CN111476774A - 基于新型冠状病毒肺炎ct检测的智能征象识别装置 - Google Patents
基于新型冠状病毒肺炎ct检测的智能征象识别装置 Download PDFInfo
- Publication number
- CN111476774A CN111476774A CN202010264102.XA CN202010264102A CN111476774A CN 111476774 A CN111476774 A CN 111476774A CN 202010264102 A CN202010264102 A CN 202010264102A CN 111476774 A CN111476774 A CN 111476774A
- Authority
- CN
- China
- Prior art keywords
- lesion
- suspected
- pneumonia
- focus
- image
- 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
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
- 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
- G06T7/60—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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30061—Lung
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (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CT检测的智能征象识别装置,包括:数据确定单元,用于确定待识别的CT影像,以及所述CT影像的若干个肺炎疑似病灶;征象识别单元,用于基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶的征象识别结果,所述征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。本发明实施例提供的装置,通过对CT影像中的每个肺炎疑似病灶进行征象识别,得到每个肺炎疑似病灶的病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种,从而实现强针对性、高准确率、高效率的基于新型冠状病毒肺炎CT检测的征象识别。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于新型冠状病毒肺炎CT检测的智能征象识别装置。
背景技术
CT(Computed Tomography,电子计算机断层扫描)检测具有简单、敏感、快速等优势,可用于新型冠状病毒肺炎早期征象的识别,具有重大的诊疗价值和疫情防控意义。
目前,基于新型冠状病毒肺炎CT检测的征象识别通常是由医师实现的,在新型冠状病毒肺炎爆发期CT影像的数量急剧增加的情况下,医师的阅片工作量极大,效率低下。而自动化的CT征象识别仅是针对于CT影像中征象本身的特征进行的,对于新型冠状病毒肺炎CT影像的征象识别不具备针对性,无法实现准确、可靠的征象识别。
发明内容
本发明实施例提供一种基于新型冠状病毒肺炎CT检测的智能征象识别装置,用以解决目前基于新型冠状病毒肺炎CT检测的征象识别不具备针对性,导致识别结果的准确性和可靠性欠佳的问题。
第一方面,本发明实施例提供一种基于新型冠状病毒肺炎CT检测的智能征象识别装置,包括:
确定待识别的CT影像,以及所述CT影像的若干个肺炎疑似病灶;
基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶的征象识别结果,所述征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
第二方面,本发明实施例提供一种基于新型冠状病毒肺炎CT检测的智能征象识别方法,包括:
确定待识别的CT影像,以及所述CT影像的若干个肺炎疑似病灶;
基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶的征象识别结果,所述征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
本发明实施例提供的一种基于新型冠状病毒肺炎CT检测的智能征象识别装置,通过对CT影像中的每个肺炎疑似病灶进行征象识别,得到每个肺炎疑似病灶的病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种,从而实现强针对性、高准确率、高效率的基于新型冠状病毒肺炎CT检测的征象识别。
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一简单地介绍,显而易见地,下面描述中的附图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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于新型冠状病毒肺炎CT检测的智能征象识别方法的流程示意图;
图2为本发明另一实施例提供的基于新型冠状病毒肺炎CT检测的智能征象识别方法的流程示意图;
图3为本发明实施例提供的基于新型冠状病毒肺炎CT检测的智能征象识别装置的结构示意图;
图4为本发明实施例提供的电子设备的结构示意图。
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、完整地描述,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作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。
临床上,CT检测具有简单、敏感、快速等优势,应用CT影像识别新型冠状病毒肺炎早期征象,具有重大的诊疗价值和疫情防控意义。极少数普通型患者起病早期CT无异常发现,但随着病情发展,肺内会出现病变。新冠肺炎的早期CT表现为单发或多发的局限性磨玻璃阴影、结节,多数磨玻璃阴影边缘不清,部分边缘清晰。病变多分布于中、下叶,多位于胸膜下,或叶间裂下,或者沿支气管血管束分布。
新型冠状病毒肺炎爆发期CT影像的数量急剧增加,大大增加了医师的阅片工作量。如何快速准确地分析CT影像中的病灶征象,从而减轻医师的阅片工作量,成为了人们普遍关注的问题。本发明实施例针对这一问题提供了一种基于新型冠状病毒肺炎CT检测的征象识别方法,用于辅助医生分析CT检测结果。
图1为本发明实施例提供的基于新型冠状病毒肺炎CT检测的智能征象识别方法的流程示意图,如图1所示,该方法包括:
步骤110,确定待识别的CT影像,以及CT影像的若干个肺炎疑似病灶。
此处待识别的CT影像即需要进行基于新型冠状病毒肺炎的征象识别的CT影像,CT影像中包含有一处或多处肺炎疑似病灶。此处,CT影像中的肺炎疑似病灶可以是人为标注的,也可以是通过图像分析技术预先标注的,本发明实施例对此不作具体限定。
步骤120,基于CT影像和任一肺炎疑似病灶,确定该肺炎疑似病灶的征象识别结果,征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
具体地,针对于CT影像中的任一肺炎疑似病灶,可以通过对CT影像进行图像处理分析,并结合深度学习等手段,对该肺炎疑似病灶进行征象识别,进而得到该肺炎疑似病灶的征象识别结果。
征象识别结果中,病灶相对胸膜位置用于反映该肺炎疑似病灶相对于胸膜的位置,例如该肺炎疑似病灶是否位于胸膜下;病灶类型用于反映该肺炎疑似病灶的类型,例如该肺炎疑似病灶是否为磨玻璃;病灶边缘清晰程度用于反映该肺炎疑似病灶的边缘是否清晰,具体可以体现为预先划分的多个清晰程度等级中的一级,例如可以通过5个等级分别表示非常模糊、比较模糊、一般、比较清晰和非常清晰。量化分析参数可以是病灶体积、最大截面长短径、平均CT值和密度均匀性等属性。
通过步骤120可以确定CT影像中每个肺炎疑似病灶的征象识别结果,可以与医师诊断得到的诊断结果所对应的各种征象相比较,从而验证医师的诊断结果是否准确。针对于基于新型冠状病毒肺炎CT检测的CT影像的征象识别结果,还可以用于对新型冠状病毒肺炎所体现的征象进行大规模的数据统计,从而帮助人们快速了解新型冠状病毒肺炎。
本发明实施例提供的方法,通过对CT影像中的每个肺炎疑似病灶进行征象识别,得到每个肺炎疑似病灶的病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种,从而实现强针对性、高准确率、高效率的基于新型冠状病毒肺炎CT检测的征象识别。
基于上述实施例,图2为本发明另一实施例提供的基于新型冠状病毒肺炎CT检测的智能征象识别方法的流程示意图,如图2所示,步骤120具体包括:
步骤121,定位CT影像中的肺部外轮廓,并基于肺部外轮廓与任一肺炎疑似病灶之间的距离,确定该肺炎疑似病灶的病灶相对胸膜位置;
和/或,步骤122,基于CT影像和任一肺炎疑似病灶,定位该肺炎疑似病灶在CT影像中的疑似病灶分割区域;基于疑似病灶分割区域,确定该肺炎疑似病灶的病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
步骤121中,将肺部外轮廓默认为胸膜。对应地,针对于任一肺炎疑似病灶,通过计算该肺炎疑似病灶与肺部外轮廓之间的距离,即相当于得到了该肺炎疑似病灶与胸膜之间的距离,进而可以判断该肺炎疑似病灶相对于胸膜的位置。
步骤122中,针对于任一肺炎疑似病灶,可以在对应的CT影像中定位包含有该肺炎疑似病灶的疑似病灶分割区域,此处的疑似病灶分割区域是以该肺炎疑似病灶为中心截取的影像数据。基于疑似病灶分割区域,可以对该肺炎疑似病灶进行分类,进而得到该肺炎疑似病灶的病灶类型,也可以评估该肺炎疑似病灶的边缘清晰程度,还可以量化分析得到该肺炎疑似病灶的量化分析参数。
需要说明的是,本发明实施例可以仅执行步骤121或步骤122,也可以既执行步骤121也执行步骤122,且本发明实施例不对步骤121和步骤122执行的先后顺序作具体限定。
基于上述任一实施例,步骤121具体包括:
步骤121-1,基于形态学方法,从CT影像中提取肺部区域。
具体地,可以根据肺部组织的阈值范围,利用二值化方法初步从CT影像中提取连通区域。其次,剔除提取的连通区域中的边界区域,并填充有洞的区域。接着,根据面积和位置,分别从CT影像中提取左右肺。最后,合并左右肺,并根据位置剔除不属于肺部的连通区域,由此完成肺部区域的提取。
步骤121-2,基于肺部区域,确定肺部外轮廓。
具体地,在提取得到肺部区域之后,基于肺部区域提取其边缘轮廓,作为肺部外轮廓。
步骤121-3,若肺部外轮廓与任一肺炎疑似病灶之间的距离在预设距离区间内,则确定病灶相对胸膜位置为胸膜下,否则确定病灶相对胸膜位置为非胸膜下。
具体地,在得到肺部外轮廓后,基于肺部外轮廓的位置,以及任一肺炎疑似病灶的位置,计算两者之间的距离,并将计算得到的距离与预设距离区间进行比较。此处的预设距离区间是预先设定的距离区间,若距离处于预设距离区间内,则确定病灶相对胸膜位置为胸膜下,即该肺炎疑似病灶为胸膜下的病灶,否则确定病灶相对胸膜位置为非胸膜下,即该肺炎疑似病灶不是胸膜下的病灶。
基于上述任一实施例,步骤122中,基于CT影像和任一肺炎疑似病灶,定位该肺炎疑似病灶在CT影像中的疑似病灶分割区域,具体包括:
根据肺窗[-1200,600]调整CT影像的数据,并归一化到[0,1]区间。根据任一肺炎疑似病灶的位置,以该肺炎疑似病灶为中心截取64*64*64大小的影像数据,作为该肺炎疑似病灶的疑似病灶分割区域;若该肺炎疑似病灶的区域大于64*64*64,则按128*128*128截取,并下采样到64*64*64,作为该肺炎疑似病灶的疑似病灶分割区域。
基于上述任一实施例,步骤122中,基于疑似病灶分割区域,确定该肺炎疑似病灶的病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种,具体包括:
步骤122-1,将疑似病灶分割区域输入至病灶分类模型,得到病灶分类模型输出的该肺炎疑似病灶的病灶类型。
具体地,病灶分类模型用于对输入的疑似病灶分割区域进行识别分类,并输出对应的病灶类型。此处的病灶分类模型可以是用于判断病灶是否为磨玻璃的二分类模型,病灶分类模型可以采用resnet50等分类网络结构构建。
在执行步骤122-1之前,可以预先对病灶分类模型进行训练,具体训练方法包括:预先收集大量样本疑似病灶分割区域,并标注每一样本疑似病灶分割区域是否为磨玻璃的分类标签。随即基于样本疑似病灶分割区域及其对应的分类标签对初始模型进行训练,从而得到病灶分类模型。
和/或,步骤122-2,将疑似病灶分割区域输入至病灶边缘评估模型,得到病灶边缘评估模型输出的该肺炎疑似病灶的病灶边缘清晰程度。
具体地,病灶边缘评估模型用于对输入的疑似病灶分割区域进行分析,从而评估肺炎疑似病灶的边缘清晰程度并输出。进一步地,可以借鉴LIDC-IDRI中对结节边缘清晰程度的分类方案,将肺炎疑似病灶边缘的清晰程度分为1-5个级别,1代表非常模糊,5代表很清晰。本发明实施例中,同样可以采用resnet50作为网络骨架,对病灶边缘的清晰程度进行多分类,从而评估边缘的清晰程度。
在执行步骤122-2之前,可以预先对病灶边缘评估模型进行训练,具体训练方法包括:预先收集大量样本疑似病灶分割区域,并标注每一样本疑似病灶分割区域所对应病灶边缘的清晰程度的分类标签。随即基于样本疑似病灶分割区域及其对应的分类标签对初始模型进行训练,从而得到病灶边缘评估模型。
和/或,步骤122-3,基于疑似病灶分割区域,计算该肺炎疑似病灶的量化分析参数;量化分析参数包括病灶体积、最大截面长短径、平均CT值和密度均匀性中的至少一种。
其中,密度均匀性是利用统计学方法,计算疑似病灶分割区域内CT值的变化,并将数据结果归一化到[0,1]范围后得到的结果。
本发明实施例提供的方法,结合深度学习技术,准确、客观地实现肺炎疑似病灶的病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种的确定,实现了强针对性的征象识别。
基于上述任一实施例,步骤122中,基于CT影像和任一肺炎疑似病灶,定位该肺炎疑似病灶在所述CT影像中的疑似病灶分割区域,之后还包括:
基于上述任一实施例,步骤120之前还包括:对CT影像进行预处理;预处理包括归一化和/或重采样。
例如,可以将CT影像中的CT值数据插值到归一化空间,从而使得三个方向上的尺度空间保持一致,以提高算法的泛化能力。又例如,可以对CT影像中的CT值数据进行重采样,从而得到重采样后的CT值分布在[0,255]区间内。
基于上述任一实施例,步骤120之后还包括:基于每一肺炎疑似病灶的征象识别结果,确定CT影像的统计病灶信息。
此处的统计病灶信息可以包括CT影像中磨玻璃的数量,胸膜下磨玻璃的数量,边缘不清楚的磨玻璃数量等。上述统计病灶信息均是可以在每一肺炎疑似病灶的各个维度的征象识别结果的基础上进行统计得到的。
基于上述任一实施例,一种基于新型冠状病毒肺炎CT检测的智能征象识别方法包括如下步骤:
首先,确定待识别的CT影像,并通过图像分析技术预先标注CT影像重的若干个肺炎疑似病灶。
其次,基于形态学方法,从CT影像中提取肺部区域,从而确定肺部外轮廓。计算每个肺炎疑似病灶与肺部外轮廓之间的距离,进而确定每个肺炎疑似病灶的病灶相对胸膜位置。
接着,基于CT影像和每一肺炎疑似病灶,定位每一肺炎疑似病灶在CT影像中的疑似病灶分割区域。将每一肺炎疑似病灶的疑似病灶分割区域分别输入到预先训练好的病灶分类模型,得到病灶分类模型输出的每一肺炎疑似病灶的病灶类型。
此外,将每一肺炎疑似病灶的疑似病灶分割区域分别输入到预先训练好的病灶边缘评估模型,得到病灶边缘评估模型输出的每一肺炎疑似病灶的病灶边缘清晰程度。
再者,还可以基于每一肺炎疑似病灶的疑似病灶分割区域,计算每一肺炎疑似病灶的量化分析参数;量化分析参数包括病灶体积、最大截面长短径、平均CT值和密度均匀性中的至少一种。
在得到每一肺炎疑似病灶的病灶相对胸膜位置、病灶类型、病灶边缘清晰程度和量化分析参数后,统计得到CT影像的统计病灶信息。
本发明实施例提供的方法是针对新型冠状肺炎早期CT的典型征象,具有较强的针对性。此外,该方法得到的征象识别结果中,病灶分类准确性高于90%。且经过临床医生评估,病灶边缘评估满足临床需求,准确性高。在大量测试样本中,该方法的整体运行时间小于5s,基本满足实时需求,性能高效。最后,该方法在不同的CT设备和不同尺寸的CT影像数据适用性都很好,鲁棒性佳。
基于上述任一实施例,图3为本发明实施例提供的基于新型冠状病毒肺炎CT检测的智能征象识别装置的结构示意图,如图3所示,该装置包括:
数据确定单元310,用于确定待识别的CT影像,以及所述CT影像的若干个肺炎疑似病灶;
征象识别单元320,用于基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶的征象识别结果,所述征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
此处待识别的CT影像即需要进行基于新型冠状病毒肺炎的征象识别的CT影像,CT影像中包含有一处或多处肺炎疑似病灶。此处,CT影像中的肺炎疑似病灶可以是人为标注的,也可以是通过图像分析技术预先标注的,本发明实施例对此不作具体限定。
针对于CT影像中的任一肺炎疑似病灶,可以通过对CT影像进行图像处理分析,并结合深度学习等手段,对该肺炎疑似病灶进行征象识别,进而得到该肺炎疑似病灶的征象识别结果。
征象识别结果中,病灶相对胸膜位置用于反映该肺炎疑似病灶相对于胸膜的位置,例如该肺炎疑似病灶是否位于胸膜下;病灶类型用于反映该肺炎疑似病灶的类型,例如该肺炎疑似病灶是否为磨玻璃;病灶边缘清晰程度用于反映该肺炎疑似病灶的边缘是否清晰,具体可以体现为预先划分的多个清晰程度等级中的一级,例如可以通过5个等级分别表示非常模糊、比较模糊、一般、比较清晰和非常清晰。量化分析参数可以是病灶体积、最大截面长短径、平均CT值和密度均匀性等属性。
通过征象识别单元320可以确定CT影像中每个肺炎疑似病灶的征象识别结果,可以与医师诊断得到的诊断结果所对应的各种征象相比较,从而验证医师的诊断结果是否准确。针对于基于新型冠状病毒肺炎CT检测的CT影像的征象识别结果,还可以用于对新型冠状病毒肺炎所体现的征象进行大规模的数据统计,从而帮助人们快速了解新型冠状病毒肺炎。
本发明实施例提供的装置,通过对CT影像中的每个肺炎疑似病灶进行征象识别,得到每个肺炎疑似病灶的病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种,从而实现强针对性、高准确率、高效率的基于新型冠状病毒肺炎CT检测的征象识别。
基于上述任一实施例,所述征象识别单元320包括:
相对位置确定子单元,用于定位所述CT影像中的肺部外轮廓,并基于所述肺部外轮廓与任一肺炎疑似病灶之间的距离,确定所述任一肺炎疑似病灶的病灶相对胸膜位置;
和/或,
区域分割子单元,用于基于所述CT影像和任一肺炎疑似病灶,定位所述任一肺炎疑似病灶在所述CT影像中的疑似病灶分割区域;
区域分析子单元,用于基于所述疑似病灶分割区域,确定所述任一肺炎疑似病灶的病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
相对位置确定子单元中,将肺部外轮廓默认为胸膜。对应地,针对于任一肺炎疑似病灶,通过计算该肺炎疑似病灶与肺部外轮廓之间的距离,即相当于得到了该肺炎疑似病灶与胸膜之间的距离,进而可以判断该肺炎疑似病灶相对于胸膜的位置。
区域分割子单元中,针对于任一肺炎疑似病灶,可以在对应的CT影像中定位包含有该肺炎疑似病灶的疑似病灶分割区域,此处的疑似病灶分割区域是以该肺炎疑似病灶为中心截取的影像数据。区域分析子单元基于疑似病灶分割区域,可以对该肺炎疑似病灶进行分类,进而得到该肺炎疑似病灶的病灶类型,也可以评估该肺炎疑似病灶的边缘清晰程度,还可以量化分析得到该肺炎疑似病灶的量化分析参数。基于上述任一实施例,所述相对位置确定子单元具体用于:
基于形态学方法,从所述CT影像中提取肺部区域;
基于所述肺部区域,确定所述肺部外轮廓;
若所述肺部外轮廓与任一肺炎疑似病灶之间的距离在预设距离区间内,则确定所述病灶相对胸膜位置为胸膜下,否则确定所述病灶相对胸膜位置为非胸膜下。
具体地,可以根据肺部组织的阈值范围,利用二值化方法初步从CT影像中提取连通区域。其次,剔除提取的连通区域中的边界区域,并填充有洞的区域。接着,根据面积和位置,分别从CT影像中提取左右肺。最后,合并左右肺,并根据位置剔除不属于肺部的连通区域,由此完成肺部区域的提取。
在提取得到肺部区域之后,基于肺部区域提取其边缘轮廓,作为肺部外轮廓。
在得到肺部外轮廓后,基于肺部外轮廓的位置,以及任一肺炎疑似病灶的位置,计算两者之间的距离,并将计算得到的距离与预设距离区间进行比较。此处的预设距离区间是预先设定的距离区间,若距离处于预设距离区间内,则确定病灶相对胸膜位置为胸膜下,即该肺炎疑似病灶为胸膜下的病灶,否则确定病灶相对胸膜位置为非胸膜下,即该肺炎疑似病灶不是胸膜下的病灶。
基于上述任一实施例,所述区域分析子单元具体用于:
将所述疑似病灶分割区域输入至病灶分类模型,得到所述病灶分类模型输出的所述任一肺炎疑似病灶的病灶类型;
和/或,将所述疑似病灶分割区域输入至病灶边缘评估模型,得到所述病灶边缘评估模型输出的所述任一肺炎疑似病灶的病灶边缘清晰程度;。
和/或,基于所述疑似病灶分割区域,计算所述任一肺炎疑似病灶的量化分析参数;所述量化分析参数包括病灶体积、最大截面长短径、平均CT值和密度均匀性中的至少一种。
具体地,病灶分类模型用于对输入的疑似病灶分割区域进行识别分类,并输出对应的病灶类型。此处的病灶分类模型可以是用于判断病灶是否为磨玻璃的二分类模型,病灶分类模型可以采用resnet50等分类网络结构构建。
病灶边缘评估模型用于对输入的疑似病灶分割区域进行分析,从而评估肺炎疑似病灶的边缘清晰程度并输出。进一步地,可以借鉴LIDC-IDRI中对结节边缘清晰程度的分类方案,将肺炎疑似病灶边缘的清晰程度分为1-5个级别,1代表非常模糊,5代表很清晰。本发明实施例中,同样可以采用resnet50作为网络骨架,对病灶边缘的清晰程度进行多分类,从而评估边缘的清晰程度。
密度均匀性是利用统计学方法,计算疑似病灶分割区域内CT值的变化,并将数据结果归一化到[0,1]范围后得到的结果。
本发明实施例提供的装置,结合深度学习技术,准确、客观地实现肺炎疑似病灶的病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种的确定,实现了强针对性的征象识别。
基于上述任一实施例,该装置还包括:
影像预处理单元,用于对所述CT影像进行预处理;所述预处理包括归一化和/或重采样。
例如,可以将CT影像中的CT值数据插值到归一化空间,从而使得三个方向上的尺度空间保持一致,以提高算法的泛化能力。又例如,可以对CT影像中的CT值数据进行重采样,从而得到重采样后的CT值分布在[0,255]区间内。
基于上述任一实施例,该装置还包括:
统计处理单元,用于基于每一肺炎疑似病灶的征象识别结果,确定所述CT影像的统计病灶信息。
此处的统计病灶信息可以包括CT影像中磨玻璃的数量,胸膜下磨玻璃的数量,边缘不清楚的磨玻璃数量等。上述统计病灶信息均是可以在每一肺炎疑似病灶的各个维度的征象识别结果的基础上,进行统计得到的。
图4为本发明实施例提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑命令,以执行如下方法:确定待识别的CT影像,以及所述CT影像的若干个肺炎疑似病灶;基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶的征象识别结果,所述征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
此外,上述的存储器430中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干命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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:确定待识别的CT影像,以及所述CT影像的若干个肺炎疑似病灶;基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶的征象识别结果,所述征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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,包括若干命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所述的方法。
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CT检测的征象智能识别装置,其特征在于,包括:
数据确定单元,用于确定待识别的CT影像,以及所述CT影像的若干个肺炎疑似病灶;
征象识别单元,用于基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶的征象识别结果,所述征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
2.根据权利要求1所述的基于新型冠状病毒肺炎CT检测的征象智能识别装置,其特征在于,所述征象识别单元包括:
相对位置确定子单元,用于定位所述CT影像中的肺部外轮廓,并基于所述肺部外轮廓与任一肺炎疑似病灶之间的距离,确定所述任一肺炎疑似病灶的病灶相对胸膜位置;
和/或,
区域分割子单元,用于基于所述CT影像和任一肺炎疑似病灶,定位所述任一肺炎疑似病灶在所述CT影像中的疑似病灶分割区域;
区域分析子单元,用于基于所述疑似病灶分割区域,确定所述任一肺炎疑似病灶的病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
3.根据权利要求2所述的基于新型冠状病毒肺炎CT检测的智能征象识别装置,其特征在于,所述相对位置确定子单元具体用于:
基于形态学方法,从所述CT影像中提取肺部区域;
基于所述肺部区域,确定所述肺部外轮廓;
若所述肺部外轮廓与任一肺炎疑似病灶之间的距离在预设距离区间内,则确定所述病灶相对胸膜位置为胸膜下,否则确定所述病灶相对胸膜位置为非胸膜下。
4.根据权利要求2所述的基于新型冠状病毒肺炎CT检测的智能征象识别装置,其特征在于,所述区域分析子单元具体用于:
将所述疑似病灶分割区域输入至病灶分类模型,得到所述病灶分类模型输出的所述任一肺炎疑似病灶的病灶类型;
和/或,将所述疑似病灶分割区域输入至病灶边缘评估模型,得到所述病灶边缘评估模型输出的所述任一肺炎疑似病灶的病灶边缘清晰程度;
和/或,基于所述疑似病灶分割区域,计算所述任一肺炎疑似病灶的量化分析参数;所述量化分析参数包括病灶体积、最大截面长短径、平均CT值和密度均匀性中的至少一种。
5.根据权利要求1至4中任一项所述的基于新型冠状病毒肺炎CT检测的智能征象识别装置,其特征在于,所述装置还包括影像预处理单元;所述影像预处理单元用于:
对所述CT影像进行预处理;所述预处理包括归一化和/或重采样。
6.根据权利要求1至4中任一项所述的基于新型冠状病毒肺炎CT检测的智能征象识别装置,其特征在于,所述装置还包括统计处理单元;所述统计处理单元用于:
基于每一肺炎疑似病灶的征象识别结果,确定所述CT影像的统计病灶信息。
7.一种基于新型冠状病毒肺炎CT检测的智能征象识别方法,其特征在于,包括:
确定待识别的CT影像,以及所述CT影像的若干个肺炎疑似病灶;
基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶的征象识别结果,所述征象识别结果包括病灶相对胸膜位置、病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种。
8.根据权利要求7所述的基于新型冠状病毒肺炎CT检测的智能征象识别方法,其特征在于,所述基于所述CT影像和任一肺炎疑似病灶,确定所述任一肺炎疑似病灶区域的征象识别结果,具体包括:
定位所述CT影像中的肺部外轮廓,并基于所述肺部外轮廓与任一肺炎疑似病灶之间的距离,确定所述任一肺炎疑似病灶的病灶相对胸膜位置;
和/或,
基于所述CT影像和任一肺炎疑似病灶,定位所述任一肺炎疑似病灶在所述CT影像中的疑似病灶分割区域;
基于所述疑似病灶分割区域,确定所述任一肺炎疑似病灶的病灶类型、病灶边缘清晰程度和量化分析参数中的至少一种。
9.根据权利要求8所述的基于新型冠状病毒肺炎CT检测的智能征象识别方法,其特征在于,所述定位所述CT影像中的肺部外轮廓,并基于所述肺部外轮廓与任一肺炎疑似病灶之间的距离,确定所述任一肺炎疑似病灶的病灶相对胸膜位置,具体包括:
基于形态学方法,从所述CT影像中提取肺部区域;
基于所述肺部区域,确定所述肺部外轮廓;
若所述肺部外轮廓与任一肺炎疑似病灶之间的距离在预设距离区间内,则确定所述病灶相对胸膜位置为胸膜下,否则确定所述病灶相对胸膜位置为非胸膜下。
10.根据权利要求8所述的基于新型冠状病毒肺炎CT检测的智能征象识别方法,其特征在于,所述基于所述疑似病灶分割区域,确定所述任一肺炎疑似病灶的病灶类型、病灶边缘清晰程度以及量化分析参数中的至少一种,具体包括:
将所述疑似病灶分割区域输入至病灶分类模型,得到所述病灶分类模型输出的所述任一肺炎疑似病灶的病灶类型;
和/或,将所述疑似病灶分割区域输入至病灶边缘评估模型,得到所述病灶边缘评估模型输出的所述任一肺炎疑似病灶的病灶边缘清晰程度;
和/或,基于所述疑似病灶分割区域,计算所述任一肺炎疑似病灶的量化分析参数;所述量化分析参数包括病灶体积、最大截面长短径、平均CT值和密度均匀性中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264102.XA CN111476774B (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010264102.XA CN111476774B (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476774A true CN111476774A (zh) | 2020-07-31 |
CN111476774B CN111476774B (zh) | 2023-04-18 |
Family
ID=71750062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010264102.XA Active CN111476774B (zh) | 2020-04-07 | 2020-04-07 | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476774B (zh) |
Cited By (9)
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 |
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 |
CN112401915A (zh) * | 2020-11-19 | 2021-02-26 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的图像融合比对方法 |
CN112863648A (zh) * | 2020-12-31 | 2021-05-28 | 四川大学华西医院 | 脑肿瘤术后mri多模态输出系统及方法 |
CN113077887A (zh) * | 2021-03-24 | 2021-07-06 | 四川大学华西医院 | 大脑白质病变自动化定量分析系统与判读方法 |
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 |
CN113902642A (zh) * | 2021-10-13 | 2022-01-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法、装置、电子设备和存储介质 |
CN114119578A (zh) * | 2021-12-01 | 2022-03-01 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置、计算机设备及存储介质 |
CN117408988A (zh) * | 2023-11-08 | 2024-01-16 | 北京维思陆科技有限公司 | 基于人工智能的病灶图像分析方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
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 |
JPWO2017150497A1 (ja) * | 2016-03-02 | 2019-02-14 | 地方独立行政法人神奈川県立病院機構 | 肺野病変の診断支援装置、該装置の制御方法及びプログラム |
CN109523546A (zh) * | 2018-12-21 | 2019-03-26 | 杭州依图医疗技术有限公司 | 一种肺结节分析的方法及装置 |
-
2020
- 2020-04-07 CN CN202010264102.XA patent/CN111476774B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2017150497A1 (ja) * | 2016-03-02 | 2019-02-14 | 地方独立行政法人神奈川県立病院機構 | 肺野病変の診断支援装置、該装置の制御方法及びプログラム |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
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 |
CN109523546A (zh) * | 2018-12-21 | 2019-03-26 | 杭州依图医疗技术有限公司 | 一种肺结节分析的方法及装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
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 |
CN112401915A (zh) * | 2020-11-19 | 2021-02-26 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的图像融合比对方法 |
CN112863648B (zh) * | 2020-12-31 | 2022-08-26 | 四川大学华西医院 | 脑肿瘤术后mri多模态输出系统及方法 |
CN112863648A (zh) * | 2020-12-31 | 2021-05-28 | 四川大学华西医院 | 脑肿瘤术后mri多模态输出系统及方法 |
CN113077887A (zh) * | 2021-03-24 | 2021-07-06 | 四川大学华西医院 | 大脑白质病变自动化定量分析系统与判读方法 |
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 |
CN113902642A (zh) * | 2021-10-13 | 2022-01-07 | 数坤(北京)网络科技股份有限公司 | 一种医学图像处理方法、装置、电子设备和存储介质 |
CN114119578A (zh) * | 2021-12-01 | 2022-03-01 | 数坤(北京)网络科技股份有限公司 | 一种图像处理方法、装置、计算机设备及存储介质 |
CN117408988A (zh) * | 2023-11-08 | 2024-01-16 | 北京维思陆科技有限公司 | 基于人工智能的病灶图像分析方法及装置 |
CN117408988B (zh) * | 2023-11-08 | 2024-05-14 | 北京维思陆科技有限公司 | 基于人工智能的病灶图像分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111476774B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476774B (zh) | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 | |
CN111028224B (zh) | 数据标注、模型训练和图像处理方法、装置及存储介质 | |
CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
CN111340130B (zh) | 一种基于深度学习和影像组学的泌尿结石检测分类方法 | |
CN111369530B (zh) | 一种基于深度学习的ct图像肺结节快速筛查方法 | |
CN110807764A (zh) | 一种基于神经网络的肺癌筛查方法 | |
WO2022007337A1 (zh) | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN110929728B (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
CN109816655B (zh) | 基于ct图像的肺结节图像特征检测方法 | |
Naresh et al. | Early detection of lung cancer using neural network techniques | |
CN110610472A (zh) | 实现肺结节图像分类检测的计算机装置及方法 | |
CN112489060A (zh) | 一种用于肺炎病灶分割的系统及方法 | |
CN113160153A (zh) | 一种基于深度学习技术的肺结节筛查方法及筛查系统 | |
CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
CN110060246A (zh) | 一种图像处理方法、设备及存储介质 | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN113706475A (zh) | 基于图像分割的置信度分析方法及装置 | |
CN111724356B (zh) | 一种用于ct影像肺炎识别的图像处理方法和系统 | |
Taher et al. | Identification of lung cancer based on shape and color | |
CN114742803A (zh) | 一种结合深度学习与数字图像处理算法的血小板聚集检测方法 | |
CN111612755A (zh) | 肺部病灶分析方法、装置、电子设备和存储介质 | |
Fablet | Semi-local extraction of ring structures in images of biological hard tissues: application to the bayesian interpretation of fish otoliths for age and growth estimation |
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 |