CN111462101A - 基于新型冠状病毒肺炎ct检测的分期设备及其使用方法 - Google Patents
基于新型冠状病毒肺炎ct检测的分期设备及其使用方法 Download PDFInfo
- Publication number
- CN111462101A CN111462101A CN202010264437.1A CN202010264437A CN111462101A CN 111462101 A CN111462101 A CN 111462101A CN 202010264437 A CN202010264437 A CN 202010264437A CN 111462101 A CN111462101 A CN 111462101A
- Authority
- CN
- China
- Prior art keywords
- unit
- module
- probability
- novel coronavirus
- focus
- 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
- G06T7/0002—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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于新型冠状病毒肺炎CT检测的分期设备及其使用方法,该设备包括: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概率计算网络中,获取目标对象感染新型冠状病毒肺炎的概率;分期模块根据目标对象感染新型冠状病毒肺炎的概率,若判断获知目标对象已感染新型冠状病毒肺炎,根据目标对象的新型冠状病毒病灶的纹理特征、尺寸大小特征和位置特征,对目标对象进行分期,输出模块将期数输出。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
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检测的分期设备及其使用方法。
背景技术
新型冠状病毒肺炎具有传播性强、潜伏期长、进展快的特点,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。根据《新型冠状病毒肺炎诊疗方案》,新型冠状病毒肺炎分期为轻型、普通型、重型和危重型,新型冠状病毒肺炎的准确分期,对分诊对症治疗,缓解医疗资源紧张有重要的意义。
因此,亟需一种基于新型冠状病毒肺炎CT检测的分期设备及其使用方法。
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检测的分期设备及其使用方法。
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检测的分期设备,该设备包括:分割模块、概率模块、分期模块和输出模块,所述分割模块、所述概率模块、所述分期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分期模块,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;
所述分期模块用于根据所述目标对象感染新型冠状病毒肺炎的概率,判断所述目标对象是否感染新型冠状病毒肺炎,若判断获知所述目标对象已感染新型冠状病毒肺炎,根据所述目标对象的新型冠状病毒病灶的纹理特征、尺寸大小特征和位置特征,获取所述目标对象所感染新型冠状病毒的期数,并将所述期数传输给所述输出模块;
所述输出模块用于输出所述期数。
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检测的分期设备的使用方法,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分期模块,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;
通过所述分期模块根据所述目标对象感染新型冠状病毒肺炎的概率,判断所述目标对象是否感染新型冠状病毒肺炎,若判断获知所述目标对象已感染新型冠状病毒肺炎,根据所述目标对象的新型冠状病毒病灶的纹理特征、尺寸大小特征和位置特征,获取所述目标对象所感染新型冠状病毒的期数,并将所述期数传输给所述输出模块;
通过所述输出模块输出所述期数。
本发明实施例提供的基于新型冠状病毒肺炎CT检测的分期设备及其使用方法,首先分割模块利用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,在已经确诊为新型冠状病毒肺炎的情况下,分期模块再对目标对象的患病情况进行分期,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检测的分期设备的结构示意图;
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概率计算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检测的分期设备的使用方法流程图。
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检测的分期设备的结构示意图,如图1所示,该设备包括:分割模块101、概率模块102、分期模块103和输出模块104,所述分割模块、所述概率模块、所述分期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分期模块,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;
所述分期模块用于根据所述目标对象感染新型冠状病毒肺炎的概率,判断所述目标对象是否感染新型冠状病毒肺炎,若判断获知所述目标对象已感染新型冠状病毒肺炎,根据所述目标对象的新型冠状病毒病灶的纹理特征、尺寸大小特征和位置特征,获取所述目标对象所感染新型冠状病毒的期数,并将所述期数传输给所述输出模块;
所述输出模块用于输出所述期数。
需要说明的是,本发明实施例中分割模块、概率模块、分期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,概率模块分期模块、分期模块和输出模块之间均是可以传输数据,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。
首先本方法是为了判断目标对象所感染新型冠状病毒肺炎的程度,也就是判断该目标对象所患有新型冠状病毒肺炎是轻型、普通型、重型还是危重型。
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检查后的数据,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中,概率模块将这10个病灶输入到新型冠状病毒肺炎概率计算网络中,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,先计算出得到该目标对象患有新型冠状病毒肺炎的概率。
具体地,概率模块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概率计算网络,得到患新型冠状病毒肺炎的概率。
新型冠状病毒肺炎概率计算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。
分期模块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,如果确定该目标对象患有新型冠状病毒肺炎,则提取该目标对象的纹理特征、尺寸大小特征和位置特征,对该目标对象进行分期。
分期模块将患者的期数传输给输出模块,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。
本发明实施例提供的基于新型冠状病毒肺炎CT检测的分期设备,首先分割模块利用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,在已经确诊为新型冠状病毒肺炎的情况下,分期模块再对目标对象的患病情况进行分期,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概率计算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,还包括纹理特征提取模块,其中,所述纹理特征提取模块具体包括图像单元、能量单元、对比度单元、熵单元、逆差矩单元和合并单元,所述图像单元分别与所述能量单元的一端、所述对比度单元的一端、所述熵单元的一端和所述逆差矩单元的一端连接,所述能量单元的另一端、所述对比度单元的另一端、所述熵单元的另一端和所述逆差矩单元的另一端均与所述合并单元连接,其中:
所述图像单元用于利用统计法中的灰度共生矩阵的纹理分析方法,选取角度为0°、45°、90°、135°时不同角度的病灶图像,并将每一病灶图像传输给所述能量单元、所述对比度单元、所述熵单元和所述逆差矩单元;
所述能量单元用于获取每一病灶图像的能量,并将每一病灶图像的能量传输给所述合并单元;
所述对比度单元用于获取每一病灶图像的相关对比度,并将每一病灶图像的相关对比度传输给所述合并单元;
所述熵单元用于计算每一病灶图像的熵,并将每一病灶图像的熵传输给所述合并单元;
所述逆差矩单元用于计算每一病灶图像的逆差矩,并将每一病灶图像的逆差矩传输给所述合并单元;
所述合并单元用于根据每一病灶图像的能量、每一病灶图像的相关对比度、每一病灶图像的熵和计算每一病灶图像的逆差矩,获取所述纹理特征。
具体地,该设备还包括纹理特征提取模块,纹理特征提取模块具体包括图像单元、能量单元、对比度单元、熵单元、逆差矩单元和合并单元,图像单元分别与能量单元的一端、对比度单元的一端、熵单元的一端和逆差矩单元的一端连接,能量单元的另一端、对比度单元的另一端、熵单元的另一端和逆差矩的另一端与合并单元连接。
具体地,图像单元利用统计法中的灰度共生矩阵的纹理分析方法,选取不同角度的病灶图像,不同角度为0度、45度、90度和135度,并将每个角度的病灶图像传输给能量单元、对比度单元、熵单元和逆差矩单元。
能量单元接收到不同角度的病灶图像后,提取每个病灶图像的能量,并将每个病灶图像的能量传输给合并单元。
对比度单元接收到不同角度的病灶图像后,计算每个病灶图像的相关对比度,并将每个病灶图像的相关对比度传输给合并单元。
熵单元接收到不同角度的病灶图像后,计算每个病灶图像的熵,并将每个病灶图像的熵传输给合并单元。
逆差矩单元接收到不同角度的病灶图像后,计算每个病灶图像的逆差矩,并将每个病灶图像的逆差矩传输给合并单元。
合并单元将每个病灶图像的能量、相关对比度、熵和逆差矩进行合并,最后得到病灶的纹理特征。
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,
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,
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检测的分期设备的使用方法的流程图,如图4所示,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分期模块,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,通过所述分期模块根据所述目标对象感染新型冠状病毒肺炎的概率,判断所述目标对象是否感染新型冠状病毒肺炎,若判断获知所述目标对象已感染新型冠状病毒肺炎,根据所述目标对象的新型冠状病毒病灶的纹理特征、尺寸大小特征和位置特征,获取所述目标对象所感染新型冠状病毒的期数,并将所述期数传输给所述输出模块;
S4,通过所述输出模块输出所述期数。
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 (9)
1.一种基于新型冠状病毒肺炎CT检测的分期设备,其特征在于,包括:分割模块、概率模块、分期模块和输出模块,所述分割模块、所述概率模块、所述分期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分期模块,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;
所述分期模块用于根据所述目标对象感染新型冠状病毒肺炎的概率,判断所述目标对象是否感染新型冠状病毒肺炎,若判断获知所述目标对象已感染新型冠状病毒肺炎,根据所述目标对象的新型冠状病毒病灶的纹理特征、尺寸大小特征和位置特征,获取所述目标对象所感染新型冠状病毒的期数,并将所述期数传输给所述输出模块;
所述输出模块用于输出所述期数。
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,还包括纹理特征提取模块,其中,所述纹理特征提取模块具体包括图像单元、能量单元、对比度单元、熵单元、逆差矩单元和合并单元,所述图像单元分别与所述能量单元的一端、所述对比度单元的一端、所述熵单元的一端和所述逆差矩单元的一端连接,所述能量单元的另一端、所述对比度单元的另一端、所述熵单元的另一端和所述逆差矩单元的另一端均与所述合并单元连接,其中:
所述图像单元用于利用统计法中的灰度共生矩阵的纹理分析方法,选取角度为0°、45°、90°、135°时不同角度的病灶图像,并将每一病灶图像传输给所述能量单元、所述对比度单元、所述熵单元和所述逆差矩单元;
所述能量单元用于获取每一病灶图像的能量,并将每一病灶图像的能量传输给所述合并单元;
所述对比度单元用于获取每一病灶图像的相关对比度,并将每一病灶图像的相关对比度传输给所述合并单元;
所述熵单元用于计算每一病灶图像的熵,并将每一病灶图像的熵传输给所述合并单元;
所述逆差矩单元用于计算每一病灶图像的逆差矩,并将每一病灶图像的逆差矩传输给所述合并单元;
所述合并单元用于根据每一病灶图像的能量、每一病灶图像的相关对比度、每一病灶图像的熵和计算每一病灶图像的逆差矩,获取所述纹理特征。
7.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,
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。
8.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。
9.一种如权利要求1至8任一所述基于新型冠状病毒肺炎CT检测的分期设备的使用方法,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分期模块,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;
通过所述分期模块根据所述目标对象感染新型冠状病毒肺炎的概率,判断所述目标对象是否感染新型冠状病毒肺炎,若判断获知所述目标对象已感染新型冠状病毒肺炎,根据所述目标对象的新型冠状病毒病灶的纹理特征、尺寸大小特征和位置特征,获取所述目标对象所感染新型冠状病毒的期数,并将所述期数传输给所述输出模块;
通过所述输出模块输出所述期数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264437.1A CN111462101A (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎ct检测的分期设备及其使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264437.1A CN111462101A (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎ct检测的分期设备及其使用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111462101A true CN111462101A (zh) | 2020-07-28 |
Family
ID=71683564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010264437.1A Pending CN111462101A (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎ct检测的分期设备及其使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462101A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250701A (zh) * | 2016-08-10 | 2016-12-21 | 华东理工大学 | 计算机软件系统中实现肺结节危险程度分类的系统和方法 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN110767293A (zh) * | 2019-11-07 | 2020-02-07 | 辽宁医汇智健康科技有限公司 | 一种脑部辅助诊断系统 |
-
2020
- 2020-04-07 CN CN202010264437.1A patent/CN111462101A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250701A (zh) * | 2016-08-10 | 2016-12-21 | 华东理工大学 | 计算机软件系统中实现肺结节危险程度分类的系统和方法 |
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN110767293A (zh) * | 2019-11-07 | 2020-02-07 | 辽宁医汇智健康科技有限公司 | 一种脑部辅助诊断系统 |
Non-Patent Citations (2)
Title |
---|
OLAF RONNEBERGER等: "U-Net: Convolutional Networks for Biomedical Image Segmentation", 《INTERNATIONAL CONFERENCE ON MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION》 * |
潘亚玲等: "基于深度学习的肺炎病灶分割技术用于新型冠状病毒肺炎的定量分析", 《中国医学计算机成像杂志》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615237B (zh) | 一种肺部图像处理方法及图像处理设备 | |
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 | |
Tan et al. | Classification of COVID-19 pneumonia from chest CT images based on reconstructed super-resolution images and VGG neural network | |
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 | |
CA2576646C (en) | System and method for assessing fetal abnormality based on landmarks | |
CN102934126A (zh) | 放射摄影图像中的微钙化检测和分级 | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
JP5337450B2 (ja) | 医用画像処理装置 | |
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 | |
JP2006325638A (ja) | 異常陰影候補の検出方法及び医用画像処理システム | |
CN111553892A (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
US20240005545A1 (en) | Measuring method and measuring apparatus of blood vessel diameter of fundus image | |
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 | |
Zhang et al. | 3D reconstruction for super-resolution CT images in the Internet of health things using deep learning | |
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 | |
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 | |
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 | |
CN113674251A (zh) | 基于多模态影像的腰椎图像分类识别系统、设备和介质 | |
US9224229B2 (en) | Process and apparatus for data registration | |
CN117408948A (zh) | 图像处理方法、图像分类分割模型的训练方法 | |
CN1531904A (zh) | 运行成像医疗检查设备的方法 | |
CN111325756A (zh) | 基于深度学习网络的三维影像动静脉分割方法及系统 | |
US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection |
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 |