，且所述编码器模块和所述解码器模块之间设有跳转连接；所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构，所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层。
根据本申请提供的一个实施例，本步骤可以采用下述方式实现：
步骤S2021：输入所述待识别图像至所述病灶识别模型。
步骤S2022：所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像。
S1：所述编码器模块对所述待识别图像进行特征提取获得多个不同尺度的图像特征，多个不同尺度的图像特征分别通过跳转连接接入所述解码器模块。
所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构。
编码器模块中多个依次连接的残差块和最大池化层的组合结构，依次进行特征提取获得多个不同尺度的图像特征，多个不同尺度的图像特征分别通过跳转连接接入解码器模块中的多个依次连接的解码单元。
多个残差块依次进行特征提取，每个残差块后均设置一个最大池化层，其作用是缩小特征图尺寸，提升模型泛化能力。
多个残差块分别利用不同的特征图进行特征提取，且特征提取的深度越来越深，从而可以获得浅层特征至深层特征。由于在进行特征提取过程中使用的特征图尺寸不一致，所以可以获得不同尺度的图像特征。随着深度的深入容易丢失待识别图像的浅层特征，浅层特征中包含有位置信息，所以多个不同尺度的图像特征分别通过跳转连接接入解码器模块中的多个依次连接的解码单元，从而方便解码单元在解码时实现浅层特征与深层特征的融合，以便提升病灶区域的分割精度。
S2：解码器模块以所述编码器的输出作为输入，且不同解码单元通过跳转连接接入的不同尺度的图像特征进行解码处理，获得多个解码特征图。
所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层。
由于编码器对待识别图像进行不断特征提取和最大池化操作所以通道数量越来越多，尺寸越来越小。解码器的作用为不断融合浅层和深层特征，同时减少通道数量，恢复特征图尺寸。
S3：解码器模块中输出卷积块对多个特征图进行卷积操作获得解码图像特征。
即，输出卷积块进一步通过卷积操作减少通道数量并通过差值扩大特征图尺寸。
S4：解码器模块中归一卷积层对述解码图像特征进行归一卷积操作获得与待识别图像同样大小的输出图像，且，每个像素值用于指示符合病灶的概率。
归一卷积层包括卷积层和Sigmoid函数，使用卷积层将特征图的通道数变为1，即融合为一个输出图像，并通过Sigmoid函数将像素值归一化至[0,1]，像素值用于指示每个像素是病灶的概率。
步骤S2023：所述病灶识别模型中分割模块发送所述图像特征至分类模块。
由于分割模块已经对待识别图像进行特征提取，所以分类模块可以使用分割模块提取的特征数据：编码器模块中多个依次连接的残差块分别输出的多个不同尺度的图像特征，解码器模块中输出卷积块输出的解码图像特征。
所述编码器模块中多个残差块，分别输出多个不同尺度的图像特征；所述解码器模块中输出卷积块输出解码图像特征。
步骤S2024：所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，基于拼接特征进行定性分析操作获得所述待识别图像的定性分析结果。
所述病灶识别模型中分类模块接收多个不同尺度的图像特征，以及，解码图像特征，但是由于多个不同尺度的图像特征以及解码图像特征的大小不一，无法直接拼接。因此，设置分类模块包括全局平均池化层、拼接层、全连接层以及Sigmoid函数。
将所述多个不同尺度的图像特征和所述解码图像特征，通过全局平均池化层分别进行全局平均池化，将特征图的大小统一为1x1。
由于每个病患的临床个性化数据对于病灶识别有影响，所以将本发明中采用临床个性化数据和图像特征两部分作为分类模块的输入特征。也即，利用分类模块中的拼接层拼接临床个性化数据和多个全局平均池化特征获得拼接特征。
分类模块中全连接层和Sigmoid函数的顺序组合可以实现分类功能，通过Sigmoid函数可以归一化至[0,1]，最终输出定性分析结果。
步骤S203：输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像。
识别设备输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像。为了便于查看输出图像，可以预先设定一个预设概率值，将大于预设概率值像素确定为病灶位置，将小于预设概率值的像素确定为非病灶位置。
为此，识别设备设定预设概率值，并基于预设概率值对输出图像进行二值化处理，例如，将大于预设概率值的像素值重新设为1，视觉上显示为白色，将小于预设概率值的像素值设为0，视觉显示上为黑色；从而将病灶区域和非病灶区域从视觉上明显分开。
识别设备可以直接展示病灶区域和待识别图像的定性分析结果，也可以发送给其它设备，对于后续具体实现本发明不做限定。
通过上述技术特征可知本实施例具有以下有益效果：
本发明提供的病灶识别方案中采用一个病灶识别模型，该病灶识别模型既可以分割病灶区域又能够进行定性分析操作，既可以避免人工勾画感兴趣区域的过程提高实用性，又能将分割操作和定性分析操作合并于一个机器模型中，这样既可以减少预测过程中的工作量，又可以提高定性分析过程的准确率。
并且，本发明在待识别图像基础上增加了临床个性化数据，扩展了输入特征的维度，因此可以进一步可以提高定性分析过程的准确率。
参见图5，本发明提供一种病灶识别模型的训练方法，包括：
步骤S500：构建卷积神经网络模型。
为了对病灶进行准确识别，本发明采用卷积神经网络模型作为机器模型。本发明需要训练后的卷积神经网络模型既能够执行分割病灶区域的任务，又能够执行识别病灶概率的任务。为此，病灶识别模型包括分割模块和分类模块。
所述分割模块包括编码器模块和解码器模块，且所述编码器模块和所述解码器模块之间设有跳转连接；所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构，所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层。
在实际应用中，可以使用移除全连接层的ResNet-101(具有101层的残差卷积神经网络)作为分割模块。ResNet中的全连接层一般起到“分类器”的作用，由于本实施例中分割模块的并不是为了分类，而是需要提取包含上下文信息的深层语义特征，所以将全连接层移除。
本实施例中分割模块包含许多残差块，这些残差块可以解决卷积神经网络在深度进行特征提取时产生的性能退化问题，残差块可以使卷积神经网络更容易收敛。
图4中编码器模块采用4个不同的残差块，在4个不同的残差块中分别包含3、4、23和3个残差结构。每个残差块后面均有一个最大池化层。最大池化层的作用是缩小特征图尺寸，提升模型泛化能力。
编码器模块的层数较多，可以使卷积神经网络变得更深，随着卷积神经网络的深入，编码器模块提取特征图分辨率不断减小，感受野不断增大，能够获取更丰富的深层语义特征，有利于病灶区域的精确分割。
分割模块和分类模块是共享权重，所以丰富的深层语义特征同样有助于提高分类模块的准确率。
分割模块中解码器模块包括五个部分：三个解码单元、一个输出卷积块、一个归一卷积层(卷积层与Sigmoid函数的组合)。
解码器模块连接在编码器模块之后，编码器模块中多层次图像特征分别通过跳转连接接入到解码单元中，这可以方便解码器模块融合浅层数据特征和上采样后的深层特征，同时方便更准确的恢复特征图的尺寸并减少特征图的通道数量。
参见图6，为输出卷积块的结构，输出卷积块包括三层，第三层输出连接归一卷积层，第二层输出和第三层输出合并后输出至分类模块。
编码器模块中的归一卷积层，可以使用卷积层将特征图的通道数变为1，并通过Sigmoid函数将输出图像中各个像素值转换为病灶概率，输出图像即为分割模块的预测结果。
编码器模块和解码器模块之间通过跳转连接相连。卷积神经网络中的浅层特征具有丰富的位置信息，有利于特征图和原始图像对齐。由编码器模块提取的深层特征包含原始图像的更多深层次语义信息。通过跳转连接将浅层特征和深层特征融合，从而能够提高分割模块的分割精度。
分类模块中采用多尺度特征融合策略，将分割模块中的不同尺度的图像特征以及临床个性化数据组合在一起。由于不同残差块输出的特征图尺寸不一致，正常情况下不同的特征图或临床个性化数据无法直接融合。
为此，本实施例在拼接临床个性化数据和图像特征之前，对每个特征图执行全局平均池化，以更改并统一特征图的大小为1x1。
然后，通过拼接操作将临床个性化数据(年龄、性别和吸烟史)和图像特征拼接在一起，作为分类模块的输入特征。最后分类模块采用全连接层和Sigmoid函数组合作为最终分类器。
步骤S501：获取多个训练样本；其中，所述训练样本包括同一病患的预处理后的CT图像，与该预处理后的CT图像对应的、用于指示病灶区域的标注图像、临床个性化数据和定性分析结果。
与CT图像对应的、用于指示病灶区域的标注图像，具体为人工对CT图像进行识别，将是病灶位置的像素值重新设为1，视觉上显示为白色，将非病灶位置的像素值重新设为0，视觉上显示为黑色。
其中，对CT图像和用于指示病灶区域的标注图像进行预处理操作获得可以包括：
调整裁剪窗口宽度和裁剪窗口位置，使得CT图像的CT值位于预设范围内；调整CT图像像素值至[0，1]之间；采用线性插值法将CT图像和标注图像的像素间距调整为预设间距；根据CT图像和标注图像大小调整CT图像和标注图像大小达到预设尺寸；调整所述裁剪窗口至预设坐标，利用裁剪窗口对CT图像和标注图像大小执行裁剪操作获得待识别图像和对应标注图像。
以病灶部位为肺部为例，对于一个肺部CT图像：
第一步调整调整裁剪窗口宽度和裁剪窗口位置，将CT值范围阶段在[-1024,400]之间，并将像素范围调整至[0,1]。
第二步，如图3所示，通过线性插值法将像素间距调整为1mm，并依据CT图像大小进行裁剪或填充操作使得CT图像大小为512x512。
第三步，将裁剪窗口的左上角固定坐标(90，130)，裁剪得到尺寸为320x260的图像作为待识别图像。
其中，对标注图像只执行第二步和第三步。
步骤S502：利用所述多个训练样本训练卷积神经网络模型；其中，所述卷积神经网络模型包括分割模块和分类模块，分割模块对应一个分割损失函数，分类模块对应一个分类损失函数，将分割损失函数和分类损失函数组成的聚合操作为卷积神经网络模型的损失函数。
本实施例中分割损失函数的函数定义如下：
其中，Ps为预测的输出图像，Gs为已有的标注图像。
本实施例中分类损失函数的函数定义如下：
Lf＝-(1-PT)r*log(PT)
其中r为超参数，PT为二值交叉熵。定义如下：
PT＝GC*PC+(1-GC)*(1-PC)
其中，PC和GC分别为分类模块预测的定性分析结果和真实定性分析结果。例如，真实病灶结果可以为1或0。
由于本发明同时完成这两个任务，所以将分割损失函数和分类损失函数组成的聚合操作为卷积神经网络模型的损失函数，公式如下：
L＝Ld+Lf
步骤S503：在满足训练结束条件后，将训练好的卷积神经网络模型作为病灶识别模型。
参见图7，本发明提供了一种识别设备，包括：
存储器和处理器；
存储器用于存储病灶识别模型，以及，存储在存储器上并在处理器上运行的软件程序；处理器执行软件程序时实现以下步骤：
获取同一病患的待识别图像和临床个性化数据；
输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；
输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像。
通过以上技术手段，可以实现以下有益效果：
本发明提供的病灶识别方案中采用一个病灶识别模型，该病灶识别模型既可以分割病灶区域又能够进行定性分析操作，既可以避免人工勾画感兴趣区域的过程提高实用性，又能将分割操作和定性分析操作合并于一个机器模型中，这样既可以减少预测过程中的工作量，又可以提高定性分析过程的准确率。
并且，本发明在待识别图像基础上增加了临床个性化数据，扩展了输入特征的维度，因此可以进一步可以提高定性分析过程的准确率。
本实施例方法所述的功能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设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种病灶识别方法，其特征在于，包括：
获取同一病患的待识别图像和临床个性化数据；
输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；
输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；
其中，所述输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像，包括：
输入所述待识别图像至所述病灶识别模型；
所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像；
所述病灶识别模型中分割模块发送所述图像特征至分类模块；所述分类模块包括全局平均池化层、拼接层、全连接层以及Sigmoid函数；
所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，基于拼接特征进行定性分析操作获得所述待识别图像的定性分析结果，其中，分类模块中全连接层和Sigmoid函数的顺序组合实现分类功能，通过Sigmoid函数可以归一化至[0,1]，输出定性分析结果；
所述分割模块包括编码器模块和解码器模块，且所述编码器模块和所述解码器模块之间设有跳转连接；
则所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像，包括：
所述编码器模块对所述待识别图像进行特征提取获得多个不同尺度的编码图像特征，多个不同尺度的编码图像特征分别通过跳转连接接入所述解码器模块；
所述解码器模块以所述编码器的输出作为输入，且通过跳转连接接入的多个不同尺度的编码图像特征进行解码处理，获得解码图像特征数据；
所述解码器模块对所述解码图像特征进行归一卷积操作获得与待识别图像同样大小的输出图像，且，每个像素值用于指示符合病灶的概率；
所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构；所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层；
所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，包括：
所述病灶识别模型中分类模块接收所述多个不同尺度的编码图像特征和所述解码图像特征，并对所述多个不同尺度的编码图像特征和所述解码图像特征分别进行全局平均池化，获得多个全局平均池化特征；
按顺序拼接所述临床个性化数据和所述多个全局平均池化特征获得拼接特征。
2.如权利要求1所述的方法，其特征在于，
则所述病灶识别模型中分割模块发送所述图像特征至分类模块，包括：
所述编码器模块中多个残差块，分别输出多个不同尺度的编码图像特征；
所述解码器模块中输出卷积块输出的解码图像特征。
3.如权利要求1所述的方法，其特征在于，所述获取同一病患的待识别图像和临床个性化数据包括：
获取医生门诊设备录入病患的临床个性化数据，并发送临床个性化数据；
获取医疗影像设备拍摄同一病患病灶部位后输出的CT图像，并对所述CT图像进行预处理操作获得所述待识别图像。
4.一种识别设备，其特征在于，包括：
存储器和处理器；
存储器用于存储病灶识别模型，以及，存储在存储器上并在处理器上运行的软件程序；处理器执行软件程序时实现以下步骤：
获取同一病患的待识别图像和临床个性化数据；
输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；
输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；
其中，所述输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像，包括：
输入所述待识别图像至所述病灶识别模型；
所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像；
所述病灶识别模型中分割模块发送所述图像特征至分类模块；所述分类模块包括全局平均池化层、拼接层、全连接层以及Sigmoid函数；
所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，基于拼接特征进行定性分析操作获得所述待识别图像的定性分析结果，其中，分类模块中全连接层和Sigmoid函数的顺序组合实现分类功能，通过Sigmoid函数可以归一化至[0,1]，输出定性分析结果；
所述分割模块包括编码器模块和解码器模块，且所述编码器模块和所述解码器模块之间设有跳转连接；
则所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像，包括：
所述编码器模块对所述待识别图像进行特征提取获得多个不同尺度的编码图像特征，多个不同尺度的编码图像特征分别通过跳转连接接入所述解码器模块；
所述解码器模块以所述编码器的输出作为输入，且通过跳转连接接入的多个不同尺度的编码图像特征进行解码处理，获得解码图像特征数据；
所述解码器模块对所述解码图像特征进行归一卷积操作获得与待识别图像同样大小的输出图像，且，每个像素值用于指示符合病灶的概率；
所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构；所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层；
所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，包括：
所述病灶识别模型中分类模块接收所述多个不同尺度的编码图像特征和所述解码图像特征，并对所述多个不同尺度的编码图像特征和所述解码图像特征分别进行全局平均池化，获得多个全局平均池化特征；
按顺序拼接所述临床个性化数据和所述多个全局平均池化特征获得拼接特征。
5.一种病灶识别模型的训练方法，其特征在于，包括：
获取多个训练样本；其中，所述训练样本包括同一病患的预处理后的CT图像，与该预处理后的CT图像对应的、用于指示病灶区域的输出图像、临床个性化数据和定性分析结果；
利用所述多个训练样本训练卷积神经网络模型；其中，所述卷积神经网络模型包括分割模块和分类模块，分割模块对应一个分割损失函数，分类模块对应一个分类损失函数，将分割损失函数和分类损失函数组成的聚合操作为卷积神经网络模型的损失函数；
在满足训练结束条件后，将训练好的卷积神经网络模型作为病灶识别模型，以利用所述病灶识别模型对待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像，具体地：输入所述待识别图像至所述病灶识别模型；所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像；所述病灶识别模型中分割模块发送所述图像特征至分类模块；所述分类模块包括全局平均池化层、拼接层、全连接层以及Sigmoid函数；所述病灶识别模型中分类模块的拼接层拼接所述临床个性化数据和所述图像特征获得拼接特征，基于拼接特征进行定性分析操作获得所述待识别图像的定性分析结果，其中，分类模块中全连接层和Sigmoid函数的顺序组合实现分类功能，通过Sigmoid函数可以归一化至[0,1]，输出定性分析结果；
所述病灶识别模型包括分割模块和分类模块；所述分割模块包括编码器模块和解码器模块，且所述编码器模块和所述解码器模块之间设有跳转连接；
所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像，包括：
所述编码器模块对所述待识别图像进行特征提取获得多个不同尺度的编码图像特征，多个不同尺度的编码图像特征分别通过跳转连接接入所述解码器模块；
所述解码器模块以所述编码器的输出作为输入，且通过跳转连接接入的多个不同尺度的编码图像特征进行解码处理，获得解码图像特征数据；
所述解码器模块对所述解码图像特征进行归一卷积操作获得与待识别图像同样大小的输出图像，且，每个像素值用于指示符合病灶的概率；
所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构；所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层；
所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，包括：
所述病灶识别模型中分类模块接收所述多个不同尺度的编码图像特征和所述解码图像特征，并对所述多个不同尺度的编码图像特征和所述解码图像特征分别进行全局平均池化，获得多个全局平均池化特征；
按顺序拼接所述临床个性化数据和所述多个全局平均池化特征获得拼接特征。
6.如权利要求5所述的方法，其特征在于，所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构，所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层。
7.一种病灶识别系统，其特征在于，包括：
医生门诊设备，用于录入病患的临床个性化数据，并发送临床个性化数据；
医疗影像设备，用于拍摄同一病患病灶部位后发送CT图像；
识别设备，用于接收医生门诊设备发送的临床个性化数据，以及，医疗影像设备发送的CT图像，对所述CT图像进行预处理操作获得待识别图像，输入所述待识别图像和所述临床个性化数据至病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；输出所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像；其中，输入所述待识别图像至所述病灶识别模型，所述病灶识别模型对所述待识别图像进行分割操作和定性分析操作，获得所述待识别图像的定性分析结果以及用于指示病灶区域的输出图像，包括:输入所述待识别图像至所述病灶识别模型；所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像；所述病灶识别模型中分割模块发送所述图像特征至分类模块；所述分类模块包括全局平均池化层、拼接层、全连接层以及Sigmoid函数；所述病灶识别模型中分类模块的拼接层拼接所述临床个性化数据和所述图像特征获得拼接特征，基于拼接特征进行定性分析操作获得所述待识别图像的定性分析结果，其中，分类模块中全连接层和Sigmoid函数的顺序组合实现分类功能，通过Sigmoid函数可以归一化至[0,1]，输出定性分析结果；
所述分割模块包括编码器模块和解码器模块，且所述编码器模块和所述解码器模块之间设有跳转连接；
则所述病灶识别模型中分割模块对所述待识别图像进行特征提取操作获得图像特征，并基于所述图像特征进行分割操作获得用于指示病灶区域的输出图像，包括：
所述编码器模块对所述待识别图像进行特征提取获得多个不同尺度的编码图像特征，多个不同尺度的编码图像特征分别通过跳转连接接入所述解码器模块；
所述解码器模块以所述编码器的输出作为输入，且通过跳转连接接入的多个不同尺度的编码图像特征进行解码处理，获得解码图像特征数据；
所述解码器模块对所述解码图像特征进行归一卷积操作获得与待识别图像同样大小的输出图像，且，每个像素值用于指示符合病灶的概率；
所述编码器模块包括多个依次连接的残差块和最大池化层的组合结构；所述解码器模块包括多个依次连接的解码单元、输出卷积块和归一卷积层；
所述病灶识别模型中分类模块拼接所述临床个性化数据和所述图像特征获得拼接特征，包括：
所述病灶识别模型中分类模块接收所述多个不同尺度的编码图像特征和所述解码图像特征，并对所述多个不同尺度的编码图像特征和所述解码图像特征分别进行全局平均池化，获得多个全局平均池化特征；
按顺序拼接所述临床个性化数据和所述多个全局平均池化特征获得拼接特征。
CN201911424369.4A 2019-12-31 2019-12-31 病灶识别方法及系统、识别设备 Active CN111209916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911424369.4A CN111209916B (zh) 2019-12-31 2019-12-31 病灶识别方法及系统、识别设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911424369.4A CN111209916B (zh) 2019-12-31 2019-12-31 病灶识别方法及系统、识别设备

Publications (2)

Publication Number Publication Date
CN111209916A CN111209916A (zh) 2020-05-29
CN111209916B true CN111209916B (zh) 2024-01-23

Family

ID=70789526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911424369.4A Active CN111209916B (zh) 2019-12-31 2019-12-31 病灶识别方法及系统、识别设备

Country Status (1)

Country Link
CN (1) CN111209916B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899848B (zh) * 2020-08-05 2023-07-07 中国联合网络通信集团有限公司 图像识别方法及设备
CN112419251A (zh) * 2020-11-13 2021-02-26 浙江核睿医疗科技有限公司 上消化道内镜图像生成方法、装置、电子设备和存储介质
CN112967294A (zh) * 2021-03-11 2021-06-15 西安智诊智能科技有限公司 一种肝脏ct图像分割方法及系统
CN112686899B (zh) 2021-03-22 2021-06-18 深圳科亚医疗科技有限公司 医学图像分析方法和装置、计算机设备及存储介质
CN113077434B (zh) * 2021-03-30 2023-01-24 零氪智慧医疗科技(天津)有限公司 基于多模态信息的肺癌识别方法、装置及存储介质
CN113112476B (zh) * 2021-04-14 2023-08-29 中国人民解放军北部战区总医院 一种识别致痫灶和/或预测其病理分型的方法和系统
CN113298782A (zh) * 2021-05-25 2021-08-24 中南大学 具有可解释性的肾脏肿瘤识别方法及成像方法
CN113743414B (zh) * 2021-08-02 2022-08-05 清华大学 基于语义编码的病灶识别方法、装置及系统
CN114259297A (zh) * 2021-12-23 2022-04-01 徐州佳智信息科技有限公司 一种基于三维适形的分布式能量释放控制方法和系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653858A (zh) * 2015-12-31 2016-06-08 中国科学院自动化研究所 一种基于影像组学的病变组织辅助预后系统和方法
CN106780475A (zh) * 2016-12-27 2017-05-31 北京市计算中心 一种基于病理组织切片图像组织区域的图像处理方法及装置
CN107280697A (zh) * 2017-05-15 2017-10-24 北京市计算中心 基于深度学习和数据融合的肺结节分级判定方法和系统
CN108573490A (zh) * 2018-04-25 2018-09-25 王成彦 一种针对肿瘤影像数据的智能读片系统
CN109712111A (zh) * 2018-11-22 2019-05-03 平安科技（深圳）有限公司 一种皮肤癌种类识别方法、系统、计算机设备和存储介质
CN109740626A (zh) * 2018-11-23 2019-05-10 杭州电子科技大学 基于深度学习的乳腺癌病理切片中癌症区域的检测方法
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN109886273A (zh) * 2019-02-26 2019-06-14 四川大学华西医院 一种cmr图像分割分类系统
CN109886072A (zh) * 2018-12-25 2019-06-14 中国科学院自动化研究所 基于双向Ladder结构的人脸属性分类系统
CN109961838A (zh) * 2019-03-04 2019-07-02 浙江工业大学 一种基于深度学习的超声影像慢性肾脏病辅助筛查方法
CN110148142A (zh) * 2019-05-27 2019-08-20 腾讯科技（深圳）有限公司 图像分割模型的训练方法、装置、设备和存储介质
CN110310280A (zh) * 2019-07-10 2019-10-08 广东工业大学 肝胆管及结石的图像识别方法、系统、设备及存储介质
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110490860A (zh) * 2019-08-21 2019-11-22 北京大恒普信医疗技术有限公司 糖尿病视网膜病变识别方法、装置及电子设备
CN110543911A (zh) * 2019-08-31 2019-12-06 华南理工大学 一种结合分类任务的弱监督目标分割方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105653858A (zh) * 2015-12-31 2016-06-08 中国科学院自动化研究所 一种基于影像组学的病变组织辅助预后系统和方法
CN106780475A (zh) * 2016-12-27 2017-05-31 北京市计算中心 一种基于病理组织切片图像组织区域的图像处理方法及装置
CN107280697A (zh) * 2017-05-15 2017-10-24 北京市计算中心 基于深度学习和数据融合的肺结节分级判定方法和系统
CN108573490A (zh) * 2018-04-25 2018-09-25 王成彦 一种针对肿瘤影像数据的智能读片系统
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN109712111A (zh) * 2018-11-22 2019-05-03 平安科技（深圳）有限公司 一种皮肤癌种类识别方法、系统、计算机设备和存储介质
CN109740626A (zh) * 2018-11-23 2019-05-10 杭州电子科技大学 基于深度学习的乳腺癌病理切片中癌症区域的检测方法
CN109886072A (zh) * 2018-12-25 2019-06-14 中国科学院自动化研究所 基于双向Ladder结构的人脸属性分类系统
CN109886273A (zh) * 2019-02-26 2019-06-14 四川大学华西医院 一种cmr图像分割分类系统
CN109961838A (zh) * 2019-03-04 2019-07-02 浙江工业大学 一种基于深度学习的超声影像慢性肾脏病辅助筛查方法
CN110148142A (zh) * 2019-05-27 2019-08-20 腾讯科技（深圳）有限公司 图像分割模型的训练方法、装置、设备和存储介质
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110310280A (zh) * 2019-07-10 2019-10-08 广东工业大学 肝胆管及结石的图像识别方法、系统、设备及存储介质
CN110490860A (zh) * 2019-08-21 2019-11-22 北京大恒普信医疗技术有限公司 糖尿病视网膜病变识别方法、装置及电子设备
CN110543911A (zh) * 2019-08-31 2019-12-06 华南理工大学 一种结合分类任务的弱监督目标分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Classification of Brain Tumor Using Convolutional Neural Network;Krishna Pathak等;《2019 3rd International conference on Electronics, Communication and Aerospace Technology (ICECA)》;20190902;128-132 *
Modified U-Net block network for lung nodule detection;Hailan Cheng等;《2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference (ITAIC)》;20190805;599-605 *
刘玉良等主编.《深度学习》.西安电子科技大学出版社,2019,75-78,127-129. *
基于DenseNet的医学图像分割研究与应用;唐明轩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190415;第2019年卷(第4期);I138-771 *
基于深度学习的DR眼底图像黄斑水肿分级方法研究;刘梦佳;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20190715;第2019年卷(第7期);E065-71 *

Also Published As

Publication number Publication date
CN111209916A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN111209916B (zh) 病灶识别方法及系统、识别设备
US11861829B2 (en) Deep learning based medical image detection method and related device
US11887311B2 (en) Method and apparatus for segmenting a medical image, and storage medium
TWI755853B (zh) 圖像處理方法、電子設備和電腦可讀儲存介質
TWI743931B (zh) 網路訓練、圖像處理方法、電子設備和儲存媒體
EP3989119A1 (en) Detection model training method and apparatus, computer device, and storage medium
CN109829920B (zh) 图像处理方法及装置、电子设备和存储介质
WO2021164534A1 (zh) 图像处理方法、装置、设备及存储介质
US20220180521A1 (en) Image processing method and apparatus, and electronic device, storage medium and computer program
WO2022001623A1 (zh) 基于人工智能的图像处理方法、装置、设备及存储介质
CN111369576B (zh) 图像分割模型的训练方法、图像分割方法、装置及设备
CN112767329B (zh) 图像处理方法及装置、电子设备
CN112102237A (zh) 基于半监督学习的脑部肿瘤识别模型的训练方法及装置
CN111429460A (zh) 图像分割方法、图像分割模型训练方法、装置和存储介质
Muhammad et al. Visual saliency models for summarization of diagnostic hysteroscopy videos in healthcare systems
CN110827236B (zh) 基于神经网络的脑组织分层方法、装置、计算机设备
US11841923B2 (en) Processing method, model training method, means, and storage medium for spinal images
CN113706562B (zh) 图像分割方法、装置、系统及细胞分割方法
CN112561877B (zh) 多尺度双通道卷积模型训练方法、图像处理方法及装置
CN110866469A (zh) 一种人脸五官识别方法、装置、设备及介质
CN104182723A (zh) 一种视线估计的方法和装置
CN111078940A (zh) 图像处理方法、装置、计算机存储介质及电子设备
CN112419326A (zh) 图像分割数据处理方法、装置、设备及存储介质
CN116228787A (zh) 图像勾画方法、装置、计算机设备、存储介质
Alawad et al. Machine learning and deep learning techniques for optic disc and cup segmentation–a review

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