CN111260618B - 病灶检测系统构建的方法、装置及电子设备 - Google Patents

病灶检测系统构建的方法、装置及电子设备 Download PDF

Info

Publication number
CN111260618B
CN111260618B CN202010034331.2A CN202010034331A CN111260618B CN 111260618 B CN111260618 B CN 111260618B CN 202010034331 A CN202010034331 A CN 202010034331A CN 111260618 B CN111260618 B CN 111260618B
Authority
CN
China
Prior art keywords
focus
detection
image data
layer
constructing
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
CN202010034331.2A
Other languages
English (en)
Other versions
CN111260618A (zh
Inventor
刘邦长
孔飞
姜鹏
常德杰
王海
李荣华
刘朝振
刘红霞
张航飞
季科
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.)
Beijing Miaoyijia Health Technology Group Co ltd
Original Assignee
Beijing Miaoyijia Health Technology Group Co ltd
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 Beijing Miaoyijia Health Technology Group Co ltd filed Critical Beijing Miaoyijia Health Technology Group Co ltd
Priority to CN202010034331.2A priority Critical patent/CN111260618B/zh
Publication of CN111260618A publication Critical patent/CN111260618A/zh
Application granted granted Critical
Publication of CN111260618B publication Critical patent/CN111260618B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种病灶检测系统构建的方法、装置及电子设备，包括：获取CT影像数据；其中，CT影像数据包括有病灶的CT影像数据和无病灶的CT影像数据；基于类空间金字塔检测网络模型对CT影像数据进行逐层检测，确定病灶类型和病灶位置；根据病灶类型和病灶位置构建病灶检测模型；基于病灶检测模型构建病灶检测系统；其中，病灶检测系统包括至少两个病灶检测模型。本发明可以基于类空间金字塔检测网络模型构建病灶检测系统，在构建过程中无需对数据进行肺实质分割等预处理，也无需通过后处理降低误差率，从而可以简化系统的构建过程。

Description

病灶检测系统构建的方法、装置及电子设备
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种病灶检测系统构建的方法、装置及电子设备。
背景技术
目前，采用传统的病灶检测系统进行肺部检测，通常首先需要进行肺实质分割提取肺部区域，排除肺外区域的数据预处理过程，之后采用3D检测算法进行检测，需要依赖于大量高质量的标注数据集，最后还需要借助假阳性消除策略降低模型的误差率，通过后处理手段提高性能。因此，传统的病灶检测系统在进行构建时需要首先进行肺实质分割等预处理，同时需要借助假阳性消除策略降低模型的误差率，过程更加繁琐。
发明内容
有鉴于此，本发明的目的在于提供一种病灶检测系统构建的方法、装置及电子设备，以缓解目前的病灶检测系统在进行构建时需要进行数据预处理，同时需要借助假阳性消除策略降低模型的误差率，过程繁琐的技术问题。
第一方面，本发明实施例提供了一种病灶检测系统构建的方法，包括：
获取CT影像数据；其中，CT影像数据包括有病灶的CT影像数据和无病灶的CT影像数据；
基于类空间金字塔检测网络模型对CT影像数据进行逐层检测，确定病灶类型和病灶位置；
根据病灶类型和病灶位置构建病灶检测模型；
基于病灶检测模型构建病灶检测系统；其中，病灶检测系统包括至少两个病灶检测模型。
在一种实施方式中，类空间金字塔检测网络模型包括特征金字塔网络FPN、批归一化BN和深度残差网络ResNet50。
在一种实施方式中，基于类空间金字塔检测网络模型对CT影像数据进行逐层检测，确定病灶类型和病灶位置的步骤，包括：
基于类空间金字塔检测网络模型，采用2D检测算法对CT影像数据进行逐层检测，确定病灶类型和病灶位置。
在一种实施方式中，基于类空间金字塔检测网络模型，采用2D检测算法对CT影像数据进行逐层检测，确定病灶类型的步骤之后，还包括：
采用位置聚类算法确定病灶位置。
在一种实施方式中，2D检测算法包括：
获取CT影像的2D检测结果，将2D检测结果确定为图的节点；
基于节点之间的空间相连关系构建图结构；
基于图结构进行联通子图求解，得到3D检测结果。
第二方面，本发明实施例提供了一种病灶检测系统构建的装置，包括：
数据获取模块，用于获取CT影像数据；其中，CT影像数据包括有病灶的CT影像数据和无病灶的CT影像数据；
检测模块，用于基于类空间金字塔检测网络模型对CT影像数据进行逐层检测，确定病灶类型和病灶位置；
模型构建模块，用于根据病灶类型和病灶位置构建病灶检测模型；
系统构建模块，用于基于病灶检测模型构建病灶检测系统；其中，病灶检测系统包括至少两个病灶检测模型。
在一种实施方式中，检测模块包括：第一检测单元，用于基于类空间金字塔检测网络模型，采用2D检测算法对CT影像数据进行逐层检测，确定病灶类型。
在一种实施方式中，检测模块包括：第二检测单元，用于采用位置聚类算法确定病灶位置。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面提供的任一项的方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面提供的任一项的方法的步骤。
本发明实施例提供的上述病灶检测系统构建的方法、装置及电子设备，能够利用类空间金字塔检测网络模型对获取得到的CT影像数据(包括有病灶的CT影像数据和无病灶的CT影像数据)进行逐层检测，得到检测结果(检测结果包括病灶类型和病灶位置)；之后基于上述检测结果建立病灶检测模型，最后构建病灶检测系统(病灶检测系统包括至少两个病灶检测模型)。上述系统构建的方法中，无需对CT影像数据进行肺实质分割等预处理，可以直接对获取的CT影像数据进行逐层检测得到精度较高的结果，同时病灶检测系统可以通过将多个检测模型的检测结果进行融合，降低误差，因此无需通过后处理降低误差率，从而可以简化系统的构建过程。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种病灶检测系统构建的方法的流程示意图；
图2为本发明实施例提供的一种类空间金字塔检测网络模型的训练流程示意图；
图3为本发明实施例提供的一种病灶检测系统构建的装置的结构示意图；
图4为一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
目前，传统的病灶检测系统在进行构建时需要首先进行肺实质分割等预处理，同时需要借助假阳性消除策略降低模型的误差率，过程更加繁琐。基于此，本发明实施例提供的一种病灶检测系统构建的方法、装置及电子设备，可以基于类空间金字塔检测网络模型构建病灶检测系统，在构建过程中无需对数据进行肺实质分割等预处理，也无需通过后处理降低误差率，从而可以简化系统的构建过程。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种病灶检测系统构建的方法进行详细介绍，参见图1所示的一种病灶检测系统构建的方法的流程示意图，该方法可以由电子设备执行，主要包括以下步骤S101至步骤S104：
步骤S101：获取CT影像数据。
由于在系统构建的过程中，本发明实施例提供的方法没有对获取的CT影像数据进行诸如肺实质分割等预处理，因此可能会在肺部之外的区域出现一定的误差，为了解决这个问题，本发明实施例采用的训练数据包括有病灶的CT影像数据和无病灶的CT影像数据。通过让训练模型学习正常的无病灶的影像结构来区分正常影像结构和异常影像结构，从而使得训练得到的模型可以有效的识别异常的影响特征。
步骤S102：基于类空间金字塔检测网络模型对CT影像数据进行逐层检测，确定病灶类型和病灶位置。
具体的，类空间金字塔检测网络模型为该检测系统的主干网络模型，可以采用特征金字塔网络(FPN，Feature Pyramid Network)、批归一化(BN，Batch Normalization)和深度残差网络(ResNet50，Deep Residual Network)组合策略。
在病灶检测过程中，由于同一类别的病灶在大小尺度上变化差异较大，对于多尺度变化的情况通常会存在漏报的风险，基于此，本发明引入了类空间金字塔检测网络模型，采用空洞卷积技术进行检测，以扩大感受视野。具体参见图2所的一种类空间金字塔检测网络模型的训练流程示意图，示意出在模型输入上调整了Z方向的观测范围，对CT图像的各个层面进行逐层检测，在每一层截取同一位置不同大小的图像，得到不同尺度的特征图像，并且利用空洞卷积技术逐步扩大病灶区域的视野，诸如图2右上角所示，病灶区域的视野逐步扩大，进而可以根据更多的周围组织信息及不同层面上的特征综合区分表观相似的病灶类别，更加精准的确定其所属类别。
步骤S103：根据病灶类型和病灶位置构建病灶检测模型。
步骤S104：基于病灶检测模型构建病灶检测系统。
其中，病灶检测系统包括至少两个病灶检测模型。传统的模型融合往往是在模型输出检测结果之后再次融合，与传统的融合方式不同，本发明提供的上述系统的构建方法中，采用双分支诊断模型(即系统中包括两个诊断模型，分别对输入的CT影像进行检测处理)，在系统结构内部融合不同模型的检测检测结果并用以输出最终的结果，从而可以提高检测的精度。
本发明实施例提供的上述病灶检测系统构建的方法，能够利用类空间金字塔检测网络模型对获取得到的CT影像数据(包括有病灶的CT影像数据和无病灶的CT影像数据)进行逐层检测，得到检测结果(检测结果包括病灶类型和病灶位置)；之后基于上述检测结果建立病灶检测模型，最后构建病灶检测系统(病灶检测系统包括至少两个病灶检测模型)。上述系统构建的方法中，无需对CT影像数据进行肺实质分割等预处理，可以直接对获取的CT影像数据进行逐层检测得到精度较高的结果，同时病灶检测系统可以通过将多个检测模型的检测结果进行融合，降低误差，因此无需通过后处理降低误差率，从而可以简化系统的构建过程。
对于上述步骤S102可以按照以下步骤a至步骤b执行：
步骤a：基于类空间金字塔检测网络模型，采用2D检测算法对CT影像数据进行逐层检测，确定病灶类型和病灶位置。
在实际应用中，不同类别的病灶表观上会存在一定程度的相似，为了更好地区分不同类别的病灶，可以采用2D算法对CT影像的各个层面进行检测，将多层面的特征进行融合。因此，可以将问题转化为图的联通子图问题，首先将所有的2D检测结果作为图的一个节点，使用节点之间的空间相连关系判断节点之间是否相连，之后进行联通子图的求解，得到每一个病灶的3D空间位置的信息。
步骤b：采用位置聚类算法确定病灶位置。
进一步，为了提高病灶检测位置的精度，可以进一步采用位置聚类算法确定病灶的位置，提升模型的精度。
在一种具体应用中，对于上述2D检测算法可以按照以下步骤(1)至步骤(3)执行：
步骤(1)：获取CT影像的2D检测结果，将2D检测结果确定为图的节点。
步骤(2)：基于节点之间的空间相连关系构建图结构。
步骤(3)：基于图结构进行联通子图求解，得到3D检测结果。
综上所述，本发明实施例提供的上述针对肺部CT影像多种类别的病灶检测系统的构建方法，能够针对病灶尺度变化大的特点，借助空洞卷积扩大感受野的机制；针对多种病灶之间表观高度相似的特点，采用2D逐层检测的策略，并借助联通子图算法解决病灶定位问题，在模型融合层面，提出了双分支诊断模型。因此，无需进行肺实质分割以及假阳性消除的前处理和后处理，简化了系统构建的过程，提升了系统的性能。
对于前述实施例提供的病灶检测系统构建的方法，本发明实施例还提供了一种病灶检测系统构建的装置，参见图3所示的一种病灶检测系统构建的装置的结构示意图，该装置可以包括以下部分：
数据获取模块301，用于获取CT影像数据；其中，CT影像数据包括有病灶的CT影像数据和无病灶的CT影像数据。
检测模块302，用于基于类空间金字塔检测网络模型对CT影像数据进行逐层检测，确定病灶类型和病灶位置。
模型构建模块303，用于根据病灶类型和病灶位置构建病灶检测模型。
系统构建模块304，用于基于病灶检测模型构建病灶检测系统；其中，病灶检测系统包括至少两个病灶检测模型。
本发明实施例提供的上述病灶检测系统构建的装置，能够利用类空间金字塔检测网络模型对获取得到的CT影像数据(包括有病灶的CT影像数据和无病灶的CT影像数据)进行逐层检测，得到检测结果(检测结果包括病灶类型和病灶位置)；之后基于上述检测结果建立病灶检测模型，最后构建病灶检测系统(病灶检测系统包括至少两个病灶检测模型)。上述装置，无需对CT影像数据进行肺实质分割等预处理，可以直接对获取的CT影像数据进行逐层检测得到精度较高的结果，同时病灶检测系统可以通过将多个检测模型的检测结果进行融合，降低误差，因此无需通过后处理降低误差率，从而可以简化系统的构建过程。
在一种实施方式中，上述检测模块302还包括：第一检测单元，用于基于类空间金字塔检测网络模型，采用2D检测算法对CT影像数据进行逐层检测，确定病灶类型和病灶位置。
在一种实施方式中，上述检测模块302还包括：第二检测单元，用于采用位置聚类算法确定病灶位置。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如上实施方式的任一项所述的方法。
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(CPU，Central Processing Unit)、网络处理器(NP，Network Processor)等；还可以是数字信号处理器(DSP，Digital SignalProcessing)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述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机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说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，该计算机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机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种病灶检测系统构建的方法，其特征在于，包括：
获取CT影像数据；其中，所述CT影像数据包括有病灶的CT影像数据和无病灶的CT影像数据；
基于类空间金字塔检测网络模型对所述CT影像数据进行逐层检测，得到病灶类别和病灶位置；
根据所述病灶类别和所述病灶位置构建病灶检测模型；
基于所述病灶检测模型构建病灶检测系统；其中，所述病灶检测系统包括至少两个所述病灶检测模型；其中，每个所述病灶检测模型分别对输入的所述CT影像数据进行检测，所述病灶检测系统融合不同病灶检测模型的检测结果并输出最终的结果；
基于类空间金字塔检测网络模型对所述CT影像数据进行逐层检测，得到病灶类别和病灶位置，包括：基于类空间金字塔检测网络模型，对所述CT影像数据的各个层面进行逐层检测，在每一层截取同一位置不同大小的图像，得到不同尺度的特征图像，并且利用空洞卷积技术逐步扩大病灶区域的视野，得到病灶类别和病灶位置。
2.根据权利要求1所述的病灶检测系统构建的方法，其特征在于，所述类空间金字塔检测网络模型包括特征金字塔网络FPN、批归一化BN和深度残差网络ResNet50。
3.根据权利要求1所述的病灶检测系统构建的方法，其特征在于，所述基于类空间金字塔检测网络模型对所述CT影像数据进行逐层检测，确定病灶类别和病灶位置的步骤，包括：
基于类空间金字塔检测网络模型，采用2D检测算法对所述CT影像数据进行逐层检测，确定病灶类型和病灶位置。
4.根据权利要求3所述的病灶检测系统构建的方法，其特征在于，所述基于类空间金字塔检测网络模型，采用2D检测算法对所述CT影像数据进行逐层检测，确定病灶类型和病灶位置的步骤之后，还包括：
采用位置聚类算法确定病灶位置。
5.根据权利要求3所述的病灶检测系统构建的方法，其特征在于，所述2D检测算法包括：
获取所述CT影像的2D检测结果，将所述2D检测结果确定为图的节点；
基于所述节点之间的空间相连关系构建图结构；
基于所述图结构进行联通子图求解，得到3D检测结果。
6.一种病灶检测系统构建的装置，其特征在于，包括：
数据获取模块，用于获取CT影像数据；其中，所述CT影像数据包括有病灶的CT影像数据和无病灶的CT影像数据；
检测模块，用于基于类空间金字塔检测网络模型对所述CT影像数据进行逐层检测，确定病灶类型和病灶位置；
模型构建模块，用于根据所述病灶类型和所述病灶位置构建病灶检测模型；
系统构建模块，用于基于所述病灶检测模型构建病灶检测系统；其中，所述病灶检测系统包括至少两个所述病灶检测模型；其中，每个所述病灶检测模型分别对输入的所述CT影像数据进行检测，所述病灶检测系统融合不同病灶检测模型的检测结果并输出最终的结果；
所述检测模块，还用于：基于类空间金字塔检测网络模型，对所述CT影像数据的各个层面进行逐层检测，在每一层截取同一位置不同大小的图像，得到不同尺度的特征图像，并且利用空洞卷积技术逐步扩大病灶区域的视野，得到病灶类别和病灶位置。
7.根据权利要求6所述的病灶检测系统构建的装置，其特征在于，所述检测模块包括：
第一检测单元，用于基于类空间金字塔检测网络模型，采用2D检测算法对所述CT影像数据进行逐层检测，确定病灶类型。
8.根据权利要求6所述的病灶检测系统构建的装置，其特征在于，所述检测模块包括：
第二检测单元，用于采用位置聚类算法确定病灶位置。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至5任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至5任一项所述的方法的步骤。
CN202010034331.2A 2020-01-13 2020-01-13 病灶检测系统构建的方法、装置及电子设备 Active CN111260618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010034331.2A CN111260618B (zh) 2020-01-13 2020-01-13 病灶检测系统构建的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010034331.2A CN111260618B (zh) 2020-01-13 2020-01-13 病灶检测系统构建的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111260618A CN111260618A (zh) 2020-06-09
CN111260618B true CN111260618B (zh) 2023-08-25

Family

ID=70952096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010034331.2A Active CN111260618B (zh) 2020-01-13 2020-01-13 病灶检测系统构建的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111260618B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737250A (zh) * 2011-01-14 2012-10-17 西门子公司 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统
CN106940816A (zh) * 2017-03-22 2017-07-11 杭州健培科技有限公司 基于3d全连接卷积神经网络的ct图像肺结节检测系统
CN109325534A (zh) * 2018-09-22 2019-02-12 天津大学 一种基于双向多尺度金字塔的语义分割方法
CN109523526A (zh) * 2018-11-08 2019-03-26 腾讯科技（深圳）有限公司 组织结节检测及其模型训练方法、装置、设备和系统
CN109961446A (zh) * 2019-03-27 2019-07-02 深圳视见医疗科技有限公司 Ct/mr三维图像分割处理方法、装置、设备及介质
CN110009599A (zh) * 2019-02-01 2019-07-12 腾讯科技（深圳）有限公司 肝占位检测方法、装置、设备及存储介质
CN110163844A (zh) * 2019-04-17 2019-08-23 平安科技（深圳）有限公司 眼底病灶检测方法、装置、计算机设备及存储介质
CN110189307A (zh) * 2019-05-14 2019-08-30 慧影医疗科技（北京）有限公司 一种基于多模型融合的肺结节检测方法及系统
CN110210227A (zh) * 2019-06-11 2019-09-06 百度在线网络技术（北京）有限公司 风险检测方法、装置、设备和存储介质
CN110288577A (zh) * 2019-06-20 2019-09-27 翼健(上海)信息科技有限公司 一种3d实现多器官病灶整合的控制方法及控制装置
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004003882A1 (de) * 2004-01-26 2005-08-18 Siemens Ag Verfahren zur Erzeugung von tomographischen Schnittbildern eines sich periodisch bewegenden Objektes mit einer Fokus-Detektor-Kombination
US10905498B2 (en) * 2018-02-08 2021-02-02 Covidien Lp System and method for catheter detection in fluoroscopic images and updating displayed position of catheter

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737250A (zh) * 2011-01-14 2012-10-17 西门子公司 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统
CN106940816A (zh) * 2017-03-22 2017-07-11 杭州健培科技有限公司 基于3d全连接卷积神经网络的ct图像肺结节检测系统
CN109325534A (zh) * 2018-09-22 2019-02-12 天津大学 一种基于双向多尺度金字塔的语义分割方法
CN109523526A (zh) * 2018-11-08 2019-03-26 腾讯科技（深圳）有限公司 组织结节检测及其模型训练方法、装置、设备和系统
CN110009599A (zh) * 2019-02-01 2019-07-12 腾讯科技（深圳）有限公司 肝占位检测方法、装置、设备及存储介质
CN109961446A (zh) * 2019-03-27 2019-07-02 深圳视见医疗科技有限公司 Ct/mr三维图像分割处理方法、装置、设备及介质
CN110163844A (zh) * 2019-04-17 2019-08-23 平安科技（深圳）有限公司 眼底病灶检测方法、装置、计算机设备及存储介质
CN110189307A (zh) * 2019-05-14 2019-08-30 慧影医疗科技（北京）有限公司 一种基于多模型融合的肺结节检测方法及系统
CN110210227A (zh) * 2019-06-11 2019-09-06 百度在线网络技术（北京）有限公司 风险检测方法、装置、设备和存储介质
CN110288577A (zh) * 2019-06-20 2019-09-27 翼健(上海)信息科技有限公司 一种3d实现多器官病灶整合的控制方法及控制装置
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的CT图像肺结节检测;葛治文;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第2019(05)期);I138-1572 *

Also Published As

Publication number Publication date
CN111260618A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN109784391B (zh) 基于多模型的样本标注方法及装置
CN112288723B (zh) 缺陷检测方法、装置、计算机设备及存储介质
CN109086734B (zh) 一种对人眼图像中瞳孔图像进行定位的方法及装置
CN109376631B (zh) 一种基于神经网络的回环检测方法及装置
CN111161279B (zh) 医学图像分割方法、装置及服务器
CN108805180B (zh) 目标对象的检测方法及装置
CN111242925B (zh) 针对ct影像数据的目标检测方法、装置及电子设备
CN111860489A (zh) 一种证件图像校正方法、装置、设备及存储介质
CN111027412B (zh) 一种人体关键点识别方法、装置及电子设备
CN111260618B (zh) 病灶检测系统构建的方法、装置及电子设备
CN113487223A (zh) 一种基于信息融合的风险评估方法和评估系统
CN116994044A (zh) 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法
CN113033542B (zh) 一种文本识别模型的生成方法以及装置
CN111652277A (zh) 假阳性过滤方法、电子装置及计算机可读存储介质
CN111768346A (zh) 身份证背面图像的校正方法、装置、设备及存储介质
US20210019666A1 (en) Information processing method and information processing system
CN110715799B (zh) 断路器机械状态检测方法、装置及终端设备
CN111524171B (zh) 图像处理方法、装置和电子设备
CN108764110B (zh) 基于hog特征行人检测器的递归错检校验方法、系统及设备
CN111259703B (zh) 人脸倾斜角度检测方法和装置
CN111753598A (zh) 人脸检测方法及设备
CN112507983B (zh) 目标检测方法、装置、电子设备及存储介质
WO2022230413A1 (ja) 検出装置、検出装置の制御方法、学習済モデルを生成するモデル生成装置によるモデル生成方法、情報処理プログラム、および記録媒体
JP7402082B2 (ja) 情報処理方法及び情報処理システム
CN112966293B (zh) 数据库脏页面检测方法、装置、计算设备及存储介质

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