CN111598871A - 多特征融合辅助检测肺部磨玻璃影结节系统及介质 - Google Patents

多特征融合辅助检测肺部磨玻璃影结节系统及介质 Download PDF

Info

Publication number
CN111598871A
CN111598871A CN202010413512.6A CN202010413512A CN111598871A CN 111598871 A CN111598871 A CN 111598871A CN 202010413512 A CN202010413512 A CN 202010413512A CN 111598871 A CN111598871 A CN 111598871A
Authority
CN
China
Prior art keywords
detected
medical image
image
features
deep learning
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
Application number
CN202010413512.6A
Other languages
English (en)
Other versions
CN111598871B (zh
Inventor
张源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Medical College
Original Assignee
Anhui Medical College
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Medical College filed Critical Anhui Medical College
Priority to CN202010413512.6A priority Critical patent/CN111598871B/zh
Publication of CN111598871A publication Critical patent/CN111598871A/zh
Application granted granted Critical
Publication of CN111598871B publication Critical patent/CN111598871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的多特征融合辅助检测肺部磨玻璃影结节系统，处理器被配置用于调用程序指令，执行以下方法：获取待检测医学图像；所述待检测医学图像包括HRCT图像；设定纹理特征为手工提取特征；利用预设的特征提取方法提取待检测医学图像中的手工提取特征；构建深度学习神经网络，对深度学习神经网络进行训练；将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中的深度学习特征；将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学图像的检测结果。该系统克服现有医学专家阅片和诊断方法带来的误诊和漏诊的问题。

Description

多特征融合辅助检测肺部磨玻璃影结节系统及介质
技术领域
本发明属于深度学习技术领域，具体涉及多特征融合辅助检测肺部磨玻璃影结节系统及介质。
背景技术
肺磨玻璃影(ground-glass opacity，GGO)是一种非特异性的影像学表现，在高分辨率CT图像(High resolution CT，HRCT)上表现为肺内密度轻度增加，但其内的支气管及肺血管仍可显示。GGO可见于良性疾病，如炎症、出血或肺间质纤维化；也可见于恶性肿瘤，如肺腺癌；还可见于癌前病变，如不典型瘤样增生(AAH)、原位腺癌(AIS)等。近年来，随着HRCT的广泛应用，GGO的检出率明显增高。肺磨玻璃影也称为“磨玻璃影结节”。
肺部疾病早期检测、诊断和疾病治疗方案等见证了医学图像的重要性，例如，计算机断层扫描(CT)、磁共振(MR)、正电子发射断层扫描(PET)、超声、X射线等。肺磨玻璃影检测诊断主要依赖HRCT图像进行诊别，在临床上，对于医学图像的理解大多数是由诸如放射科医师和内科专家此类的医学专家来完成的。而许多医学专家由于工作强度大，导致疲劳而忽视了细微的病变。另外，医学专家阅片和诊断是一个主观判断的过程，会受到医生的专业水平和阅片经验的影响，不同地区的鉴定机构，设备不同，诊断结论也各有差异，这就导致误诊和漏诊在各地也屡有发生。
发明内容
针对现有技术中的缺陷，本发明提供一种多特征融合辅助检测肺部磨玻璃影结节系统及介质，克服现有医学专家阅片和诊断方法带来的误诊和漏诊的问题。
第一方面，一种多特征融合辅助检测肺部磨玻璃影结节系统，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下方法：
获取待检测医学图像；所述待检测医学图像包括HRCT图像；
设定纹理特征为手工提取特征；
利用预设的特征提取方法提取待检测医学图像中的手工提取特征；
构建深度学习神经网络，对深度学习神经网络进行训练；
将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中的深度学习特征；
将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学图像的检测结果。
优选地，所述特征提取方法包括灰度共生矩阵方法。
优选地，所述纹理特征包括能量、逆差矩、对比度和相关性；
其中，所述能量反映了图像灰度均匀程度和纹理粗细度，所述逆差矩用于评估图像局部的纹理变化大小，所述对比度用于评估局部图像变化，所述相关性用于评估图像灰度对相邻像素或指定点的线性依赖性。
优选地，所述深度学习神经网络包括N个固定卷积层、M个微调卷积层和K个全连接层，其中N、M和K大于等于1；
深度学习神经网络首先将所述待检测医学图像或预设的训练图像传输给固定卷积层，提取待检测医学图像或训练图像的自然图像特征；再将该自然图像特征传输给微调卷积层，提取自然图像特征中的医学图像特征；最后将该医学图像特征传输给全连接层，以获得待检测医学图像或训练图像的深度学习特征。
优选地，所述固定卷积层中卷积单元的权重固定，通过对自然图像集进行学习获得；所述微调卷积层中卷积单元的权重采用反向传播算法进行更新。
优选地，所述处理器被配置用于调用所述程序指令，具体执行以下方法：
构建融合模型；
将待检测医学图像的手工提取特征和深度学习特征传输给所述融合模型，定义融合模型的输出为所述待检测医学图像的检测结果。
优选地，所述融合模型由若干个分类器的输出值进行加权后得到；其中，分类器的输出值误差越小，该分类器的权重越大；分类器的输出值误差越大，该分类器的权重越小。
第二方面，一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下方法：
获取待检测医学图像；所述待检测医学图像包括HRCT图像；
设定纹理特征为手工提取特征；
利用预设的特征提取方法提取待检测医学图像中的手工提取特征；
构建深度学习神经网络，对深度学习神经网络进行训练；
将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中的深度学习特征；
将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学图像的检测结果。
优选地，所述深度学习神经网络包括N个固定卷积层、M个微调卷积层和K个全连接层，其中N、M和K大于等于1；
深度学习神经网络首先将所述待检测医学图像或预设的训练图像传输给固定卷积层，提取待检测医学图像或训练图像的自然图像特征；再将该自然图像特征传输给微调卷积层，提取自然图像特征中的医学图像特征；最后将该医学图像特征传输给全连接层，以获得待检测医学图像或训练图像的深度学习特征。
优选地，所述固定卷积层中卷积单元的权重固定，通过对自然图像集进行学习获得；所述微调卷积层中卷积单元的权重采用反向传播算法进行更新。
由上述技术方案可知，本发明提供的多特征融合辅助检测肺部磨玻璃影结节系统及介质，克服现有医学专家阅片和诊断方法带来的误诊和漏诊的问题。
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。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例一提供的系统中处理器执行的方法流程图。
图2为本发明实施例二提供的深度学习神经网络的框架图。
图3为本发明实施例三提供的融合模型的的框架图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一：
一种多特征融合辅助检测肺部磨玻璃影结节系统，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，参见图1，执行以下方法：
S1：获取待检测医学图像；所述待检测医学图像包括HRCT图像；
S2：设定纹理特征为手工提取特征；
具体地，在HRCT图像中，肺野区域的纹理变化往往伴随着病理变化。由于肺炎中的结节形状不规则，颜色主要以灰度图像为主，所以，在手工特征提取中，针对磨玻璃影结节影像特征和HRCT图像特点，选取纹理特征作为手工提取特征。
S3：利用预设的特征提取方法提取待检测医学图像中的手工提取特征；
具体地，所述特征提取方法包括灰度共生矩阵方法(GLCM)。灰度共生矩阵方法是将磨玻璃影结节的纹理特征用图像的灰度值来表现，从灰度图像中提取二阶统计纹理特征的方法，采用像素灰度值的高阶分布来定义特定距离和近邻准则。由于在被HE染色过的切片中，细胞核区域的颜色往往比非核区域颜色深，纹理特征较为明显。所以针对肺部磨玻璃影结节检测领域，该系统提取以下四个纹理特征：
1.能量(Angular Second Moment)
能量反映了图像灰度均匀程度和纹理粗细度。当共生矩阵的元素比较集中，ASM值越大；反之，当元素值比较均匀，则ASM值越小。
2.逆差矩(Inverse Difference Moment)
逆差矩反映图像局部同质性，是用来评估图像局部的纹理变化大小。若图像局部对角区域像素变化较大，则IDM值较小；反之，图像对角区域像素变化小，则IDM值较大。
3.对比度(Contrast)
对比度是一种用于评估局部图像变化的指标，一般的，如果图像变化较大，则对比值较大。
4.相关性(Correlation)
相关性是用于评估灰度对相邻像素或指定点的线性依赖性，它反映了局部灰度对纹理图像的依赖性，灰度区域相似度越高，则相关性值越大。
S4：构建深度学习神经网络，对深度学习神经网络进行训练；
具体地，深度学习神经网络用于实现从自然图像到医学图像的知识迁移，能够快速地、准确地识别医学图像中的重要知识。该深度学习神经网络是基于大量自然图像学习的网络模型，能够将其学习的知识迁移到标注样本不足的HRCT图像学习中，大大缩短HRCT图像的训练时间，并改进识别性能。
S5：将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中的深度学习特征；
S6：将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学图像的检测结果。
具体地，该系统通过将待检测医学图像的手工提取特征和深度学习特征进行融合，来提高检测的精确度。该系统采用决策融合方法进行融合，决策融合通过分类器实现融合。该系统能够实现自动检测待检测医学图像中肺部磨玻璃影结节的功能，检测精确度高，克服现有医学专家阅片和诊断方法带来的误诊和漏诊的问题。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例二：
实施例二在实施例一的基础上，限定了深度学习神经网络的构建方法。
所述深度学习神经网络包括N个固定卷积层、M个微调卷积层和K个全连接层，其中N、M和K大于等于1；
深度学习神经网络首先将所述待检测医学图像或预设的训练图像传输给固定卷积层，提取待检测医学图像或训练图像的自然图像特征；再将该自然图像特征传输给微调卷积层，提取自然图像特征中的医学图像特征；最后将该医学图像特征传输给全连接层，以获得待检测医学图像或训练图像的深度学习特征。
具体地，深度学习神经网络包括若干个卷积层和全连接层，其中卷积层包括固定卷积层和微调卷积层，该深度学习神经网络冻结固定卷积层，将其作为特征提取器，其目是共享参数信息，即固定自然图像学习特征，待检测医学图像或训练图像经过固定卷积层后权重没有发生更新。然后将其迁移到微调卷积层，接着重建全连接层。全连接层中设有适应医学图像识别任务的分类器，经过反复迭代将整个深度学习神经网络从头开始训练，最终实现医学图像的识别任务。微调卷积层采用医学图像数据集进行训练，并使用反向传播算法更新权重参数，以此来防止过拟合。
参见图2，该系统构建深度学习神经网络，该深度学习神经网络由5个卷积层(conv1-5)和3个全连接层(fc1-3)组成，其中，前三层卷积层为固定卷积层，固定卷积层分别连接一个池化层，池化层采用最大池化(max-pooling)方法实现降维并固定特征的作用。后两层卷积层为微调卷积层。
该深度学习神经网络在重建全连接层的过程中，首先随机初始化全连接层的权重，然后对全连接层的权重进行微调来训练HRCT图像。深度学习神经网络的卷积层使用Relu()函数作为隐藏层激活函数，fl是激活函数，fl(x)＝max(0,x)。由于全连接层需要针对医学图像识别任务进行调整的，所以不适合做知识迁移。第l层全连接层学习非线性映射
Figure BDA0002494186330000081
其中，
Figure BDA0002494186330000082
是像素点xi在第l层隐藏表现，Wl和bl是第l层的权重和偏置参数，全连接层使用softmax()函数作为输出层激活函数。
优选地，所述固定卷积层中卷积单元的权重固定，通过对自然图像集进行学习获得；所述微调卷积层中卷积单元的权重采用反向传播算法进行更新。
具体地，固定卷积层提取到的自然图像特征为通用特征，实现了自然图像到医学图像的知识迁移。微调卷积层提取到的医学图像特征为图像高层特征，不适合做知识迁移。
本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述系统实施例中相应内容。
实施例三：
实施例三在上述实施例的基础上，限定了手工提取特征和深度学习特征的融合方法。
所述处理器被配置用于调用所述程序指令，具体执行以下方法：
构建融合模型；
将待检测医学图像的手工提取特征和深度学习特征传输给所述融合模型，定义融合模型的输出为所述待检测医学图像的检测结果。
参见图3，所述融合模型由若干个分类器的输出值进行加权后得到；其中，分类器的输出值误差越小，该分类器的权重越大；分类器的输出值误差越大，该分类器的权重越小。
具体地，假设融合模型中设有T个分类器和C个分类类别，某个分类器的决策定义为：dt,j∈{0,1},t＝1,..,T；j＝1,...C，若第t个分类器选择分类类别ωj，那么dt,j＝1or0，即根据分类器t是否选择类j来判别dt,j取值1或者0，融合模型输出的值标识最大投票的类J。
由于每个分类器的输出是独立的，对于一个有T个分类器的二分类问题，需要保证至少有[T/2+1]个分类器选择正确的分类类别，假设每个分类器输出正确类别的概率为p，那么作出正确分类的决策融合后的概率是一个二项分布，于是选择T个分类器中k个正确分类器的概率为：
Figure BDA0002494186330000091
其中，k＞[T/2+1]，若p>0.5，则Pfus→1，否则，Pfus→0。由于融合模型输出是二分类问题，即有丝分裂细胞或者背景，分类器有2个，因此，决策融合的输出为1，需要保证至少有一个分类器输出概率p>0.5，否则，决策融合输出为0。为了保证训练输出的数据准确率，给每个分类器增加一个权重值，公式如下：
Figure BDA0002494186330000092
其中，假设T个分类器的分类精度p1,p2...,pT条件分布独立，那么加权规则
Figure BDA0002494186330000093
误差越小，权重越大，反之，误差越大，权重越小。
本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述系统实施例中相应内容。
实施例四：
一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下方法：
获取待检测医学图像；所述待检测医学图像包括HRCT图像；
设定纹理特征为手工提取特征；
利用预设的特征提取方法提取待检测医学图像中的手工提取特征；
构建深度学习神经网络，对深度学习神经网络进行训练；
将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中的深度学习特征；
将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学图像的检测结果。
优选地，所述特征提取方法包括灰度共生矩阵方法。
优选地，所述纹理特征包括能量、逆差矩、对比度和相关性；
其中，所述能量反映了图像灰度均匀程度和纹理粗细度，所述逆差矩用于评估图像局部的纹理变化大小，所述对比度用于评估局部图像变化，所述相关性用于评估图像灰度对相邻像素或指定点的线性依赖性。
优选地，所述深度学习神经网络包括N个固定卷积层、M个微调卷积层和K个全连接层，其中N、M和K大于等于1；
深度学习神经网络首先将所述待检测医学图像或预设的训练图像传输给固定卷积层，提取待检测医学图像或训练图像的自然图像特征；再将该自然图像特征传输给微调卷积层，提取自然图像特征中的医学图像特征；最后将该医学图像特征传输给全连接层，以获得待检测医学图像或训练图像的深度学习特征。
优选地，所述固定卷积层中卷积单元的权重固定，通过对自然图像集进行学习获得；所述微调卷积层中卷积单元的权重采用反向传播算法进行更新。
优选地，所述程序指令当被处理器执行时使所述处理器具体执行以下方法：
构建融合模型；
将待检测医学图像的手工提取特征和深度学习特征传输给所述融合模型，定义融合模型的输出为所述待检测医学图像的检测结果。
优选地，所述融合模型由若干个分类器的输出值进行加权后得到；其中，分类器的输出值误差越小，该分类器的权重越大；分类器的输出值误差越大，该分类器的权重越小。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例所提供的介质，为简要描述，实施例部分未提及之处，可参考前述系统实施例中相应内容。
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，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种多特征融合辅助检测肺部磨玻璃影结节系统，其特征在于，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下方法：
获取待检测医学图像；所述待检测医学图像包括HRCT图像；
设定纹理特征为手工提取特征；
利用预设的特征提取方法提取待检测医学图像中的手工提取特征；
构建深度学习神经网络，对深度学习神经网络进行训练；
将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中的深度学习特征；
将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学图像的检测结果。
2.根据权利要求1所述多特征融合辅助检测肺部磨玻璃影结节系统，其特征在于，
所述特征提取方法包括灰度共生矩阵方法。
3.根据权利要求2所述多特征融合辅助检测肺部磨玻璃影结节系统，其特征在于，所述纹理特征包括能量、逆差矩、对比度和相关性；
其中，所述能量反映了图像灰度均匀程度和纹理粗细度，所述逆差矩用于评估图像局部的纹理变化大小，所述对比度用于评估局部图像变化，所述相关性用于评估图像灰度对相邻像素或指定点的线性依赖性。
4.根据权利要求1所述多特征融合辅助检测肺部磨玻璃影结节系统，其特征在于，所述深度学习神经网络包括N个固定卷积层、M个微调卷积层和K个全连接层，其中N、M和K大于等于1；
深度学习神经网络首先将所述待检测医学图像或预设的训练图像传输给固定卷积层，提取待检测医学图像或训练图像的自然图像特征；再将该自然图像特征传输给微调卷积层，提取自然图像特征中的医学图像特征；最后将该医学图像特征传输给全连接层，以获得待检测医学图像或训练图像的深度学习特征。
5.根据权利要求4所述多特征融合辅助检测肺部磨玻璃影结节系统，其特征在于，
所述固定卷积层中卷积单元的权重固定，通过对自然图像集进行学习获得；所述微调卷积层中卷积单元的权重采用反向传播算法进行更新。
6.根据权利要求5所述多特征融合辅助检测肺部磨玻璃影结节系统，其特征在于，所述处理器被配置用于调用所述程序指令，具体执行以下方法：
构建融合模型；
将待检测医学图像的手工提取特征和深度学习特征传输给所述融合模型，定义融合模型的输出为所述待检测医学图像的检测结果。
7.根据权利要求6所述多特征融合辅助检测肺部磨玻璃影结节系统，其特征在于，
所述融合模型由若干个分类器的输出值进行加权后得到；其中，分类器的输出值误差越小，该分类器的权重越大；分类器的输出值误差越大，该分类器的权重越小。
8.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以下方法：
获取待检测医学图像；所述待检测医学图像包括HRCT图像；
设定纹理特征为手工提取特征；
利用预设的特征提取方法提取待检测医学图像中的手工提取特征；
构建深度学习神经网络，对深度学习神经网络进行训练；
将待检测医学图像输入到训练好的深度学习神经网络中，获得待检测医学图像中的深度学习特征；
将待检测医学图像的手工提取特征和深度学习特征进行融合，以获得待检测医学图像的检测结果。
9.根据权利要求8所述计算机可读存储介质，其特征在于，所述深度学习神经网络包括N个固定卷积层、M个微调卷积层和K个全连接层，其中N、M和K大于等于1；
深度学习神经网络首先将所述待检测医学图像或预设的训练图像传输给固定卷积层，提取待检测医学图像或训练图像的自然图像特征；再将该自然图像特征传输给微调卷积层，提取自然图像特征中的医学图像特征；最后将该医学图像特征传输给全连接层，以获得待检测医学图像或训练图像的深度学习特征。
10.根据权利要求8所述计算机可读存储介质，其特征在于，
所述固定卷积层中卷积单元的权重固定，通过对自然图像集进行学习获得；所述微调卷积层中卷积单元的权重采用反向传播算法进行更新。
CN202010413512.6A 2020-05-15 2020-05-15 多特征融合辅助检测肺部磨玻璃影结节系统及介质 Active CN111598871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010413512.6A CN111598871B (zh) 2020-05-15 2020-05-15 多特征融合辅助检测肺部磨玻璃影结节系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010413512.6A CN111598871B (zh) 2020-05-15 2020-05-15 多特征融合辅助检测肺部磨玻璃影结节系统及介质

Publications (2)

Publication Number Publication Date
CN111598871A true CN111598871A (zh) 2020-08-28
CN111598871B CN111598871B (zh) 2023-08-04

Family

ID=72182901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010413512.6A Active CN111598871B (zh) 2020-05-15 2020-05-15 多特征融合辅助检测肺部磨玻璃影结节系统及介质

Country Status (1)

Country Link
CN (1) CN111598871B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862824A (zh) * 2020-04-17 2021-05-28 中山仰视科技有限公司 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质
CN113255718A (zh) * 2021-04-01 2021-08-13 透彻影像科技(南京)有限公司 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法
CN113889231A (zh) * 2021-10-15 2022-01-04 长春工业大学 一种基于手工特征和深度特征融合的肺结节图像处理方法
CN113888519A (zh) * 2021-10-14 2022-01-04 四川大学华西医院 一种用于预测肺部实性结节恶性程度的预测系统
CN114399635A (zh) * 2022-03-25 2022-04-26 珞石（北京）科技有限公司 基于特征定义和深度学习的图像二分类集成学习方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190065897A1 (en) * 2017-08-28 2019-02-28 Boe Technology Group Co., Ltd. Medical image analysis method, medical image analysis system and storage medium
CN110378252A (zh) * 2019-06-28 2019-10-25 浙江大学 一种基于深度迁移学习的混凝土裂缝识别方法
CN110969632A (zh) * 2019-11-28 2020-04-07 北京推想科技有限公司 一种深度学习模型的训练方法、图像处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190065897A1 (en) * 2017-08-28 2019-02-28 Boe Technology Group Co., Ltd. Medical image analysis method, medical image analysis system and storage medium
CN110378252A (zh) * 2019-06-28 2019-10-25 浙江大学 一种基于深度迁移学习的混凝土裂缝识别方法
CN110969632A (zh) * 2019-11-28 2020-04-07 北京推想科技有限公司 一种深度学习模型的训练方法、图像处理方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
景军锋等: "基于卷积神经网络的织物表面缺陷分类方法", 《测控技术》 *
杨晶晶等: "基于深度卷积神经网络算法的肺结节检测模型", 《数学建模及其应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862824A (zh) * 2020-04-17 2021-05-28 中山仰视科技有限公司 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质
CN113255718A (zh) * 2021-04-01 2021-08-13 透彻影像科技(南京)有限公司 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法
CN113255718B (zh) * 2021-04-01 2022-07-01 透彻影像科技(南京)有限公司 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法
CN113888519A (zh) * 2021-10-14 2022-01-04 四川大学华西医院 一种用于预测肺部实性结节恶性程度的预测系统
CN113889231A (zh) * 2021-10-15 2022-01-04 长春工业大学 一种基于手工特征和深度特征融合的肺结节图像处理方法
CN114399635A (zh) * 2022-03-25 2022-04-26 珞石（北京）科技有限公司 基于特征定义和深度学习的图像二分类集成学习方法

Also Published As

Publication number Publication date
CN111598871B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN111598871A (zh) 多特征融合辅助检测肺部磨玻璃影结节系统及介质
US11488021B2 (en) Systems and methods for image segmentation
US10235755B2 (en) High-throughput adaptive sampling for whole-slide histopathology image analysis
CN112418329B (zh) 一种基于多尺度纹理特征融合宫颈oct图像分类方法及系统
CN110321920A (zh) 图像分类方法、装置、计算机可读存储介质和计算机设备
Yao et al. Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN
CN113449791B (zh) 基于深度学习的肺炎图像分类方法及系统
CN112396605B (zh) 网络训练方法及装置、图像识别方法和电子设备
JP2023543044A (ja) 組織の画像を処理する方法および組織の画像を処理するためのシステム
US20210407637A1 (en) Method to display lesion readings result
Osadebey et al. Three-stage segmentation of lung region from CT images using deep neural networks
US20200074621A1 (en) Similarity determination apparatus, similarity determination method, and program
CN114581698A (zh) 一种基于空间交叉注意力机制特征融合的目标分类方法
CN115601346A (zh) 一种基于深度学习的多模态mri对膝关节软骨损伤的多层次分类方法
CN114708347A (zh) 一种基于自适应选择的双源域异构迁移学习的肺结节ct图像分类方法
Zhang et al. Quantification of lung ventilation defects on hyperpolarized MRI: The Multi-Ethnic Study of Atherosclerosis (MESA) COPD study
US11521323B2 (en) Systems and methods for generating bullseye plots
CN110992312A (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN116416225A (zh) 胰腺癌诊断方法、系统、介质、电子设备
US20240144474A1 (en) Medical-image-based lesion analysis method
US20230237647A1 (en) Ai driven longitudinal liver focal lesion analysis
US20220172370A1 (en) Method for detecting white matter lesions based on medical image
CN109816660A (zh) 一种图像分割方法、终端设备及存储介质
US12112844B2 (en) Machine learning for automatic detection of intracranial hemorrhages with uncertainty measures from medical images
CN114557670A (zh) 生理年龄预测方法、装置、设备及介质

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