CN111462100A - 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法 - Google Patents

基于新型冠状病毒肺炎ct检测的检测设备及其使用方法 Download PDF

Info

Publication number
CN111462100A
CN111462100A CN202010264127.XA CN202010264127A CN111462100A CN 111462100 A CN111462100 A CN 111462100A CN 202010264127 A CN202010264127 A CN 202010264127A CN 111462100 A CN111462100 A CN 111462100A
Authority
CN
China
Prior art keywords
probability
module
novel coronavirus
unit
segmentation
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
Application number
CN202010264127.XA
Other languages
English (en)
Inventor
赖耀明
蔡飞跃
罗召洋
魏军
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.)
Guangzhou Boshi Medical Technology Co ltd
Original Assignee
Guangzhou Boshi Medical 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 Guangzhou Boshi Medical Technology Co ltd filed Critical Guangzhou Boshi Medical Technology Co ltd
Priority to CN202010264127.XA priority Critical patent/CN111462100A/zh
Publication of CN111462100A publication Critical patent/CN111462100A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

Abstract

本发明实施例提供一种基于新型冠状病毒肺炎CT检测的检测设备及其使用方法，包括：分割模块获取目标对象肺部预处理后的CT图像，并将预处理后的CT图像输入到病灶分割网络中，获取所有病灶；概率模块将预设数值个病灶输入到新型冠状病毒肺炎诊断网络中，获取目标对象感染新型冠状病毒肺炎的概率；输出模块输出目标对象感染新型冠状病毒肺炎的概率。本申请首先利用分割模块中病灶分割网络对目标对象进行病灶分割，然后概率模块根据每个病灶为新型冠状病毒病灶的概率，判断该目标对象患有新型冠状病毒肺炎的概率，并将该概率输出，以供医护人员进行参考，可以有效帮助放射技师对新冠肺炎的诊断，优化诊断流程，节约医疗资源。

Description

基于新型冠状病毒肺炎CT检测的检测设备及其使用方法
技术领域
本发明涉及机器视觉领域，更具体地，涉及一种基于新型冠状病毒肺炎CT检测的检测设备及其使用方法。
背景技术
新冠肺炎病毒具有传播性强、潜伏期长，而且在CT影像上的表现，与其他普通病毒性肺炎表现非常相似，人群的新冠病毒筛查压力大，所以有效快速的筛查技术非常有必要。
因此，亟需一种基于新型冠状病毒肺炎CT检测的检测设备及其使用方法。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的基于新型冠状病毒肺炎CT检测的检测设备及其使用方法。
根据本发明实施例的第一方面，提供一种基于新型冠状病毒肺炎CT检测的检测设备，该设备包括：分割模块、概率模块和输出模块，所述分割模块、所述概率模块和所述输出模块依次连接，其中：
所述分割模块用于将预处理后的CT图像输入到病灶分割网络中，获取所有病灶，并将预设数值个病灶传输给所述概率模块，其中，所述病灶分割网络以预处理后的CT图像为样本、以各种病毒病灶为标签进行训练后得到；
所述概率模块用于将预设数值个病灶输入到新型冠状病毒肺炎概率计算网络中，获取所述目标对象感染新型冠状病毒肺炎的概率，并将所述目标对象感染新型冠状病毒肺炎的概率传输给所述输出模块，其中，所述新型冠状病毒肺炎概率计算网络以各种病灶为训练样本、以患有新型冠状病毒肺炎的概率为标签进行训练得到；
所述输出模块用于输出所述目标对象感染新型冠状病毒的概率。
根据本发明实施例第二方面，提供了一种基于新型冠状病毒肺炎CT检测的检测设备的使用方法，该方法包括：通过所述分割模块将预处理后的CT图像输入到病灶分割网络中，获取所有病灶，并将预设数值个病灶传输给所述概率模块，其中，所述病灶分割网络以预处理后的CT图像为样本、以各种病毒病灶为标签进行训练后得到；
通过所述概率模块将预设数值个病灶输入到新型冠状病毒肺炎概率计算网络中，获取所述目标对象感染新型冠状病毒肺炎的概率，并将所述目标对象感染新型冠状病毒肺炎的概率传输给所述输出模块，其中，所述新型冠状病毒肺炎概率计算网络以各种病灶为训练样本、以患有新型冠状病毒肺炎的概率为标签进行训练得到；
通过所述输出模块输出所述目标对象感染新型冠状病毒的概率。
本发明实施例提供的基于新型冠状病毒肺炎CT检测的检测设备及其使用方法，首先利用分割模块中病灶分割网络对目标对象进行病灶分割，得到目标对象的病灶，然后概率模块根据每个病灶为新型冠状病毒病灶的概率，判断该目标对象患有新型冠状病毒肺炎的概率，并将该概率输出，以供医护人员进行参考，可以有效帮助放射技师对新冠肺炎的诊断，优化诊断流程，节约医疗资源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的一种基于新型冠状病毒肺炎CT检测的检测设备的结构示意图；
图2为本发明实施例中病灶分割网络的模型结构示意图；
图3为本发明实施例中新型冠状病毒肺炎诊断网络模型的结构示意图；
图4为本发明实施例提供的一种基于新型冠状病毒肺炎CT检测的检测设备的使用方法的流程图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
图1为本发明实施例提供的一种基于新型冠状病毒肺炎CT检测的检测设备的结构示意图，如图1所示，该设备包括：分割模块101、概率模块102和输出模块103，所述分割模块、所述概率模块和所述输出模块依次连接，其中：
所述分割模块用于将预处理后的CT图像输入到病灶分割网络中，获取所有病灶，并将预设数值个病灶传输给所述概率模块，其中，所述病灶分割网络以预处理后的CT图像为样本、以各种病毒病灶为标签进行训练后得到；
所述概率模块用于将预设数值个病灶输入到新型冠状病毒肺炎概率计算网络中，获取所述目标对象感染新型冠状病毒肺炎的概率，并将所述目标对象感染新型冠状病毒肺炎的概率传输给所述输出模块，其中，所述新型冠状病毒肺炎概率计算网络以各种病灶为训练样本、以患有新型冠状病毒肺炎的概率为标签进行训练得到；
所述输出模块用于输出所述目标对象感染新型冠状病毒的概率。
需要说明的是，本发明实施例中分割模块、概率模块和输出模块之间是依次连接的，并且，分割模块和概率模块之间可以传输数据，概率模块和输出模块之间也可以传输数据，此处的传输可以是无线传输，也可以是有线传输，具体根据实际情况确定。
首先本设备是为了判断目标对象感染新型冠状病毒肺炎的概率。
本发明实施例中，目标对象可以是人，也可以是动物。分割模块获取目标对象肺部预处理后的CT图像，该CT图像是目标对象进行CT检查后的图像，然后将该预处理后的CT图像输入到病灶分割网络中，该病灶分割网络可以从预处理后的CT图像中分割出病灶。该病灶分割网络为经过训练后的神经网络，训练时是以多个病人预处理后的CT图像位样本，以病人对应的病灶为标签，多个病人中包括健康人、已经确诊为患有新型冠状病毒肺炎的患者、肺癌患者和其它肺部疾病患者等。
分割模块获取每个病灶的大小和质心坐标，预设数值可以根据实际需要进行选取，本发明实施例中预设数值为10，从所有分割出来的病灶中选取10个病灶，分割模块将这10个病灶传输给概率模块，该概率模块将这10个病灶输入到新型冠状病毒肺炎诊断网络中，现在由于不知道该目标对象是否患有病、以及所患的病是否为新型冠状病毒肺炎，可以得到该目标对象患有新型冠状病毒肺炎的概率。
具体地，利用形态学连通区域的方法，计算每个检测到的新型冠状病毒病灶的面积大小及质心坐标。基于病灶的面积大小，选取前10个病灶，以对应的质心坐标为中心，生成10个病灶的感兴趣区域。将10个感兴趣区域输入到新型冠状病毒肺炎诊断网络，得到患新型冠状病毒肺炎的概率。
概率模块将患者患有新型冠状病毒肺炎的概率传输给输出模块，输出模块将该概率输出，具体地，其输出的方式可以是通过语音输出该概率，或者将概率在显示屏上显示出来，具体可以根据实际需要进行确定。
新型冠状病毒肺炎诊断网络为神经网络模型，训练时是以各种病灶为样本，以患新型冠状病毒肺炎的概率为标签，各种病灶包括健康人的病灶、肺癌患者的病灶、新型冠状病毒患者的病灶等。
根据前面得到的概率，来判断该目标对象是否患有新型冠状病毒肺炎。
本发明实施例提供的基于新型冠状病毒肺炎CT检测的检测设备，首先利用分割模块中病灶分割网络对目标对象进行病灶分割，得到目标对象的病灶，然后概率模块根据每个病灶为新型冠状病毒病灶的概率，判断该目标对象患有新型冠状病毒肺炎的概率，并将该概率输出，以供医护人员进行参考，可以有效帮助放射技师对新冠肺炎的诊断，优化诊断流程，节约医疗资源。
在上述实施例的基础上，优选地，还包括病灶分割网络训练模块，所述病灶分割网络训练模块包括第一样本单元和第一计算单元，所述第一样本单元与所述第一计算单元连接，其中：
所述第一样本单元用于获取若干第一样本，对于任一第一样本，所述任一第一样本以预处理后的CT图像为样本图像、以病毒病灶为标签；
所述第一计算单元用于利用第一样本对初始病灶分割网络进行训练，获取所述病灶分割网络，并将所述病灶分割网络传输给所述分割模块。
具体地，该设备还包括病灶分割网络训练模块，病灶分割网络训练模块可以对病灶分割网络进行训练，该模块由第一样本单元和第一计算单元组成，第一样本单元和第一计算单元连接，第一样本单元用来获取多个第一样本，对于任意一个第一样本，该第一样本将预处理后的CT图像作为样本图像、将病毒病灶作为标签，并将这些第一样本传输给第一计算单元，第一计算单元利用这些第一样本对初始病灶分割网络进行训练，得到病灶分割网络，并将病灶分割网络传输给分割模块。
在上述实施例的基础上，优选地，还包括新型冠状病毒肺炎概率计算网络训练模块，所述新型冠状病毒肺炎概率计算网络训练模块包括第二样本单元和第二计算单元，所述第二样本单元与所述第二计算单元连接，其中：
所述第二样本单元用于获取若干第二样本，对于任一第二样本，所述任一第二样本以各种病灶为训练样本、以患有新型冠状病毒肺炎的概率为标签；
所述第二计算单元用于利用第二样本对新型冠状病毒肺炎概率计算网络进行训练，获取所述目标对象感染新型冠状病毒肺炎的概率，并将所述新型冠状病毒肺炎概率计算网络传输给所述概率模块。
具体地，该设备还包括新型冠状病毒肺炎概率计算网络训练模块，该新型冠状病毒肺炎概率计算网络训练模块用于对新型冠状病毒肺炎概率计算网络进行训练，该模块由第二样本单元和第二计算单元组成，第二样本单元用于获取第二样本，第二样本是以各种病灶为训练图像、以患有新型冠状病毒肺炎的概率为标签，将这些第二样本传输到第二计算单元，第二计算单元利用这些第二样本对新型冠状病毒肺炎概率计算网络进行训练，得到目标患者患上新型冠状病毒肺炎的概率。
在上述实施例的基础上，优选地，所述分割模块具体包括第一高维特征提取单元和分割单元，所述第一高维特征提取单元与所述分割单元连接，其中：
所述第一高维特征提取单元用于将预处理后的CT图像输入到所述病灶分割网络中，利用卷积残差块和降采样交替进行4次，提取第一高维特征，并将所述第一高维特征传输给所述分割单元；
所述分割单元用于通过卷积残差块和上采样交替进行4次，获取所有新型冠状病毒病灶，并将所述预设数值个病灶传输给所述概率模块。
具体地，分割模块由第一高维特征提取单元和分割单元组成，第一高维特征提取单元和分割单元连接，第一高维特征提取单元将预处理后的CT图像输入到病灶分割网络中，利用卷积残差块和降采样交替进行4次，提取第一高维特征，并将第一高维特征传输给分割单元。
分割单元通过卷积残差块和上采样交替进行4次，得到所有新型冠状病毒病灶，并将前10个病灶传输给概率模块。
具体地，图2为本发明实施例中病灶分割网络的模型结构示意图，如图2所示，利用卷积残差块和降采样交替进行4次，提取第一高维特征，然后再通过卷积残差块和上采样交替进行4次，恢复到原来分辨率。
在上述实施例的基础上，优选地，所述概率模块具体包括第二高维特征提取单元和概率单元，所述第二高维特征提取单元与所述概率单元连接，其中：
所述第二高维特征提取单元用于将预设数值个病灶输入到所述新型冠状病毒肺炎概率计算网络中，利用卷积残差块和降采样交替进行5次，提取第二高维特征；
所述概率单元用于通过卷积层输出每个病灶为新型冠状病毒病灶的概率，根据每个病灶为新型冠状病毒病灶的概率按照如下的公式计算得到患新型冠状病毒的概率：
P＝1-∏(1-pi)，
其中，P为所述目标对象感染新型冠状病毒肺炎的概率，i为第i个病灶，pi为第i病灶为新型冠状病毒病灶的概率。
具体地，概率模块由第二高维特征提取单元和概率单元组成，第二高维特征提取单元和概率单元连接，第二高维特征提取单元将前10个病灶输入到新型冠状病毒肺炎概率计算网络中，利用卷积残差块和降采样交替进行5次，提取第二高维特征，并将第二高维特征输入到概率单元中，概率单元通过卷积层输出每个病灶为新型冠状病毒病灶的概率，并根据相应的公式计算出患者患有新型冠状病毒肺炎的概率。
图3为本发明实施例中新型冠状病毒肺炎诊断网络模型的结构示意图，如图3所示，利用卷积残差块和降采样交替进行5次，提取第二高维特征，再通过卷积层输出病灶的风险度，将病灶的风险按照上述的公式计算得到患新型冠状病毒的风险度。
在上述实施例的基础上，优选地，还包括预处理模块，所述预处理模块与所述分割模块连接，所述预处理模块用于对所述肺部CT图像进行预处理，获取预处理后的CT图像，并将预处理后的CT图像传输给所述分割模块；
其中，所述预处理模块包括规范化单元和插值单元，所述规范化单元与所述插值单元连接，其中：
所述规范化单元用于对所述肺部CT图像进行规范化操作，所述规范化具体通过如下公式实现：
min＝c-w/2，
max＝c+w/2，
if x<min then x＝0，
if x>max then x＝1，
Figure BDA0002440571030000081
其中c为窗位，w为窗宽，x为像素值，min表示根据窗宽窗位计算归一化范围的最小值，max表示根据窗宽窗位计算归一化范围的最大值；
所述插值单元用于对规范化操作后的CT图像进行插值处理，获取预处理后的CT图像，并将预处理后的CT图像传输给所述分割模块。
具体地，该设备还包括预处理模块，预处理模块与分割模块连接，预处理模块对肺部CT图像进行预处理后，将预处理后的CT图像传输给分割模块。
预处理模块由规范化单元和插值单元两部分组成，规范化单元与插值单元相连接，规范化单元对肺部CT图像进行规范化操作，并将规范化操作后的CT图像传输给插值单元。具体地，规范化操作的具体方法为：
min＝c-w/2，
max＝c+w/2，
if x<min then x＝0，
if x>max then x＝1，
Figure BDA0002440571030000091
其中c为窗位，w为窗宽，x为像素值，min表示根据窗宽窗位，计算归一化范围的最小值，max表示根据窗宽窗位，计算归一化范围的最大值。
插值单元用于对规范化后的CT图像进行插值，插值的方法为：
先解析原始三维影响数据，获取图像Spacing属性(z0，y0，x0)；
插值后的图像Spacing为(z1,y1,x1)，计算各个方向的缩放因子(z0/z1,y0/y1,x0/x1)。
根据各方向的缩放因子，利用双线性插值，得到插值后的三维数据。利用插值方法得到目标图像，目标图像是输入网络图像基础。
在上述实施例的基础上，优选地，还包括输入模块，所述输入模块与所述预处理模块连接，其中：
所述输入模块用于获取所述目标对象的肺部CT图像，并将所述肺部CT图像传输给所述预处理模块。
具体地，该设备还包括输入模块，该输入模块与预处理模块连接，该输入模块用于获取患者的肺部CT图像，并将该肺部CT图像传输给预处理模块。
图4为本发明实施例提供的一种基于新型冠状病毒肺炎CT检测的检测设备的使用方法的流程图，该方法包括：
S1，通过所述分割模块将预处理后的CT图像输入到病灶分割网络中，获取所有病灶，并将预设数值个病灶传输给所述概率模块，其中，所述病灶分割网络以预处理后的CT图像为样本、以各种病毒病灶为标签进行训练后得到；
S2，通过所述概率模块将预设数值个病灶输入到新型冠状病毒肺炎概率计算网络中，获取所述目标对象感染新型冠状病毒肺炎的概率，并将所述目标对象感染新型冠状病毒肺炎的概率传输给所述输出模块，其中，所述新型冠状病毒肺炎概率计算网络以各种病灶为训练样本、以患有新型冠状病毒肺炎的概率为标签进行训练得到；
S3，通过所述输出模块输出所述目标对象感染新型冠状病毒的概率。
本方法实施例与上述系统实施例的执行过程相对应，详情请参考上述系统实施例，本方法实施例在此不再赘述。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于新型冠状病毒肺炎CT检测的检测设备，其特征在于，包括：
分割模块、概率模块和输出模块，所述分割模块、所述概率模块和所述输出模块依次连接，其中：
所述分割模块用于将预处理后的CT图像输入到病灶分割网络中，获取所有病灶，并将预设数值个病灶传输给所述概率模块，其中，所述病灶分割网络以预处理后的CT图像为样本、以各种病毒病灶为标签进行训练后得到；
所述概率模块用于将预设数值个病灶输入到新型冠状病毒肺炎概率计算网络中，获取所述目标对象感染新型冠状病毒肺炎的概率，并将所述目标对象感染新型冠状病毒肺炎的概率传输给所述输出模块，其中，所述新型冠状病毒肺炎概率计算网络以各种病灶为训练样本、以患有新型冠状病毒肺炎的概率为标签进行训练得到；
所述输出模块用于输出所述目标对象感染新型冠状病毒的概率。
2.根据权利要求1所述的设备，其特征在于，还包括病灶分割网络训练模块，所述病灶分割网络训练模块包括第一样本单元和第一计算单元，所述第一样本单元与所述第一计算单元连接，其中：
所述第一样本单元用于获取若干第一样本，对于任一第一样本，所述任一第一样本以预处理后的CT图像为样本图像、以病毒病灶为标签；
所述第一计算单元用于利用第一样本对初始病灶分割网络进行训练，获取所述病灶分割网络，并将所述病灶分割网络传输给所述分割模块。
3.根据权利要求1所述的设备，其特征在于，还包括新型冠状病毒肺炎概率计算网络训练模块，所述新型冠状病毒肺炎概率计算网络训练模块包括第二样本单元和第二计算单元，所述第二样本单元与所述第二计算单元连接，其中：
所述第二样本单元用于获取若干第二样本，对于任一第二样本，所述任一第二样本以各种病灶为训练样本、以患有新型冠状病毒肺炎的概率为标签；
所述第二计算单元用于利用第二样本对新型冠状病毒肺炎概率计算网络进行训练，获取所述目标对象感染新型冠状病毒肺炎的概率，并将所述新型冠状病毒肺炎概率计算网络传输给所述概率模块。
4.根据权利要求1所述的设备，其特征在于，所述分割模块具体包括第一高维特征提取单元和分割单元，所述第一高维特征提取单元与所述分割单元连接，其中：
所述第一高维特征提取单元用于将预处理后的CT图像输入到所述病灶分割网络中，利用卷积残差块和降采样交替进行4次，提取第一高维特征，并将所述第一高维特征传输给所述分割单元；
所述分割单元用于通过卷积残差块和上采样交替进行4次，获取所有新型冠状病毒病灶，并将所述预设数值个病灶传输给所述概率模块。
5.根据权利要求1所述的设备，其特征在于，所述概率模块具体包括第二高维特征提取单元和概率单元，所述第二高维特征提取单元与所述概率单元连接，其中：
所述第二高维特征提取单元用于将预设数值个病灶输入到所述新型冠状病毒肺炎概率计算网络中，利用卷积残差块和降采样交替进行5次，提取第二高维特征；
所述概率单元用于通过卷积层输出每个病灶为新型冠状病毒病灶的概率，根据每个病灶为新型冠状病毒病灶的概率按照如下的公式计算得到患新型冠状病毒的概率：
P＝1-∏(1-pi)，
其中，P为所述目标对象感染新型冠状病毒肺炎的概率，i为第i个病灶，pi为第i病灶为新型冠状病毒病灶的概率。
6.根据权利要求1所述的设备，其特征在于，还包括预处理模块，所述预处理模块与所述分割模块连接，所述预处理模块用于对所述肺部CT图像进行预处理，获取预处理后的CT图像，并将预处理后的CT图像传输给所述分割模块；
其中，所述预处理模块包括规范化单元和插值单元，所述规范化单元与所述插值单元连接，其中：
所述规范化单元用于对所述肺部CT图像进行规范化操作，所述规范化具体通过如下公式实现：
min＝c-w/2，
max＝c+w/2，
if x<min then x＝0，
if x>max then x＝1，
Figure FDA0002440571020000031
其中c为窗位，w为窗宽，x为像素值，min表示根据窗宽窗位计算归一化范围的最小值，max表示根据窗宽窗位计算归一化范围的最大值；
所述插值单元用于对规范化操作后的CT图像进行插值处理，获取预处理后的CT图像，并将预处理后的CT图像传输给所述分割模块。
7.根据权利要求1所述的设备，其特征在于，还包括输入模块，所述输入模块与所述预处理模块连接，其中：
所述输入模块用于获取所述目标对象的肺部CT图像，并将所述肺部CT图像传输给所述预处理模块。
8.一种如权利要求1至7任一所述基于新型冠状病毒肺炎CT检测的检测设备的使用方法，其特征在于，包括：
通过所述分割模块将预处理后的CT图像输入到病灶分割网络中，获取所有病灶，并将预设数值个病灶传输给所述概率模块，其中，所述病灶分割网络以预处理后的CT图像为样本、以各种病毒病灶为标签进行训练后得到；
通过所述概率模块将预设数值个病灶输入到新型冠状病毒肺炎概率计算网络中，获取所述目标对象感染新型冠状病毒肺炎的概率，并将所述目标对象感染新型冠状病毒肺炎的概率传输给所述输出模块，其中，所述新型冠状病毒肺炎概率计算网络以各种病灶为训练样本、以患有新型冠状病毒肺炎的概率为标签进行训练得到；
通过所述输出模块输出所述目标对象感染新型冠状病毒的概率。
CN202010264127.XA 2020-04-07 2020-04-07 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法 Pending CN111462100A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010264127.XA CN111462100A (zh) 2020-04-07 2020-04-07 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010264127.XA CN111462100A (zh) 2020-04-07 2020-04-07 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法

Publications (1)

Publication Number Publication Date
CN111462100A true CN111462100A (zh) 2020-07-28

Family

ID=71685155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010264127.XA Pending CN111462100A (zh) 2020-04-07 2020-04-07 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法

Country Status (1)

Country Link
CN (1) CN111462100A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037218A (zh) * 2020-09-15 2020-12-04 嘉兴市第一医院 一种基于ct影像的新冠肺炎量化分析方法
CN112102945A (zh) * 2020-11-09 2020-12-18 电子科技大学 一种用于预测covid-19病患重症化的装置
CN112150411A (zh) * 2020-08-28 2020-12-29 刘军 一种信息处理的方法及装置
CN112190277A (zh) * 2020-11-09 2021-01-08 华中科技大学同济医学院附属协和医院 一种新冠肺炎ct复查的数据拟合方法
CN113140326A (zh) * 2020-12-31 2021-07-20 上海明品医学数据科技有限公司 一种新冠肺炎检测装置、干预装置及检测干预系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087703A (zh) * 2018-08-24 2018-12-25 南京大学 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法
CN109300136A (zh) * 2018-08-28 2019-02-01 众安信息技术服务有限公司 一种基于卷积神经网络的危及器官自动分割方法
CN109598727A (zh) * 2018-11-28 2019-04-09 北京工业大学 一种基于深度神经网络的ct图像肺实质三维语义分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087703A (zh) * 2018-08-24 2018-12-25 南京大学 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法
CN109300136A (zh) * 2018-08-28 2019-02-01 众安信息技术服务有限公司 一种基于卷积神经网络的危及器官自动分割方法
CN109598727A (zh) * 2018-11-28 2019-04-09 北京工业大学 一种基于深度神经网络的ct图像肺实质三维语义分割方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112150411A (zh) * 2020-08-28 2020-12-29 刘军 一种信息处理的方法及装置
CN112150411B (zh) * 2020-08-28 2023-12-15 刘军 一种信息处理的方法及装置
CN112037218A (zh) * 2020-09-15 2020-12-04 嘉兴市第一医院 一种基于ct影像的新冠肺炎量化分析方法
CN112037218B (zh) * 2020-09-15 2022-08-09 嘉兴市第一医院 一种基于ct影像的新冠肺炎量化分析方法
CN112102945A (zh) * 2020-11-09 2020-12-18 电子科技大学 一种用于预测covid-19病患重症化的装置
CN112190277A (zh) * 2020-11-09 2021-01-08 华中科技大学同济医学院附属协和医院 一种新冠肺炎ct复查的数据拟合方法
CN112102945B (zh) * 2020-11-09 2021-02-05 电子科技大学 一种用于预测covid-19病患重症化的装置
CN113140326A (zh) * 2020-12-31 2021-07-20 上海明品医学数据科技有限公司 一种新冠肺炎检测装置、干预装置及检测干预系统

Similar Documents

Publication Publication Date Title
CN111462100A (zh) 基于新型冠状病毒肺炎ct检测的检测设备及其使用方法
US11967074B2 (en) Method and system for computer-aided triage
CN112086197B (zh) 基于超声医学的乳腺结节检测方法及系统
CN110853111B (zh) 医学影像处理系统、模型训练方法及训练装置
CN113420826B (zh) 一种肝脏病灶图像处理系统及图像处理方法
JP2022517769A (ja) 三次元ターゲット検出及びモデルの訓練方法、装置、機器、記憶媒体及びコンピュータプログラム
CN113793345B (zh) 一种基于改进注意力模块的医疗影像分割方法及装置
CN111419283B (zh) 一种用于评估新冠肺炎患者病情严重程度的超声分析系统
CN111476772B (zh) 基于医学影像的病灶分析方法和装置
Huang et al. Bone feature segmentation in ultrasound spine image with robustness to speckle and regular occlusion noise
WO2020215485A1 (zh) 胎儿生长参数测量方法、系统及超声设备
CN113554607B (zh) 一种牙体检测模型、模型生成方法及牙体分割方法
KR101941209B1 (ko) 인공지능 기반 독립형 자동 질환 진단 시스템 및 방법
CN113688942A (zh) 基于深度学习的头侧片腺样体图像自动评估方法和装置
CN111462101A (zh) 基于新型冠状病毒肺炎ct检测的分期设备及其使用方法
JP7349870B2 (ja) 医用画像処理装置、断層撮影装置、医用画像処理方法及びプログラム
US9224229B2 (en) Process and apparatus for data registration
WO2022127318A1 (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN111489335B (zh) 基于新型冠状病毒肺炎x射线图像的量化分析系统及方法
CN112641466A (zh) 一种超声人工智能辅助诊断方法及装置
CN114359194A (zh) 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法
CN112766332A (zh) 医学影像检测模型训练方法、医学影像检测方法及装置
Lee et al. Learning radiologist’s step-by-step skill for cervical spinal injury examination: Line drawing, prevertebral soft tissue thickness measurement, and swelling detection
CN112766333B (zh) 医学影像处理模型训练方法、医学影像处理方法及装置
Vaish et al. Smartphone based automatic organ validation in ultrasound video

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

Application publication date: 20200728

RJ01 Rejection of invention patent application after publication