CN111553892A - 基于深度学习的肺结节分割计算方法、装置及系统 - Google Patents
基于深度学习的肺结节分割计算方法、装置及系统 Download PDFInfo
- Publication number
- CN111553892A CN111553892A CN202010328128.6A CN202010328128A CN111553892A CN 111553892 A CN111553892 A CN 111553892A CN 202010328128 A CN202010328128 A CN 202010328128A CN 111553892 A CN111553892 A CN 111553892A
- Authority
- CN
- China
- Prior art keywords
- nodule
- data
- wnet
- image
- 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
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
- 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
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- 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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的肺结节分割计算方法、装置及系统,所述方法包括:获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,所述多张CT图像为3D序列数据;将所述多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取所述多张CT图像的分割结果;根据所述分割结果和CT图像的空间分辨率计算肺结节的直径和体积。本发明可以快速分割结节,并在分割结果之上自动测量肺结节的直径和体积等参数,辅助医生进行诊断,提高肺结节的自动化辅助诊疗水平。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种基于深度学习的肺结节分割计算方法、装置及系统。
背景技术
肺癌是我国最常见的恶性肿瘤之一,其死亡率一直居于癌症死亡的首位。大多数情况下,肺癌确诊时大多为晚期,预后很差,因此我国肺癌的5年生存率仅为16.1%。在医学上,肺结节(Pulmonary Nodule,简称为PN)是指肺内直径小于或等于3cm的类圆形或不规则形病灶,影像学表现为密度增高的阴影,可单发或多发,边界清晰或不清晰的病灶。不同密度的肺结节,其恶性概率不同。尽早发现肺结节,快速诊断其良恶性并及时切除恶性结节对肺癌早筛和降低肺癌死亡率有重要意义。
肺结节的评估方法主要包括个体或临床特征、影像学方法和临床肺癌概率。影像学方法中的CT扫描常作为肺结节的标准检查方法。而随着诊断设备的发展,海量的肺部影像数据需要及时精确的分析,这给影像科医生带来巨大的压力。利用人工智能,构建计算机辅助诊断系统(Computer-Aided Diagnosis)可以帮助医生快速处理CT影像数据,更加准确、迅速的发现肺部结节。当前阶段,人工智能算法集中于肺结节的检测、分割、分类等方向。结合肺结节图像的精准分割结果,可以帮助医生自动测量肺结节的大小,并快速判断结节的良恶性。但现有的结节分割算法多使用成熟的网络结构,且缺乏针对后续应用场景的拓展。
发明内容
本发明的第一目的在于提供一种基于深度学习的肺结节分割计算方法、装置及系统,该基于深度学习的肺结节分割计算方法能够快速分割结节,并在分割结果之上自动测量肺结节的直径和体积参数,辅助医生进行诊断;
本发明提供一种基于深度学习的肺结节分割计算方法,包括:
获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,多张CT图像为3D序列数据;
将多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取多张CT图像的分割结果;
根据分割结果和CT图像的空间分辨率计算肺结节的直径和体积。
本发明实施例还提供了一种基于深度学习的肺结节分割计算系统,包括:
获取模块,用于获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,多张CT图像为3D序列数据;
分割模块,用于将多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取多张CT图像的分割结果;
计算模块,用于根据分割结果和CT图像的空间分辨率计算肺结节的直径和体积。
本发明实施例还提供一种基于深度学习的肺结节分割计算装置,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述基于深度学习的肺结节分割计算方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有信息传递的实现程序,程序被处理器执行时实现上述方法基于深度学习的肺结节分割计算的步骤。
采用本发明实施例的深度学习技术的肺结节分割算法,可以快速分割结节,并在分割结果之上自动测量肺结节的直径和体积等参数,辅助医生进行诊断,提高肺结节的自动化辅助诊疗水平。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是本发明实施例的基于深度学习的肺结节分割计算方法的流程图;
图2是本发明实施例的WNet的网络结构的示意图;
图3是本发明实施例的基于深度学习的肺结节分割计算方法的示意图;
图4是本发明实施例的基于深度学习的肺结节分割计算系统的示意图;
图5是本发明实施例的基于深度学习的肺结节分割计算装置的示意图。
具体实施方式
下面将结合实施例对本发明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"、"坚直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"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一个或者更多个所述特征。在本发明的描述中,"多个"的含义是两个或两个以上,除非另有明确具体的限定。此外,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例,提供了一种基于深度学习的肺结节分割计算方法,图1是本发明实施例的基于深度学习的肺结节分割计算方法的流程图,如图1所示,根据本发明实施例的基于深度学习的肺结节分割计算方法具体包括:
步骤101,获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,多张CT图像为3D序列数据;
步骤102,将多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取多张CT图像的分割结果;
在步骤102中,首先使用检测算法检测3D序列数据中的结节区域,并将结节区域数据裁剪出来,获得多张裁剪图像,其中,裁剪图像的中心点为病灶区域中心;随后,将同一个肺结节的多张裁剪图像依次送入预先训练好的WNet获取分割结果,其中,图像分割结果为0和1构成的二值图,1代表该像素属于结节。
步骤103,根据分割结果和CT图像的空间分辨率计算肺结节的直径和体积。
步骤103具体包括如下处理:获取同一肺结节的分割结果后,对分割结果中每张图像中包含结节区域的最小椭圆进行拟合得到直径,并将同一肺结节多张图像计算的直径进行对比得到最大直径;根据CT影像的空间分辨率计算体素大小;计算所有结节像素的个数,将个数乘以单个像素对应的体素大小得到结节体积。
在本发明实施例中,还需要对WNet进行训练,WNet的网络结构如图2所示,其结构具体为:
当图像输入到WNet中时,首先对图像进行卷积和下采样操作得到3个尺度(Big,Media,Small)的特征图。之后不同尺度的特征会进入W模块,在W模块中具体地操作有:最小尺度Small的特征经过卷积后与中尺度Media下采样的特征连接在一起得到新Small_1特征,Small_1特征经过上采样得到新的中尺度特征Media_1,原Media特征经过卷积后与Big下采样的特征和Media_1连接在一起得到最终Media_1特征。Media_1经过上采样后和经过卷积的Big特征连接在一起得到新的Big_1特征。新的Big_1,Media_1,Small_1与原Big,Media,Small特征相加后输入到下一个W模块。同时每一个模块都会输出一个结果,最终结果是多个W模块的结果的集合。
对WNet进行训练具体包括如下处理:
1、根据可扩展标记语言XML标注文件从肺部影像数据集LIDC中提取训练测试数据;
2、从训练测试数据中以病灶区域为中心裁剪出结节区域数据;
3、通过翻转处理对结节区域数据进行离线增强处理;
4、将处理后的结节区域数据送入WNet的多级卷积网络,其中,每级卷积网络中包括:批量归一化BN模块、线性整流函数ReLU模块、以及特征Identity模块,结节区域数据通过下采样、卷积、特征提取的方式在WNet的多级卷积网络中传递,并在每级卷积网络中提取不同尺度的图像特征,将每级卷积网络的结果进行综合得到最后的分割结果。
此外,在本发明实施例中,对WNet预先进行训练时,还需要在如下框架下进行如下操作:
采用基于群体的训练PBT方式自动搜索超参数:设定突变因子s和超参数搜索空间β,其中,每过s轮迭代后从指定的超参数空间β中重采样一组超参数;设定完成后,随机初始化N个WNet训练模型,同时对N个WNet训练模型开始训练,在训练过程中每经过s代对比各个模型在验证集上的性能,按照指定概率将当前最优模型Mbest的参数及超参数复制给表现较差的模型Mworse,同时以随机的方式产生新的超参数用于Mworse模型继续训练;
使用种群的数据增强方法(Population Based Augmentation,简称为PBA)方式在由多种图像增强方法构成的参数空间中进行策略搜索,得到合适的在线数据增强策略,并采用向量α表示在线数据增强策略,将向量α应用于WNet训练模型中,其中,向量α中的每两个数字描述一种方法,第一个数字代表该方法的应用概率,第二个数字代表该方法应用水平或强度。
通过在LIDC-IDRI肺结节数据上的实验,本发明实施例所提出的WNet可以取得较好的肺结节分割结果。具体来说,在该公开数据集中,使用60%的病例数据作为训练集,20%的病例数据做验证集,20%的病例数据做测试集,WNet达到了测试集上DICE系数0.8103的表现。体积与直径测量结果与由真实标注得到的结果接近。
综上所述,本发明实施例提出一种基于深度神经网络结构的肺结节自动测量方案,依托于深度学习方法的先进性能准确分割结节区域并根据分割结果计算肺结节的直径和体积。在训练神经网络模型的过程中使用了PBT搜索超参数和PBA搜索在线数据增强策略。相比于传统的分割模型,本发明实施例的WNet通过模型级联的特点捕捉不同尺度下的图像特征,完成端到端的图像分割。最后本发明实施例在分割结果基础上计算结节大小和体积,完善了分割结果的后续应用。
以下对本发明实施例的上述技术方案进行详细说明。
从上述描述可以看出,本发明实施例针对肺部CT图像数据构建了一套肺结节自动测量方法,该方法分两阶段进行,第一个阶段使用WNet神经网络结构对肺结节图像进行分割,第二阶段使用分割结果自动计算肺结节直径和体积,从而辅助医生诊测肺结节。
在对本发明实施例的上述技术方案进行详细说明之前,首先对本发明实施例使用的数据进行介绍。本发明实施例使用公开的肺部影像数据集LIDC-IDRI(The Lung ImageDatabase Consortium),该数据是由美国国家癌症研究所(National Cancer Institute)收集,目的是为了研究高危人群早期癌症检测。该数据集包含1018个病例。在标注工作中,每个病例的影像都由4位经验丰富的胸部放射科医师进行诊断标注。诊断标注工作分两个阶段进行:在第一阶段,每位医师分别独立诊断勾画病患位置,并标注三个类别:类别1为>=3mm的结节,类别2为<3mm的结节,类别3为非结节。第二阶段中,每位医师各自独立的参考其他三位医师的标注,并给出自己最终的诊断结果。
本发明实施例提出的肺结节自动化测量方案其流程图如图3所示。首先获取同一个结节的多张CT图像,然后输入到WNet获取多张图像的分割结果,最后根据分割结果和CT影像的空间分辨率估算结节直径和体积。训练WNet时,由于原始病例数据为3D序列Dicom格式,而为了节省计算资源,WNet使用2D卷积核构建,所以需要根据标注XML文件对数据做预处理。基本的预处理包括裁剪和翻转。裁剪时,首先找到Dicom序列中包含病灶区域的切片,然后根据XML标注文件将病灶区域从该切片中裁剪出来,裁剪区域大小为128×128,该尺寸较大,可以保证包含最大的结节,裁剪区域中心点为病灶区域中心。分割应对翻转等变换保持良好的适应性,因此本发明实施例使用翻转作为离线数据增强方法扩充数据集。经过预处理后的数据被送入级联深度学习网络提取特征,并得到分割结果。在传统的数据增强之上,本发明实施例在训练时使用PBT(Population Based Training)的方式进行在线数据增强策略搜索和超参数搜索。
以下进行详细的说明。
1、提取结节区域图像
原图像为3D序列数据,1个结节通常出现在序列中的多张图像上,因此首先使用检测算法检测结节区域,并将该区域数据裁剪出来,裁剪图片大小为128×128,裁剪图像的中心点为病灶区域中心。
2、WNet分割
将同一结节的多张裁剪图像依次送入训练好的WNet网络获取分割结果。图像分割结果为0和1构成的二值图,1代表该像素属于结节。
3、计算结节直径和体积
获取同一结节的多张分割图像后,首先拟合每张图像中包含结节区域的最小椭圆得到直径,将同一结节多张图像计算的直径做对比得到最大直径。然后计算所有结节像素的个数,乘上单个像素对应的体素大小即得到结节体积。体素大小由CT影像的空间分辨率计算得到。例如CT影像空间分辨率为1mm×1mm×1.5mm,则体素大小为1.5mm3。
其中,特别的,WNet的训练过程如下:
1、分割数据提取和离线数据增强
训练及测试WNet的数据根据XML标注文件从LIDC数据集中进行提取,以病灶区域为中心裁剪一个128×128大小的区域。裁剪数据后,本发明中对图像数据做离线增强处理。离线增强的处理方式包括上下翻转、左右翻转。
2、提取图像特征并分类
本发明实施例提出的WNet网络结构如图2所示。首先将CT病灶图像数据送入初始网络模块,经过卷积和下采样抽取特征,第一层模块得到的不同尺寸的特征将会通过下采样、卷积、特征(identity)的方式传入第二级网络。如图2中所示,平行的箭头代表卷积,向下或者向上的箭头代表下采样和上采样,虚线箭头代表identity模块。每一次卷积后都会经过批标准化(Batch Normalization,BN)层和线性整流函数(Rectified Linear Unit,简称为ReLU)模块。经过多级的卷积网络可以提取不同尺度的图像特征,对不同大小的病灶区域有更好的识别效果。Identity模块保证梯度反传不会出现梯度消失。最后将每级网络的结果综合起来得到最后的分割结果。
3、超参数策略搜索和在线数据增强策略搜索
不同的超参数会导致不同的模型性能,手动调节超参数依赖于算法工程人员的经验,本发明实施例采用PBT方式自动搜索超参数。PBT的执行方式如下:首先设定突变因子s,和超参数搜索空间β。s指每过s轮迭代后从指定的超参数空间β中重采样一组超参数。本发明实施例搜索的超参数包括学习率、权重衰退指数。设定完成后,随机初始化N个网络模型,同时对N个模型开始训练。在训练过程中每经过s代对比各个模型在验证集上的性能,按照指定概率将当前最优模型Mbest的参数及超参数复制给表现较差的模型Mworse,同时以随机的方式产生新的超参数用于Mworse模型继续训练。
数据增强是现在深度学习中不可缺少的一部分。与超参数相同,不同的数据增强策略会产生不同的模型,为此本发明实施例使用PBA方式搜索合适的在线数据增强策略。PBA基于PBT实现,将搜索超参数变为搜索不同的数据增强方法。本发明实施例中PBA将在由8种图像增强方法构成的参数空间中进行策略搜索。这8种增强方法为:曝光、色调分离、对比度增强、均衡化、明亮度变化、裁剪、旋转、锐化。为了将增强方法参数化,本发明实施例采用一个1×16的向量α表示增强策略。向量中的每两个数描述一种方法,第一个数代表该方法的应用概率,第二个数字代表该方法应用水平或强度。例如α1=0.9,α2=2对应曝光增强方法,α1代表以概率0.9应用曝光方法,α2代表曝光强度为2。
综上所述,本发明实施例基于公开的肺结节CT图像数据集,研究使用深度学习的结节分割算法,提出WNet神经网络结构,实现对肺结节的精准分割,并在分割结果基础上计算肺结节的直径和体积,从而提高肺结节的自动化辅助诊疗水平。
系统实施例
根据本发明的实施例,提供了一种基于深度学习的肺结节分割计算系统,图4是本发明实施例的基于深度学习的肺结节分割计算系统的示意图,如图4所示,根据本发明实施例的基于深度学习的肺结节分割计算系统具体包括:
获取模块40,用于获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,所述多张CT图像为3D序列数据;
分割模块42,用于将所述多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取所述多张CT图像的分割结果;分割模块42具体用于:
使用检测算法检测所述3D序列数据中的结节区域,并将所述结节区域数据裁剪出来,获得多张裁剪图像,其中,所述裁剪图像的中心点为病灶区域中心;
将同一个肺结节的多张裁剪图像依次送入预先训练好的WNet获取分割结果,其中,图像分割结果为0和1构成的二值图,1代表该像素属于结节。
计算模块44,用于根据所述分割结果和CT图像的空间分辨率计算肺结节的直径和体积。计算模块44具体用于:
获取同一肺结节的分割结果后,对分割结果中每张图像中包含结节区域的最小椭圆进行拟合得到直径,并将同一肺结节多张图像计算的直径进行对比得到最大直径;
根据CT影像的空间分辨率计算体素大小;
计算所有结节像素的个数,将所述个数乘以单个像素对应的体素大小得到结节体积。
在本发明实施例中,上述系统进一步包括:
训练模块,用于根据可扩展标记语言XML标注文件从肺部影像数据集LIDC中提取训练测试数据;从所述训练测试数据中以病灶区域为中心裁剪出结节区域数据;通过翻转处理对结节区域数据进行离线增强处理;将处理后的结节区域数据送入WNet的多级卷积网络,其中,所述每级卷积网络中包括:批量归一化BN模块、线性整流函数ReLU模块、以及特征Identity模块,所述结节区域数据通过下采样、卷积、特征提取的方式在WNet的多级卷积网络中传递,并在每级卷积网络中提取不同尺度的图像特征,将每级卷积网络的结果进行综合得到最后的分割结果。
训练模块还可以采用基于群体的训练PBT方式自动搜索超参数:设定突变因子s和超参数搜索空间β,其中,每过s轮迭代后从指定的超参数空间β中重采样一组超参数;设定完成后,随机初始化N个WNet训练模型,同时对N个WNet训练模型开始训练,在训练过程中每经过s代对比各个模型在验证集上的性能,按照指定概率将当前最优模型Mbest的参数及超参数复制给表现较差的模型Mworse,同时以随机的方式产生新的超参数用于Mworse模型继续训练;
训练模块还可以使用PBA方式在由多种图像增强方法构成的参数空间中进行策略搜索,得到合适的在线数据增强策略,并采用向量α表示在线数据增强策略,将所述向量α应用于WNet训练模型中,其中,向量α中的每两个数字描述一种方法,第一个数字代表该方法的应用概率,第二个数字代表该方法应用水平或强度。
通过在LIDC-IDRI肺结节数据上的实验,本发明实施例所提出的WNet可以取得较好的肺结节分割结果。具体来说,在该公开数据集中,使用60%的病例数据作为训练集,20%的病例数据做验证集,20%的病例数据做测试集,WNet达到了测试集上DICE系数0.8103的表现。体积与直径测量结果与由真实标注得到的结果接近。
综上所述,本发明实施例提出一种基于深度神经网络结构的肺结节自动测量系统,依托于深度学习方法的先进性能准确分割结节区域并根据分割结果计算肺结节的直径和体积。在训练神经网络模型的过程中使用了PBT搜索超参数和PBA搜索在线数据增强策略。相比于传统的分割模型,本发明实施例的WNet通过模型级联的特点捕捉不同尺度下的图像特征,完成端到端的图像分割。最后本发明实施例在分割结果基础上计算结节大小和体积,完善了分割结果的后续应用。
以下对本发明实施例的上述技术方案进行详细说明。
从上述描述可以看出,本发明实施例针对肺部CT图像数据构建了一套肺结节自动测量系统,该系统分两阶段进行,第一个阶段使用WNet神经网络结构对肺结节图像进行分割,第二阶段使用分割结果自动计算肺结节直径和体积,从而辅助医生诊测肺结节。
在对本发明实施例的上述技术方案进行详细说明之前,首先对本发明实施例使用的数据进行介绍。本发明实施例使用公开的肺部影像数据集LIDC-IDRI(The Lung ImageDatabase Consortium),该数据是由美国国家癌症研究所(National Cancer Institute)收集,目的是为了研究高危人群早期癌症检测。该数据集包含1018个病例。在标注工作中,每个病例的影像都由4位经验丰富的胸部放射科医师进行诊断标注。诊断标注工作分两个阶段进行:在第一阶段,每位医师分别独立诊断勾画病患位置,并标注三个类别:类别1为>=3mm的结节,类别2为<3mm的结节,类别3为非结节。第二阶段中,每位医师各自独立的参考其他三位医师的标注,并给出自己最终的诊断结果。
本发明实施例提出的肺结节自动化测量方案其流程图如图3所示。首先获取同一个结节的多张CT图像,然后输入到WNet获取多张图像的分割结果,最后根据分割结果和CT影像的空间分辨率估算结节直径和体积。训练WNet时,由于原始病例数据为3D序列Dicom格式,而为了节省计算资源,WNet使用2D卷积核构建,所以需要根据标注XML文件对数据做预处理。基本的预处理包括裁剪和翻转。裁剪时,首先找到Dicom序列中包含病灶区域的切片,然后根据XML标注文件将病灶区域从该切片中裁剪出来,裁剪区域大小为128×128,该尺寸较大,可以保证包含最大的结节,裁剪区域中心点为病灶区域中心。分割应对翻转等变换保持良好的适应性,因此本发明实施例使用翻转作为离线数据增强方法扩充数据集。经过预处理后的数据被送入级联深度学习网络提取特征,并得到分割结果。在传统的数据增强之上,本发明实施例在训练时使用PBT(Population Based Training)的方式进行在线数据增强策略搜索和超参数搜索。
以下进行详细的说明。
1、分割模块42提取结节区域图像
原图像为3D序列数据,1个结节通常出现在序列中的多张图像上,因此首先使用检测算法检测结节区域,并将该区域数据裁剪出来,裁剪图片大小为128×128,裁剪图像的中心点为病灶区域中心。
2、分割模块42进行WNet分割
将同一结节的多张裁剪图像依次送入训练好的WNet网络获取分割结果。图像分割结果为0和1构成的二值图,1代表该像素属于结节。
3、计算模块44计算结节直径和体积
获取同一结节的多张分割图像后,首先拟合每张图像中包含结节区域的最小椭圆得到直径,将同一结节多张图像计算的直径做对比得到最大直径。然后计算所有结节像素的个数,乘上单个像素对应的体素大小即得到结节体积。体素大小由CT影像的空间分辨率计算得到。例如CT影像空间分辨率为1mm×1mm×1.5mm,则体素大小为1.5mm3。
其中,特别的,训练模块的WNet训练过程如下:
1、分割数据提取和离线数据增强
训练及测试WNet的数据根据XML标注文件从LIDC数据集中进行提取,以病灶区域为中心裁剪一个128×128大小的区域。裁剪数据后,本发明中对图像数据做离线增强处理。离线增强的处理方式包括上下翻转、左右翻转。
2、提取图像特征并分类
本发明实施例提出的WNet网络结构如图2所示。首先将CT病灶图像数据送入初始网络模块,经过卷积和下采样抽取特征,第一层模块得到的不同尺寸的特征将会通过下采样、卷积、特征(identity)的方式传入第二级网络。如图2中所示,平行的箭头代表卷积,向下或者向上的箭头代表下采样和上采样,虚线箭头代表identity模块。每一次卷积后都会经过批标准化(Batch Normalization,BN)层和线性整流函数(Rectified Linear Unit,简称为ReLU)模块。经过多级的卷积网络可以提取不同尺度的图像特征,对不同大小的病灶区域有更好的识别效果。Identity模块保证梯度反传不会出现梯度消失。最后将每级网络的结果综合起来得到最后的分割结果。
3、超参数策略搜索和在线数据增强策略搜索
不同的超参数会导致不同的模型性能,手动调节超参数依赖于算法工程人员的经验,本发明实施例采用PBT方式自动搜索超参数。PBT的执行方式如下:首先设定突变因子s,和超参数搜索空间β。s指每过s轮迭代后从指定的超参数空间β中重采样一组超参数。本发明实施例搜索的超参数包括学习率、权重衰退指数。设定完成后,随机初始化N个网络模型,同时对N个模型开始训练。在训练过程中每经过s代对比各个模型在验证集上的性能,按照指定概率将当前最优模型Mbest的参数及超参数复制给表现较差的模型Mworse,同时以随机的方式产生新的超参数用于Mworse模型继续训练。
数据增强是现在深度学习中不可缺少的一部分。与超参数相同,不同的数据增强策略会产生不同的模型,为此本发明实施例使用PBA方式搜索合适的在线数据增强策略。PBA基于PBT实现,将搜索超参数变为搜索不同的数据增强方法。本发明实施例中PBA将在由8种图像增强方法构成的参数空间中进行策略搜索。这8种增强方法为:曝光、色调分离、对比度增强、均衡化、明亮度变化、裁剪、旋转、锐化。为了将增强方法参数化,本发明实施例采用一个1×16的向量α表示增强策略。向量中的每两个数描述一种方法,第一个数代表该方法的应用概率,第二个数字代表该方法应用水平或强度。例如α1=0.9,α2=2对应曝光增强方法,α1代表以概率0.9应用曝光方法,α2代表曝光强度为2。
综上所述,本发明实施例基于公开的肺结节CT图像数据集,研究使用深度学习的结节分割算法,提出WNet神经网络结构,实现对肺结节的精准分割,并在分割结果基础上计算肺结节的直径和体积,从而提高肺结节的自动化辅助诊疗水平。
装置实施例一
本发明实施例提供一种基于深度学习的肺结节分割计算装置,如图5所示,包括:存储器50、处理器52及存储在所述存储器50上并可在所述处理器52上运行的计算机程序,所述计算机程序被所述处理器52执行时实现如下方法步骤:
步骤101,获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,多张CT图像为3D序列数据;
步骤102,将多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取多张CT图像的分割结果;
在步骤102中,首先使用检测算法检测3D序列数据中的结节区域,并将结节区域数据裁剪出来,获得多张裁剪图像,其中,裁剪图像的中心点为病灶区域中心;随后,将同一个肺结节的多张裁剪图像依次送入预先训练好的WNet获取分割结果,其中,图像分割结果为0和1构成的二值图,1代表该像素属于结节。
步骤103,根据分割结果和CT图像的空间分辨率计算肺结节的直径和体积。
步骤103具体包括如下处理:获取同一肺结节的分割结果后,对分割结果中每张图像中包含结节区域的最小椭圆进行拟合得到直径,并将同一肺结节多张图像计算的直径进行对比得到最大直径;根据CT影像的空间分辨率计算体素大小;计算所有结节像素的个数,将个数乘以单个像素对应的体素大小得到结节体积。
在本发明实施例中,还需要对WNet进行训练,WNet的网络结构如图2所示,其结构具体为:
当图像输入到WNet中时,首先对图像进行卷积和下采样操作得到3个尺度(Big,Media,Small)的特征图。之后不同尺度的特征会进入W模块,在W模块中具体地操作有:最小尺度Small的特征经过卷积后与中尺度Media下采样的特征连接在一起得到新Small_1特征,Small_1特征经过上采样得到新的中尺度特征Media_1,原Media特征经过卷积后与Big下采样的特征和Media_1连接在一起得到最终Media_1特征。Media_1经过上采样后和经过卷积的Big特征连接在一起得到新的Big_1特征。新的Big_1,Media_1,Small_1与原Big,Media,Small特征相加后输入到下一个W模块。同时每一个模块都会输出一个结果,最终结果是多个W模块的结果的集合。
对WNet进行训练具体包括如下处理:
1、根据可扩展标记语言XML标注文件从肺部影像数据集LIDC中提取训练测试数据;
2、从训练测试数据中以病灶区域为中心裁剪出结节区域数据;
3、通过翻转处理对结节区域数据进行离线增强处理;
4、将处理后的结节区域数据送入WNet的多级卷积网络,其中,每级卷积网络中包括:批量归一化BN模块、线性整流函数ReLU模块、以及特征Identity模块,结节区域数据通过下采样、卷积、特征提取的方式在WNet的多级卷积网络中传递,并在每级卷积网络中提取不同尺度的图像特征,将每级卷积网络的结果进行综合得到最后的分割结果。
此外,在本发明实施例中,对WNet预先进行训练时,还需要在如下框架下进行如下操作:
采用基于群体的训练PBT方式自动搜索超参数:设定突变因子s和超参数搜索空间β,其中,每过s轮迭代后从指定的超参数空间β中重采样一组超参数;设定完成后,随机初始化N个WNet训练模型,同时对N个WNet训练模型开始训练,在训练过程中每经过s代对比各个模型在验证集上的性能,按照指定概率将当前最优模型Mbest的参数及超参数复制给表现较差的模型Mworse,同时以随机的方式产生新的超参数用于Mworse模型继续训练;
使用PBA方式在由多种图像增强方法构成的参数空间中进行策略搜索,得到合适的在线数据增强策略,并采用向量α表示在线数据增强策略,将向量α应用于WNet训练模型中,其中,向量α中的每两个数字描述一种方法,第一个数字代表该方法的应用概率,第二个数字代表该方法应用水平或强度。
通过在LIDC-IDRI肺结节数据上的实验,本发明实施例所提出的WNet可以取得较好的肺结节分割结果。具体来说,在该公开数据集中,使用60%的病例数据作为训练集,20%的病例数据做验证集,20%的病例数据做测试集,WNet达到了测试集上DICE系数0.8103的表现。体积与直径测量结果与由真实标注得到的结果接近。
综上所述,本发明实施例提出一种基于深度神经网络结构的肺结节自动测量方案,依托于深度学习方法的先进性能准确分割结节区域并根据分割结果计算肺结节的直径和体积。在训练神经网络模型的过程中使用了PBT搜索超参数和PBA搜索在线数据增强策略。相比于传统的分割模型,本发明实施例的WNet通过模型级联的特点捕捉不同尺度下的图像特征,完成端到端的图像分割。最后本发明实施例在分割结果基础上计算结节大小和体积,完善了分割结果的后续应用。
装置实施例二
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传输的实现程序,所述程序被处理器52执行时实现如下方法步骤:
步骤101,获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,多张CT图像为3D序列数据;
步骤102,将多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取多张CT图像的分割结果;
在步骤102中,首先使用检测算法检测3D序列数据中的结节区域,并将结节区域数据裁剪出来,获得多张裁剪图像,其中,裁剪图像的中心点为病灶区域中心;随后,将同一个肺结节的多张裁剪图像依次送入预先训练好的WNet获取分割结果,其中,图像分割结果为0和1构成的二值图,1代表该像素属于结节。
步骤103,根据分割结果和CT图像的空间分辨率计算肺结节的直径和体积。
步骤103具体包括如下处理:获取同一肺结节的分割结果后,对分割结果中每张图像中包含结节区域的最小椭圆进行拟合得到直径,并将同一肺结节多张图像计算的直径进行对比得到最大直径;根据CT影像的空间分辨率计算体素大小;计算所有结节像素的个数,将个数乘以单个像素对应的体素大小得到结节体积。
在本发明实施例中,还需要对WNet进行训练,WNet的网络结构如图2所示,其结构具体为:
当图像输入到WNet中时,首先对图像进行卷积和下采样操作得到3个尺度(Big,Media,Small)的特征图。之后不同尺度的特征会进入W模块,在W模块中具体地操作有:最小尺度Small的特征经过卷积后与中尺度Media下采样的特征连接在一起得到新Small_1特征,Small_1特征经过上采样得到新的中尺度特征Media_1,原Media特征经过卷积后与Big下采样的特征和Media_1连接在一起得到最终Media_1特征。Media_1经过上采样后和经过卷积的Big特征连接在一起得到新的Big_1特征。新的Big_1,Media_1,Small_1与原Big,Media,Small特征相加后输入到下一个W模块。同时每一个模块都会输出一个结果,最终结果是多个W模块的结果的集合。
对WNet进行训练具体包括如下处理:
1、根据可扩展标记语言XML标注文件从肺部影像数据集LIDC中提取训练测试数据;
2、从训练测试数据中以病灶区域为中心裁剪出结节区域数据;
3、通过翻转处理对结节区域数据进行离线增强处理;
4、将处理后的结节区域数据送入WNet的多级卷积网络,其中,每级卷积网络中包括:批量归一化BN模块、线性整流函数ReLU模块、以及特征Identity模块,结节区域数据通过下采样、卷积、特征提取的方式在WNet的多级卷积网络中传递,并在每级卷积网络中提取不同尺度的图像特征,将每级卷积网络的结果进行综合得到最后的分割结果。
此外,在本发明实施例中,对WNet预先进行训练时,还需要在如下框架下进行如下操作:
采用基于群体的训练PBT方式自动搜索超参数:设定突变因子s和超参数搜索空间β,其中,每过s轮迭代后从指定的超参数空间β中重采样一组超参数;设定完成后,随机初始化N个WNet训练模型,同时对N个WNet训练模型开始训练,在训练过程中每经过s代对比各个模型在验证集上的性能,按照指定概率将当前最优模型Mbest的参数及超参数复制给表现较差的模型Mworse,同时以随机的方式产生新的超参数用于Mworse模型继续训练;
使用PBA方式在由多种图像增强方法构成的参数空间中进行策略搜索,得到合适的在线数据增强策略,并采用向量α表示在线数据增强策略,将向量α应用于WNet训练模型中,其中,向量α中的每两个数字描述一种方法,第一个数字代表该方法的应用概率,第二个数字代表该方法应用水平或强度。
通过在LIDC-IDRI肺结节数据上的实验,本发明实施例所提出的WNet可以取得较好的肺结节分割结果。具体来说,在该公开数据集中,使用60%的病例数据作为训练集,20%的病例数据做验证集,20%的病例数据做测试集,WNet达到了测试集上DICE系数0.8103的表现。体积与直径测量结果与由真实标注得到的结果接近。
综上所述,本发明实施例提出一种基于深度神经网络结构的肺结节自动测量方案,依托于深度学习方法的先进性能准确分割结节区域并根据分割结果计算肺结节的直径和体积。在训练神经网络模型的过程中使用了PBT搜索超参数和PBA搜索在线数据增强策略。相比于传统的分割模型,本发明实施例的WNet通过模型级联的特点捕捉不同尺度下的图像特征,完成端到端的图像分割。最后本发明实施例在分割结果基础上计算结节大小和体积,完善了分割结果的后续应用。
本实施例所述计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (12)
1.一种基于深度学习的肺结节分割计算方法,其特征在于,包括:
获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,所述多张CT图像为3D序列数据;
将所述多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取所述多张CT图像的分割结果;
根据所述分割结果和CT图像的空间分辨率计算肺结节的直径和体积。
2.根据权利要求1所述的方法,其特征在于,将所述多张CT图像输入到预先训练好的WNet获取所述多张CT图像的分割结果具体包括:
使用检测算法检测所述3D序列数据中的结节区域,并将所述结节区域数据裁剪出来,获得多张裁剪图像,其中,所述裁剪图像的中心点为病灶区域中心;
将同一个肺结节的多张裁剪图像依次送入预先训练好的WNet获取分割结果,其中,图像分割结果为0和1构成的二值图,1代表该像素属于结节。
3.根据权利要求1所述的方法,其特征在于,根据所述分割结果和CT图像的空间分辨率计算肺结节的直径和体积具体包括:
获取同一肺结节的分割结果后,对分割结果中每张图像中包含结节区域的最小椭圆进行拟合得到直径,并将同一肺结节多张图像计算的直径进行对比得到最大直径;
根据CT影像的空间分辨率计算体素大小;
计算所有结节像素的个数,将所述个数乘以单个像素对应的体素大小得到结节体积。
4.根据权利要求1所述的方法,其特征在于,对WNet预先进行训练具体包括:
根据可扩展标记语言XML标注文件从肺部影像数据集LIDC中提取训练测试数据;
从所述训练测试数据中以病灶区域为中心裁剪出结节区域数据;
通过翻转处理对结节区域数据进行离线增强处理;
将处理后的结节区域数据送入WNet的多级卷积网络,其中,所述每级卷积网络中包括:批量归一化BN模块、线性整流函数ReLU模块、以及特征Identity模块,所述结节区域数据通过下采样、卷积、特征提取的方式在WNet的多级卷积网络中传递,并在每级卷积网络中提取不同尺度的图像特征,将每级卷积网络的结果进行综合得到最后的分割结果。
5.根据权利要求4所述的方法,其特征在于,对WNet预先进行训练时,所述方法进一步包括:
采用基于群体的训练PBT方式自动搜索超参数:设定突变因子s和超参数搜索空间β,其中,每过s轮迭代后从指定的超参数空间β中重采样一组超参数;设定完成后,随机初始化N个WNet训练模型,同时对N个WNet训练模型开始训练,在训练过程中每经过s代对比各个模型在验证集上的性能,按照指定概率将当前最优模型Mbest的参数及超参数复制给表现较差的模型Mworse,同时以随机的方式产生新的超参数用于Mworse模型继续训练;
使用基于种群的数据增强PBA方式在由多种图像增强方法构成的参数空间中进行策略搜索,得到合适的在线数据增强策略,并采用向量α表示在线数据增强策略,将所述向量α应用于WNet训练模型中,其中,向量α中的每两个数字描述一种方法,第一个数字代表该方法的应用概率,第二个数字代表该方法应用水平或强度。
6.一种基于深度学习的肺结节分割计算系统,其特征在于,包括:
获取模块,用于获取同一个肺结节的多张电子计算机断层扫描CT图像,其中,所述多张CT图像为3D序列数据;
分割模块,用于将所述多张CT图像输入到预先训练好的W型卷积神经网络结构WNet中,并获取所述多张CT图像的分割结果;
计算模块,用于根据所述分割结果和CT图像的空间分辨率计算肺结节的直径和体积。
7.根据权利要求6所述的系统,其特征在于,所述分割模块具体用于:
使用检测算法检测所述3D序列数据中的结节区域,并将所述结节区域数据裁剪出来,获得多张裁剪图像,其中,所述裁剪图像的中心点为病灶区域中心;
将同一个肺结节的多张裁剪图像依次送入预先训练好的WNet获取分割结果,其中,图像分割结果为0和1构成的二值图,1代表该像素属于结节。
8.根据权利要求6所述的系统,其特征在于,所述计算模块具体用于:
获取同一肺结节的分割结果后,对分割结果中每张图像中包含结节区域的最小椭圆进行拟合得到直径,并将同一肺结节多张图像计算的直径进行对比得到最大直径;
根据CT影像的空间分辨率计算体素大小;
计算所有结节像素的个数,将所述个数乘以单个像素对应的体素大小得到结节体积。
9.根据权利要求6所述的系统,其特征在于,所述系统进一步包括:
训练模块,用于根据可扩展标记语言XML标注文件从肺部影像数据集LIDC中提取训练测试数据;从所述训练测试数据中以病灶区域为中心裁剪出结节区域数据;通过翻转处理对结节区域数据进行离线增强处理;将处理后的结节区域数据送入WNet的多级卷积网络,其中,所述每级卷积网络中包括:批量归一化BN模块、线性整流函数ReLU模块、以及特征Identity模块,所述结节区域数据通过下采样、卷积、特征提取的方式在WNet的多级卷积网络中传递,并在每级卷积网络中提取不同尺度的图像特征,将每级卷积网络的结果进行综合得到最后的分割结果。
10.根据权利要求9所述的系统,其特征在于,所述训练模块进一步用于:
采用基于群体的训练PBT方式自动搜索超参数:设定突变因子s和超参数搜索空间β,其中,每过s轮迭代后从指定的超参数空间β中重采样一组超参数;设定完成后,随机初始化N个WNet训练模型,同时对N个WNet训练模型开始训练,在训练过程中每经过s代对比各个模型在验证集上的性能,按照指定概率将当前最优模型Mbest的参数及超参数复制给表现较差的模型Mworse,同时以随机的方式产生新的超参数用于Mworse模型继续训练;
使用PBA方式在由多种图像增强方法构成的参数空间中进行策略搜索,得到合适的在线数据增强策略,并采用向量α表示在线数据增强策略,将所述向量α应用于WNet训练模型中,其中,向量α中的每两个数字描述一种方法,第一个数字代表该方法的应用概率,第二个数字代表该方法应用水平或强度。
11.一种基于深度学习的肺结节分割计算装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于深度学习的肺结节分割计算方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至5中任一项所述的基于深度学习的肺结节分割计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010328128.6A CN111553892B (zh) | 2020-04-23 | 2020-04-23 | 基于深度学习的肺结节分割计算方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010328128.6A CN111553892B (zh) | 2020-04-23 | 2020-04-23 | 基于深度学习的肺结节分割计算方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553892A true CN111553892A (zh) | 2020-08-18 |
CN111553892B CN111553892B (zh) | 2021-11-05 |
Family
ID=72007581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010328128.6A Active CN111553892B (zh) | 2020-04-23 | 2020-04-23 | 基于深度学习的肺结节分割计算方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553892B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819831A (zh) * | 2021-01-29 | 2021-05-18 | 北京小白世纪网络科技有限公司 | 基于卷积Lstm及多模型融合的分割模型生成方法及装置 |
CN112950582A (zh) * | 2021-03-01 | 2021-06-11 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的3d肺部病灶分割方法、装置 |
CN113096093A (zh) * | 2021-04-12 | 2021-07-09 | 中山大学 | 一种ct图像结石数量和体积的计算方法、系统及装置 |
CN113129297A (zh) * | 2021-04-30 | 2021-07-16 | 复旦大学附属中山医院 | 基于多期相肿瘤影像的直径自动测量方法及系统 |
CN113362310A (zh) * | 2021-06-09 | 2021-09-07 | 西安智诊智能科技有限公司 | 一种基于无监督学习的医学图像肝脏分割方法 |
CN115631387A (zh) * | 2022-12-16 | 2023-01-20 | 首都医科大学附属北京朝阳医院 | 基于图卷积神经网络的肺癌病理高危因素预测方法和装置 |
TWI810915B (zh) * | 2022-04-27 | 2023-08-01 | 臺北醫學大學 | 用於偵測突變之方法及相關非暫態電腦儲存媒體 |
CN116779170A (zh) * | 2023-08-24 | 2023-09-19 | 济南市人民医院 | 一种基于自适应深度学习的肺功能衰减预测系统及设备 |
Citations (6)
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 |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
US20190026897A1 (en) * | 2016-11-07 | 2019-01-24 | Institute Of Automation, Chinese Academy Of Sciences | Brain tumor automatic segmentation method by means of fusion of full convolutional neural network and conditional random field |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
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 |
CN110930418A (zh) * | 2019-11-27 | 2020-03-27 | 江西理工大学 | 融合W-net和条件生成对抗网络的视网膜血管分割方法 |
-
2020
- 2020-04-23 CN CN202010328128.6A patent/CN111553892B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026897A1 (en) * | 2016-11-07 | 2019-01-24 | Institute Of Automation, Chinese Academy Of Sciences | Brain tumor automatic segmentation method by means of fusion of full convolutional neural network and conditional random field |
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 |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
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 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN110930418A (zh) * | 2019-11-27 | 2020-03-27 | 江西理工大学 | 融合W-net和条件生成对抗网络的视网膜血管分割方法 |
Non-Patent Citations (4)
Title |
---|
DANIEL HO 等: "Population Based Augmentation: Efficient Learning of Augmentation Policy Schedules", 《ARXIV:1905.05393V1》 * |
MAX JADERBERG 等: "Population Based Training of Neural Networks", 《ARXIV:1711.09846V2》 * |
周鲁科 等: "基于U-net网络的肺部肿瘤图像分割算法研究", 《信息与电脑》 * |
孙锦峰 等: "基于W-Net的肝静脉和肝门静脉全自动分割", 《中国生物医学工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819831A (zh) * | 2021-01-29 | 2021-05-18 | 北京小白世纪网络科技有限公司 | 基于卷积Lstm及多模型融合的分割模型生成方法及装置 |
CN112819831B (zh) * | 2021-01-29 | 2024-04-19 | 北京小白世纪网络科技有限公司 | 基于卷积Lstm及多模型融合的分割模型生成方法及装置 |
CN112950582A (zh) * | 2021-03-01 | 2021-06-11 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的3d肺部病灶分割方法、装置 |
CN112950582B (zh) * | 2021-03-01 | 2023-11-24 | 北京小白世纪网络科技有限公司 | 一种基于深度学习的3d肺部病灶分割方法、装置 |
CN113096093A (zh) * | 2021-04-12 | 2021-07-09 | 中山大学 | 一种ct图像结石数量和体积的计算方法、系统及装置 |
CN113129297A (zh) * | 2021-04-30 | 2021-07-16 | 复旦大学附属中山医院 | 基于多期相肿瘤影像的直径自动测量方法及系统 |
CN113129297B (zh) * | 2021-04-30 | 2024-03-26 | 复旦大学附属中山医院 | 基于多期相肿瘤影像的直径自动测量方法及系统 |
CN113362310A (zh) * | 2021-06-09 | 2021-09-07 | 西安智诊智能科技有限公司 | 一种基于无监督学习的医学图像肝脏分割方法 |
TWI810915B (zh) * | 2022-04-27 | 2023-08-01 | 臺北醫學大學 | 用於偵測突變之方法及相關非暫態電腦儲存媒體 |
CN115631387A (zh) * | 2022-12-16 | 2023-01-20 | 首都医科大学附属北京朝阳医院 | 基于图卷积神经网络的肺癌病理高危因素预测方法和装置 |
CN116779170A (zh) * | 2023-08-24 | 2023-09-19 | 济南市人民医院 | 一种基于自适应深度学习的肺功能衰减预测系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111553892B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN111428709B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
US20170004619A1 (en) | System and method for automatic pulmonary embolism detection | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
JP2008520318A (ja) | サポートベクタマシン(svm)を用いるコンピュータ支援検出(cad)における誤検出低減のためのシステム及び方法 | |
WO2021183765A1 (en) | Automated detection of tumors based on image processing | |
WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
CN114565761A (zh) | 一种基于深度学习的肾透明细胞癌病理图像肿瘤区域的分割方法 | |
Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
JP2010207572A (ja) | 障害のコンピュータ支援検出 | |
CN112364920A (zh) | 基于深度学习的甲状腺癌病理图像分类方法 | |
Kaliyugarasan et al. | Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI | |
Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
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 | |
CN115131290A (zh) | 图像处理方法 | |
CN110738633A (zh) | 一种机体组织的三维图像处理方法及相关设备 | |
Gupta et al. | Detection and Staging of Lung Cancer from CT scan Images by Deep Learning | |
Giv et al. | Lung segmentation using active shape model to detect the disease from chest radiography | |
CN116777893A (zh) | 一种基于乳腺超声横纵切面特征结节的分割与识别方法 | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 |
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 |