CN111383767A - 一种基于深度学习的肺内小结节进展评估系统及方法 - Google Patents
一种基于深度学习的肺内小结节进展评估系统及方法 Download PDFInfo
- Publication number
- CN111383767A CN111383767A CN202010148822.XA CN202010148822A CN111383767A CN 111383767 A CN111383767 A CN 111383767A CN 202010148822 A CN202010148822 A CN 202010148822A CN 111383767 A CN111383767 A CN 111383767A
- Authority
- CN
- China
- Prior art keywords
- nodule
- image
- data
- pulmonary
- lung
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/30064—Lung nodule
-
- 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
- G06T2207/30204—Marker
Abstract
本发明提供一种基于深度学习的肺内小结节进展评估系统及方法,涉及医学图像处理技术领域,包括获取肺内小结节患者随访过程中的所有肺部断层扫描图像;对所有肺部断层扫描图像进行图像预处理得到预处理图像;针对每个肺内小结节患者,在各预处理图像上标注出位于同一部位的肺内小结节得到标注图像并建立结节生长数据库;根据预设的超参数建立初始评估模型;根据结节生长数据库对初始评估模型进行训练得到进展评估模型;将待评估的肺内小结节患者的不同随访时间的肺部断层扫描图像输入进展评估模型,得到肺内小结节患者的肺内小结节的生长进展数据,以供医生进行诊断参考。本发明能够客观精准的评估肺内小结节的变化;有效提升评估结果的准确性。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种基于深度学习的肺内小结节进展评估系统及方法。
背景技术
随着癌症“早诊早治”意识普及和断层扫描成像技术提高,特别是薄层高分辨率断层扫描的应用和普及,越来越多肺结节开始被发现,其中肺内小结节最为常见。如何对薄层断层扫描发现的肺内小结节进行进展评估目前仍是临床面对的难题。肺内小结节发现后往往很难定性,需要对其进行一段时间的随访和检测,根据小结节的生长特性和进展情况来帮助制定其后续治疗方案。临床上,对于判断为良性或癌前病变而长期处于稳定状态的肺结节,定期断层扫描检查随访用于观察其变化过程即可;然而,对于断层扫描上表现为浸润性病变的肺结节,需进一步临床介入治疗,如外科手术切除。因此,尽早对肺内小结节的性质进行判定一方面有利于实现对恶性结节的早期诊断和治疗,从而提高恶性结节患者的生存率;另一方面避免对良性结节进行不必要的临床干预,进而导致过度的医疗资源浪费。因此,通过随访的断层扫描图像判断肺内小结节的进展以及性质是解决临床问题的关键。
目前临床实践中,肺内小结节的进展评估与性质判定主要依赖人为确定宏观影像特征或视觉观测,如结节直径、容积或者密度测量等。该方法具有一定的局限性。在进展评估时,若肺内小结节表现为断层扫描值(密度)均匀增加,但直径或体积却未变化时,并不能及时准确地检测到其内部变化,从而对肺内小结节的浸润性判定错误;与此同时,肺内小结节直径的主观测量在不同影像医师间仍存在较大差异。因此,如何客观精准的对断层扫描图像综合分析是实现肺内小结节进展评估与性质判定的关键。
随着计算机人工智能技术在医疗领域的发展与应用,基于多种网络算法的深度学习技术已经用于多种影像图像(胸片、断层扫描、MRI和超声图像等)的客观分析和微观信息提取,表现出医学图像处理方面的极大潜能。在肺部病灶的断层扫描图像分析中,现有技术仍然聚焦于探索肺结节的检出和性质判定,而忽略了在肺结节动态监测过程中的应用。
发明内容
针对现有技术中存在的问题,本发明提供一种基于深度学习的肺内小结节进展评估系统,具体包括:
肺科数据库,用于保存若干肺内小结节患者的肺部断层扫描图像;
进展评估模块,连接所述肺科数据库,所述进展评估模块包括:
数据获取单元,用于于所述肺科数据库中获取若干所述肺内小结节患者随访过程中的所有所述肺部断层扫描图像;
每个所述肺内小结节患者具有按照随访时间先后顺序排列的多张所述肺部断层扫描图像;
预处理单元,连接所述数据获取单元,用于对所有所述肺部断层扫描图像进行图像预处理,得到相应的预处理图像;
数据标注单元,连接所述预处理单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据所述标注图像并按照所述随访时间构建结节生长数据库;
模型建立单元,用于根据预设的超参数建立初始评估模型;
模型训练单元,分别连接所述数据标注单元和所述模型建立单元,用于根据所述结节生长数据库对所述初始评估模型进行训练得到相应的进展评估模型;
模型评估单元,连接所述模型训练单元,用于将待评估的所述肺内小结节患者的不同所述随访时间的所述肺部断层扫描图像输入所述进展评估模型,得到所述肺内小结节患者的所述肺内小结节的生长进展数据,以供医生进行诊断参考。
优选的,所述数据标注单元具体包括:
标注子单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,所述标注图像包括所述肺内小结节的结节数据;
组合子单元,连接所述标注子单元,用于于各所述标注图像中提取所述随访时间最早的所述标注图像作为初始图像,并将所述初始图像与其余所述标注图像分别组合形成标注图像集合;
处理子单元,连接所述组合子单元,用于针对每个所述标注图像集合,根据所述结节数据计算所述标注图像相对于所述初始图像的结节生长数据,并将所述结节生长数据加入所述标注图像集合;
生成子单元,连接所述处理子单元,用于根据各所述标准图像集合构建结节生长数据库。
优选的,所述结节数据为所述肺内小结节的体积参数,则所述结节生长数据为所述肺内小结节的体积倍增时间。
优选的,所述结节数据为所述肺内小结节的质量参数,则所述结节生长数据为所述肺内小结节的质量倍增时间。
优选的,所述模型训练单元具体包括:
数据分组子单元,用于按照预设比例将所述结节生长数据库中的各所述标注图像集合划分为训练组、验证组和测试组;
数据训练子单元,连接所述数据分组子单元,用于根据所述训练组中对应的各所述标注图像集合对所述初始评估模型进行训练,并在训练过程中,每经过预设间隔次数的训练,将所述验证组中对应的各所述标注图像集合输入训练完成的所述初始评估模型中得到相应的模型评估结果;
第一比较子单元,连接所述数据训练子单元,用于计算所述模型评估结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第一误差值,并在所述第一误差值不小于所述第一误差阈值时对所述超参数进行优化,以对所述初始评估模型进行优化,并重新训练所述初始评估模型,以及
在所述第一误差值小于所述第一误差阈值时将训得到的所述初始评估模型作为所述进展评估模型输出;
数据测试子单元,分别连接所述数据分组子单元和所述第一比较子单元,用于将所述测试组中对应的各所述标注图像集合输入所述进展评估模型中得到相应的测试结果;
第二比较子单元,连接所述数据测试子单元,用于计算所述测试结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第二误差值,并在所述第二误差值不小于所述第二误差阈值,则进行相应的数据调整,以及在所述第二误差值小于所述第二误差阈值时输出所述进展评估模型。
优选的,所述数据调整为对所述超参数进行调整,和/或对所述预设比例进行调整,以增加所述训练组所占比例。
优选的,所述图像预处理包括:
预先设置一固定窗宽和/或一固定窗位,以对各所述肺部断层扫描图像进行标准化处理得到所述预处理图像。
一种基于深度学习的肺内小结节进展评估方法,应用于以上任意一项所述的肺内小结节进展评估系统,所述肺内小结节进展评估方法具体包括以下步骤:
步骤S1,于所述肺科数据库中获取若干所述肺内小结节患者随访过程中的所有所述肺部断层扫描图像;
每个所述肺内小结节患者具有按照随访时间先后顺序排列的多张所述肺部断层扫描图像;
步骤S2,对所有所述肺部断层扫描图像进行图像预处理,得到相应的预处理图像;
步骤S3,针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据所述标注图像并按照所述随访时间构建结节生长数据库;
步骤S4,根据预设的超参数建立初始评估模型;
步骤S5,根据所述结节生长数据库对所述初始评估模型进行训练得到相应的进展评估模型;
步骤S6,将待评估的所述肺内小结节患者的不同所述随访时间的所述肺部断层扫描图像输入所述进展评估模型,得到所述肺内小结节患者的所述肺内小结节的生长进展数据,以供医生进行诊断参考。
优选的,所述步骤S3具体包括:
步骤S31,针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,所述标注图像包括所述肺内小结节的结节数据;
步骤S32,于各所述标注图像中提取所述随访时间最早的所述标注图像作为初始图像,并将所述初始图像与其余所述标注图像分别组合形成标注图像集合;
步骤S33,针对每个所述标注图像集合,根据所述结节数据计算所述标注图像相对于所述初始图像的结节生长数据,并将所述结节生长数据加入所述标注图像集合;
步骤S34,根据各所述标准图像集合构建结节生长数据库。
优选的,所述步骤S5具体包括:
步骤S51,按照预设比例将所述结节生长数据库中的各所述标注图像集合划分为训练组、验证组和测试组;
步骤S52,根据所述训练组中对应的各所述标注图像集合对所述初始评估模型进行训练,并在训练过程中,每经过预设间隔次数的训练,将所述验证组中对应的各所述标注图像集合输入训练完成的所述初始评估模型中得到相应的模型评估结果;
步骤S53,计算所述模型评估结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第一误差值,并将所述第一误差值与预先设置的第一误差阈值进行比较:
若所述第一误差值不小于所述第一误差阈值,则对所述超参数进行优化,以对所述初始评估模型进行优化,随后返回所述步骤S52;
若所述第一误差值小于所述第一误差阈值,则将训得到的所述初始评估模型作为所述进展评估模型,随后转向步骤S54;
步骤S54,将所述测试组中对应的各所述标注图像集合输入所述进展评估模型中得到相应的测试结果;
步骤S55,计算所述测试结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第二误差值,并将所述第二误差值与预先设置的第二误差阈值进行比较:
若所述第二误差值不小于所述第二误差阈值,则进行相应的数据调整,随后返回所述步骤S4;
若所述第二误差值小于所述第二误差阈值,则输出所述进展评估模型,随后转向所述步骤S6。
上述技术方案具有如下优点或有益效果:
1)能够客观精准的评估随访过程中肺内小结节的变化,避免主观判断出现的差异;
2)对肺内小结节多方面特征变化进行综合评估,有效提升评估结果的准确性。
附图说明
图1为本发明的较佳的实施例中,一种基于深度学习的肺内小结节进展评估系统的结构示意图;
图2为本发明的较佳的实施例中,一种基于深度学习的肺内小结节进展评估方法的流程示意图;
图3为本发明的较佳的实施例中,结节生长数据库的构建方法的流程示意图;
图4为本发明的较佳的实施例中,初始评估模型训练过程的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种基于深度学习的肺内小结节进展评估系统,如图1所示,具体包括:
肺科数据库1,用于保存若干肺内小结节患者的肺部断层扫描图像;
进展评估模块2,连接肺科数据库1,进展评估模块2包括:
数据获取单元21,用于于肺科数据库中获取若干肺内小结节患者随访过程中的所有肺部断层扫描图像;
每个肺内小结节患者具有按照随访时间先后顺序排列的多张肺部断层扫描图像;
预处理单元22,连接数据获取单元21,用于对所有肺部断层扫描图像进行图像预处理,得到相应的预处理图像;
数据标注单元23,连接预处理单元22,用于针对每个肺内小结节患者,在各预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据标注图像并按照随访时间构建结节生长数据库;
模型建立单元24,用于根据预设的超参数建立初始评估模型;
模型训练单元25,分别连接数据标注单元23和模型建立单元24,用于根据结节生长数据库对初始评估模型进行训练得到相应的进展评估模型;
模型评估单元26,连接模型训练单元25,用于将待评估的肺内小结节患者的不同随访时间的肺部断层扫描图像输入进展评估模型,得到肺内小结节患者的肺内小结节的生长进展数据,以供医生进行诊断参考。
具体地,本实施例中,由于需要对肺内小结节患者的肺内小结节的进展情况进行评估,因此对于每个肺内小结节患者需要至少两张不同随访时间的肺部断层扫描图像作为输入数据;随后需要对肺部断层扫描图像进行数据预处理,该数据预处理为对图像进行标准化处理,为所有断层扫描图像设置统一的窗宽和/或窗位,为后续肺内小结节的进展对比设置统一的基线标准,以方便进行进展对比。
本实施例中,每个肺内小结节患者的肺部断层扫描图像中可能包含多个肺内小结节,因此需要在预处理后的每张肺部断层扫描图像上标注出位于同一部位的肺内小结节,以确认需要进行进展评估的肺内小结节的位置。举例来说,对于同一肺内小结节患者,若第一张肺部断层扫描图像上的肺内小结节位于第一部位,则在第一张肺部断层扫描图像上标注第一部位;若第二张肺部断层扫描图像上的肺内小结节位于第一部位和第二部位,则在第二张肺部断层扫描图像上只需标注第一部位,这样才能与第一张肺部断层扫描图像上标注的第一部位进行对比,得出对应的第一部位的肺内小结节的进展情况。
进一步地,针对每个肺内小结节患者,在上述标注后得到相应的标注图像后,将各标注图像按照随访的时间先后顺序进行排序形成图像序列,同时医生预先根据该图像序列给出相应的结节生长数据。优选通过获取每张标注图像上的肺内小结节的包括但不限于直径参数、体积参数和质量参数,在上述图像序列中,以排序最靠前即随访时间最早的标注图像作为初始图像,后续随访得到的标注图像均与上述初始图像进行比较,计算得到后续随访得到的标注图像对应的包括但不限于体积倍增时间和质量倍增时间,并将上述体积倍增时间和质量倍增时间作为上述结节生长数据。
根据预设的超参数建立的初始评估模型,由于超参数为人为设定的较为粗糙的参数,因此需要对初始评估模型进行训练以对超参数进行调整优化,并在训练过程中将结节生长数据与模型评估结果进行对比,以对模型评估结果进行修正,最终得到相应的进展评估模型,
通过上述进展评估模型对肺内小结节患者的肺内小结节的进展情况进行评估,能够有效避免由于人为粗略判断的宏观影响特征,如结节直径、容积或密度等造成的主观差异,能够客观精准的评估随访过程中肺内小结节的进展变化情况,进而帮助肺内小结节的性质判定和指导后续治疗选择。
本发明的较佳的实施例中,数据标注单元23具体包括:
标注子单元231,用于针对每个肺内小结节患者,在各预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,标注图像包括肺内小结节的结节数据;
组合子单元232,连接标注子单元231,用于于各标注图像中提取随访时间最早的标注图像作为初始图像,并将初始图像与其余标注图像分别组合形成标注图像集合;
处理子单元233,连接组合子单元232,用于针对每个标注图像集合,根据结节数据计算标注图像相对于初始图像的结节生长数据,并将结节生长数据加入标注图像集合;
生成子单元234,连接处理子单元233,用于根据各标准图像集合构建结节生长数据库。
本发明的较佳的实施例中,结节数据为肺内小结节的体积参数,则结节生长数据为肺内小结节的体积倍增时间。
本发明的较佳的实施例中,结节数据为肺内小结节的质量参数,则结节生长数据为肺内小结节的质量倍增时间。
本发明的较佳的实施例中,模型训练单元25具体包括:
数据分组子单元251,用于按照预设比例将结节生长数据库中的各标注图像集合划分为训练组、验证组和测试组;
数据训练子单元252,连接数据分组子单元251,用于根据训练组中对应的各标注图像集合对初始评估模型进行训练,并在训练过程中,每经过预设间隔次数的训练,将验证组中对应的各标注图像集合输入训练完成的初始评估模型中得到相应的模型评估结果;
第一比较子单元253,连接数据训练子单元252,用于计算模型评估结果与对应的标注图像集合中的结节生长数据之间的误差得到相应的第一误差值,并在第一误差值不小于第一误差阈值时对超参数进行优化,以对初始评估模型进行优化,并重新训练初始评估模型,以及
在第一误差值小于第一误差阈值时将训得到的初始评估模型作为进展评估模型输出;
数据测试子单元254,分别连接数据分组子单元251和第一比较子单元253,用于将测试组中对应的各标注图像集合输入进展评估模型中得到相应的测试结果;
第二比较子单元255,连接数据测试子单元254,用于计算测试结果与对应的标注图像集合中的结节生长数据之间的误差得到相应的第二误差值,并在第二误差值不小于第二误差阈值,则进行相应的数据调整,以及在第二误差值小于第二误差阈值时输出进展评估模型。
具体地,本实施例中,上述预设比例可以根据实际需求进行调整,在采集3000名患者的肺部断层扫描图像的情况下,优选将2000名患者的标注图像作为训练组,将300名患者的标注图像作为验证组,将700名患者的标注图像作为测试组。
本发明的较佳的实施例中,数据调整为对超参数进行调整,和/或对预设比例进行调整,以增加训练组所占比例。
本发明的较佳的实施例中,图像预处理包括:
预先设置一固定窗宽和/或一固定窗位,以对各肺部断层扫描图像进行标准化处理得到预处理图像。
一种基于深度学习的肺内小结节进展评估方法,应用于以上任意一项的肺内小结节进展评估系统,如图2所示,肺内小结节进展评估方法具体包括以下步骤:
步骤S1,于肺科数据库中获取若干肺内小结节患者随访过程中的所有肺部断层扫描图像;
每个肺内小结节患者具有按照随访时间先后顺序排列的多张肺部断层扫描图像;
步骤S2,对所有肺部断层扫描图像进行图像预处理,得到相应的预处理图像;
步骤S3,针对每个肺内小结节患者,在各预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据标注图像并按照随访时间构建结节生长数据库;
步骤S4,根据预设的超参数建立初始评估模型;
步骤S5,根据结节生长数据库对初始评估模型进行训练得到相应的进展评估模型;
步骤S6,将待评估的肺内小结节患者的不同随访时间的肺部断层扫描图像输入进展评估模型,得到肺内小结节患者的肺内小结节的生长进展数据,以供医生进行诊断参考。
本发明的较佳的实施例中,如图3所示,步骤S3具体包括:
步骤S31,针对每个肺内小结节患者,在各预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,标注图像包括肺内小结节的结节数据;
步骤S32,于各标注图像中提取随访时间最早的标注图像作为初始图像,并将初始图像与其余标注图像分别组合形成标注图像集合;
步骤S33,针对每个标注图像集合,根据结节数据计算标注图像相对于初始图像的结节生长数据,并将结节生长数据加入标注图像集合;
步骤S34,根据各标准图像集合构建结节生长数据库。
本发明的较佳的实施例中,如图4所示,步骤S5具体包括:
步骤S51,按照预设比例将结节生长数据库中的各标注图像集合划分为训练组、验证组和测试组;
步骤S52,根据训练组中对应的各标注图像集合对初始评估模型进行训练,并在训练过程中,每经过预设间隔次数的训练,将验证组中对应的各标注图像集合输入训练完成的初始评估模型中得到相应的模型评估结果;
步骤S53,计算模型评估结果与对应的标注图像集合中的结节生长数据之间的误差得到相应的第一误差值,并将第一误差值与预先设置的第一误差阈值进行比较:
若第一误差值不小于第一误差阈值,则对超参数进行优化,以对初始评估模型进行优化,随后返回步骤S52;
若第一误差值小于第一误差阈值,则将训得到的初始评估模型作为进展评估模型,随后转向步骤S54;
步骤S54,将测试组中对应的各标注图像集合输入进展评估模型中得到相应的测试结果;
步骤S55,计算测试结果与对应的标注图像集合中的结节生长数据之间的误差得到相应的第二误差值,并将第二误差值与预先设置的第二误差阈值进行比较:
若第二误差值不小于第二误差阈值,则进行相应的数据调整,随后返回步骤S4;
若第二误差值小于第二误差阈值,则输出进展评估模型,随后转向步骤S6。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于深度学习的肺内小结节进展评估系统,其特征在于,具体包括:
肺科数据库,用于保存若干肺内小结节患者的肺部断层扫描图像;
进展评估模块,连接所述肺科数据库,所述进展评估模块包括:
数据获取单元,用于于所述肺科数据库中获取若干所述肺内小结节患者随访过程中的所有所述肺部断层扫描图像;
每个所述肺内小结节患者具有按照随访时间先后顺序排列的多张所述肺部断层扫描图像;
预处理单元,连接所述数据获取单元,用于对所有所述肺部断层扫描图像进行图像预处理,得到相应的预处理图像;
数据标注单元,连接所述预处理单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据所述标注图像并按照所述随访时间构建结节生长数据库;
模型建立单元,用于根据预设的超参数建立初始评估模型;
模型训练单元,分别连接所述数据标注单元和所述模型建立单元,用于根据所述结节生长数据库对所述初始评估模型进行训练得到相应的进展评估模型;
模型评估单元,连接所述模型训练单元,用于将待评估的所述肺内小结节患者的不同所述随访时间的所述肺部断层扫描图像输入所述进展评估模型,得到所述肺内小结节患者的所述肺内小结节的生长进展数据,以供医生进行诊断参考。
2.根据权利要求1所述的肺内小结节进展评估系统,其特征在于,所述数据标注单元具体包括:
标注子单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,所述标注图像包括所述肺内小结节的结节数据;
组合子单元,连接所述标注子单元,用于于各所述标注图像中提取所述随访时间最早的所述标注图像作为初始图像,并将所述初始图像与其余所述标注图像分别组合形成标注图像集合;
处理子单元,连接所述组合子单元,用于针对每个所述标注图像集合,根据所述结节数据计算所述标注图像相对于所述初始图像的结节生长数据,并将所述结节生长数据加入所述标注图像集合;
生成子单元,连接所述处理子单元,用于根据各所述标准图像集合构建结节生长数据库。
3.根据权利要求2所述的肺内小结节进展评估系统,其特征在于,所述结节数据为所述肺内小结节的体积参数,则所述结节生长数据为所述肺内小结节的体积倍增时间。
4.根据权利要求3所述的肺内小结节进展评估系统,其特征在于,所述结节数据为所述肺内小结节的质量参数,则所述结节生长数据为所述肺内小结节的质量倍增时间。
5.根据权利要求1所述的肺内小结节进展评估系统,其特征在于,所述模型训练单元具体包括:
数据分组子单元,用于按照预设比例将所述结节生长数据库中的各所述标注图像集合划分为训练组、验证组和测试组;
数据训练子单元,连接所述数据分组子单元,用于根据所述训练组中对应的各所述标注图像集合对所述初始评估模型进行训练,并在训练过程中,每经过预设间隔次数的训练,将所述验证组中对应的各所述标注图像集合输入训练完成的所述初始评估模型中得到相应的模型评估结果;
第一比较子单元,连接所述数据训练子单元,用于计算所述模型评估结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第一误差值,并在所述第一误差值不小于所述第一误差阈值时对所述超参数进行优化,以对所述初始评估模型进行优化,并重新训练所述初始评估模型,以及
在所述第一误差值小于所述第一误差阈值时将训得到的所述初始评估模型作为所述进展评估模型输出;
数据测试子单元,分别连接所述数据分组子单元和所述第一比较子单元,用于将所述测试组中对应的各所述标注图像集合输入所述进展评估模型中得到相应的测试结果;
第二比较子单元,连接所述数据测试子单元,用于计算所述测试结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第二误差值,并在所述第二误差值不小于所述第二误差阈值,则进行相应的数据调整,以及在所述第二误差值小于所述第二误差阈值时输出所述进展评估模型。
6.根据权利要求5所述的肺内小结节进展评估系统,其特征在于,所述数据调整为对所述超参数进行调整,和/或对所述预设比例进行调整,以增加所述训练组所占比例。
7.根据权利要求1所述的肺内小结节进展评估系统,其特征在于,所述图像预处理包括:
预先设置一固定窗宽和/或一固定窗位,以对各所述肺部断层扫描图像进行标准化处理得到所述预处理图像。
8.一种基于深度学习的肺内小结节进展评估方法,其特征在于,应用于如权利要求1-7中任意一项所述的肺内小结节进展评估系统,所述肺内小结节进展评估方法具体包括以下步骤:
步骤S1,于所述肺科数据库中获取若干所述肺内小结节患者随访过程中的所有所述肺部断层扫描图像;
每个所述肺内小结节患者具有按照随访时间先后顺序排列的多张所述肺部断层扫描图像;
步骤S2,对所有所述肺部断层扫描图像进行图像预处理,得到相应的预处理图像;
步骤S3,针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据所述标注图像并按照所述随访时间构建结节生长数据库;
步骤S4,根据预设的超参数建立初始评估模型;
步骤S5,根据所述结节生长数据库对所述初始评估模型进行训练得到相应的进展评估模型;
步骤S6,将待评估的所述肺内小结节患者的不同所述随访时间的所述肺部断层扫描图像输入所述进展评估模型,得到所述肺内小结节患者的所述肺内小结节的生长进展数据,以供医生进行诊断参考。
9.根据权利要求8所述的肺内小结节进展评估方法,其特征在于,所述步骤S3具体包括:
步骤S31,针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,所述标注图像包括所述肺内小结节的结节数据;
步骤S32,于各所述标注图像中提取所述随访时间最早的所述标注图像作为初始图像,并将所述初始图像与其余所述标注图像分别组合形成标注图像集合;
步骤S33,针对每个所述标注图像集合,根据所述结节数据计算所述标注图像相对于所述初始图像的结节生长数据,并将所述结节生长数据加入所述标注图像集合;
步骤S34,根据各所述标准图像集合构建结节生长数据库。
10.根据权利要求8所述的肺内小结节进展评估方法,其特征在于,所述步骤S5具体包括:
步骤S51,按照预设比例将所述结节生长数据库中的各所述标注图像集合划分为训练组、验证组和测试组;
步骤S52,根据所述训练组中对应的各所述标注图像集合对所述初始评估模型进行训练,并在训练过程中,每经过预设间隔次数的训练,将所述验证组中对应的各所述标注图像集合输入训练完成的所述初始评估模型中得到相应的模型评估结果;
步骤S53,计算所述模型评估结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第一误差值,并将所述第一误差值与预先设置的第一误差阈值进行比较:
若所述第一误差值不小于所述第一误差阈值,则对所述超参数进行优化,以对所述初始评估模型进行优化,随后返回所述步骤S52;
若所述第一误差值小于所述第一误差阈值,则将训得到的所述初始评估模型作为所述进展评估模型,随后转向步骤S54;
步骤S54,将所述测试组中对应的各所述标注图像集合输入所述进展评估模型中得到相应的测试结果;
步骤S55,计算所述测试结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第二误差值,并将所述第二误差值与预先设置的第二误差阈值进行比较:
若所述第二误差值不小于所述第二误差阈值,则进行相应的数据调整,随后返回所述步骤S4;
若所述第二误差值小于所述第二误差阈值,则输出所述进展评估模型,随后转向所述步骤S6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148822.XA CN111383767A (zh) | 2020-03-05 | 2020-03-05 | 一种基于深度学习的肺内小结节进展评估系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148822.XA CN111383767A (zh) | 2020-03-05 | 2020-03-05 | 一种基于深度学习的肺内小结节进展评估系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111383767A true CN111383767A (zh) | 2020-07-07 |
Family
ID=71221390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148822.XA Pending CN111383767A (zh) | 2020-03-05 | 2020-03-05 | 一种基于深度学习的肺内小结节进展评估系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383767A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
-
2020
- 2020-03-05 CN CN202010148822.XA patent/CN111383767A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780436A (zh) * | 2016-11-18 | 2017-05-31 | 北京郁金香伙伴科技有限公司 | 一种医疗影像显示参数确定方法及装置 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及系统 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
US11087463B2 (en) | Image analysis method and system for assessing bone fragility | |
US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
CN107464231B (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
US11915822B2 (en) | Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination | |
Freiman et al. | Improving CCTA‐based lesions' hemodynamic significance assessment by accounting for partial volume modeling in automatic coronary lumen segmentation | |
Aresta et al. | Automatic lung nodule detection combined with gaze information improves radiologists’ screening performance | |
US20210151171A1 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
US20200410674A1 (en) | Neural Network Classification of Osteolysis and Synovitis Near Metal Implants | |
US20220330887A1 (en) | Apparatus and method for precise analysis of severity of arthritis | |
AU2021236468A1 (en) | Image Analysis Method and System | |
US11478163B2 (en) | Image processing and emphysema threshold determination | |
JP7170000B2 (ja) | 学習システム、方法及びプログラム | |
Ge et al. | Automatic measurement of spinous process angles on ultrasound spine images | |
US20210125332A1 (en) | Diagnosis assisting system, diagnosis assisting method and diagnosis assisting program | |
CN111383767A (zh) | 一种基于深度学习的肺内小结节进展评估系统及方法 | |
CN108652586B (zh) | 一种胃食管反流自动检测系统 | |
Yu et al. | Deep conditional generative model for longitudinal single-slice abdominal computed tomography harmonization | |
Malinda et al. | Lumbar vertebrae synthetic segmentation in computed tomography images using hybrid deep generative adversarial networks | |
CN113128599A (zh) | 一种基于机器学习的头颈肿瘤远端转移预测方法 | |
US20200315569A1 (en) | System and method for determining condition of fetal nervous system | |
CN111627554A (zh) | 一种基于深度卷积神经网络的骨折图像自动分类系统 | |
JP2019107453A (ja) | 画像処理装置及び画像処理方法 | |
CN115482914B (zh) | 一种医疗影像数据处理方法,设备及存储介质 | |
Pesteie et al. | Automatic midline identification in transverse 2-D ultrasound images of the spine |
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 |