CN111325742B - 一种正位胸片中基于空间关系的异常检测方法及系统 - Google Patents

一种正位胸片中基于空间关系的异常检测方法及系统 Download PDF

Info

Publication number
CN111325742B
CN111325742B CN202010139482.4A CN202010139482A CN111325742B CN 111325742 B CN111325742 B CN 111325742B CN 202010139482 A CN202010139482 A CN 202010139482A CN 111325742 B CN111325742 B CN 111325742B
Authority
CN
China
Prior art keywords
spatial
chest
orthotopic
spatial relationship
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
CN202010139482.4A
Other languages
English (en)
Other versions
CN111325742A (zh
Inventor
刘敬禹
廉洁
刚亚栋
张笑春
朱琳
俞益洲
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 Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology 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 Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN202010139482.4A priority Critical patent/CN111325742B/zh
Publication of CN111325742A publication Critical patent/CN111325742A/zh
Application granted granted Critical
Publication of CN111325742B publication Critical patent/CN111325742B/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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Abstract

本发明公开了一种正位胸片中基于空间关系的异常检测方法及系统，其技术方案为：包括：获取解剖结构位置信息，建立预测区域与解剖结构的相对位置关系，得到空间特征编码；将空间特征与预测区域的原始特征拼接起来，使用新的分类器和回归器进行类别分类和位置回归；旧的分类器和回归器对原始特征进行预测，之后使用新的分类器和回归器进行结果预测。本发明将异常和解剖结构的空间位置关系加入到检测过程中，可以得到更为精确的检测结果。

Description

一种正位胸片中基于空间关系的异常检测方法及系统
技术领域
本发明涉及医疗影像处理技术领域，尤其涉及一种正位胸片中基于空间关系的异常检测方法及系统。
背景技术
现有的胸片异常检测方法很少将空间关系应用到检测过程中。正位胸片中的异常检测是对胸部异常区域进行识别和定位，异常与解剖结构之间的空间位置关系对提高异常的检测精度具有很好的辅助性。
深度学习技术现已广泛应用于医疗行业，其在医学影像识别、生物技术、辅助诊断、药物研发、营养学等医学领域均将发挥重要作用。医学影像是疾病诊断的主要途径之一，这些数据大多需要进行人工分析，如果能够运用算法自动分析影像，再将影像与其它病例记录进行对比，就能极大降低医学误诊，帮助做出准诊断。X线平片是胸部疾病早期筛查的有效手段，如何将深度学习技术应用于胸部异常检测成为当前研究热点。
深度学习技术能够通过快速准确地标记特定异常结构，以供放射科医师参考，辅助做出诊断，大大减少工作量。胸部异常与解剖结构的空间位置关系对异常检测具有极大的参考性，如“心影增大”为x线显示出心脏显示范围大于正常范围，而“肺不张”指一个或多个肺段或肺叶的容量或者含气量减少。此外，明确的空间关系还可减少误检率，如钙化和肺部血管有着相似的外表，而肺部血管会对称地出现在双肺内部，钙化则不具有这种特征。
发明内容
为了克服上述技术问题，本发明提供了一种正位胸片中基于空间关系的异常检测方法及系统，将异常和解剖结构的空间位置关系加入到检测过程中，可以得到更为精确的检测结果。
本发明解决其技术问题采取的技术方案是：
一种正位胸片中基于空间关系的异常检测方法，包括：
获取解剖结构位置信息，建立预测区域与解剖结构的相对位置关系，得到空间特征编码；
将空间特征与预测区域的原始特征拼接起来，使用新的分类器和回归器进行类别分类和位置回归；旧的分类器和回归器对原始特征进行预测，之后使用新的分类器和回归器进行结果预测。
可选的，使用预训练好的分割模型定位出胸片中胸部主要解剖结构。
可选的，使用端点坐标差以量化空间关系，得到设定维度的向量编码；使用数据升维方法对得到的向量编码进行升维操作，得到设定维度的空间特征编码。
可选的，使用卷积将向量编码转换为空间特征编码，并将空间特征编码作为预测区域的增强特征。
可选的，使用端点坐标差量化空间关系，得到维度为5×8的向量编码；使用1×1卷积进行升维操作，将向量编码转换为维度为1×640的空间特征编码。
可选的，使用旧的分类器和回归器对原始特征进行预测时，其损失函数也参与训练过程。
可选的，所述解剖结构共有五部分，包括心影、左肩胛骨、右肩胛骨、左肺、右肺，建立预测区域与每个解剖结构的相对位置关系。
本发明还提供了一种正位胸片中基于空间关系的异常检测系统，包括：
位置信息获取模块，用于获取解剖结构位置信息，建立预测区域与所有解剖结构的相对位置关系，得到空间特征编码；
特征处理预测模型，用于将空间特征与预测区域的原始特征拼接起来，使用新的分类器和回归器进行类别分类和位置回归；旧的分类器和回归器对原始特征进行预测，之后使用新的分类器和回归器进行结果预测。
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种正位胸片中基于空间关系的异常检测方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种正位胸片中基于空间关系的异常检测方法。
本发明的有益效果是：
1）本发明通过使用预训练好的分割模型定位出胸片中胸部主要解剖结构，并建立预测区域与每个解剖结构的空间位置关系,将最后的空间位置编码作为该预测区域的增强特征。融合空间信息的特征矩阵具有更好的表达能力，使检测算法具有更好的解释性。
2）本发明获得包含空间信息的增强特征后，与原始特征进行拼接，并送入新的分类器和回归器进行类别分类和位置回归。旧的分类器和回归器依旧对原始特征进行预测。新旧分类器和回归器的级联操作可有效提高检测算法的鲁棒性。
附图说明
图1为本发明的流程图；
图2为本发明的空间关系量化示意图。
实施方式
实施例
参照说明书附图1至附图2对本发明的一种正位胸片中基于空间关系的异常检测方法，作以下详细地说明。
如图1所示，本实施例的一种正位胸片中基于空间关系的异常检测方法包括以下步骤：
步骤S1，使用预训练好的分割模型定位出胸部主要解剖结构，包括心影、左肩胛骨、右肩胛骨、左肺、右肺五部分。某些异常与胸部解剖结构具有很强的关联性。
如“心影增大”为x线显示出心脏显示范围大于正常范围，而“肺不张”指一个或多个肺段或肺叶的容量或者含气量减少。借助解剖结构和异常的空间关系，对提高检测准确率有着极大的帮助。
步骤S2，通过步骤S1得到胸部主要解剖结构，得到解剖结构位置信息后，建立预测区域和所有解剖结构的相对位置关系。使用端点坐标差以量化空间关系，得到设定维度的向量编码。
之后，使用数据升维方法对得到的向量编码进行升维操作，得到设定维度的空间特征编码。最后，将空间特征编码作为预测区域的增强特征。加入了空间关系的特征矩阵具有更好的表达能力，加强了算法的可解释性。
在本实施例中，使用端点坐标差以量化空间关系，得到维度为5×8的向量编码。使用1×1卷积进行升维操作，将向量编码转换为维度为1×640的空间特征编码。可以理解的，在其他实施例中，向量编码及空间特征编码也可以为其他维度，可根据实际要求设定。
具体的，建立预测区域与每个解剖结构的相对位置关系，坐标差量化公式如下：
；
步骤S3，通过步骤S2得到空间特征编码。将得到的空间特征与预测区域的原始特征拼接起来，送入到新的分类器和回归器对此区域进行类别分类和位置回归。旧的分类器和回归器依旧对原始特征进行预测，其损失函数也参与训练过程，这种级联的方式使检测算法具有更强的鲁棒性，可显著提高检测准确率。最终，使用新的分类器和回归器进行结果预测。
实施例
本实施例提供了一种正位胸片中基于空间关系的异常检测系统，包括：
位置信息获取模块，用于获取解剖结构位置信息，建立预测区域与所有解剖结构的相对位置关系，得到空间特征编码；
特征处理预测模型，用于将空间特征与预测区域的原始特征拼接起来，使用新的分类器和回归器进行类别分类和位置回归；旧的分类器和回归器对原始特征进行预测，之后使用新的分类器和回归器进行结果预测。
实施例
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一所述的一种正位胸片中基于空间关系的异常检测方法。
实施例
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述的一种正位胸片中基于空间关系的异常检测方法。
以上实施例二-四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上所述，仅为本发明的具体实施方式，熟悉本领域的技术人员在本发明揭露的范围内，可轻易想到的变化，都应涵盖在发明的保护范围之内。

Claims (9)

1.一种正位胸片中基于空间关系的异常检测方法，其特征在于，包括：
获取解剖结构位置信息，建立预测区域与解剖结构的相对位置关系，得到空间特征编码；
将空间特征与预测区域的原始特征拼接起来，使用新的分类器和回归器进行类别分类和位置回归；旧的分类器和回归器对原始特征进行预测，之后使用新的分类器和回归器进行结果预测；
其中：
使用端点坐标差以量化空间关系，得到设定维度的向量编码；使用数据升维方法对得到的向量编码进行升维操作，得到设定维度的空间特征编码。
2.根据权利要求1所述的一种正位胸片中基于空间关系的异常检测方法，其特征在于，使用预训练好的分割模型定位出胸片中胸部主要解剖结构。
3.根据权利要求1所述的一种正位胸片中基于空间关系的异常检测方法，其特征在于，使用卷积将向量编码转换为空间特征编码，并将空间特征编码作为预测区域的增强特征。
4.根据权利要求1所述的一种正位胸片中基于空间关系的异常检测方法，其特征在于，使用端点坐标差量化空间关系，得到维度为5×8的向量编码；使用1×1卷积进行升维操作，将向量编码转换为维度为1×640的空间特征编码。
5.根据权利要求1所述的一种正位胸片中基于空间关系的异常检测方法，其特征在于，使用旧的分类器和回归器对原始特征进行预测时，其损失函数也参与训练过程。
6.根据权利要求1所述的一种正位胸片中基于空间关系的异常检测方法，其特征在于，所述解剖结构共有五部分，包括心影、左肩胛骨、右肩胛骨、左肺、右肺，建立预测区域与每个解剖结构的相对位置关系。
7.一种正位胸片中基于空间关系的异常检测系统，其特征在于，包括：
位置信息获取模块，用于获取解剖结构位置信息，建立预测区域与所有解剖结构的相对位置关系，得到空间特征编码；
特征处理预测模型，用于将空间特征与预测区域的原始特征拼接起来，使用新的分类器和回归器进行类别分类和位置回归；旧的分类器和回归器对原始特征进行预测，之后使用新的分类器和回归器进行结果预测；
其中：
使用端点坐标差以量化空间关系，得到设定维度的向量编码；使用数据升维方法对得到的向量编码进行升维操作，得到设定维度的空间特征编码。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-6任一项所述的一种正位胸片中基于空间关系的异常检测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的一种正位胸片中基于空间关系的异常检测方法。
CN202010139482.4A 2020-03-03 2020-03-03 一种正位胸片中基于空间关系的异常检测方法及系统 Active CN111325742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010139482.4A CN111325742B (zh) 2020-03-03 2020-03-03 一种正位胸片中基于空间关系的异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010139482.4A CN111325742B (zh) 2020-03-03 2020-03-03 一种正位胸片中基于空间关系的异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN111325742A CN111325742A (zh) 2020-06-23
CN111325742B true CN111325742B (zh) 2023-09-26

Family

ID=71173054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010139482.4A Active CN111325742B (zh) 2020-03-03 2020-03-03 一种正位胸片中基于空间关系的异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN111325742B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047081A (zh) * 2019-03-26 2019-07-23 清华大学 胸部x光图像的实例分割方法、装置、设备及介质
CN110176002A (zh) * 2019-06-05 2019-08-27 深圳大学 一种x射线图像的病灶检测方法及终端设备
WO2019220871A1 (ja) * 2018-05-16 2019-11-21 パナソニック株式会社 胸部ｘ線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置
CN110853011A (zh) * 2019-11-11 2020-02-28 河北工业大学 用于肺结节检测的卷积神经网络模型的构建方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7352888B2 (en) * 2004-07-30 2008-04-01 Carestream Health, Inc. Method for computer recognition of projection views and orientation of chest radiographs
US8731255B2 (en) * 2008-11-05 2014-05-20 University Of Louisville Research Foundation, Inc. Computer aided diagnostic system incorporating lung segmentation and registration
US9668699B2 (en) * 2013-10-17 2017-06-06 Siemens Healthcare Gmbh Method and system for anatomical object detection using marginal space deep neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019220871A1 (ja) * 2018-05-16 2019-11-21 パナソニック株式会社 胸部ｘ線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置
CN110047081A (zh) * 2019-03-26 2019-07-23 清华大学 胸部x光图像的实例分割方法、装置、设备及介质
CN110176002A (zh) * 2019-06-05 2019-08-27 深圳大学 一种x射线图像的病灶检测方法及终端设备
CN110853011A (zh) * 2019-11-11 2020-02-28 河北工业大学 用于肺结节检测的卷积神经网络模型的构建方法

Also Published As

Publication number Publication date
CN111325742A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
Mansilla et al. Learning deformable registration of medical images with anatomical constraints
CN108537784B (zh) 一种基于深度学习的ct图肺结节检测方法
CN111429421B (zh) 模型生成方法、医学图像分割方法、装置、设备及介质
US8958625B1 (en) Spiculated malignant mass detection and classification in a radiographic image
Shi et al. Segmenting lung fields in serial chest radiographs using both population-based and patient-specific shape statistics
EP2483863B1 (en) Method and apparatus for processing medical images
US8195269B2 (en) System and method for automatic detection and measurement of malacia in the airways
Gündel et al. Robust classification from noisy labels: Integrating additional knowledge for chest radiography abnormality assessment
CN111008957A (zh) 医疗信息处理方法和装置
CN111275707B (zh) 肺炎病灶分割方法和装置
US20230394670A1 (en) Anatomically-informed deep learning on contrast-enhanced cardiac mri for scar segmentation and clinical feature extraction
CN112396605B (zh) 网络训练方法及装置、图像识别方法和电子设备
US8340378B2 (en) Ribcage segmentation
CN112686875A (zh) 基于神经网络的pet-ct图像的肿瘤预测方法及计算机可读存储介质
Albahli et al. AI-driven deep and handcrafted features selection approach for Covid-19 and chest related diseases identification
CN110570425A (zh) 一种基于深度强化学习算法的肺结节分析方法及装置
CN111724356B (zh) 一种用于ct影像肺炎识别的图像处理方法和系统
CN111325742B (zh) 一种正位胸片中基于空间关系的异常检测方法及系统
CN115210755A (zh) 解决训练数据中遗漏注释的类别不同损失函数
US20220284586A1 (en) Assessment of pulmonary function in coronavirus patients
CN112530554B (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN115661193A (zh) 基于时间上下文和信息瓶颈的超声运动跟踪方法及系统
Andronache et al. Adaptive subdivision for hierarchical non-rigid registration of multi-modal images using mutual information
EP2178046A2 (en) Multi-image correlation
Gerard et al. Direct estimation of regional lung volume change from paired and single CT images using residual regression neural network

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