CN111462102A - 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法 - Google Patents
基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法 Download PDFInfo
- Publication number
- CN111462102A CN111462102A CN202010264443.7A CN202010264443A CN111462102A CN 111462102 A CN111462102 A CN 111462102A CN 202010264443 A CN202010264443 A CN 202010264443A CN 111462102 A CN111462102 A CN 111462102A
- Authority
- CN
- China
- Prior art keywords
- ray chest
- analysis module
- area
- chest radiograph
- attention
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 241000711573 Coronaviridae Species 0.000 title claims abstract description 20
- 238000002601 radiography Methods 0.000 title claims description 14
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000010191 image analysis Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012351 Integrated analysis Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000003902 lesion Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 241000700605 Viruses Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10116—X-ray image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种基于新型冠状病毒肺炎X射线胸片的智能分析系统及方法，该系统包括：全图分析模块，用于获取预处理后的X射线胸片为新冠肺炎的疑似概率和注意力分布图，且基于所述注意力分布图获取主要注意力区域坐标；异常检测模块，用于获取预处理后的X射线胸片中的检测异常区域坐标；综合分析模块，用于根据所述疑似概率、所述主要注意力区域坐标和所述检测异常区域坐标判断所述X射线胸片是否为假阳。该系统通过两个串联的深度学习卷积神经网络模型来生成对整张X射线胸片的新型冠状病毒肺炎进行分析，能够有效提高系统本身的适用性以及检测的准确性。
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X射线胸片的智能分析系统及方法。
背景技术
新型冠状病毒性肺炎的检测手段具有多元性，既有核酸检测又有常规的放射技术手段检测；从一般意义上来讲，采用放射技术手段尤其是数字X摄影系统进行肺炎的检测具有高效，低成本的特点因而是此次抗击新型冠状肺炎的主力检测手段。
但是，随着病例数量成爆炸性增长，而受过训练的放射医师数量增长缓慢，这一矛盾导致整个检测流程低效，严重影响医疗资源的优化调配，解决这一问题，公认的做法是引入计算机辅助检测系统(CAD)来减少医师的工作量，提升医师阅片效率。
目前，由于深度学习技术具有无可替代的优势被广泛应用于CAD的设计中。用于CAD的深度学习技术可以大体分为两类：1.采用诸如Unet构型的网络结构，从病灶分割的角度生成疑似病灶的mask来获得疑似病灶的边缘位置信息；2.采用诸如Faster RCNN的网络构型来筛查出疑似病灶，并据此提取出病灶的位置信息，以及获得病灶的概率。但是上述两种思路都有明显的问题：对于第一种方案，由于这是检测任务，直接套用分割思路来处理，一方面会造成模型泛化能力的降低，另外也会对后续的一些操作造成不良影响，比如mask阈值的选取直接影响mask的生成，进而影响后续一系列操作，一个简单的阈值变化可能造成一系列全图的推断变化；对于第二种方案，用于物体识别的模型结构以及其优化点往往是针对自然图像，这并不能很好适用在医学图像中，比如自然图像中正例与负例很容易做到平衡，并且自然图像中的物体绝大多数情况下形状相似度都很高，而医学图像中，疑似病例相对于正常胸片而言毕竟是少数，况且病灶判断与否往往基于其与周围组织的判断而并不是其本身的形状。综上所述，现有的方案并不能很好适用于新型冠状病毒性肺炎的检测。
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X射线胸片的智能分析系统及方法。
根据本发明实施例第一方面，提供了一种基于新型冠状病毒肺炎X射线胸片的智能分析系统，该系统包括：全图分析模块，所述全图分析模块用于获取预处理后的X射线胸片为新冠肺炎的疑似概率和注意力分布图，且基于所述注意力分布图获取主要注意力区域坐标；异常检测模块，所述异常检测模块用于获取预处理后的X射线胸片中的检测异常区域坐标；综合分析模块，所述综合分析模块用于根据所述疑似概率、所述主要注意力区域坐标和所述检测异常区域坐标判断所述X射线胸片是否为假阳。
根据本发明实施例的第二方面，提供一种基于新型冠状病毒肺炎X射线胸片的智能分析方法，该方法包括：将预处理后的X射线胸片输入全图分析模块，以获得所述X射线胸片为新冠肺炎的疑似概率和注意力分布图；且基于所述注意力分布图获取主要注意力区域坐标；将预处理后的X射线胸片输入异常检测模块，以获得所述X射线胸片中检测异常区域坐标；将所述疑似概率、所述主要注意力区域坐标和所述检测异常区域坐标输入综合分析模块，以判断所述X射线胸片是否为假阳。
本发明实施例提供的基于新型冠状病毒肺炎X射线胸片的智能分析系统及方法，通过两个串联的深度学习卷积神经网络模型来生成对整张X射线胸片的新型冠状病毒肺炎进行分析，可以提高假阳的判断准确性；这样的系统与构型能够有效提高系统本身的适用性以及检测的准确性。
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基于新型冠状病毒肺炎X射线胸片的智能分析系统的结构框图；
图2为本发明实施例提供的基于新型冠状病毒肺炎X射线胸片的智能分析系统中主要注意力区域与真实病灶区域的示意图；
图3为本发明实施例提供的一种基于新型冠状病毒肺炎X射线胸片的智能分析系统中检测异常区域、注意力集中区域及真实病灶区域的示意图；
图4为本发明实施例提供的基于新型冠状病毒肺炎X射线胸片的智能分析方法的流程示意图。
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。
如图1所示，本发明提供一种基于新型冠状病毒肺炎X射线胸片的智能分析系统，该系统包括：全图分析模块102，用于获取预处理后的X射线胸片为新冠肺炎的疑似概率和注意力分布图，且基于所述注意力分布图获取主要注意力区域坐标；异常检测模块103，用于获取预处理后的X射线胸片中的检测异常区域坐标；综合分析模块104，用于根据所述疑似概率、所述主要注意力区域坐标和所述检测异常区域坐标判断所述X射线胸片是否为假阳。
全图分析模块102基于预处理后的X射线胸片得到该X射线胸片为新冠肺炎的疑似概率和注意力分布图，且基于该注意力分布图获取主要注意力区域坐标(即，注意力集中区域坐标)，例如，将该图中数值比较高的区域代表模型更加关注的区域，其后使用自适应方法来获取注意力分布图中主要注意力区域坐标。
以及，异常检测模块103基于预处理后的X射线胸片得到该X射线胸片中的异常检测区域坐标。该异常检测模块103的输出结果如图3所示，图3中可见，左边从上至下的第二个矩形框和右边从上之下的第二个矩形框均是异常检测模块103输出的结果，由此可见该异常检测将肺部区域中有异常的位置均已检测出来。
以上两个模块的处理步骤(全图分析和异常检测)可以同时进行，也可以前后进行；如果前后进行操作的话，上述两个步骤不分先后，任意一个步骤都可以在前或在后。
最后，综合分析模块104根据得到的疑似概率、主要注意力区域坐标和检测异常区域坐标，判断该X射线胸片是否为假阳，完成去除假阳的目的。
其中，该全图分析模块102可以基于深度卷积神经网络构建，其可以使用如下方式进行训练：1.对整体疑似度判断的训练；2.对局部病灶区域注意力机制优化的训练；3.和后续异常区域检测模块进行对抗性训练。训练过程中使用的金标是由医师判断并勾画出病灶位置的疑似病例图像以及没有新冠肺炎的图像。且该全图分析模块102采用解析加合成的方式进行构建。
其中，该异常检测模块103也可以基于深度卷积神经网络构建，其训练采用的是对抗式的训练，其次该模型充分考虑针对各个尺度不同的病灶区域进行设计。
在本实施例中，通过两个串联的深度学习卷积神经网络模型来生成对整张X射线胸片的新型冠状病毒肺炎进行判断，可以提高假阳的判断准确性；这样的系统与构型能够有效提高系统本身的适用性以及检测的准确性。
进一步地，还系统还可以包括：图像预处理模块101，用于对对X射线胸片进行最大值最小值归一化处理，将所述X射线胸片中的图像数值规范到0至1之间，以获得图像张量；之后全图分析模块102和异常检测模块103可以使用该张量图像进行后续的处理。
进一步地，综合分析模块104具体用于基于所述主要注意力区域坐标和所述检测异常区域坐标，获得所述主要注意力区域坐标和所述检测异常区域坐标的重合面积；且基于所述重合面积和所述检测异常区域坐标所占面积求取IOU分数。
若所述IOU分数低于第一阈值、且所述疑似概率高于第二阈值，则综合分析模块104检测出所述X射线胸片为假阳，综合分析模块104不输出结果。若所述IOU分数高于第一阈值、且所述疑似概率高于第二阈值，则综合分析模块104检测出所述X射线胸片为阳性，所述综合分析模块104输出所述检测异常区域坐标和所述疑似概率。若所述IOU分数低于第一阈值、且所述疑似概率低于第二阈值，则综合分析模块104检测出所述X射线胸片为异常情况，所述综合分析模块104输出所述检测异常区域坐标；或者，若所述IOU分数高于第一阈值、且所述疑似概率低于第二阈值，则综合分析模块104检测出所述X射线胸片为多病因，所述综合分析模块104输出所述检测异常区域坐标，且将所述X射线胸片进行标记。
进一步地，全图分析模块102具体用于根据预处理后的X射线胸片获取32x32pixels大小的张量矩阵；对张量矩阵进行平均池化处理，且对平均池化处理后的结果进行sigmoid，以获得X射线胸片为新冠肺炎的疑似概率。以及，该全图分析模块102将注意力分布图转为8-bit的正常灰度图像，使用OTSU方法在正常灰度图像中获得自适应阈值；根据注意力分布图的数值含义基于自适应阈值，将注意力分布图划分为前景和背景；根据前景生成mask并找到封闭区域，获得封闭区域的最小外切矩形框的坐标，即可得到所述主要注意力区域坐标。
图4为本发明实施例提供的一种基于新型冠状病毒肺炎X射线胸片的智能分析方法流程实施例，该方法主要包括：将预处理后的X射线胸片输入全图分析模块102，例如，在得到X射线拍摄的胸片图像(即，X射线胸片)后可以先对该胸片进行预处理，例如，将胸片进行最大值最小值规范化处理，将图像处理成数值在0到1之前分布的张量图像，然后可以使用该张量图像进行后续处理。
例如，将张量图像输入预先构建好的全图分析模块102进行处理，得到该X射线胸片为新冠肺炎的疑似概率和注意力分布图；且基于该注意力分布图获取主要注意力区域坐标(即，注意力集中区域坐标)，例如，将该图中数值比较高的区域代表模型更加关注的区域，其后使用自适应方法来获取注意力分布图中主要注意力区域坐标。
以及，将预处理后的X射线胸片输入异常检测模块103，例如，将张量图像输入预先构建好的异常检测模块103，得到该X射线胸片中的异常检测区域坐标。该模型的输出结果如图3所示，图3中可见，左边从上至下的第二个矩形框和右边从上之下的第二个矩形框均是异常检测模块103输出的结果，由此可见该异常检测将肺部区域中有异常的位置均已检测出来。
以上两个步骤(全图分析和异常检测)可以同时进行，也可以前后进行；如果前后进行操作的话，上述两个步骤不分先后，任意一个步骤都可以在前或在后。
最后，将得到的疑似概率、主要注意力区域坐标和检测异常区域坐标输入综合分析模块104，进而判断该X射线胸片是否为假阳，完成去除假阳的目的。
在本实施例中，通过两个串联的深度学习卷积神经网络模型来生成对整张X射线胸片的新型冠状病毒肺炎的判断，可以提高假阳的判断准确性；这样的方法与构型能够有效提高方法本身的适用性以及检测的准确性。
进一步地，将经过预处理后得到的图像张量输入全图分析模块102，获得32x32pixels大小的张量矩阵，再在此张量矩阵上做平均池化操作，随后对平均池化操作结果进行sigmoid，以获得对X射线胸片疑似概率的评估，即得到X射线胸片为新冠肺炎的疑似概率。
且基于上述32x 32pixels的张量矩阵，借助神经网络的反向传播机制，使用grad-cam方法对卷积网络中的特征图进行加权求和，对梯度进行平均求和等降维操作，可反向推导出整个网络的注意力热力图也称为注意力分布图。该图中数值比较高的区域代表网络更加关注的区域，其后使用自适应方法来获取注意力分布图中主要注意力区域坐标。
进一步地，基于所述注意力分布图获取主要注意力区域坐标的步骤包括：将注意力分布图首先转为8-bit的正常灰度图像，其后使用OTSU方法在图中获得自适应的阈值，依照该自适应阈值可将注意力分布图划分为前景和背景。根据注意力分布图的数值含义，将高于自适应阈值的区域认定为是模型高度关注的区域即前景；据此，可以根据前景生成mask并找到封闭区域，从而能获得这些封闭区域的最小外切矩形框的坐标(即，主要注意力区域坐标)。
至此可以通过全图分析模块102获得对病灶区域的关注位置(即，主要注意力区域坐标)，这样的效果可以参考图2，图2即为在全图分布模块102的注意力分布图上初步获得的关注位置最小外切矩形框。图2中从上之下的第一个矩形框为采用上述方法在注意力分布图上所获得的标识位置，从上之下的第二个矩形框为由放射医师勾画的真实病灶位置。
进一步地，判断所述X射线胸片是否为假阳的步骤包括：所述综合分析模块104基于所述主要注意力区域坐标和所述检测异常区域坐标，获得所述主要注意力区域坐标和所述检测异常区域坐标的重合面积；且基于所述重合面积和所述检测异常区域坐标所占面积求取IOU分数(即，交集面积比)；基于所述疑似概率和所述IOU分数判断所述X射线胸片是否为假阳。
具体地，将上述异常检测模块103的检测结果与全图分析模块102的分析结果进行综合处理；该综合处理策略由于考虑了两个模型的特点以及输出，因此可以尽可能减少对单个模型阈值的依赖。综合分析模块104首先计算检测异常区域坐标所描述的位置与主要注意力区域坐标所描述位置的重合面积，然后将此重合面积同检测异常区域坐标所描述的检测异常区域(即，病灶区域)的面积求取IOU分数。则可基于该X射线胸片的疑似概率和IOU分数，判断出该X射线胸片是否为假阳。
当IOU分数小于第一阈值th_iou，同时整个X射线胸片(即，全图)的疑似概率高于第二阈值th_c，则认为检测情况为假阳，综合分析模块104不做输出。
如果IOU分数高于第一阈值th_iou，并且根据全图分析模块102预测出该胸片图像的新冠疑似概率高于第二阈值th_c，则说明该区域有大概率是新冠肺炎的病灶区域；此时，综合分析模块104将检测异常区域坐标作为病灶位置坐标输出，同时将该X射线胸片的疑似概率输出。
如果IOU分数少于第一阈值th_iou,并且全图预测的疑似概率高于第二阈值th_c,则表明该方法检出的是属于异常情况，可能是其他病种造成的病灶，也可能是异常器械，比如图3中所示的右边从上之下的第二个框中检出的器械区域，此时综合分析模块104仅将检测异常区域坐标输出，并不输出全图的疑似概率。
如果IOU分数大于第一阈值th_iou，但是全图的疑似概率小于第二阈值th_c，则认为检测病灶可能是由多种病种共同引起；此时，综合分析模块104输出检测异常区域坐标，并将此图进行标记，以便后期复查。
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 (10)
1.一种基于新型冠状病毒肺炎X射线胸片的智能分析系统，其特征在于，包括：
全图分析模块，所述全图分析模块用于获取预处理后的X射线胸片为新冠肺炎的疑似概率和注意力分布图，且基于所述注意力分布图获取主要注意力区域坐标；
异常检测模块，所述异常检测模块用于获取预处理后的X射线胸片中的检测异常区域坐标；
综合分析模块，所述综合分析模块用于根据所述疑似概率、所述主要注意力区域坐标和所述检测异常区域坐标判断所述X射线胸片是否为假阳。
2.根据权利要求1所述的系统，其特征在于，所述综合分析模块基于所述主要注意力区域坐标和所述检测异常区域坐标，获得所述主要注意力区域坐标和所述检测异常区域坐标的重合面积；且基于所述重合面积和所述检测异常区域坐标所占面积求取IOU分数；
所述综合分析模块基于所述疑似概率和所述IOU分数判断所述X射线胸片是否为假阳。
3.根据权利要求2所述的系统，其特征在于，若所述IOU分数低于第一阈值、且所述疑似概率高于第二阈值，则所述综合分析模块判断出所述X射线胸片为假阳，所述综合分析模块不输出结果。
4.根据权利要求3所述的系统，其特征在于，若所述IOU分数高于第一阈值、且所述疑似概率高于第二阈值，则所述综合分析模块判断出所述X射线胸片为阳性，所述综合分析模块输出所述检测异常区域坐标和所述疑似概率；
若所述IOU分数低于第一阈值、且所述疑似概率低于第二阈值，则所述综合分析模块检测出所述X射线胸片为异常情况，所述综合分析模块输出所述检测异常区域坐标；或者，
若所述IOU分数高于第一阈值、且所述疑似概率低于第二阈值，则所述综合分析模块检测出所述X射线胸片为多病因，所述综合分析模块输出所述检测异常区域坐标，且将所述X射线胸片进行标记。
5.根据权利要求1所述的系统，其特征在于，所述全图分析模块基于预处理后的X射线胸片获得32x 32pixels大小的张量矩阵，且对所述张量矩阵进行平均池化处理，以及对平均池化处理后的结果进行sigmoid，以获得所述X射线胸片为新冠肺炎的疑似概率。
6.根据权利要求1所述的系统，其特征在于，所述全图分析模块将所述注意力分布图转为8-bit的正常灰度图像，使用OTSU方法在所述正常灰度图像中获得自适应阈值；所述全图分析模块根据注意力分布图的数值含义基于所述自适应阈值，将所述注意力分布图划分为前景和背景；
所述全图分析模块根据所述前景生成mask并找到封闭区域，获得所述封闭区域的最小外切矩形框的坐标，即可得到所述主要注意力区域坐标。
7.根据权利要求1-6任一项所述的系统，其特征在于，还包括：预处理模块；所述预处理模块用于对所述X射线胸片进行最大值最小值归一化处理，且将所述X射线胸片中的图像数值规范到0至1之间，以获得图像张量。
8.一种基于新型冠状病毒肺炎X射线胸片的智能分析方法，其特征在于，包括：
将预处理后的X射线胸片输入全图分析模块，以获得所述X射线胸片为新冠肺炎的疑似概率和注意力分布图；且基于所述注意力分布图获取主要注意力区域坐标；
将预处理后的X射线胸片输入异常检测模块，以获得所述X射线胸片中检测异常区域坐标；
将所述疑似概率、所述主要注意力区域坐标和所述检测异常区域坐标输入综合分析模块，以判断所述X射线胸片是否为假阳。
9.根据权利要求8所述的方法，其特征在于，判断所述X射线胸片是否为假阳的步骤包括：
所述综合分析模块基于所述主要注意力区域坐标和所述检测异常区域坐标，获得所述主要注意力区域坐标和所述检测异常区域坐标的重合面积；且基于所述重合面积和所述检测异常区域坐标所占面积求取IOU分数；
基于所述疑似概率和所述IOU分数判断所述X射线胸片是否为假阳。
10.根据权利要求9所述的方法，其特征在于，若所述IOU分数低于第一阈值、且所述疑似概率高于第二阈值，则所述X射线胸片检测为假阳，所述综合分析模块不输出结果；
若所述IOU分数高于第一阈值、且所述疑似概率高于第二阈值，则所述X射线胸片检测为阳性，所述综合分析模块输出所述检测异常区域坐标的坐标和所述疑似概率；
若所述IOU分数低于第一阈值、且所述疑似概率低于第二阈值，则所述X射线胸片检测为异常情况，所述综合分析模块输出所述检测异常区域坐标的坐标；或者，
若所述IOU分数高于第一阈值、且所述疑似概率低于第二阈值，则所述X射线胸片检测为多病因，所述综合分析模块输出所述检测异常区域坐标的坐标，且将所述X射线胸片进行标记。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010264443.7A CN111462102B (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010264443.7A CN111462102B (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111462102A true CN111462102A (zh) | 2020-07-28 |
| CN111462102B CN111462102B (zh) | 2023-11-14 |
Family
ID=71685887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010264443.7A Active CN111462102B (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111462102B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931867A (zh) * | 2020-09-21 | 2020-11-13 | 长沙理工大学 | 基于轻量级模型的新冠肺炎x射线图像分类方法及系统 |
| 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 |
| CN114219817A (zh) * | 2022-02-22 | 2022-03-22 | 湖南师范大学 | 新冠肺炎ct图像分割方法及终端设备 |
| CN116469540A (zh) * | 2023-03-30 | 2023-07-21 | 北京透彻未来科技有限公司 | 基于双阈值的去噪方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
| CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
| JP2019154943A (ja) * | 2018-03-15 | 2019-09-19 | ライフサイエンスコンピューティング株式会社 | 人工知能を用いた病変の検知方法、及び、そのシステム |
| CN110599483A (zh) * | 2019-09-19 | 2019-12-20 | 慧影医疗科技（北京）有限公司 | 肺部病灶检测装置、检测设备及可读存储介质 |
-
2020
- 2020-04-07 CN CN202010264443.7A patent/CN111462102B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
| CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
| JP2019154943A (ja) * | 2018-03-15 | 2019-09-19 | ライフサイエンスコンピューティング株式会社 | 人工知能を用いた病変の検知方法、及び、そのシステム |
| CN110599483A (zh) * | 2019-09-19 | 2019-12-20 | 慧影医疗科技（北京）有限公司 | 肺部病灶检测装置、检测设备及可读存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931867A (zh) * | 2020-09-21 | 2020-11-13 | 长沙理工大学 | 基于轻量级模型的新冠肺炎x射线图像分类方法及系统 |
| CN111931867B (zh) * | 2020-09-21 | 2020-12-18 | 长沙理工大学 | 基于轻量级模型的新冠肺炎x射线图像分类方法及系统 |
| 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 |
| CN114219817A (zh) * | 2022-02-22 | 2022-03-22 | 湖南师范大学 | 新冠肺炎ct图像分割方法及终端设备 |
| CN116469540A (zh) * | 2023-03-30 | 2023-07-21 | 北京透彻未来科技有限公司 | 基于双阈值的去噪方法及系统 |
| CN116469540B (zh) * | 2023-03-30 | 2023-11-14 | 北京透彻未来科技有限公司 | 基于双阈值的去噪方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111462102B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111462102B (zh) | 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法 | |
| US7881494B2 (en) | Characteristic point detection of target object included in an image | |
| JP6077993B2 (ja) | 画像の異形を識別するための画像データの処理方法、システムおよびプログラム | |
| CN111814741B (zh) | 一种基于注意力机制的遮挡胚胎原核及卵裂球检测方法 | |
| JP4999163B2 (ja) | 画像処理方法および装置ならびにプログラム | |
| US7801337B2 (en) | Face detection method, device and program | |
| US9349176B2 (en) | Computer-aided detection (CAD) of intracranial aneurysms | |
| CN110648322B (zh) | 一种子宫颈异常细胞检测方法及系统 | |
| CN112233117A (zh) | 一种新冠肺炎ct检测识别定位系统及计算设备 | |
| CN111583220B (zh) | 影像数据检测方法和装置 | |
| CN108846826A (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
| CN113728335A (zh) | 用于3d图像的分类和可视化的方法和系统 | |
| US7643674B2 (en) | Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture | |
| CN110321968B (zh) | 一种超声图像分类装置 | |
| CN114463609B (zh) | 细胞显微图像中荧光杂点的确定方法和装置 | |
| CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
| CN116824203A (zh) | 基于神经网络的青光眼的识别装置和识别方法 | |
| JP2011165170A (ja) | 対象物検出装置及びプログラム | |
| US20230177683A1 (en) | Domain Aware Medical Image Classifier Interpretation by Counterfactual Impact Analysis | |
| Khan et al. | An effective approach to address processing time and computational complexity employing modified CCT for lung disease classification | |
| CN113763331A (zh) | 冠状动脉优势型判定方法、装置、存储介质及电子设备 | |
| CN108447066B (zh) | 胆道图像分割方法、终端、存储介质 | |
| US11875898B2 (en) | Automatic condition diagnosis using an attention-guided framework | |
| WO2010022534A1 (en) | A polynomial fitting based segmentation algorithm for pulmonary nodule in chest radiograph | |
| Dutta et al. | Full-scale deeply supervised attention network for segmenting COVID-19 lesions |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |