CN111415743A - 肺炎分类方法、装置、介质及电子设备 - Google Patents

肺炎分类方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN111415743A
CN111415743A CN202010189088.1A CN202010189088A CN111415743A CN 111415743 A CN111415743 A CN 111415743A CN 202010189088 A CN202010189088 A CN 202010189088A CN 111415743 A CN111415743 A CN 111415743A
Authority
CN
China
Prior art keywords
image
pneumonia
lung
region
images
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.)
Granted
Application number
CN202010189088.1A
Other languages
English (en)
Other versions
CN111415743B (zh
Inventor
王瑜
赵朝炜
张欢
孙岩峰
邹彤
刘丰恺
黄秋峰
俞剑舟
李新阳
王少康
陈宽
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 Infervision Technology Co Ltd
Infervision Co Ltd
Original Assignee
Infervision 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 Infervision Co Ltd filed Critical Infervision Co Ltd
Priority to CN202010189088.1A priority Critical patent/CN111415743B/zh
Publication of CN111415743A publication Critical patent/CN111415743A/zh
Application granted granted Critical
Publication of CN111415743B publication Critical patent/CN111415743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种肺炎分类方法、分类装置、计算机可读存储介质以及电子设备，通过将获取的肺炎征象和被检测者的临床信息输入第一神经网络模型，由第一神经网络模型自动识别肺炎的类型，在考虑肺炎征象等病理性特征的同时结合被检测者的临床信息，从而更加准确的识别出肺炎的类型，不仅能够实现自动区分肺炎类型，并且能够保证其准确性，从而为后续的治疗提供更为准确和细化的类型信息，保证后续治疗更有针对性，也更有效果。

Description

肺炎分类方法、装置、介质及电子设备
技术领域
本申请涉及图像处理领域，具体涉及基于CT图像的肺炎分类方法、分类装置、计算机可读存储介质以及电子设备。
背景技术
电脑断层扫描(Computed Tomography，简称CT)是一种利用数位几何处理后重建的三维放射线医学影像。该技术主要通过单一轴面的X射线旋转照射人体，由于不同的组织对X射线的吸收能力(或称阻射率)不同，可以用电脑的三维技术重建出断层面影像，经由窗宽、窗位处理，可以得到相应组织的断层影像，将断层影像层层堆叠，即可形成立体影像。
通过CT图像可以获知被检测者是否为肺炎患者，特别是应对新型冠状病毒所造成的肺炎患者的检测，CT图像检测是最为重要且最为准确的方法之一。目前通过CT图像获知被检测者是否患有肺炎的具体做法通常是根据CT图像中的肺炎征象来判断，然而由于肺炎征象包括多个，而且较为复杂，单纯的依靠一类或几类肺炎征象是很难准确判断是否患有肺炎，同时，不同类型的肺炎是很难区分的，例如细菌性肺炎和病毒性肺炎，以及感冒病毒性肺炎和新型冠状病毒性肺炎等都是很难不依靠专业医务人员而区分的，并且，由于不同的被检测者其CT图像和症状都可能不同，因而其治疗的方式可能也会有所区别，需要对其进行分类，因此，亟需一种能够自动区分各种肺炎类别的方法。
发明内容
为了解决上述技术问题，本申请提出了一种肺炎分类方法、分类装置、计算机可读存储介质以及电子设备，通过将获取的肺炎征象和被检测者的临床信息输入第一神经网络模型，由第一神经网络模型自动识别肺炎的类型，在考虑肺炎征象等病理性特征的同时结合被检测者的临床信息，从而更加准确的识别出肺炎的类型，不仅能够实现自动区分肺炎类型，并且能够保证其准确性，从而为后续的治疗提供更为准确和细化的类型信息，保证后续治疗更有针对性，也更有效果。
根据本申请的一个方面，提供了一种肺炎分类方法，包括：获取CT图像中肺部区域的肺炎征象图像；获取所述CT图像对应的被检测者的临床信息；以及根据所述肺炎征象图像和所述临床信息，综合得到所述被检测者的肺炎类型；其中，得到所述被检测者的肺炎类型的实现方式为：将所述肺炎征象图像和所述临床信息输入第一神经网络模型，得到所述被检测者的肺炎类型。
在一实施例中，所述临床信息包括以下信息中的一种或多种的组合：体温信息、咳嗽症状信息、病史信息。
在一实施例中，所述获取CT图像中肺部区域的肺炎征象图像包括：基于CT图像中的肺部区域图像，分别生成多个肺部征象图像；以及将所述多个肺部征象图像组合，得到肺炎征象图像；其中，分别生成多个肺部征象图像的方式包括：将所述肺部区域图像分别输入多个第二神经网络模型，得到所述多个肺部征象图像。
在一实施例中，所述肺部区域图像包括多层二维图像；所述将所述肺部区域图像分别输入多个第二神经网络模型，得到所述多个肺部征象图像包括：逐次将所述多层二维图像中的一部分分别输入所述多个第二神经网络模型，或者将所述多层二维图像分别输入所述多个第二神经网络模型，得到分别对应所述多个肺部征象图像的多层二维征象图像；以及分别将对应同一肺部征象图像的所述多层二维征象图像叠加，得到所述多个肺部征象图像。
在一实施例中，在所述得到所述多个肺部征象图像之后，所述肺炎征象图像获取方法还包括：对所述多个肺部征象图像分别进行腐蚀膨胀操作。
在一实施例中，所述肺部区域图像的获取方式包括：获取所述CT图像中的肋骨区域图像；获取所述CT图像中肺部区域的粗分割图像；以及以所述肋骨区域图像为所述肺部区域的边界，并且以所述粗分割图像为种子区域，以预设的步长向周围扩张至所述肺部区域的边界，得到所述肺部区域图像。
在一实施例中，在所述获取所述CT图像中肺部区域的粗分割图像之后，所述肺部区域图像的获取方法还包括：对所述粗分割图像进行腐蚀操作，得到腐蚀后的粗分割图像；所述以所述肋骨区域图像为所述肺部区域的边界，并且以所述粗分割图像为种子区域，以预设的步长向周围扩张至所述肺部区域的边界，得到所述肺部区域图像包括：以所述肋骨区域图像为所述肺部区域的边界，并且以所述腐蚀后的粗分割图像为种子区域扩张，以预设的步长向周围扩张至所述肺部区域的边界，得到所述肺部区域图像。
根据本申请的另一个方面，提供了一种肺炎分类装置，包括：肺炎征象获取模块，用于获取CT图像中肺部区域的肺炎征象图像；临床信息获取模块，用于获取所述CT图像对应的被检测者的临床信息；以及肺炎类型获取模块，用于根据所述肺炎征象图像和所述临床信息，综合得到所述被检测者的肺炎类型；其中，肺炎类型获取模块进一步配置为：将所述肺炎征象图像和所述临床信息输入第一神经网络模型，得到所述被检测者的肺炎类型。
根据本申请的另一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的肺炎分类方法。
根据本申请的另一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一所述的肺炎分类方法。
本申请提供的一种肺炎分类方法、分类装置、计算机可读存储介质以及电子设备，通过将获取的肺炎征象和被检测者的临床信息输入第一神经网络模型，由第一神经网络模型自动识别肺炎的类型，在考虑肺炎征象等病理性特征的同时结合被检测者的临床信息，从而更加准确的识别出肺炎的类型，不仅能够实现自动区分肺炎类型，并且能够保证其准确性，从而为后续的治疗提供更为准确和细化的类型信息，保证后续治疗更有针对性，也更有效果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的一种肺炎分类方法的流程示意图。
图2是本申请一示例性实施例提供的一种肺炎征象的分割方法的流程示意图。
图3是本申请另一示例性实施例提供的一种肺炎征象的分割方法的流程示意图。
图4是本申请另一示例性实施例提供的一种肺炎征象的分割方法的流程示意图。
图5是本申请一示例性实施例提供的一种肺部区域图像分割方法的流程示意图。
图6是本申请另一示例性实施例提供的一种肺部区域分割方法的流程示意图。
图7是本申请一示例性实施例提供的一种肋骨区域图像的获取方法的流程示意图。
图8是本申请另一示例性实施例提供的一种肺部区域分割方法的流程示意图。
图9是本申请另一示例性实施例提供的一种肺部分区域割方法的流程示意图。
图10是本申请一示例性实施例提供的一种肺炎分类装置的结构示意图。
图11是本申请另一示例性实施例提供的一种肺炎分类装置的结构示意图。
图12是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
肺炎是一种因为多种因素引发的肺部的炎症，对于肺炎患者来说在疾病发生的时候往往会伴随剧烈的咳嗽现象。肺炎分为两种，一种是细菌引起的细菌性的肺炎，因为细菌侵袭肺部导致的肺炎，其中最为常见的肺炎球菌，和甲型溶血性链球菌这两种细菌细菌，大部分的细菌性肺炎都是因为这两种细菌导致的；另一种就是病毒引起的病毒性的肺炎，最常见的就是由一级巨细病毒引发的流感病毒，又例如2019新型冠状病毒等，病毒性的肺炎相对来于细菌性的肺炎来说，不仅更严重一些，治疗的难度相对来说也会更高。
如上所述，CT图像检测是获知被检测者是否为肺炎患者最为重要且最为准确的方法之一，特别是应对新型冠状病毒所造成的肺炎患者。通常得到CT图像后需要对其中的肺部区域进行分割，以得到肺部区域图像，然后对肺部区域内的肺炎征象进行分割，最后由医生根据分割得到的肺炎征象来判断被检测者是否患有肺炎，现有的肺炎分类的工作通常是由专业的医护人员手动实现，显然这样的效率是较低的，特别是应对传染性很强的新型冠状病毒所造成的肺炎的检测，因为其具有高传染性而导致大量的人有感染隐患，这就需要对大量的人做CT图像检测，而其又与其他的病毒性肺炎(如感冒病毒肺炎)相似，其分类难度较大，相对有限甚至紧缺的医务人员显然不能满足大量且难度较大的CT图像检测的需求。
随着图像处理的快速发展，越来越多的医学图像的处理都可以通过计算机进行处理，例如图像分割，以得到诊断所需要的感兴趣区域图像或者基础数据等。然而肺炎征象包括多个，其中有的征象在CT图像中与其他组织的密度(在CT图像中表象为CT值)区别较大，可以较为容易的分割出来，而有的征象在CT图像中与其他组织的密度区别较小，很难通过密度的比较进行分割，或者分割的精度不高；同时，由于肺炎患者常常因为咳嗽和吸气不足而导致图像的运动噪声较大，并且肺部内密度升高，从而导致肺部区域分割时存在较大的难度，同时，肺炎病灶的区域较大会影响到肺部的形状和结构，从而导致肺部的分割难度进一步提高，这样会影响到分割肺炎征象的精度，产生一定的误差，并且该误差的传递和累积会最终影响医生的判断，造成不可估量的后果，并且，由于不同的被检测者其CT图像和症状都可能不同，因而其治疗的方式可能也会有所区别，因此，需要对其进行分类。
出于解决上述问题，本申请提供的一种肺炎分类方法，通过将获取的肺炎征象和被检测者的临床信息输入第一神经网络模型，由第一神经网络模型自动识别肺炎的类型，在考虑肺炎征象等病理性特征的同时结合被检测者的临床信息，从而更加准确的识别出肺炎的类型，不仅能够实现自动区分肺炎类型，并且能够保证其准确性，从而为后续的治疗提供更为准确和细化的类型信息，保证后续治疗更有针对性，也更有效果。
示例性方法
图1是本申请一示例性实施例提供的一种肺炎分类方法的流程示意图。如图1所示，该方法包括如下步骤：
步骤110：获取CT图像中肺部区域的肺炎征象图像。
通过拍摄CT图像来获知被检测者肺部区域图像，并且根据该肺部区域图像可以准确的判断该被检测者是否患有肺炎，对于目前严峻的新型冠状病毒性肺炎，要遏制住病毒的蔓延，就需要将患有肺炎或携带该病毒的患者与其他人群隔离开来，如此就需要对疑似人员进行甄别，而作为甄别肺炎患者的有效措施之一的CT图像检测是特别重要的。肺炎患者的肺部区域在CT图像下会存在一定的征象的，因此，肺炎征象可以作为判断是否患有肺炎和区分肺炎类型的一个依据。
步骤120：获取CT图像对应的被检测者的临床信息。
在一实施例中，临床信息包括以下信息中的一种或多种的组合：体温信息、咳嗽症状信息、病史信息等信息。由于不同的被检测者因其临床信息不同而导致其症状和CT图像中的肺炎征象也会有所区别，单纯依据CT图像中的肺炎征象可能会导致结果不准确，从而会导致后续治疗不是最有效的，例如有的被检测者的CT图像中肺炎征象显示其只是轻度肺炎，但是其有常年的肺炎病史或者其有高烧、咳嗽等症状，针对这样的被检测者可以考虑将其认定为中度或重度肺炎患者。因此，需要综合考虑肺炎征象信息和被检测者的临床信息，以得到更为准确和更为精确的肺炎类型，从而为后续的精确治疗提供更好的数据指导。
步骤130：根据肺炎征象图像和临床信息，综合得到被检测者的肺炎类型；其中，得到被检测者的肺炎类型的实现方式为：将肺炎征象图像和临床信息输入第一神经网络模型，得到被检测者的肺炎类型。
通过第一神经网络模型自动识别被检测者的肺炎类型，从而节省医务人员的工作强度，为医务人员的最终诊断提供一个数据参考，并且为后续的精准治疗提供了数据依据。在一实施例中，第一神经网络模型可以是深度学习神经网络模型，优选地，第一神经网络模型可以是Unet神经网络模型。在一实施例中，第一神经网络模型在训练方式可以是：选取已经分割并标注出肺炎征象的肺部区域图像、被检测者的临床信息以及对应的肺炎类型作为第一神经网络模型的训练样本来训练第一神经网络模型；并且第一神经网络模型在分类的过程中得到的分类结果也可以由第三方检测机构进行验证和修改，并且可以将修改后的结果作为样本再次训练第一神经网络模型，从而进一步提高第一神经网络模型的分类精度。
本申请提出了一种肺炎分类方法，通过将获取的肺炎征象和被检测者的临床信息输入第一神经网络模型，由第一神经网络模型自动识别肺炎的类型，在考虑肺炎征象等病理性特征的同时结合被检测者的临床信息，从而更加准确的识别出肺炎的类型，不仅能够实现自动区分肺炎类型，并且能够保证其准确性，从而为后续的治疗提供更为准确和细化的类型信息，保证后续治疗更有针对性，也更有效果。
图2是本申请一示例性实施例提供的一种肺炎征象的分割方法的流程示意图。如图2所示，该方法包括如下步骤：
步骤210：基于CT图像中的肺部区域图像，分别生成多个肺部征象图像；其中，分别生成多个肺部征象图像的方式包括：将肺部区域图像分别输入多个第二神经网络模型，得到多个肺部征象图像。
CT图像的检测是较为复杂的，其效率不高，并且由于肺部征象包括多个，需要在获知所有的或者多个征象后才能综合判断是否患有肺炎以及患病的程度，而这多个征象中有些征象的获取难度较大，这也进一步增加了CT图像检测的难度。因此，本申请实施例中通过将肺部区域图像分别输入多个第二神经网络模型，针对不同的肺部征象训练得到不同的第二神经网络模型，可以有针对性的得到精度较高的各个肺部征象图像，从而为后续肺炎的甄别提供了准确的数据依据。
在一实施例中，肺部征象图像可以包括如下征象图像中的任一种或多种的组合：肺实变图像、磨玻璃影图像、肿块图像、树芽征图像、结节图像、空洞图像、晕征图像。肺实变是指终末细支气管远侧的含气腔隙被病理性液体、细胞、组织所代替，其最主要的特点是病变区致密，血管不能显影。磨玻璃影是指各种原因引起的肺泡充填或间质增厚，导致肺密度轻度增高，但其内仍可见血管纹理的病变阴影。肿块是指团块状密度增高影，其最大直径≧3cm。结节是指结节状密度增高影，其最大直径＜3cm。空洞是指肺内病变坏死、液化，经引流支气管排除及气体进入而形成的透亮区，对于感染性疾病，空洞临床上会倾向于化脓性感染。树芽征是指由终末细支气管和肺泡腔内病变形成的小结节影与分支细线影构成的酷似春天的树枝发芽状，多在肺外围支气管末梢呈2-4mm大小结节与树枝状的高密度影。晕征是指结节/空洞周围环绕的类环形玻璃样密度影，通常代表渗出、出血或水肿。可以根据各个征象的不同特征设置不同的第二神经网络模型来分别分割，以提高整体的分割精度。
在一实施例中，第二神经网络模型可以是深度学习神经网络模型，优选地，该第二神经网络模型可以是Unet神经网络模型。在一实施例中，第二神经网络模型在训练方式可以是：选取已经由专业医务人员分割并标注出肺炎征象的肺部区域图像作为第二神经网络模型的训练样本来训练该第二神经网络模型；并且第二神经网络模型在分割过程中得到的分割结果也可以由第三方检测机构进行验证和修改，并且可以将修改后的结果作为样本再次训练第二神经网络模型，从而进一步提高第二神经网络模型的分割精度。应当理解，本申请实施例中的多个第二神经网络模型可以是一个神经网络模型，也可以是多个神经网络模型，且多个第二神经网络模型的类型可以相同，也可以不同，本申请实施例对于分割各个肺部征象的第二神经网络模型的具体类型不做限定。
步骤220：将多个肺部征象图像组合，得到肺炎征象图像。
通常肺炎的确定是基于多个肺部征象综合判断的，例如当只存在结节图像而不存在其他肺部征象时，是不能确定被检测者为肺炎患者的，因此，在分别得到多个肺部征象图像(通常是在CT图像中标注出各个肺部征象的区域)后，将多个肺部征象图像综合起来确定是否为肺炎，并且在确定肺炎后将相关的肺部征象组合得到肺炎征象图像(即肺炎征象只是肺部征象中能够确定肺炎的部分)，以方便医务人员或者其他的检测机构根据该肺炎综合征象图像准确判断被检测者是否为肺炎患者。
图3是本申请另一示例性实施例提供的一种肺炎征象的分割方法的流程示意图。肺部区域图像包括多层二维图像，如图3所示，步骤210可以具体包括如下子步骤：
步骤211：逐次将多层二维图像中的一部分分别输入多个第二神经网络模型，或者将多层二维图像整体分别输入多个第二神经网络模型，得到分别对应多个肺部征象图像的多层二维征象图像。
二维图像的分割要比三维图像的分割难度小、速度快，而CT图像是包括多层二维图像的，CT图像中的肺部区域图像也是包括多层二维图像的，因此，为了提高分割的效率，可以将肺部区域图像的多层二维图像分为多个部分，将这多个部分以多次输入的方式输入多个第二神经网络模型，或者是将肺部区域图像的多层二维图像作为一个整体分别输入多个第二神经网络模型，由多个第二神经网络模型分别多次分割二维图像来得到对应的多层二维征象图像，从而提高分割效率。应当理解，本申请实施例可以根据神经网络或处理机器的处理能力适当选取单次输入第二神经网络模型的二维图像的层数，可以是一层，也可以是多层，还可以是将所有的二维图像单次输入第二神经网络模型，只要所选取的层数不超过第二神经网络模型或处理机器所能承载的负荷即可，本申请实施例对于单次输入第二神经网络模型的二维图像的具体层数不做限定。
步骤212：分别将对应同一肺部征象图像的多层二维征象图像叠加，得到多个肺部征象图像。
在得到每个肺部征象的多层二维征象图像之后，将同一肺部征象图像的多层二维征象图像叠加起来得到该肺部征象图像。在一实施例中，相邻次输入第二神经网络模型的部分二维图像之间存在交叉部分。通过设置交叉部分，可以避免边缘二维图像之间的差异较大，而且可以通过交叉部分的定位更好的实现叠加。
图4是本申请另一示例性实施例提供的一种肺炎征象的分割方法的流程示意图。如图4所示，在步骤212之后，上述实施例还可以包括：
步骤213：对多个肺部征象图像分别进行腐蚀膨胀操作。
腐蚀操作为形态学操作，其具体操作过程为：沿着图像中物体边界移除像素并缩小物体的大小，即缩小物体的边界以去除图像中物体的噪声。膨胀操作也是形态学操作，其具体操作过程与腐蚀操作正好相反，即沿着图像中物体边界增加像素并扩大物体的大小。通过腐蚀膨胀操作，可以有效去除分割过程中产生的噪声，同时由于相邻的二维征象图像之间是存在相互关联的，通过对叠加后的肺部征象图像进行腐蚀膨胀操作，可以利用相邻的二维征象图像之间的相互关联性，可以去除个别层的分割误差，例如通过上下两层或多层二维征象图像可以调整中间层的二维征象图像，从而提高肺部征象图像整体的分割精度。
图5是本申请一示例性实施例提供的一种肺部区域图像分割方法的流程示意图。如图5所示，该方法包括如下步骤：
步骤510：获取CT图像中的肋骨区域图像。
由于肋骨是紧紧包裹肺部区域的，并且肺炎患者的肺部形状和部分区域的特性会影响到CT图像的成像，而肺炎患者的肋骨是不会因为患病而发生变化的，因此，可以通过获取CT图像中的肋骨区域来得到肺部区域的外边界，从而提高分割肺部区域的精度。
步骤520：获取CT图像中肺部区域的粗分割图像。
在一实施例中，步骤520的具体实现方式可以为：将CT图像输入第三神经网络模型，得到肺部区域的粗分割图像。通训练好的第三神经网络模型，可以由第三神经网络模型识别CT图像中的肺部区域，其中第三神经网络模型可以是Unet网络等神经网络模型，并且第三神经网络模型在训练方式可以是：选取已经由专业医务人员识别并标注出肺部区域的CT图像作为第三神经网络模型的训练样本来训练该第三神经网络模型。由于该步骤中仅仅是获取CT图像中肺部区域的粗分割图像，并非肺部区域的准确分割图像，因此，可以选取适当数量的训练样本来训练该第三神经网络模型，从而提高整个肺部分割的效率。
在另一实施例中，步骤520的具体实现方式还可以为：根据肺部区域的CT值，选取CT值在肺部区域的CT值范围内的区域作为粗分割图像。CT值是测定人体某一局部组织或器官密度大小的一种计量单位，通常称亨氏单位(hounsfield unit，HU)，其中，空气的CT值为-1000，致密骨的CT值为+1000。实际上CT值是CT图像中各组织与X线衰减系数相当的对应值，CT值不是绝对不变的数值，它不仅与人体内在因素如呼吸、血流等有关，而且与X线管电压、CT装置、室内温度等外界因素有关。人体组织中除了骨骼以为，其他组织的CT值都在300以下且在-80以上，其中钙化点的CT值为80-300、脂肪的CT值为-20—-80。由于肺部区域内基本为空气，其CT值相对其他组织较低，因此可以设定CT值范围，选取CT值在该CT值范围内的连通区域作为肺部区域的粗分割图像。
步骤530：以肋骨区域图像为肺部区域的边界，并且以粗分割图像为种子区域，以预设的步长向周围扩张至肺部区域的边界，得到肺部区域图像。
在一实施例中，步骤530的具体实现方式可以是：以肋骨区域图像为边界、粗分割图像为感兴趣区域，并通过活动轮廓模型、以预设的步长对CT图像进行分割，以得到肺部区域图像。由于肺部是被肋骨紧紧包裹的，即肋骨区域为肺部区域的外边界，因此，可以将粗分割图像作为种子区域或者感兴趣区域，并且以肋骨区域图像作为边界，通过活动轮廓模型、以预设的步长对CT图像进行分割，即由感兴趣区域开始、以预设的步长向周围扩张，直至扩张到肋骨区域为止，以得到精确分割的肺部区域的图像，为后续的肺叶分割、肺炎判断等提供了准确的基础图像数据。其中，预设的步长可以根据实际需求而调整，为了得到更高的精度，可以适当减小预设的步长。在进一步的实施例中，活动轮廓模型可以包括LevelSet模型或Snake模型。应当理解，本申请实施例可以根据实际应用场景的需求而选取不同的活动轮廓模型，只要所选取的活动轮廓模型可以以肋骨区域图像为边界、粗分割图像为种子区域得到精确的肺部区域的图像即可，本申请实施例对于活动轮廓模型的具体结构不做限定。
图6是本申请另一示例性实施例提供的一种肺部区域分割方法的流程示意图。如图6所示，在步骤520之后，上述实施例还可以包括：
步骤540：对粗分割图像进行腐蚀操作，得到腐蚀后的粗分割图像。
由于肺部区域的粗分割图像通常不是准确的肺部区域图像，例如，粗分割图像中可能会包含肺部区域以外的其他区域图像，该其他区域图像即为粗分割图像中的噪声区域，通过腐蚀操作可以将粗分割图像中的干扰噪声区域去除，以保证腐蚀后的粗分割图像为肺部区域图像的一部分，而不包含肺部区域以外的区域图像。
同时，步骤530调整为：以肋骨区域图像为肺部区域的边界，并且以腐蚀后的粗分割图像为种子区域，以预设的步长向周围扩张至肺部区域的边界，得到肺部区域图像。
由于种子区域只需要是肺部区域的一部分即可，不需要是肺部区域的全部，因此，可以通过腐蚀操作来保证种子区域内只包含肺部区域，从而避免种子区域在扩张的过程中融入更多的非肺部区域，并且种子区域在扩张过程中是不会去除已存在于该种子区域内的区域的，因此，保证种子区域内只包含肺部区域是保证分割肺部区域的精度的前提条件。
图7是本申请一示例性实施例提供的一种肋骨区域图像的获取方法的流程示意图。如图7所示，该获取方法可以包括如下步骤：
步骤511：基于骨头的CT值，获取CT图像中骨头区域图像。
根据CT图像中各个区域的CT值即可获取CT值最大的骨头区域图像。在一实施例中，可以基于骨头的CT值设定第一CT值阈值，获取CT图像中CT值大于或等于第一CT值阈值的连通区域作为骨头区域图像。其中，第一CT值阈值小于骨头的CT值且大于其他组织的CT值，通过设定第一CT值阈值，获取CT图像中CT值大于或等于第一CT值阈值的连通区域，即可得到骨头区域图像。
在一实施例中，在获取CT图像中CT值大于或等于第一CT值阈值的连通区域后，上述方法还可以包括：去除连通区域中面积小于预设的面积阈值的区域。第一CT值阈值设定的过大时可能会遗漏部分骨头区域，而第一CT值阈值设定的过小时，由于钙化点的CT值较大，又可能会出现肺部或者心脏区域存在一定的钙化点成为骨头区域图像中的干扰噪声，因此，需要将其去除。通常钙化点的面积较小，因此，可以通过去除连通区域中面积小于预设的面积阈值的区域来排出钙化点对骨头区域图像的干扰，其中面积阈值可以根据实际应用而预先设定。
在一实施例中，在获取CT图像中CT值大于或等于第一CT值阈值的连通区域后，上述方法还可以包括：去除位于粗分割图像内的连通区域。通过将粗分割图像内连通区域去除，可以避免肺部或者心脏区域内的钙化点对最终的分割结果造成的影响，从而可以提高后续的分割精度。
步骤512：基于肋骨的特性，分割出骨头区域图像中的肋骨区域图像。
在一实施例中，步骤512的实现方式可以是：将标准肋骨图像与骨头区域图像进行比对，选取骨头区域图像中与标准肋骨图像的相似度大于预设相似度的骨头区域作为肋骨区域图像。由于肋骨相对其他骨头比较规则，肋骨通常是规则的排列在肺部外侧且呈现一定的弧形且为左右对称结构，通过多平面重建的三维视图中可以区分出肋骨与其他骨头的区别，特别是在矢状位上，可以清晰获知肋骨的上述特性，即肋骨的排列和形状有其特殊性，因此，可以通过标准的肋骨图像去比对，选取骨头区域图像中与该标准肋骨图像的相似度满足一定要求(大于预设相似度)的骨头区域，以分割出骨头区域图像中的肋骨区域图像。应当理解，本申请实施例也可以根据实际应用场景的需求而选取其他获取肋骨区域图像的方式，例如可以根据肋骨的弧度是否在预设弧度范围内来判断，也可以根据肋骨之间的间隙是否在预设距离范围内(因为肋骨的排列有一定的规则，相邻的肋骨之间各处的垂直距离都在一定的范围内)，还可以直接通过神经网络模型来获取肋骨区域图像，只要所选取的获取肋骨区域图像的方式满足精度需求即可，本申请实施例对于获取肋骨区域图像的具体方式不做限定。
图8是本申请另一示例性实施例提供的一种肺部区域分割方法的流程示意图。如图8所示，在步骤520之前，上述实施例还可以包括：
步骤550：对CT图像进行预处理。
在一实施例中，预处理可以包括以下操作中任一项或多项的组合：去除背景、去除白噪声、裁剪图像、变换窗宽和窗位。其中，去除背景的具体实现方式可以是：通过设置CT值范围，获取该CT值范围内的连通区域，并且只保留连通区域内面积最大的连通区域，其他区域均设置为背景区域，从而排除了其他区域的干扰。去除白噪声的具体实现方式可以是：通过高斯滤波器去除拍摄CT图像过程中引起的白噪声。裁剪图像的具体实现方式可以是：将背景去除，只保留有效区域，以降低后续图像处理的复杂度。变换窗宽和窗位的具体实现方式可以是：通过设定窗宽和窗位的值来重点突出感兴趣区域，从而避免不感兴趣的区域对后续处理的干扰，在本申请实施例中，可以选取窗位为-500、窗宽为1500，当然应当理解，窗位和窗宽的设定值可以根据实际情况而调整。
应当理解，步骤550可以设置于步骤510之前，通过预处理将CT图像中的背景和其他干扰因素都排出，可以有效降低后续步骤的复杂程度，提供肺部分割的效率。
图9是本申请另一示例性实施例提供的一种肺部分区域割方法的流程示意图。如图9所示，在步骤530之后，上述实施例还可以包括：
步骤560：对肺部区域图像的边界进行光滑化处理。
由于根据肋骨区域图像只能确定肺部区域的部分边界，并且是以同一预设的步长通过活动轮廓模型扩张，因而得到的肺部区域图像的边界可能不光滑，在得到肺部区域图像后，对该肺部区域图像的边界进行光滑化处理，可以得到更为精确的肺部区域图像。
示例性装置
图10是本申请一示例性实施例提供的一种肺炎分类装置的结构示意图。如图10所示，该肺炎分类装置90包括如下模块：
肺炎征象获取模块91，用于获取CT图像中肺部区域的肺炎征象图像；临床信息获取模块92，用于获取CT图像对应的被检测者的临床信息；以及肺炎类型获取模块93，用于根据肺炎征象图像和临床信息，综合得到被检测者的肺炎类型；其中，肺炎类型获取模块93进一步配置为：将肺炎征象图像和临床信息输入第一神经网络模型，得到被检测者的肺炎类型。
本申请提出的肺炎分类装置，通过肺炎征象获取模块91获取CT图像中肺部区域的肺炎征象图像、临床信息获取模块92获取CT图像对应的被检测者的临床信息，肺炎类型获取模块93将获取的肺炎征象和被检测者的临床信息输入第一神经网络模型，由第一神经网络模型自动识别肺炎的类型，在考虑肺炎征象等病理性特征的同时结合被检测者的临床信息，从而更加准确的识别出肺炎的类型，不仅能够实现自动区分肺炎类型，并且能够保证其准确性，从而为后续的治疗提供更为准确和细化的类型信息，保证后续治疗更有针对性，也更有效果。
在一实施例中，临床信息包括以下信息中的一种或多种的组合：体温信息、咳嗽症状信息、病史信息等信息。
图11是本申请另一示例性实施例提供的一种肺炎分类装置的结构示意图。如图11所示，该肺炎征象获取模块91可以包括：生成子模块911，用于基于CT图像中的肺部区域图像，分别生成多个肺部征象图像；以及组合子模块912，用于将多个肺部征象图像组合，得到肺炎征象图像；其中，生成子模块911进一步配置为：将肺部区域图像分别输入多个第二神经网络模型，得到多个肺部征象图像。
在一实施例中，肺部征象图像可以包括如下征象图像中的任一种或多种的组合：肺实变图像、磨玻璃影图像、肿块图像、树芽征图像、结节图像、空洞图像、晕征图像。在一实施例中，第二神经网络模型可以是深度学习神经网络模型，优选地，第二神经网络模型可以是Unet神经网络模型。
在一实施例中，如图11所示，生成子模块911可以包括如下单元：输入单元9111，用于逐次将多层二维图像中的一部分输入多个第二神经网络模型，得到分别对应多个肺部征象图像的多层二维征象图像；叠加单元9112，用于分别将对应同一肺部征象图像的多层二维征象图像叠加，得到多个肺部征象图像。
在一实施例中，如图11所示，生成子模块911还可以包括：后处理单元9113，用于对多个肺部征象图像分别进行腐蚀膨胀操作。
在一实施例中，如图11所示，肺炎分类装置90还可以包括：肋骨获取模块94，用于获取CT图像中的肋骨区域图像；粗分割模块95，用于获取CT图像中肺部区域的粗分割图像；以及精分割模块96，用于以肋骨区域图像为肺部区域的边界，并且以粗分割图像为种子区域，以预设的步长向周围扩张至所述肺部区域的边界，得到肺部区域图像。
在一实施例中，粗分割模块95可以进一步配置为：将CT图像输入第三神经网络模型，得到肺部区域的粗分割图像。
在一实施例中，粗分割模块95可以进一步配置为：根据肺部区域的CT值，选取CT值在肺部区域的CT值范围内的区域作为粗分割图像。
在一实施例中，精分割模块96可以进一步配置为：以肋骨区域图像为边界、粗分割图像为感兴趣区域，并通过活动轮廓模型、以预设的步长对CT图像进行分割，以得到肺部区域图像。其中，活动轮廓模型可以包括LevelSet模型或Snake模型。
在一实施例中，如图11所示，该肺炎分类装置90还可以包括：腐蚀模块97，用于对粗分割图像进行腐蚀操作，得到腐蚀后的粗分割图像。且精分割模块96配置为：以肋骨区域图像为肺部区域的边界，并且以腐蚀后的粗分割图像为种子区域，以预设的步长向周围扩张至肺部区域的边界，得到肺部区域图像。
在一实施例中，如图11所示，肋骨获取模块94可以包括：骨头获取单元941，用于基于骨头的CT值，获取CT图像中骨头区域图像；肋骨获取单元942，用于基于肋骨的特性，分割出骨头区域图像中的肋骨区域图像。
在一实施例中，骨头获取单元941可以进一步配置为：基于骨头的CT值设定第一CT值阈值，获取CT图像中CT值大于或等于第一CT值阈值的连通区域作为骨头区域图像。
在一实施例中，肋骨获取模块94可以进一步配置为：在获取CT图像中CT值大于或等于第一CT值阈值的连通区域后，去除连通区域中面积小于预设的面积阈值的区域。
在一实施例中，肋骨获取模块94可以进一步配置为：在获取CT图像中CT值大于或等于第一CT值阈值的连通区域后，去除位于粗分割图像内的连通区域。
在一实施例中，肋骨获取单元942可以进一步配置为：将标准肋骨图像与骨头区域图像进行比对，选取骨头区域图像中与标准肋骨图像的相似度大于预设相似度的骨头区域作为肋骨区域图像。
在一实施例中，如图11所示，该肺炎分类装置90还可以包括：预处理模块98，用于对CT图像进行预处理。在一实施例中，预处理可以包括以下操作中任一项或多项的组合：去除背景、去除白噪声、裁剪图像、变换窗宽和窗位。
在一实施例中，如图11所示，该肺炎分类装置90还可以包括：光滑化模块99，用于对肺部区域图像的边界进行光滑化处理。
示例性电子设备
下面，参考图12来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图12图示了根据本申请实施例的电子设备的框图。
如图12所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的肺炎分类方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在该电子设备是第一设备或第二设备时，该输入装置13可以是摄像头，用于捕捉图像的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入设备13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图12中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的肺炎分类方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的肺炎分类方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种肺炎分类方法，其特征在于，包括：
获取CT图像中肺部区域的肺炎征象图像；
获取所述CT图像对应的被检测者的临床信息；以及
根据所述肺炎征象图像和所述临床信息，综合得到所述被检测者的肺炎类型；
其中，得到所述被检测者的肺炎类型的实现方式为：将所述肺炎征象图像和所述临床信息输入第一神经网络模型，得到所述被检测者的肺炎类型。
2.根据权利要求1所述的肺炎分类方法，其特征在于，所述临床信息包括以下信息中的一种或多种的组合：体温信息、咳嗽症状信息、病史信息。
3.根据权利要求1所述的肺炎分类方法，其特征在于，所述获取CT图像中肺部区域的肺炎征象图像包括：
基于CT图像中的肺部区域图像，分别生成多个肺部征象图像；以及
将所述多个肺部征象图像组合，得到肺炎征象图像；
其中，分别生成多个肺部征象图像的方式包括：
将所述肺部区域图像分别输入多个第二神经网络模型，得到所述多个肺部征象图像。
4.根据权利要求3所述的肺炎分类方法，其特征在于，所述肺部区域图像包括多层二维图像；所述将所述肺部区域图像分别输入多个第二神经网络模型，得到所述多个肺部征象图像包括：
逐次将所述多层二维图像中的一部分分别输入所述多个第二神经网络模型，或者将所述多层二维图像分别输入所述多个第二神经网络模型，得到分别对应所述多个肺部征象图像的多层二维征象图像；以及
分别将对应同一肺部征象图像的所述多层二维征象图像叠加，得到所述多个肺部征象图像。
5.根据权利要求4所述的肺炎分类方法，其特征在于，在所述得到所述多个肺部征象图像之后，还包括：
对所述多个肺部征象图像分别进行腐蚀膨胀操作。
6.根据权利要求3所述的肺炎分类方法，其特征在于，所述肺部区域图像的获取方式包括：
获取所述CT图像中的肋骨区域图像；
获取所述CT图像中肺部区域的粗分割图像；以及
以所述肋骨区域图像为所述肺部区域的边界，并且以所述粗分割图像为种子区域，以预设的步长向周围扩张至所述肺部区域的边界，得到所述肺部区域图像。
7.根据权利要求6所述的肺炎分类方法，其特征在于，在所述获取所述CT图像中肺部区域的粗分割图像之后，还包括：
对所述粗分割图像进行腐蚀操作，得到腐蚀后的粗分割图像；
所述以所述肋骨区域图像为所述肺部区域的边界，并且以所述粗分割图像为种子区域，以预设的步长向周围扩张至所述肺部区域的边界，得到所述肺部区域图像包括：
以所述肋骨区域图像为所述肺部区域的边界，并且以所述腐蚀后的粗分割图像为种子区域扩张，以预设的步长向周围扩张至所述肺部区域的边界，得到所述肺部区域图像。
8.一种肺炎分类装置，其特征在于，包括：
肺炎征象获取模块，用于获取CT图像中肺部区域的肺炎征象图像；
临床信息获取模块，用于获取所述CT图像对应的被检测者的临床信息；以及
肺炎类型获取模块，用于根据所述肺炎征象图像和所述临床信息，综合得到所述被检测者的肺炎类型；
其中，肺炎类型获取模块进一步配置为：将所述肺炎征象图像和所述临床信息输入第一神经网络模型，得到所述被检测者的肺炎类型。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的肺炎分类方法。
10.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1-7任一所述的肺炎分类方法。
CN202010189088.1A 2020-03-17 2020-03-17 肺炎分类方法、装置、介质及电子设备 Active CN111415743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010189088.1A CN111415743B (zh) 2020-03-17 2020-03-17 肺炎分类方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010189088.1A CN111415743B (zh) 2020-03-17 2020-03-17 肺炎分类方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN111415743A true CN111415743A (zh) 2020-07-14
CN111415743B CN111415743B (zh) 2021-07-09

Family

ID=71493081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010189088.1A Active CN111415743B (zh) 2020-03-17 2020-03-17 肺炎分类方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN111415743B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986189A (zh) * 2020-08-27 2020-11-24 上海市公共卫生临床中心 一种基于ct影像的多类别肺炎筛查深度学习装置
CN112053319A (zh) * 2020-07-22 2020-12-08 清华大学 图像处理的方法和装置
CN112132801A (zh) * 2020-09-18 2020-12-25 上海市肺科医院 一种基于深度学习的肺大泡病灶检测方法及系统
CN112132800A (zh) * 2020-09-18 2020-12-25 上海市肺科医院 基于深度学习的肺纤维化检测与严重度评估方法及系统
CN112183572A (zh) * 2020-08-12 2021-01-05 上海依智医疗技术有限公司 一种生成预测肺炎严重程度的预测模型的方法及装置
CN113299392A (zh) * 2021-05-25 2021-08-24 河南八六三软件股份有限公司 新冠肺炎ct征象识别及快速诊断系统
WO2021184949A1 (zh) * 2020-03-17 2021-09-23 推想医疗科技股份有限公司 肺炎征象的分割方法、装置、介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109727253A (zh) * 2018-11-14 2019-05-07 西安大数据与人工智能研究院 基于深度卷积神经网络自动分割肺结节的辅助检测方法
CN110084790A (zh) * 2019-04-17 2019-08-02 电子科技大学成都学院 仿生模式识别在影像学肺炎判别的算法改进
CN110298820A (zh) * 2019-05-28 2019-10-01 上海联影智能医疗科技有限公司 影像分析方法、计算机设备和存储介质
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统
WO2019245597A1 (en) * 2018-06-18 2019-12-26 Google Llc Method and system for improving cancer detection using deep learning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019245597A1 (en) * 2018-06-18 2019-12-26 Google Llc Method and system for improving cancer detection using deep learning
CN109727253A (zh) * 2018-11-14 2019-05-07 西安大数据与人工智能研究院 基于深度卷积神经网络自动分割肺结节的辅助检测方法
CN110084790A (zh) * 2019-04-17 2019-08-02 电子科技大学成都学院 仿生模式识别在影像学肺炎判别的算法改进
CN110298820A (zh) * 2019-05-28 2019-10-01 上海联影智能医疗科技有限公司 影像分析方法、计算机设备和存储介质
CN110599448A (zh) * 2019-07-31 2019-12-20 浙江工业大学 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙媛媛: "《医学影像诊断与新技术应用》", 31 March 2019, 长春：吉林科学技术出版社 *
闵希骞: "《中西医结合内科诊断与治疗》", 31 March 2017, 上海：上海世界图书出版公司 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021184949A1 (zh) * 2020-03-17 2021-09-23 推想医疗科技股份有限公司 肺炎征象的分割方法、装置、介质及电子设备
CN112053319A (zh) * 2020-07-22 2020-12-08 清华大学 图像处理的方法和装置
CN112053319B (zh) * 2020-07-22 2022-12-02 清华大学 图像处理的方法和装置
CN112183572A (zh) * 2020-08-12 2021-01-05 上海依智医疗技术有限公司 一种生成预测肺炎严重程度的预测模型的方法及装置
CN111986189A (zh) * 2020-08-27 2020-11-24 上海市公共卫生临床中心 一种基于ct影像的多类别肺炎筛查深度学习装置
CN111986189B (zh) * 2020-08-27 2022-12-27 上海市公共卫生临床中心 一种基于ct影像的多类别肺炎筛查深度学习装置
CN112132801A (zh) * 2020-09-18 2020-12-25 上海市肺科医院 一种基于深度学习的肺大泡病灶检测方法及系统
CN112132800A (zh) * 2020-09-18 2020-12-25 上海市肺科医院 基于深度学习的肺纤维化检测与严重度评估方法及系统
CN113299392A (zh) * 2021-05-25 2021-08-24 河南八六三软件股份有限公司 新冠肺炎ct征象识别及快速诊断系统

Also Published As

Publication number Publication date
CN111415743B (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN111415743B (zh) 肺炎分类方法、装置、介质及电子设备
Aykac et al. Segmentation and analysis of the human airway tree from three-dimensional X-ray CT images
US8605978B2 (en) Medical image processing apparatus and method, and computer readable recording medium on which is recorded program for the same
JP4354737B2 (ja) 多重エネルギ画像による計算機支援診断
Pu et al. CT based computerized identification and analysis of human airways: a review
CN111415356B (zh) 肺炎征象的分割方法、装置、介质及电子设备
EP1451753A2 (en) Automatic detection and quantification of coronary and aortic calcium
JP2005199057A (ja) 肺画像データの位置合わせのための方法及び装置
CN110992376A (zh) 基于ct图像的肋骨分割方法、装置、介质及电子设备
CN111260669A (zh) 基于ct图像的肺叶分割方法和装置
JP2007526033A (ja) 構造化オブジェクトの画像を登録するための装置及び方法
CN111311612A (zh) 肺部分割方法、装置、介质及电子设备
CN111311626A (zh) 基于ct图像的颅骨骨折自动检测方法及电子介质
JP6301277B2 (ja) 診断補助画像生成装置および診断補助画像生成方法、並びに、診断補助画像生成プログラム
US11935234B2 (en) Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information
Zhai et al. Automatic quantitative analysis of pulmonary vascular morphology in CT images
JP5048233B2 (ja) Ｃａｄシステムにおける解剖学的形状の検出のための方法及びシステム
CN111415341A (zh) 肺炎阶段的评估方法、装置、介质及电子设备
US11475568B2 (en) Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus
CN105997119A (zh) 用于气道壁密度和气道壁炎症的同时评估的方法和系统
Wang et al. Accuracy and reliability analysis of a machine learning based segmentation tool for intertrochanteric femoral fracture CT
Perchet et al. Advanced navigation tools for virtual bronchoscopy
Wei et al. Segmentation of lung lobes in volumetric CT images for surgical planning of treating lung cancer
Novak et al. System for automatic detection of lung nodules exhibiting growth
Huang et al. A Dual-Functional System for the Classification and Diameter Measurement of Aortic Dissections Using CTA Volumes via Deep Learning

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant after: Tuxiang Medical Technology Co., Ltd

Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085

Applicant before: Beijing Tuoxiang Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant