CN111340827A - 一种肺部ct影像数据处理分析方法及系统 - Google Patents
一种肺部ct影像数据处理分析方法及系统 Download PDFInfo
- Publication number
- CN111340827A CN111340827A CN202010416901.4A CN202010416901A CN111340827A CN 111340827 A CN111340827 A CN 111340827A CN 202010416901 A CN202010416901 A CN 202010416901A CN 111340827 A CN111340827 A CN 111340827A
- Authority
- CN
- China
- Prior art keywords
- lung
- image data
- target region
- flat
- unit
- 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
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T2207/10—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
- G06T2207/20081—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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种肺部CT影像数据处理分析方法及系统,属于医学图像处理和人工智能技术领域。所述方法包括:根据肺部CT影像和肺部轮廓进行神经网络训练学习,得到肺部轮廓分割模型;根据肺部轮廓分割模型和目标区域进行神经网络训练学习,得到肺部目标区域分割模型;分割出肺部目标区域,并使用分类网络进行训练学习,得到CT平扫影像数据分类模型;根据CT平扫影像数据分类模型,确定肺部CT影像数据的类别。所述系统包括标注模块、第一训练学习模块、第二训练学习模块、第三训练学习模块和计算分析模块。本发明提高了肺部CT影像数据的处理效率,可快速地分割出肺部区域及肺内的目标区域,并对目标区域图像进行准确分类。
Description
技术领域
本发明涉及医学图像处理和人工智能技术领域,特别涉及一种肺部CT影像数据处理分析方法及系统。
背景技术
CT影像是CT设备使用X射线束对人体某部一定厚度的层面进行扫描,由探测器接收透过该层面的X射线,转变为可见光后,由光电转换变为电信号,再经模拟/数字转换器转化为数字信号,输入计算机处理。CT影像技术在医学检查上得到了广泛的应用,尤其对CT影像中的目标检测与分析已经成为多种疾病诊断的前置步骤。
目前,对于肺部CT影像中的目标检测主要是通过医生的肉眼进行查看,这种检测方法依赖医生对目标区域的检测经验,并且医生阅读肺部CT影像耗费时间长、速度慢、效率低,不同医生对目标区域的判断结果各不相同。对于目标区域的定性分析主要是通过医生本人的医疗经验来作出,并未与其他医学分析手段结合,导致目标区域定性分析的结果往往过于主观,准确性不高。
近期随着新型冠状病毒的快速蔓延,被感染的新冠肺炎患者急剧增加。由于新冠病毒感染者的肺部CT影像表征要早于临床表征,因此普遍采用肺部CT平扫检查为主。新冠疫情环境下,医疗资源紧缺,疫情重灾区每日有近千名患者排队等待肺部CT检查,由于没有足够多的医生来阅读大量的CT影像,并且人工阅读CT影像速度慢、效率低,增加了患者院内排队等候检查时间,容易引发交叉感染,贻误病情。此外,对于肺部CT影像数据中目标区域的分析也由于缺少足够多的医生及分析标准不规范,无法在短时间内给出正确的结果,这也会贻误疾病的及时治疗。因此,针对新冠肺炎病毒疫情,急需一种能够快速处理及分析肺部CT影像数据的方法,以替代现有人工阅读肺部CT影像数据及分析目标区域的处理方式。
发明内容
为了解决现有人工阅读肺部CT影像数据及分析目标区域存在的耗费时间长、速度慢、效率低等问题,本发明提供了一种肺部CT影像数据处理分析方法,包括:
在肺部CT平扫影像数据中标注肺部轮廓与目标区域,并根据所述CT平扫影像数据和已标注的肺部轮廓数据,利用第一神经网络进行训练学习,得到肺部轮廓分割模型;
根据所述肺部轮廓分割模型和已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型;
根据所述CT平扫影像数据和肺部目标区域分割模型,分割出肺部目标区域,并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据,使用分类网络对所述肺部目标区域进行训练学习,得到CT平扫影像数据分类模型;
根据所述CT平扫影像数据和CT平扫影像数据分类模型,计算出所述CT平扫影像数据的分类概率,并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。
所述在肺部CT平扫影像数据中标注肺部轮廓与目标区域,并根据所述CT平扫影像数据和已标注的肺部轮廓数据,利用第一神经网络进行训练学习,得到肺部轮廓分割模型的步骤具体包括:
获取及清洗肺部CT平扫影像数据,采用手工勾勒标注法在清洗后的CT平扫影像数据中标注肺部轮廓与目标区域;
调整清洗后的CT平扫影像分辨率至第一分辨率统一值,并根据预设的第一灰度值裁剪范围裁剪所述CT平扫影像的数值矩阵,对所述影像的数值矩阵中的数据进行归一化处理,使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值;
使用归一化处理后的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据,并利用第一神经网络进行训练学习,得到肺部轮廓分割模型。
所述根据所述肺部轮廓分割模型和已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型的步骤具体包括:
根据所述肺部轮廓分割模型提取出肺部轮廓,以所述肺部轮廓外接立方体作为肺部感兴趣区域,并对所述肺部感兴趣区域作数值裁剪和归一化处理;
将归一化处理后的肺部感兴趣区域进行裁剪,并使用裁剪后的肺部感兴趣区域数据和已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型。
所述对所述肺部感兴趣区域作数值裁剪和归一化处理的步骤具体包括:
调整所述肺部感兴趣区域分辨率至第二分辨率统一值;
根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵,对所述肺部感兴趣区域数值矩阵中的数据进行归一化处理,使裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。
所述根据所述CT平扫影像数据和肺部目标区域分割模型,分割出肺部目标区域,并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据,使用分类网络对所述肺部目标区域进行训练学习,得到CT平扫影像数据分类模型的步骤具体包括:
根据所述归一化处理后的肺部感兴趣区域和肺部目标区域分割模型,得到肺部目标区域;
调整所述归一化处理后的肺部感兴趣区域和肺部目标区域的图像尺寸至固定尺寸;
将固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼接,得到拼接后的图像;
使用所述拼接后的图像作为训练数据,利用分类网络进行训练学习,得到CT平扫影像数据分类模型。
所述第一神经网络为3D-Unet网络,所述3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss;所述第二神经网络为加入attention机制的3D-Unet网络;所述分类网络为带有注意力机制的3D-SE_Resnet50网络。
所述根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别的步骤之后还包括:根据概率值大于等于预设分类阈值的比较结果,计算出所述肺部目标区域与整个肺部区域的体积比,并根据所述体积比与预设体积比阈值的比较结果修改或维持所述CT平扫影像数据的类别。
本发明还提供了一种肺部CT影像数据处理分析系统,包括:
标注模块,用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域;
第一训练学习模块,用于根据所述CT平扫影像数据和所述标注模块已标注的肺部轮廓数据,利用第一神经网络进行训练学习,得到肺部轮廓分割模型;
第二训练学习模块,用于根据所述第一训练学习模块得到的肺部轮廓分割模型和所述标注模块已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型;
第三训练学习模块,用于根据所述CT平扫影像数据和所述第二训练学习模块得到的肺部目标区域分割模型,分割出肺部目标区域,并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据,使用分类网络对所述肺部目标区域进行训练学习,得到CT平扫影像数据分类模型;
计算分析模块,用于根据所述CT平扫影像数据和所述第三训练学习模块得到的CT平扫影像数据分类模型,计算出所述CT平扫影像数据的分类概率,并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。
所述标注模块包括:
获取清洗单元,用于获取及清洗肺部CT平扫影像数据,去除存在伪影和/或扭曲变形的CT平扫影像数据;
标注单元,用于采用手工勾勒标注法在所述获取清洗单元清洗后的CT平扫影像数据中标注肺部轮廓与目标区域;
所述第一训练学习模块包括:
第一设置单元,用于预设第一灰度值裁剪范围;
第一调整单元,用于调整清洗后的所述CT平扫影像分辨率至第一分辨率统一值;
第一裁剪单元,根据所述第一设置单元预设的第一灰度值裁剪范围裁剪所述CT平扫影像的数值矩阵;
第一归一化单元,用于将所述第一裁剪单元裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值;
第一训练单元,用于使用所述第一归一化单元处理后的所述影像数据和所述标注单元已标注的肺部轮廓数据作为训练数据,并利用第一神经网络进行训练学习,得到肺部轮廓分割模型;
所述第二训练学习模块包括:
提取单元,用于根据所述第一训练单元得到的肺部轮廓分割模型提取出肺部轮廓;
第二设置单元,用于预设第二灰度值裁剪范围和裁剪尺寸;
建立单元,用于以所述提取单元提取的肺部轮廓外接立方体作为肺部感兴趣区域;
第二调整单元,用于调整所述建立单元确定的肺部感兴趣区域分辨率至第二分辨率统一值;
第二裁剪单元,用于根据所述第二设置单元预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵;
第二归一化单元,用于将所述第二裁剪单元裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值;
第三裁剪单元,用于根据所述第二设置单元设置的裁剪尺寸裁剪所述第二归一化单元处理后的所述肺部感兴趣区域;
第二训练单元,用于使用所述第三裁剪单元裁剪后的肺部感兴趣区域数据和所述标注单元已标注的目标区域数据作为训练数据,并利用第二神经网络进行训练学习,得到肺部目标区域分割模型;
所述第三训练学习模块包括:
分割单元,用于根据所述第二归一化单元处理后的肺部感兴趣区域和所述第二训练单元得到的肺部目标区域分割模型,分割出肺部目标区域;
第三调整单元,用于调整所述第二归一化单元处理后的肺部感兴趣区域和所述分割单元分割出的肺部目标区域的图像尺寸至固定尺寸;
拼接单元,用于将所述第三调整单元调整为固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼接,得到拼接后的图像;
第三训练单元,用于使用所述拼接单元得到的图像作为训练数据,并利用分类网络进行训练学习,得到CT平扫影像数据分类模型。
所述系统还包括验证模块,所述验证模块用于根据所述计算分析模块得出的概率值大于等于预设分类阈值的比较结果,计算出所述肺部目标区域与整个肺部区域的体积比,并根据所述体积比与预设体积比阈值的比较结果修改或维持所述CT平扫影像数据的类别。
本发明提供的肺部CT影像数据处理分析方法及系统,通过将CT影像与人工智能技术相结合,利用人工智能深度学习技术,使计算机在短期内学习到了大量的肺部CT影像特征,提高了肺部CT影像数据的处理效率。本发明提供的肺部CT影像数据处理分析方法及系统,可以快速地分割出肺部区域及肺内的目标区域,并对分割出的目标区域进行三维重建及图像分类,便于直观展示,可广泛应用于各种肺部疾病的检查,例如肺结节、肺癌、新冠肺炎等,为医生提供更加清晰准确的目标区域图像及其分类。
附图说明
图1是本发明实施例提供的肺部CT影像数据处理分析方法的流程图;
图2是本发明实施例3D-Unet神经网络的结构示意图;
图3a是本发明实施例一新冠肺炎患者原始肺部CT平扫影像示意图;
图3b是本发明实施例用肺部轮廓分割模型对图3a提取的肺部轮廓示意图;
图4是本发明实施例Attention 3D-Unet神经网络的结构示意图;
图5是本发明实施例新冠肺炎患者使用肺部目标区域分割模型分割出的肺部目标区域示意图;
图6是本发明实施例提供的肺部CT影像数据处理分析系统的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明技术方案作进一步描述。
参见图1,本发明实施例提供的肺部CT影像数据处理分析方法,具体包括如下步骤:
步骤S1、建立新冠肺炎患者肺部CT平扫影像数据库,并标注CT平扫影像数据中肺部轮廓与目标区域。
本实施例采集了900例新冠肺炎患者肺部CT平扫影像数据,其中800例作为训练数据使用,100例作为测试数据使用,据此建立了数据库,并标注了CT平扫影像数据中肺部轮廓与目标区域,具体过程如下:
步骤S101、获取新冠肺炎患者肺部CT平扫影像数据。
新冠肺炎患者肺部CT平扫影像数据采集的对象来源于多个被授权医疗中心及地区的不同年龄的新冠肺炎患者。在数据采集过程中,应严格保密被采集者的个人信息,以防个人信息在采集过程中泄露。例如,图3a是本实施例某一新冠肺炎患者原始肺部CT平扫影像示意图。
步骤S102、清洗新冠肺炎患者肺部CT平扫影像数据。
清洗新冠肺炎患者肺部CT平扫影像数据,主要是指去除存在伪影和/或扭曲变形的CT平扫影像数据,以便得到符合神经网络训练要求的数据。
步骤S103、标注CT平扫影像数据中肺部轮廓与目标区域。
在具体应用中,采用手工勾勒标注法分别从矢状位、冠状位和柱状位三个方向进行数据标注,并参考原始二维CT平扫影像数据,对标注的三维结果进行三维修饰,使标注结果更加连续;标注的肺部轮廓和目标区域数据格式保存为nrrd格式。
步骤S2、利用第一神经网络对CT平扫影像数据和已标注的肺部轮廓数据进行训练学习,得到肺部轮廓分割模型。
由于新冠肺炎CT影像特征均表现在肺部内,因此排除CT影像中其它脏器器官组织的干扰,可有效地提高目标区域的准确性。由于肺部区域和周围组织有较明显的差异,因此可使用深度学习分割算法,提取出肺部区域,具体过程如下:
步骤S201、调整清洗后的CT平扫影像分辨率至分辨率统一值,并根据预设的第一灰度值裁剪范围裁剪CT平扫影像的数值矩阵,对裁剪后的数据进行归一化处理。
CT平扫影像数据中的spacing信息包括每例CT平扫影像数据的切片厚度信息和每个像素点实际的长度与宽度信息。由于CT平扫影像数据库中存在不同的spacing数值,增加了计算机识别图像的困难,因此需要统一spacing值,例如spacing值可设定为所有spacing数值的中位数。本实施例spacing数值设为[1mm,1mm,2.5mm]。
CT平扫影像数据中的CT值代表X射线穿过各组织或器官被吸收后的衰减值,单位为HU(Hounsfield Unit);对CT值设置合适的取值范围,可以对应的看到CT平扫影像数据中不同的组织或器官。由于本实施例需要分割出肺部区域,因此设置CT值取值范围[-200,400],并以此作为第一灰度值裁剪范围,对统一分辨率后的CT平扫影像的数值矩阵进行灰度值裁剪。在裁剪之后,还需要通过如下公式对CT平扫影像的数值矩阵中的数据进行归一化处理,使裁剪后的CT平扫影像的数值矩阵中所有数值变为0-1之间的一个数值:
其中,k代表裁剪后的CT平扫影像的数值矩阵中像素点的值。
步骤S202、将归一化处理后的CT平扫影像数据进行随机裁剪,并使用随机裁剪后的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据,利用第一神经网络进行训练学习,得到肺部轮廓分割模型。
由于肺部CT平扫影像数据尺寸较大,每例CT平扫影像数据在深度学习过程中会占用大量显存,因此需要对归一化处理后的CT平扫影像数据进行随机裁剪。本实施例设置的随机裁剪尺寸为[256,256,128]。
由于不同的CT层之间具有语义相关性,因此选择三维的神经网络进行训练学习。本实施例第一神经网络采用3D-Unet网络,其网络结构如图2所示。3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss。dice-loss是医学图像分割中常用的损失函数,dice是一种集合相似度度量函数,通常用于计算两个样本的相似度,dice-loss的数学表达式如下:
Focal-loss是一个解决分类问题中类别不平衡、分类难度差异的一个loss。分割任务是像素级的分类,因此Focal loss在分割任务中也是有效的。Focal loss 的数学表达式如下:
在具体应用中,选择在测试集上dice分数最高的一轮模型作为最终的肺部轮廓分割模型。
步骤S3、根据肺部轮廓分割模型提取出肺部轮廓,以肺部轮廓外接立方体作为肺部ROI,并利用第二神经网络对肺部ROI数据和已标注的目标区域进行训练学习,得到肺部目标区域分割模型。
在获得肺部轮廓分割模型后,还需要据此获得肺部目标区域分割模型,具体过程如下:
步骤S301、根据肺部轮廓分割模型提取出肺部轮廓,以肺部轮廓外接立方体作为肺部ROI,并扩大肺部ROI。
图3b是本实施例使用得到的最终肺部轮廓分割模型对图3a所示的肺部CT平扫影像提取出的肺部轮廓示意图。在具体应用中,需要对肺部ROI(region of interest,感兴趣区域)进行适当的扩大,例如:肺部ROI可在X、Y和Z轴方向上分别扩大10个像素。扩大肺部ROI的作用在于不使外接立方体与肺部轮廓完全相切,使得外接立方体与肺部轮廓之间留有间隔,避免遗漏肺部边界处的目标区域。
步骤S302、调整肺部ROI分辨率至分辨率统一值,并根据预设的第二灰度值裁剪范围裁剪肺部ROI数值矩阵,对裁剪后的数据进行归一化处理。
本实施例中,本步骤的分辨率统一值与步骤S201中的分辨率统一值相同;设置CT值取值范围[-1024, 350],并以此作为第二灰度值裁剪范围,对统一分辨率后的肺部ROI数值矩阵进行灰度值裁剪。需要说明的是:裁剪肺部ROI数值矩阵并不是改变肺部ROI的尺寸大小,而是改变肺部ROI数值矩阵中数值的大小;如果肺部ROI数值矩阵中某一个像素点的值在[-1024, 350]之间,则该像素点的值不变;如果肺部ROI数值矩阵中某一个像素点的值大于350,则令其等于350;如果肺部ROI数值矩阵中某一像素点的值小于-1024,则令其值等于-1024。
在裁剪之后,还需要通过如下公式对肺部ROI数值矩阵中的数据进行归一化处理,使裁剪后的肺部ROI数值矩阵中所有数值变为0-1之间的一个数值:
其中,t代表裁剪后的肺部ROI数值矩阵中像素点的值。例如:-1024归一化后变为0,350归一化后变为1,300归一化后变为0.96。
步骤S303、将归一化处理后的肺部ROI进行随机裁剪。
随机裁剪是指在肺部ROI按照裁剪尺寸预设值任意裁剪一块区域,裁剪尺寸预设值为归一化后的CT平扫影像尺寸的中位数;本实施例裁剪尺寸预设值为[256,192,128],即任意裁剪一块256☓192☓128像素点的区域。
步骤S304、使用裁剪后的肺部ROI数据和已标注的目标区域作为训练数据,利用第二神经网络进行训练学习,得到肺部目标区域分割模型。
本实施例第二神经网络采用Attention 3D-Unet,其网络结构如图4所示。Attention 3D-Unet网络加入了attention机制,可以使网络学习到更重要的区域信息。
在具体应用中,选择在测试集上dice分数最高的一轮模型作为最终的肺部目标区域分割模型。
步骤S4、根据新冠肺炎患者肺部CT平扫影像数据和肺部目标区域分割模型,分割出肺部目标区域,并使用分类网络对肺部目标区域进行训练学习,得到CT平扫影像数据分类模型。
图5是一例新冠肺炎患者使用肺部目标区域分割模型分割出的肺部目标区域。通过将肺部目标区域分割模型分割出的肺部目标区域与原始新冠肺炎患者肺部CT平扫影像中标注的目标区域进行比对,确认了肺部目标区域分割模型的准确性和和泛化性。
在获得肺部目标区域分割模型后,还需要据此获得CT平扫影像数据分类模型,具体过程如下:
步骤S401、根据归一化处理后的肺部ROI和肺部目标区域分割模型,得到肺部目标区域。
步骤S402、调整归一化处理后的肺部ROI和肺部目标区域的图像尺寸至固定尺寸。
将肺部ROI和肺部目标区域的图像尺寸调整至固定尺寸,以便符合分类网络训练要求的数据。本实施例图像固定尺寸设定为[256, 192, 128]。
步骤S403、将固定尺寸的肺部ROI和肺部目标区域沿Z轴方向进行拼接,得到拼接后的图像。
在实际应用中,肺部ROI仅包含了整个肺部区域的信息,在对肺部ROI和肺部目标区域两个图像信息进行拼接后,可得到更丰富的用于输入分类网络的信息。本实施例两个图像拼接后得到的图像尺寸为[256,192, 128*2]。
步骤S404、使用拼接后的图像作为训练数据,利用分类网络进行训练学习,得到CT平扫影像数据分类模型。
本实施例使用带有注意力机制的3D-SE_Resnet50分类网络进行分类学习。在3D-SE_Resnet50网络中,SE(Squenze-and-Excitation Networks)模块可通过学习的方式来自动获取到每个特征通道的重要程度,然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。在使用3D-SE_Resnet50网络进行训练过程中,使用Focal-loss作为损失函数;选择AUC(Area Under Curve,ROC曲线下的面积)最高的一个模型作为最终的肺部目标区域分类模型。
ROC(receiver operating characteristic curve)曲线全称为受试者工作特征曲线,ROC曲线的横坐标是伪阳性率(也叫假正类率,False Positive Rate)、纵坐标是真阳性率(真正类率,True Positive Rate),相应的还有真阴性率(真负类率,True NegativeRate)和伪阴性率(假负类率,False Negative Rate),这四类指标的计算方法如下:
(1)伪阳性率(FPR):判定为正例却不是真正例的概率,即真负例中判为正例的概率;
(2)真阳性率(TPR):判定为正例也是真正例的概率,即真正例中判为正例的概率(也即正例召回率);
(3)伪阴性率(FNR):判定为负例却不是真负例的概率,即真正例中判为负例的概率;
(4)真阴性率(TNR):判定为负例也是真负例的概率,即真负例中判为负例的概率。
表1
表1为分类模型预测结果与真实结果的组合关系。其中,TP(True Positive)代表预测结果为正类,实际上就是正类;FP(False Positive)代表预测结果为正类,实际上是反类;FN(False negative)代表预测结果为反类,实际上是正类;TN(True negative)代表预测结果为反类,实际上就是反类。
Precison(准确率)为预测结果为正类中有多少是正类,定义如下:
Recall(召回率)为真实结果为正类中有多少被预测成正类,定义如下:
FPR为所有反类中有多少被预测成正类(正类预测错误),定义如下:
ROC曲线用于评价模型的预测能力,ROC曲线是基于混淆矩阵得出的。一个二分类模型的阈值可能设定为高或低,每种阈值的设定会得出不同的 FPR 和 TPR ,将同一模型每个阈值的 (FPR,TPR) 坐标都画在 ROC 空间里,就成为特定模型的ROC曲线。AUC是ROC曲线下的面积,在比较不同的分类模型时,可以将每个模型的ROC曲线都画出来,用AUC作为判定模型优劣的指标,其意义是:
(1)由于是在1☓1的方格里求面积,因此AUC一定在0~1之间;
(2)假设阈值以上是阳性、阈值以下是阴性;
(3)若随机抽取一个阳性样本和一个阴性样本,分类器正确判断阳性样本的值高于阴性样本的概率 = AUC;
(4)AUC值越大的分类器,正确率越高。
步骤S5、根据肺部CT平扫影像数据和CT平扫影像数据分类模型,计算出肺部CT平扫影像数据的分类概率,并将概率值与预设分类阈值比较,根据比较结果确定肺部CT平扫影像数据的类别。
在实际应用中,将肺部CT平扫影像数据输入CT平扫影像数据分类模型后,可以得到该肺部CT平扫影像数据的分类概率。ROC曲线上的每一个点对应于一个阈值,对于一个分类器,每个阈值下会有一个TPR和FPR;根据ROC曲线,设定合适的阈值作为判断肺部CT平扫影像数据类别的条件。例如,如果概率值大于等于设定的分类阈值,则认为该肺部CT平扫影像数据属于阳性数据;如果概率值小于设定的分类阈值,则认为该肺部CT平扫影像数据属于阴性数据。
步骤S6、当概率值大于等于预设分类阈值的时候,根据肺部目标区域的像素点个数和整个肺部区域的像素点个数,计算出肺部目标区域与整个肺部区域的体积比,并将体积比与预设体积比阈值比较,根据比较结果修改或维持肺部CT平扫影像数据的类别。
由于已将肺部CT平扫影像数据中的spacing值做了统一化处理,因此每个像素点所占的体积是相同的,这样根据肺部目标区域的像素点个数和整个肺部区域的像素点个数,就可以计算出肺部目标区域与整个肺部区域的体积比,其计算公式如下:
其中,Ratio为体积比;num_lesion为肺部目标区域的像素点个数;num_liver为整个肺部区域的像素点个数。
需要说明的是:只有当步骤S5得到的CT平扫影像数据的分类概率值大于等于预设分类阈值时,即CT平扫影像数据的类别预测结果属于阳性数据时,才会进行本步骤S6的技术方案。原因在于:使用CT平扫影像数据分类模型得到的类别预测结果可能是非真实结果,而为了保证其预测结果的真实性,还需要进一步根据肺部目标区域与整个肺部区域的体积比,来验证预测结果的真实性。例如:当预测结果为阳性数据时,如果体积比大于等于设定的体积比阈值,则认为该肺部CT平扫影像数据属于真阳性数据;而如果体积比小于设定的体积比阈值,则认为该肺部CT平扫影像数据属于假阳性数据,即为阴性数据。当CT平扫影像数据的分类概率值小于预设分类阈值时,则直接确定肺部CT平扫影像数据属于阴性数据,无需进行本步骤的技术方案。
本实施例不仅采集了900例来自多个中心及地区的不同年龄的新冠肺炎患者的肺部CT平扫影像数据(800例作为训练数据、100例作为测试数据),而且还采集了1000例非新冠患者肺部CT平扫影像数据,并将1900例数据量输入3D-SE_Resnet50网络进行肺部CT平扫影像数据的类别预测,其预测结果如下表2所示。由表2可以看出,PREC(准确率)和Recall(召回率)均接近1,从而验证了CT平扫影像数据分类模型的准确性和泛化性。
表2
本发明实施例提供的肺部CT影像数据处理分析方法,通过将CT影像与人工智能技术相结合,利用人工智能深度学习技术,使计算机在短期内学习到了大量的肺部CT影像特征,提高了肺部CT影像数据的处理效率。本发明实施例提供的肺部CT影像数据处理方法,可以快速地分割出肺部区域及肺内的目标区域,并对分割出的目标区域进行三维重建及图像分类,便于直观展示,可广泛应用于各种肺部疾病的检查,例如肺结节、肺癌、新冠肺炎等,为医生提供更加清晰准确的目标区域图像及其分类。
参见图6,本发明实施例还提供了一种肺部CT影像数据处理分析系统,该系统包括:
标注模块,用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域;
第一训练学习模块,用于根据CT平扫影像数据和标注模块已标注的肺部轮廓数据,利用第一神经网络进行训练学习,得到肺部轮廓分割模型;
第二训练学习模块,用于根据第一训练学习模块得到的肺部轮廓分割模型和标注模块已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型;
第三训练学习模块,用于根据CT平扫影像数据和第二训练学习模块得到的肺部目标区域分割模型,分割出肺部目标区域,并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据,使用分类网络对肺部目标区域进行训练学习,得到CT平扫影像数据分类模型;
计算分析模块,用于根据CT平扫影像数据和第三训练学习模块得到的CT平扫影像数据分类模型,计算出CT平扫影像数据的分类概率,并根据概率值与预设分类阈值的比较结果确定CT平扫影像数据的类别。
其中,标注模块进一步包括:
获取清洗单元,用于获取及清洗肺部CT平扫影像数据,去除存在伪影和/或扭曲变形的CT平扫影像数据;
标注单元,用于采用手工勾勒标注法在获取清洗单元清洗后的CT平扫影像数据中标注肺部轮廓与目标区域。
其中,第一训练学习模块进一步包括:
第一设置单元,用于预设第一灰度值裁剪范围;
第一调整单元,用于调整清洗后的CT平扫影像分辨率至第一分辨率统一值;
第一裁剪单元,根据第一设置单元预设的第一灰度值裁剪范围裁剪CT平扫影像的数值矩阵;
第一归一化单元,用于将第一裁剪单元裁剪后的影像的数值矩阵中所有数值变为0-1之间的一个数值;
第一训练单元,用于使用第一归一化单元处理后的影像数据和标注单元已标注的肺部轮廓数据作为训练数据,并利用第一神经网络进行训练学习,得到肺部轮廓分割模型。
其中,第二训练学习模块进一步包括:
提取单元,用于根据第一训练单元得到的肺部轮廓分割模型提取出肺部轮廓;
第二设置单元,用于预设第二灰度值裁剪范围和裁剪尺寸;
建立单元,用于以提取单元提取的肺部轮廓外接立方体作为肺部感兴趣区域;
第二调整单元,用于调整建立单元确定的肺部感兴趣区域分辨率至第二分辨率统一值;
第二裁剪单元,用于根据第二设置单元预设的第二灰度值裁剪范围裁剪肺部感兴趣区域数值矩阵;
第二归一化单元,用于将第二裁剪单元裁剪后的肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值;
第三裁剪单元,用于根据第二设置单元设置的裁剪尺寸裁剪第二归一化单元处理后的肺部感兴趣区域;
第二训练单元,用于使用第三裁剪单元裁剪后的肺部感兴趣区域数据和标注单元已标注的目标区域数据作为训练数据,并利用第二神经网络进行训练学习,得到肺部目标区域分割模型。
其中,第三训练学习模块进一步包括:
分割单元,用于根据第二归一化单元处理后的肺部感兴趣区域和第二训练单元得到的肺部目标区域分割模型,分割出肺部目标区域;
第三调整单元,用于调整第二归一化单元处理后的肺部感兴趣区域和分割单元分割出的肺部目标区域的图像尺寸至固定尺寸;
拼接单元,用于将第三调整单元调整为固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼接,得到拼接后的图像;
第三训练单元,用于使用拼接单元得到的图像作为训练数据,并利用分类网络进行训练学习,得到CT平扫影像数据分类模型。
进一步地,本发明实施例提供的肺部CT影像数据处理分析系统还包括验证模块,用于根据计算分析模块得出的概率值大于等于预设分类阈值的比较结果,计算出肺部目标区域与整个肺部区域的体积比,并根据体积比与预设体积比阈值的比较结果修改或维持CT平扫影像数据的类别。
需要说明的是:只有当计算分析模块得到的CT平扫影像数据的分类概率值大于等于预设分类阈值时,验证模块的功能才会被启用。原因在于:使用CT平扫影像数据分类模型得到的类别预测结果可能是非真实结果,而为了保证其预测结果的真实性,还需要通过验证模块计算出肺部目标区域与整个肺部区域的体积比,来验证预测结果的真实性。当计算分析模块得到的CT平扫影像数据的分类概率值小于预设分类阈值时,则直接确定肺部CT平扫影像数据属于阴性数据,无需启用验证模块的功能。
本发明实施例提供的肺部CT影像数据处理分析方法及系统,通过将CT影像与人工智能技术相结合,利用人工智能深度学习技术,使计算机在短期内学习到了大量的肺部CT影像特征,提高了肺部CT影像数据的处理效率。本发明实施例提供的肺部CT影像数据处理分析方法及系统,可以快速地分割出肺部区域及肺内的目标区域,并对分割出的目标区域进行三维重建及图像分类,便于直观展示,可广泛应用于各种肺部疾病的检查,例如肺结节、肺癌、新冠肺炎等,为医生提供更加清晰准确的目标区域图像及其分类。
在实际应用中,本实施例中所涉及的各个功能模块及单元,均可以由运行在计算机硬件上的计算机程序实现,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的硬件指的是包含一个或者多个处理器和存储介质的服务器或者台式计算机、笔记本电脑等;所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等;所述计算机程序由不限于C、C++等计算机语言实现。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种肺部CT影像数据处理分析方法,其特征在于,包括:
在肺部CT平扫影像数据中标注肺部轮廓与目标区域,并根据所述CT平扫影像数据和已标注的肺部轮廓数据,利用第一神经网络进行训练学习,得到肺部轮廓分割模型;
根据所述肺部轮廓分割模型和已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型;
根据所述CT平扫影像数据和肺部目标区域分割模型,分割出肺部目标区域,并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据,使用分类网络对所述肺部目标区域进行训练学习,得到CT平扫影像数据分类模型;
根据所述CT平扫影像数据和CT平扫影像数据分类模型,计算出所述CT平扫影像数据的分类概率,并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。
2.如权利要求1所述的肺部CT影像数据处理分析方法,其特征在于,所述在肺部CT平扫影像数据中标注肺部轮廓与目标区域,并根据所述CT平扫影像数据和已标注的肺部轮廓数据,利用第一神经网络进行训练学习,得到肺部轮廓分割模型的步骤具体包括:
获取及清洗肺部CT平扫影像数据,采用手工勾勒标注法在清洗后的CT平扫影像数据中标注肺部轮廓与目标区域;
调整清洗后的CT平扫影像分辨率至第一分辨率统一值,并根据预设的第一灰度值裁剪范围裁剪所述CT平扫影像的数值矩阵,对所述影像的数值矩阵中的数据进行归一化处理,使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值;
使用归一化处理后的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据,并利用第一神经网络进行训练学习,得到肺部轮廓分割模型。
3.如权利要求2所述的肺部CT影像数据处理分析方法,其特征在于,所述根据所述肺部轮廓分割模型和已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型的步骤具体包括:
根据所述肺部轮廓分割模型提取出肺部轮廓,以所述肺部轮廓外接立方体作为肺部感兴趣区域,并对所述肺部感兴趣区域作数值裁剪和归一化处理;
将归一化处理后的肺部感兴趣区域进行裁剪,并使用裁剪后的肺部感兴趣区域数据和已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型。
4.如权利要求3所述的肺部CT影像数据处理分析方法,其特征在于,所述对所述肺部感兴趣区域作数值裁剪和归一化处理的步骤具体包括:
调整所述肺部感兴趣区域分辨率至第二分辨率统一值;
根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵,对所述肺部感兴趣区域数值矩阵中的数据进行归一化处理,使裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。
5.如权利要求4所述的肺部CT影像数据处理分析方法,其特征在于,所述根据所述CT平扫影像数据和肺部目标区域分割模型,分割出肺部目标区域,并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据,使用分类网络对所述肺部目标区域进行训练学习,得到CT平扫影像数据分类模型的步骤具体包括:
根据所述归一化处理后的肺部感兴趣区域和肺部目标区域分割模型,得到肺部目标区域;
调整所述归一化处理后的肺部感兴趣区域和肺部目标区域的图像尺寸至固定尺寸;
将固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼接,得到拼接后的图像;
使用所述拼接后的图像作为训练数据,利用分类网络进行训练学习,得到CT平扫影像数据分类模型。
6.如权利要求5所述的肺部CT影像数据处理分析方法,其特征在于,所述第一神经网络为3D-Unet网络,所述3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss;所述第二神经网络为加入attention机制的3D-Unet网络;所述分类网络为带有注意力机制的3D-SE_Resnet50网络。
7.如权利要求1-6中任一所述的肺部CT影像数据处理分析方法,其特征在于,所述根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别的步骤之后还包括:根据概率值大于等于预设分类阈值的比较结果,计算出所述肺部目标区域与整个肺部区域的体积比,并根据所述体积比与预设体积比阈值的比较结果修改或维持所述CT平扫影像数据的类别。
8.一种肺部CT影像数据处理分析系统,其特征在于,包括:
标注模块,用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域;
第一训练学习模块,用于根据所述CT平扫影像数据和所述标注模块已标注的肺部轮廓数据,利用第一神经网络进行训练学习,得到肺部轮廓分割模型;
第二训练学习模块,用于根据所述第一训练学习模块得到的肺部轮廓分割模型和所述标注模块已标注的目标区域,利用第二神经网络进行训练学习,得到肺部目标区域分割模型;
第三训练学习模块,用于根据所述CT平扫影像数据和所述第二训练学习模块得到的肺部目标区域分割模型,分割出肺部目标区域,并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据,使用分类网络对所述肺部目标区域进行训练学习,得到CT平扫影像数据分类模型;
计算分析模块,用于根据所述CT平扫影像数据和所述第三训练学习模块得到的CT平扫影像数据分类模型,计算出所述CT平扫影像数据的分类概率,并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。
9.如权利要求8所述的肺部CT影像数据处理分析系统,其特征在于,所述标注模块包括:
获取清洗单元,用于获取及清洗肺部CT平扫影像数据,去除存在伪影和/或扭曲变形的CT平扫影像数据;
标注单元,用于采用手工勾勒标注法在所述获取清洗单元清洗后的CT平扫影像数据中标注肺部轮廓与目标区域;
所述第一训练学习模块包括:
第一设置单元,用于预设第一灰度值裁剪范围;
第一调整单元,用于调整清洗后的所述CT平扫影像分辨率至第一分辨率统一值;
第一裁剪单元,根据所述第一设置单元预设的第一灰度值裁剪范围裁剪所述CT平扫影像的数值矩阵;
第一归一化单元,用于将所述第一裁剪单元裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值;
第一训练单元,用于使用所述第一归一化单元处理后的所述影像数据和所述标注单元已标注的肺部轮廓数据作为训练数据,并利用第一神经网络进行训练学习,得到肺部轮廓分割模型;
所述第二训练学习模块包括:
提取单元,用于根据所述第一训练单元得到的肺部轮廓分割模型提取出肺部轮廓;
第二设置单元,用于预设第二灰度值裁剪范围和裁剪尺寸;
建立单元,用于以所述提取单元提取的肺部轮廓外接立方体作为肺部感兴趣区域;
第二调整单元,用于调整所述建立单元确定的肺部感兴趣区域分辨率至第二分辨率统一值;
第二裁剪单元,用于根据所述第二设置单元预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵;
第二归一化单元,用于将所述第二裁剪单元裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值;
第三裁剪单元,用于根据所述第二设置单元设置的裁剪尺寸裁剪所述第二归一化单元处理后的所述肺部感兴趣区域;
第二训练单元,用于使用所述第三裁剪单元裁剪后的肺部感兴趣区域数据和所述标注单元已标注的目标区域数据作为训练数据,并利用第二神经网络进行训练学习,得到肺部目标区域分割模型;
所述第三训练学习模块包括:
分割单元,用于根据所述第二归一化单元处理后的肺部感兴趣区域和所述第二训练单元得到的肺部目标区域分割模型,分割出肺部目标区域;
第三调整单元,用于调整所述第二归一化单元处理后的肺部感兴趣区域和所述分割单元分割出的肺部目标区域的图像尺寸至固定尺寸;
拼接单元,用于将所述第三调整单元调整为固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼接,得到拼接后的图像;
第三训练单元,用于使用所述拼接单元得到的图像作为训练数据,并利用分类网络进行训练学习,得到CT平扫影像数据分类模型。
10.如权利要求8或9所述的肺部CT影像数据处理分析系统,其特征在于,所述系统还包括验证模块,所述验证模块用于根据所述计算分析模块得出的概率值大于等于预设分类阈值的比较结果,计算出所述肺部目标区域与整个肺部区域的体积比,并根据所述体积比与预设体积比阈值的比较结果修改或维持所述CT平扫影像数据的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416901.4A CN111340827A (zh) | 2020-05-18 | 2020-05-18 | 一种肺部ct影像数据处理分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416901.4A CN111340827A (zh) | 2020-05-18 | 2020-05-18 | 一种肺部ct影像数据处理分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340827A true CN111340827A (zh) | 2020-06-26 |
Family
ID=71188073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010416901.4A Pending CN111340827A (zh) | 2020-05-18 | 2020-05-18 | 一种肺部ct影像数据处理分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340827A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862075A (zh) * | 2020-07-30 | 2020-10-30 | 西南医科大学 | 一种基于深度学习的肺部图像分析系统及其分析方法 |
CN111862001A (zh) * | 2020-06-28 | 2020-10-30 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111932559A (zh) * | 2020-08-26 | 2020-11-13 | 上海市公共卫生临床中心 | 基于深度学习的新冠肺炎肺部病灶区域分割系统 |
CN111951252A (zh) * | 2020-08-17 | 2020-11-17 | 中国科学院苏州生物医学工程技术研究所 | 多时序图像处理方法、电子设备及存储介质 |
CN112132917A (zh) * | 2020-08-27 | 2020-12-25 | 盐城工学院 | 一种直肠癌淋巴结转移的智能诊断方法 |
CN112927246A (zh) * | 2021-03-01 | 2021-06-08 | 北京小白世纪网络科技有限公司 | 肺部轮廓分割、肿瘤免疫浸润分类系统及方法 |
CN113034434A (zh) * | 2021-02-03 | 2021-06-25 | 深圳市第三人民医院(深圳市肝病研究所) | 一种预测covid-19严重程度的多因素人工智能分析方法 |
CN113222852A (zh) * | 2021-05-26 | 2021-08-06 | 深圳高性能医疗器械国家研究院有限公司 | 一种增强ct图像的重建方法 |
CN113327258A (zh) * | 2021-07-15 | 2021-08-31 | 重庆邮电大学 | 一种基于深度学习的肺部ct图像识别方法 |
CN113888532A (zh) * | 2021-11-09 | 2022-01-04 | 推想医疗科技股份有限公司 | 一种基于平扫ct数据的医学图像分析方法及装置 |
CN115937163A (zh) * | 2022-12-19 | 2023-04-07 | 西北民族大学 | 一种spect肺灌注成像的目标区域提取方法与系统 |
CN117934480A (zh) * | 2024-03-25 | 2024-04-26 | 天津市第五中心医院 | 一种用于肺损伤预测的肺部ct图像处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107977963A (zh) * | 2017-11-30 | 2018-05-01 | 北京青燕祥云科技有限公司 | 肺结节的判定方法、装置和实现装置 |
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 |
CN109035212A (zh) * | 2018-07-05 | 2018-12-18 | 清影医疗科技(深圳)有限公司 | 一种肺部ct影像特殊组织的标记方法 |
CN109961423A (zh) * | 2019-02-15 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN110223286A (zh) * | 2019-06-13 | 2019-09-10 | 吉林大学第一医院 | 一种肺部ct图像粘连血管型结节检测方法 |
CN110782441A (zh) * | 2019-10-22 | 2020-02-11 | 浙江大学 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
-
2020
- 2020-05-18 CN CN202010416901.4A patent/CN111340827A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107977963A (zh) * | 2017-11-30 | 2018-05-01 | 北京青燕祥云科技有限公司 | 肺结节的判定方法、装置和实现装置 |
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 |
CN109035212A (zh) * | 2018-07-05 | 2018-12-18 | 清影医疗科技(深圳)有限公司 | 一种肺部ct影像特殊组织的标记方法 |
CN109961423A (zh) * | 2019-02-15 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN110223286A (zh) * | 2019-06-13 | 2019-09-10 | 吉林大学第一医院 | 一种肺部ct图像粘连血管型结节检测方法 |
CN110782441A (zh) * | 2019-10-22 | 2020-02-11 | 浙江大学 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862001B (zh) * | 2020-06-28 | 2023-11-28 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111862001A (zh) * | 2020-06-28 | 2020-10-30 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111862075A (zh) * | 2020-07-30 | 2020-10-30 | 西南医科大学 | 一种基于深度学习的肺部图像分析系统及其分析方法 |
CN111951252A (zh) * | 2020-08-17 | 2020-11-17 | 中国科学院苏州生物医学工程技术研究所 | 多时序图像处理方法、电子设备及存储介质 |
CN111951252B (zh) * | 2020-08-17 | 2024-01-23 | 中国科学院苏州生物医学工程技术研究所 | 多时序图像处理方法、电子设备及存储介质 |
CN111932559A (zh) * | 2020-08-26 | 2020-11-13 | 上海市公共卫生临床中心 | 基于深度学习的新冠肺炎肺部病灶区域分割系统 |
CN111932559B (zh) * | 2020-08-26 | 2022-11-29 | 上海市公共卫生临床中心 | 基于深度学习的新冠肺炎肺部病灶区域分割系统 |
CN112132917A (zh) * | 2020-08-27 | 2020-12-25 | 盐城工学院 | 一种直肠癌淋巴结转移的智能诊断方法 |
CN113034434A (zh) * | 2021-02-03 | 2021-06-25 | 深圳市第三人民医院(深圳市肝病研究所) | 一种预测covid-19严重程度的多因素人工智能分析方法 |
CN112927246A (zh) * | 2021-03-01 | 2021-06-08 | 北京小白世纪网络科技有限公司 | 肺部轮廓分割、肿瘤免疫浸润分类系统及方法 |
CN113222852A (zh) * | 2021-05-26 | 2021-08-06 | 深圳高性能医疗器械国家研究院有限公司 | 一种增强ct图像的重建方法 |
CN113327258A (zh) * | 2021-07-15 | 2021-08-31 | 重庆邮电大学 | 一种基于深度学习的肺部ct图像识别方法 |
CN113888532A (zh) * | 2021-11-09 | 2022-01-04 | 推想医疗科技股份有限公司 | 一种基于平扫ct数据的医学图像分析方法及装置 |
CN115937163B (zh) * | 2022-12-19 | 2023-07-28 | 西北民族大学 | 一种spect肺灌注成像的目标区域提取方法与系统 |
CN115937163A (zh) * | 2022-12-19 | 2023-04-07 | 西北民族大学 | 一种spect肺灌注成像的目标区域提取方法与系统 |
CN117934480A (zh) * | 2024-03-25 | 2024-04-26 | 天津市第五中心医院 | 一种用于肺损伤预测的肺部ct图像处理方法及系统 |
CN117934480B (zh) * | 2024-03-25 | 2024-05-28 | 天津市第五中心医院 | 一种用于肺损伤预测的肺部ct图像处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
CN111062955A (zh) | 一种肺部ct影像数据分割方法及系统 | |
US5873824A (en) | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks | |
CN111932559B (zh) | 基于深度学习的新冠肺炎肺部病灶区域分割系统 | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN113706491B (zh) | 基于混合注意力弱监督迁移学习的半月板损伤分级方法 | |
CN111260671A (zh) | 一种ct影像肺部分叶方法及系统 | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
US20030103663A1 (en) | Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images | |
CN112184684A (zh) | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 | |
Koprowski et al. | Assessment of significance of features acquired from thyroid ultrasonograms in Hashimoto's disease | |
CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
CN114757873A (zh) | 肋骨骨折检测方法、装置、终端设备及可读存储介质 | |
CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
Abdullah et al. | A new procedure for lung region segmentation from computed tomography images | |
CN115210755A (zh) | 解决训练数据中遗漏注释的类别不同损失函数 | |
CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
JP7222882B2 (ja) | 医用画像評価のためのディープラーニングの応用 | |
Giv et al. | Lung segmentation using active shape model to detect the disease from chest radiography | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN113450306B (zh) | 提供骨折检测工具的方法 | |
Azli et al. | Ultrasound image segmentation using a combination of edge enhancement and kirsch’s template method for detecting follicles in ovaries | |
CN113469942B (zh) | 一种ct图像病变检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |