CN111612749A - 基于肺部影像的病灶检测方法和装置 - Google Patents

基于肺部影像的病灶检测方法和装置 Download PDF

Info

Publication number
CN111612749A
CN111612749A CN202010397822.3A CN202010397822A CN111612749A CN 111612749 A CN111612749 A CN 111612749A CN 202010397822 A CN202010397822 A CN 202010397822A CN 111612749 A CN111612749 A CN 111612749A
Authority
CN
China
Prior art keywords
layer
lesion
regional
lung
result
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
CN202010397822.3A
Other languages
English (en)
Other versions
CN111612749B (zh
Inventor
王凤艳
殷保才
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 Iflytek Medical Information Technology Co ltd
Original Assignee
iFlytek Co Ltd
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 iFlytek Co Ltd filed Critical iFlytek Co Ltd
Priority to CN202010397822.3A priority Critical patent/CN111612749B/zh
Publication of CN111612749A publication Critical patent/CN111612749A/zh
Application granted granted Critical
Publication of CN111612749B publication Critical patent/CN111612749B/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
    • 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
    • G06T2207/10—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
    • G06T2207/20—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种基于肺部影像的病灶检测方法和装置，其中方法包括：提取待检测的肺部影像的肺部区域；将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果；其中，所述病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的；所述病灶检测模型用于确定所述肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果，确定所述病灶检测结果。本发明实施例提供的基于肺部影像的病灶检测方法和装置，能够降低病灶检测虚警率。

Description

基于肺部影像的病灶检测方法和装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于肺部影像的病灶检测方法和装置。
背景技术
随着医疗水平的不断提高，针对肺部病变所拍摄的肺部影像，成为各种肺部疾病研究分析的得力帮手。基于大量的肺部影像，可以定位各个肺部影像中存在的病灶区域，以及可能导致该病灶的疾病类型，以帮助人们了解各种肺部疾病的发病概率、发病位置，以及多种肺部疾病病灶之间的关联等信息。
目前，基于肺部影像的病灶检测，通常由专业的审阅人员人工阅片完成。审阅人员根据其专业知识在肺部影像中定位病灶区域，并对其进行简单分析，判断可能导致该病灶的疾病类型，为肺部疾病研究分析提供数据支持。然而，人工阅片结果会受到审阅人员自身专业水平和阅片时的专注度的限制，其病灶检测结果的准确性得不到保证。
发明内容
本发明实施例提供一种基于肺部影像的病灶检测方法和装置，用以解决现有人工阅片方法准确性欠佳的问题。
第一方面，本发明实施例提供一种基于肺部影像的病灶检测方法，包括：
提取待检测的肺部影像的肺部区域；
将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果；
其中，所述病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的；
所述病灶检测模型用于确定所述肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果，确定所述病灶检测结果。
可选地，所述将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果，具体包括：
将所述肺部区域输入至所述病灶检测模型的影像特征提取层，得到所述影像特征提取层输出的肺区影像特征；
将所述肺区影像特征输入至所述病灶检测模型的区域病灶识别层，得到所述区域病灶识别层输出的所述肺部区域中每一区域块的区域病灶识别结果；
将每一区域块的区域病灶识别结果，或者将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果；
其中，所述肺部区域的候选病灶检测结果是将所述肺区影像特征输入至所述病灶检测模型的病灶目标检测层得到的。
可选地，所述将所述肺区影像特征输入至所述病灶检测模型的区域病灶识别层，得到所述区域病灶识别层输出的所述肺部区域中每一区域块的区域病灶识别结果，具体包括：
将所述肺区影像特征输入至所述区域病灶识别层的深层特征提取层，得到所述深层特征提取层输出的肺区深层特征；
将所述肺区深层特征输入至所述区域病灶识别层的区域识别层，得到所述区域识别层输出的所述肺部区域中每一区域块的区域病灶识别结果。
可选地，所述将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果，之前还包括：
将所述肺区影像特征输入至所述病灶目标检测层的检测框获取层，得到所述检测框获取层输出的若干个目标检测框；
将所述肺区影像特征和所述肺区深层特征输入至所述病灶目标检测层的特征融合层，得到所述特征融合层输出的肺区融合特征；
将每一目标检测框以及所述肺区融合特征输入至所述病灶目标检测层的候选病灶检测层，得到所述候选病灶检测层输出的所述肺部区域的候选病灶检测结果。
可选地，所述影像特征提取层包括多个不同尺度分别对应的特征编码层和尺度融合层；
所述将所述肺部区域输入至所述病灶检测模型的影像特征提取层，得到所述影像特征提取层输出的肺区影像特征，具体包括：
将上一尺度的特征编码层输出的图像特征输入至当前尺度的特征编码层，得到所述当前尺度的特征编码层输出的图像特征；
将当前尺度的特征编码层输出的图像特征，以及上一尺度的尺度融合层输出的肺区影像特征输入至当前尺度的尺度融合层，得到所述当前尺度的尺度融合层输出的肺区影像特征；
其中，最大尺度的特征编码层的输入为所述肺部区域，不同尺度分别对应的特征编码层按照尺度从大到小的顺序排列；
最小尺度的尺度融合层的输入为最小尺度的特征编码层输出的图像特征，不同尺度分别对应的尺度融合层按照尺度从小到大的顺序排列。
可选地，所述将所述肺区影像特征输入至所述病灶检测模型的区域病灶识别层，得到所述区域病灶识别层输出的所述肺部区域中每一区域块的区域病灶识别结果，具体包括：
将最大尺度的尺度融合层输出的肺区影像特征输入至所述区域病灶识别层，得到所述区域病灶识别层输出的每一区域块的区域病灶识别结果。
可选地，所述将每一区域块的区域病灶识别结果，或者将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果，具体包括：
若每一区域块的区域病灶识别结果均为正常，则将每一区域块的区域病灶识别结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果；
否则，将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果。
可选地，所述将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果，具体包括：
将所述候选病灶检测结果中任一目标检测框输入至所述结果输出层的区域块判定层，得到所述区域块判定层输出的所述任一目标检测框对应的区域块；
将所述候选病灶检测结果，以及每一目标检测框对应的区域块的区域病灶识别结果输入至所述结果输出层的结果融合层，得到所述结果融合层输出的所述病灶检测结果。
第二方面，本发明实施例提供一种基于肺部影像的病灶检测装置，包括：
肺部区域提取单元，用于提取待检测的肺部影像的肺部区域；
病灶检测单元，用于将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果；
其中，所述病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的；
所述病灶检测模型用于确定所述肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果，确定所述病灶检测结果。
第三方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑命令，以执行如第一方面所提供的方法的步骤。
第四方面，本发明实施例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如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于肺部影像的病灶检测方法和装置，通过确定所述肺部区域中每一区域块的区域病灶识别结果，从而基于每一区域块的区域病灶识别结果，确定病灶检测结果，降低了病灶检测的虚警率。
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肺部影像的病灶检测方法的流程示意图；
图2为本发明实施例提供的病灶检测模型运行方法的流程示意图；
图3为本发明实施例提供的区域病灶识别方法的流程示意图；
图4为本发明实施例提供的病灶目标检测方法的流程示意图；
图5为本发明实施例提供的影像特征提取层的结构示意图；
图6为本发明实施例提供的结果输出层运行方法的流程示意图；
图7为本发明又一实施例提供的病灶检测模型的结构示意图；
图8为本发明实施例提供的基于肺部影像的病灶检测装置的结构示意图；
图9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。
目前，针对肺部病变所拍摄的肺部影像，成为各种肺部疾病研究分析的得力帮手，为疾病研究提供了大数据支持。
基于肺部影像的病灶检测，通常由专业的审阅人员人工阅片完成。审阅人员根据其专业知识在肺部影像中定位病灶区域，并对其进行简单分析，判断可能导致该病灶的疾病类型。然而，人工阅片结果会受到审阅人员自身专业水平和阅片时的专注度的限制，其病灶检测结果的准确性得不到保证。
对此，本发明实施例提供了一种基于肺部影像的病灶检测方法。图1为本发明实施例提供的基于肺部影像的病灶检测方法的流程示意图，如图1所示，该方法包括：
步骤110，提取待检测的肺部影像的肺部区域。
具体地，待检测的肺部影像为需要进行病灶检测的肺部影像。该肺部影像可以是DR(Digital Radiography，数字化X线成像)影像，也可以是CT(Computed Tomography，电子计算机断层扫描)影像，本发明实施例对此不作具体限定。
获取到待检测的肺部影像后，提取该肺部影像中的肺部区域。此处，可以利用训练好的神经网络模型确定肺部影像中的肺部区域，例如U-net模型、deeplab模型等；也可以采用传统分割方法确定肺部影像中的肺部区域，例如基于阈值的分割方法、基于区域生长的分割方法、边缘分割方法或基于遗传算法的分割方法等；也可以结合基于神经网络模型的分割方法和传统分割方法进行肺部区域的分割，本发明实施例对此不作具体限定。
此外，拍摄得到的肺部影像质量会受到拍摄设备的内部成像方法、设备内部参数以及操作者拍摄时采用的成像参数等多种因素影像，因此获得的肺部影像质量参差不齐。而肺部影像的质量会影响肺部区域的提取，也会影响后续病灶检测的准确度。因此，在提取肺部区域之前，可以对肺部影像进行图像增强预处理，增强肺部区域与肺外组织之间的区分度，以提高肺部区域的提取精确度。同时，还能增强肺部区域内异常征象区域与正常肺部组织的对比度，使病灶区域更容易辨别与分析。可选地，图像增强预处理可以采用调整窗宽窗位、去噪以及图像对比度增强等方式之一或者多种方式结合使用，本发明实施例对此不作具体限定。
步骤120，将肺部区域输入至病灶检测模型，得到病灶检测模型输出的病灶检测结果。
其中，病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的。病灶检测模型用于确定肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果，确定病灶检测结果。
具体地，病灶检测模型用于对输入的肺部区域进行区域块划分，然后对每一区域块进行区域病灶识别。在此之前，可以基于统计分析得到的各类肺部病灶的大小及高发位置分布，确定区域块的大小，并确定区域块的个数。也可以根据实际情况，调整区域块的个数，本发明实施例对此不作具体限定。在区域病灶识别过程中，病灶检测模型首先挖掘肺部区域中正常组织和病灶之间的区别，准确识别每一区域块是正常组织区域还是包含病灶的区域，还可以识别区域块中包含的病灶类型，从而得到每个区域块的区域病灶识别结果。其中，任一区域块的区域病灶识别结果可以表示该区域块中是否包含病灶，还可以表示该区域块对应正常组织以及每一类型病灶的概率，病灶类型可以包括肺炎病灶、肺结节、陈旧性病灶、肺部纤维化病灶、钙化点、肿块、肺结核、胸膜肥厚以及胸腔积液等各种肺部病灶，本发明实施例对此不做具体限定。此处，病灶检测模型基于挖掘出的肺部区域中正常组织和病灶之间的区别，对每一区域块进行病灶识别，能够准确地识别出正常组织，从而降低了病灶检测的虚警率。
随即，病灶检测模型基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果，确定病灶检测结果。此处，病灶检测结果可以表示该肺部区域中是否包含病灶，若包含病灶，病灶检测结果还可以表示病灶在肺部区域中的位置，以及病灶对应每一类型的概率。其中，候选病灶检测结果是病灶检测模型对肺部区域整体进行病灶目标检测，得到的目标检测结果。此处，候选病灶检测结果中可以包括若干个目标检测框，还可以每一目标检测框对应每一类型病灶的概率。
可选地，病灶检测模型可以直接将每一区域块的区域病灶识别结果进行融合，得到病灶检测结果。病灶检测模型还可以将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果进行融合，得到病灶检测结果。由于区域病灶识别过程有效降低了病灶检测的虚警率，而目标病灶检测方式能够更精确地检测出各个病灶以及定位病灶位置，因此，将每一区域块的区域病灶识别结果和候选病灶检测结果融合，既能降低病灶检测的虚警率，又能提高病灶检测和定位的精确度。同时，将每一区域块的区域病灶识别结果和候选病灶检测结果中对应同一病灶的类型信息进行融合，能够提高病灶分类的准确性。
另外，在执行步骤120之前，还可以预先训练得到病灶检测模型，具体可通过如下方式训练得到病灶检测模型：首先，收集大量样本肺部影像，并标注出样本肺部影像中的样本肺部区域。然后，确定模型需要识别的病灶类型，人工标注样本肺部区域对应的样本病灶检测结果。随即，基于样本肺部区域，以及样本病灶检测结果对初始模型进行训练，从而得到病灶检测模型。其中，初始模型可以是单一神经网络模型，也可以是多个神经网络模型的组合。训练过程中，可以采用批量梯度下降(Batch gradient descent)方法、随机梯度下降(Stochastic gradient descent)方法或者小批量梯度下降(Mini-batch gradientdescent)方法等方式进行训练，本发明实施例对此不作具体限定。
本发明实施例提供的方法，通过确定肺部区域中每一区域块的区域病灶识别结果，从而基于每一区域块的区域病灶识别结果，确定病灶检测结果，降低了病灶检测的虚警率。
基于上述实施例，图2为本发明实施例提供的病灶检测模型运行方法的流程示意图，如图2所示，步骤120具体包括：
步骤121，将肺部区域输入至病灶检测模型的影像特征提取层，得到影像特征提取层输出的肺区影像特征。
具体地，影像特征提取层用于提取输入的肺部区域的肺区影像特征。其中，肺区影像特征即肺部区域的图像特征，可用于识别正常组织和病灶，还可用于确定病灶的类型。此处，影像特征提取层可以采用VGG网络或者ResNet(Residual Network，残差网络)等卷积神经网络构建得到，本领域技术人员对此不作具体限定。
步骤122，将肺区影像特征输入至病灶检测模型的区域病灶识别层，得到区域病灶识别层输出的肺部区域中每一区域块的区域病灶识别结果。
具体地，区域病灶识别层用于基于肺区影像特征，对肺部区域的每一区域块进行分析，识别每一区域块是正常组织区域还是包含病灶的区域；对于包含病灶的区域块，还可以进一步识别区域块中包含的病灶的类型，从而得到每个区域块的区域病灶识别结果。
步骤123，将每一区域块的区域病灶识别结果，或者将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至病灶检测模型的结果输出层，得到结果输出层输出的病灶检测结果；
其中，肺部区域的候选病灶检测结果是将肺区影像特征输入至病灶检测模型的病灶目标检测层得到的。
具体地，结果输出层用于融合每一区域块的区域病灶识别结果，得到病灶检测结果；或者用于融合每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果，得到病灶检测结果。其中，可以将肺区影像特征输入到病灶目标检测层，然后，病灶目标检测层基于肺区影像特征对肺部区域进行病灶目标检测，得到候选病灶检测结果。可选地，病灶目标检测层可以基于Fast RCNN、Faster RCNN或者FPN等模型构建得到，本发明实施例对此不作具体限定。
本发明实施例提供的方法，通过区域病灶识别层得到肺部区域中每一区域块的区域病灶识别结果，从而通过结果输出层融合每一区域块的区域病灶识别结果，确定病灶检测结果，降低了病灶检测的虚警率。
基于上述任一实施例，图3为本发明实施例提供的区域病灶识别方法的流程示意图，如图3所示，步骤122具体包括：
步骤1221，将肺区影像特征输入至区域病灶识别层的深层特征提取层，得到深层特征提取层输出的肺区深层特征。
具体地，深层特征提取层用于提取肺区影像特征中更深层次的语义信息，从而得到对应的肺区深层特征。此处，肺区深层特征中包含的更深层次的语义信息，有助于更精准地区分区域块中的正常组织与病灶，以及区分不同类型的病灶，从而提高区域病灶识别的准确性，并降低病灶检测的虚警率。可选地，可以采用若干卷积层构建深层特征层。
步骤1222，将肺区深层特征输入至区域病灶识别层的区域识别层，得到区域识别层输出的肺部区域中每一区域块的区域病灶识别结果。
具体地，区域识别层用于将肺区深层特征映射到每一个区域块中，得到每一个区域块对应的区域深层特征。其中，肺区深层特征对应整个肺部区域，而任一区域块对应的区域深层特征是基于该区域块在整个肺部区域中的相对位置，从肺区深层特征中截取的部分特征。随即，对于任一区域块，区域识别层可以基于该区域块对应的区域深层特征，对该区域块进行区域病灶识别，得到其对应的区域病灶识别结果。可选地，可以基于ROIAlign层、激活层、批归一化层(Batch Normalization)、全连接层以及softmax层等构建区域识别层。
本发明实施例提供的方法，基于肺区影像特征提取包含更深层次语义的肺区深层特征，从而基于肺区深层特征识别得到每一区域块的区域病灶识别结果，有助于更精准地区分区域块中的正常组织与病灶，以及区分不同类型的病灶，从而提高区域病灶识别的准确性，并降低病灶检测的虚警率。
基于上述任一实施例，图4为本发明实施例提供的病灶目标检测方法的流程示意图，如图4所示，在步骤123之前，还包括：
步骤122-1，将肺区影像特征输入至病灶目标检测层的检测框获取层，得到检测框获取层输出的若干个目标检测框。
具体地，检测框获取层用于基于肺区影像特征，检测肺部区域中存在的所有病灶，并输出包围各个病灶的目标检测框。基于任一目标检测框，能够精确定位其中包含的病灶在肺部区域中的位置。此处，由于肺区影像特征中既包含有图像的语义信息，还包含有图像的位置信息，因此，可以基于肺区影像特征中的语义信息和位置信息，检测肺部区域中存在的病灶，并定位得到包围各个病灶的目标检测框。可选地，可以采用RPN(Region ProposalNetwork，区域生成网络)模型构建检测框获取层。
步骤122-2，将肺区影像特征和肺区深层特征输入至病灶目标检测层的特征融合层，得到特征融合层输出的肺区融合特征。
具体地，特征融合层用于融合肺区影像特征和肺区深层特征，以得到融合后的肺区融合特征。由于肺区深层特征中包含有比肺区影像特征更深层次的语义信息，将肺区影像特征和肺区深层特征融合，能够得到语义更丰富的特征，从而提高后续病灶分类任务的准确性。
步骤122-3，将每一目标检测框以及肺区融合特征输入至病灶目标检测层的候选病灶检测层，得到候选病灶检测层输出的肺部区域的候选病灶检测结果。
具体地，病灶目标检测层用于将肺区融合特征映射到每一目标检测框中，得到每一目标检测框对应的检测框融合特征。其中，肺区融合特征同样对应整个肺部区域，而任一目标检测框对应的检测框融合特征是基于该目标检测框在整个肺部区域中的相对位置，从肺区融合特征中截取的部分特征。随即，对于任一目标检测框，候选病灶检测层可以基于该目标检测框对应的检测框融合特征，对该目标检测框内的病灶进行识别分类，得到其内部病灶的类型或者病灶对应每一类型的概率。确定每一目标检测框内部病灶的类型或对应每一类型的概率后，即可得到肺部区域的候选病灶检测结果。其中，候选病灶检测结果中可以包括D个目标检测框的坐标，例如对角线上两个顶点的坐标，以及每一目标检测框对应每一类型病灶的概率。假设检测框获取层共检测到D个目标检测框，病灶类型有M种，则候选病灶检测结果的维度可以为D×(M+4)，其中4是目标检测框的坐标个数。
本发明实施例提供的方法，将肺区影像特征和肺区深层特征融合，能够得到语义更丰富的肺区融合特征，再基于肺区融合特征以及每一目标检测框，确定肺部区域的候选病灶检测结果，能够提高候选病灶检测结果的准确性。
基于上述任一实施例，图5为本发明实施例提供的影像特征提取层的结构示意图，如图5所示，影像特征提取层包括多个不同尺度分别对应的特征编码层和尺度融合层，其中，最大尺度的特征编码层的输入为肺部区域，不同尺度分别对应的特征编码层按照尺度从大到小的顺序排列；最小尺度的尺度融合层的输入为最小尺度的特征编码层输出的图像特征，不同尺度分别对应的尺度融合层按照尺度从小到大的顺序排列。
其中，特征编码层和尺度融合层的尺度，用于表明其输出的图像特征和肺区影像特征的尺度，且特征编码层的尺度越小，其输出的图像特征具备的语义信息更高层、更丰富。例如，影像特征提取层可以包括三个不同尺度分别对应的特征编码层和尺度融合层，三个尺度分别为28×28、14×14以及7×7。其中，三个尺度的特征编码层按照从大到小的顺序，即28×28、14×14以及7×7的顺序排列，从而逐次减小肺部区域的图像特征提取尺度，使得各个尺度的特征编码层输出的图像特征越来越高级；三个尺度的尺度融合层按照从小到大的顺序，即7×7、14×14以及28×28的顺序排列，从而逐层融合当前尺度以及小于当前尺度的特征编码层输出的图像特征，使得最后一个尺度融合层，即最大尺度的尺度融合层，能够融合所有尺度的图像特征，进而得到全尺度下的肺区影像特征。
在此基础上，步骤121具体包括：
将上一尺度的特征编码层输出的图像特征输入至当前尺度的特征编码层，得到当前尺度的特征编码层输出的图像特征；
将当前尺度的特征编码层输出的图像特征，以及上一尺度的尺度融合层输出的肺区影像特征输入至当前尺度的尺度融合层，得到当前尺度的尺度融合层输出的肺区影像特征。
具体地，将肺部区域输入至尺度最大的特征编码层，得到该特征编码层提取的尺度最大、最底层的图像特征。随即，将当前特征编码层输出的图像特征输入至下一尺度的特征编码层，得到该下一尺度的特征编码层输出的图像特征。以此类推，直至得到尺度最小的特征编码层输出的图像特征。例如，影像特征提取层可以包括三个尺度分别为28×28、14×14以及7×7的特征编码层，首先28×28的特征编码层提取尺度最大、最底层的图像特征，随即通过14×14的特征编码层提取在此基础上进一步提取更高层的图像特征，直至最后得到7×7的特征编码层提取的最小尺度也是最高层的图像特征。
不同尺度的特征编码层所输出的图像特征中包含的语义信息不同，其中尺度越小的特征编码层输出的图像特征中包含的语义信息越高层，但细节信息越少。因此，尺度最小的特征编码层输出的图像特征，虽然其拥有较高层的语义信息，但是对于尺寸较小的目标，该图像特征中很可能已经丢失了该小尺寸目标对应的特征。
然而，肺部区域中，不同类型的病灶的尺寸范围波动很大，例如肺炎病灶的尺寸会较大，而肺结节的尺寸通常较小，可能仅包含几个像素，因此对于肺部区域的病灶检测，需要同时兼顾多尺寸的病灶目标。
对此，在得到不同尺度的特征编码层输出的图像特征后，首先将最小尺度的特征编码层输出的图像特征输入至最小尺度的尺度融合层，得到该尺度融合层输出的包含最高层语义且尺度最小的肺区影像特征。随即，将当前尺度的尺度融合层输出的肺区影像特征，以及下一尺度的特征编码层输出的图像特征输入至该下一尺度的尺度融合层，得到该下一尺度的尺度融合层输出的肺区影像特征。以此类推，直至得到尺度最大的尺度融合层输出的肺区影像特征。此处，任一尺度的尺度融合层输出的肺区影像特征中，均包含了该尺度的特征编码层以及所有小于该尺度的特征编码层所输出的图像特征的相关信息，即融合了低级语义和高级语义。
例如，影像特征提取层可以包括三个尺度分别为7×7、14×14以及28×28的尺度融合层，首先7×7的尺度融合层基于7×7的特征编码层提取的图像特征输出肺区影像特征，随即通过14×14的尺度融合层融合7×7的尺度融合层输出的肺区影像特征和14×14的特征编码层提取的图像特征，由此得到的14×14的尺度融合层输出的肺区影像特征中，包含了7×7和14×14两种尺度的图像特征的相关信息，最后，通过28×28的尺度融合层融合14×14的尺度融合层输出的肺区影像特征和28×28的特征编码层提取的图像特征，由此得到的28×28的尺度融合层输出的肺区影像特征中，包含了7×7、14×14以及28×28所有尺度的图像特征的相关信息。
由此可见，任一尺度融合层输出的肺区影像特征中，不仅包含了能够用于肺部病灶分类的高级语义信息，使得可以准确识别各个肺部病灶的类型，还包含了分辨率高、细节特征完整的低级语义信息。其中，这些分辨率高、细节特征完整的低级语义信息不仅能够准确表达大尺寸病灶的特征，例如肺炎病灶、胸腔积液等大尺寸病灶的特征，同时也能准确表达小尺寸病灶的特征，例如肺结节、钙化点等小尺寸病灶的特征。因此，基于每一尺度融合层输出的肺区影像特征，进行病灶检测，可以兼顾不同尺寸的病灶目标，准确检测出小尺寸的病灶，同时还保证了病灶分类的准确性。
本发明实施例提供的方法，利用不同尺度的特征编码层提取不同尺度的图像特征，然后基于不同尺度的尺度融合层融合每一图像特征，实现低级语义和高级语义的融合，使得可以兼顾不同尺寸的病灶目标，提高小尺寸病灶的检测准确性。
基于上述任一实施例，步骤1221具体包括：
将最大尺度的尺度融合层输出的肺区影像特征输入至区域病灶识别层，得到区域病灶识别层输出的每一区域块的区域病灶识别结果。
具体地，区域病灶识别层用于基于最大尺度的尺度融合层输出的肺区影像特征，对每一区域块进行区域病灶识别，并得到每一区域块的区域病灶识别结果。由于最大尺度的尺度融合层融合了每一尺度的特征编码层所输出的图像特征，因此其输出的肺区影像特征中包含了最丰富的语义信息。基于该肺区影像特征进行区域病灶识别，可以有效提高区域病灶识别的准确性。
本发明实施例提供的方法，基于最大尺度的尺度融合层输出的肺区影像特征，对每一区域块进行区域病灶识别，有效提高了区域病灶识别的准确性。
基于上述任一实施例，步骤123具体包括：
若每一区域块的区域病灶识别结果均为正常，则将每一区域块的区域病灶识别结果输入至病灶检测模型的结果输出层，得到结果输出层输出的病灶检测结果；
否则，将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至病灶检测模型的结果输出层，得到结果输出层输出的病灶检测结果。
具体地，若每一区域块的区域病灶识别结果均为正常，则表明输入的肺部区域为正常的肺部区域。此时，无需再对肺部区域进行病灶目标检测，直接将每一区域块的区域病灶识别结果输入至结果输出层，结果输出层输出表明肺部区域不包含病灶的病灶检测结果，从而实现正常肺部影像的分流，降低病灶检测的虚警率的同时提高了病灶检测模型的运行效率。
其中，可以基于任一区域块对应每一类型病灶的概率，选取其中最大的概率值，并将其与预设阈值进行比较。若该最大的概率值小于预设阈值，则代表该区域块的区域病灶识别结果为正常。
另外，还可以选取所有区域块对应每一类型病灶的概率中的最大值，作为肺部区域中包含病灶的概率，并将其与预设阈值进行比较。若肺部区域中包含病灶的概率小于预设阈值，则表明肺部区域为正常的肺部区域。此时，结果输出层也可直接输出表明肺部区域不包含病灶的病灶检测结果。例如，可以采用以下公式得到肺部区域中包含病灶的概率：
clsscore＝max(Pi,j),i∈[1,N×N],j∈[1,M]
其中，clsscore为肺部区域中包含病灶的概率，肺部区域中包括N×N个区域块，病灶类型有M种，Pi,j为第i个区域块对应第j种类型病灶的概率。
若任一区域块的区域病灶识别结果为不正常，或者肺部区域中包含病灶的概率大于等于预设阈值，则将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至结果输出层，结果输出层对每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果进行融合，得到病灶检测结果，以提高病灶检测结果的准确性。
本发明实施例提供的方法，在每一区域块的区域病灶识别结果均为正常时，将每一区域块的区域病灶识别结果输入至结果输出层，得到病灶检测结果，实现了正常肺部影像的分流，降低病灶检测的虚警率的同时提高了病灶检测模型的运行效率。否则，将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至结果输出层，融合每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果，提高了病灶检测结果的准确性。
基于上述任一实施例，图6为本发明实施例提供的结果输出层运行方法的流程示意图，如图6所示，步骤123中，将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至病灶检测模型的结果输出层，得到结果输出层输出的病灶检测结果，具体包括：
步骤1231，将候选病灶检测结果中任一目标检测框输入至结果输出层的区域块判定层，得到区域块判定层输出的任一目标检测框对应的区域块。
具体地，区域块判定层用于基于任一目标检测框与肺部区域中每个区域块的重合程度，确定该目标检测框对应的区域块。可选地，区域块判定层可以计算任一目标检测框与肺部区域中每个区域块的IOU(Intersection over Union，交并比)，并选取大于预设重合阈值的IOU对应的区域块，作为该目标检测框对应的区域块。
步骤1232，将候选病灶检测结果，以及每一目标检测框对应的区域块的区域病灶识别结果输入至结果输出层的结果融合层，得到结果融合层输出的病灶检测结果。
具体地，由于任一目标检测框与其对应的区域块的重合度很高，因此该目标检测框中包含的病灶与其对应的区域块中包含的病灶，应为同一个病灶。因此，结果融合层将候选病灶检测结果中任一目标检测框对应任一病灶类型的概率，以及对应的区域块对应该类型病灶的概率融合，得到该目标检测框对应该病灶类型的融合概率。基于每一目标检测框对应每一病灶类型的融合概率，确定病灶检测结果，能够提高病灶检测结果的准确性。
可选地，对于任一目标检测框，可以将其对应任一类型病灶的概率与其对应的区域块对应该类型病灶的概率相乘，得到该目标检测框对应该类型病灶的融合概率。例如，采用如下方式融合任一目标检测框对应任一类型病灶的概率与其对应的区域块对应该类型病灶的概率：
cls_score＝K_score×S_score
其中，cls_score为该目标检测框对应该类型病灶的融合概率，S_score为该目标检测框对应该类型病灶的概率，K_score为该目标检测框对应的区域块对应该类型病灶的概率。
需要说明的是，步骤1231和步骤1232可以仅在存在任一区域块的区域病灶识别结果不是正常的情况下执行，也可以在得到每一区域块的区域病灶识别结果后，直接执行，而不考虑每一区域块的区域病灶识别结果正常与否。
本发明实施例提供的方法，通过融合候选病灶检测结果，以及每一目标检测框对应的区域块的区域病灶识别结果，提高了病灶检测结果的准确性。
基于上述任一实施例，图7为本发明又一实施例提供的病灶检测模型的结构示意图，如图7所示，病灶检测模型包括影像特征提取层、区域病灶识别层、病灶目标检测层和结果输出层。其中，区域病灶识别层中包括深层特征提取层和区域识别层，病灶目标检测层中包括检测框获取层、特征融合层和候选病灶检测层。
此处，影像特征提取层用于提取肺部区域的肺区影像特征；深层特征提取层用于基于肺区影像特征，确定肺区深层特征；区域识别层用于基于肺区深层特征，确定肺部区域中每一区域块的区域病灶识别结果；检测框获取层用于基于肺区影像特征，确定肺部区域中的若干个目标检测框；特征融合层用于融合肺区影像特征和肺区深层特征，得到肺区融合特征；候选病灶检测层用于基于每一目标检测框以及肺区融合特征，确定肺部区域的候选病灶检测结果；结果输出层用于基于每一区域块的区域病灶识别结果，确定病灶检测结果，对应图7中实线部分；或者基于每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果，确定病灶检测结果，对应图7中虚线部分。
此外，影像特征提取层和区域病灶识别层可以构成区域病灶识别模型。在训练区域病灶识别模型之前，将样本肺部区域预先划分成P＝N×N个区域块，若某个区域块中包含第K种类型的病灶，则将该区域块对应的训练标签标注为K，若该区域块对应的是正常组织，则将该区域块对应的训练标签标注为0。因此，对于样本肺部区域，其对应的训练标签即为P个区域块对应的训练标签＝{L1,L2,…,Li…,LP},其中Li∈{0,1,……,M}，M为病灶类型的数量。随即，基于待训练的样本肺部区域及其对应的训练标签，对初始模型进行训练，得到训练好的区域病灶识别模型。
基于上述任一实施例，图8为本发明实施例提供的基于肺部影像的病灶检测装置的结构示意图，如图8所示，该装置包括肺部区域提取单元810和病灶检测单元820。
其中，肺部区域提取单元810用于提取待检测的肺部影像的肺部区域；
病灶检测单元820用于将肺部区域输入至病灶检测模型，得到病灶检测模型输出的病灶检测结果；
其中，病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的；
病灶检测模型用于确定肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果，确定病灶检测结果。
本发明实施例提供的装置，通过确定所述肺部区域中每一区域块的区域病灶识别结果，从而基于每一区域块的区域病灶识别结果，确定病灶检测结果，降低了病灶检测的虚警率。
基于上述任一实施例，病灶检测单元820包括：
影像特征提取单元，用于将肺部区域输入至病灶检测模型的影像特征提取层，得到影像特征提取层输出的肺区影像特征；
区域病灶识别单元，用于将肺区影像特征输入至病灶检测模型的区域病灶识别层，得到区域病灶识别层输出的肺部区域中每一区域块的区域病灶识别结果；
结果输出单元，用于将每一区域块的区域病灶识别结果，或者将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至病灶检测模型的结果输出层，得到结果输出层输出的病灶检测结果；
其中，肺部区域的候选病灶检测结果是将肺区影像特征输入至病灶检测模型的病灶目标检测层得到的。
基于上述任一实施例，区域病灶识别单元具体包括：
深层特征提取单元，用于将肺区影像特征输入至区域病灶识别层的深层特征提取层，得到深层特征提取层输出的肺区深层特征；
区域识别单元，用于将肺区深层特征输入至区域病灶识别层的区域识别层，得到区域识别层输出的肺部区域中每一区域块的区域病灶识别结果。
本发明实施例提供的装置，基于肺区影像特征提取包含更深层次语义的肺区深层特征，从而基于肺区深层特征识别得到每一区域块的区域病灶识别结果，有助于更精准地区分区域块中的正常组织与病灶，以及区分不同类型的病灶，从而提高区域病灶识别的准确性，并降低病灶检测的虚警率。
基于上述任一实施例，该装置还包括：
检测框获取单元，用于将肺区影像特征输入至病灶目标检测层的检测框获取层，得到检测框获取层输出的若干个目标检测框；
特征融合单元，用于将肺区影像特征和肺区深层特征输入至病灶目标检测层的特征融合层，得到特征融合层输出的肺区融合特征；
候选病灶检测单元，用于将每一目标检测框以及肺区融合特征输入至病灶目标检测层的候选病灶检测层，得到候选病灶检测层输出的肺部区域的候选病灶检测结果。
本发明实施例提供的装置，将肺区影像特征和肺区深层特征融合，能够得到语义更丰富的肺区融合特征，再基于肺区融合特征以及每一目标检测框，确定肺部区域的候选病灶检测结果，能够提高候选病灶检测结果的准确性。
基于上述任一实施例，影像特征提取层包括多个不同尺度分别对应的特征编码层和尺度融合层，其中，最大尺度的特征编码层的输入为肺部区域，不同尺度分别对应的特征编码层按照尺度从大到小的顺序排列；最小尺度的尺度融合层的输入为最小尺度的特征编码层输出的图像特征，不同尺度分别对应的尺度融合层按照尺度从小到大的顺序排列。
影像特征提取单元具体用于：
将上一尺度的特征编码层输出的图像特征输入至当前尺度的特征编码层，得到当前尺度的特征编码层输出的图像特征；
将当前尺度的特征编码层输出的图像特征，以及上一尺度的尺度融合层输出的肺区影像特征输入至当前尺度的尺度融合层，得到当前尺度的尺度融合层输出的肺区影像特征。
本发明实施例提供的装置，利用不同尺度的特征编码层提取不同尺度的图像特征，然后基于不同尺度的尺度融合层融合每一图像特征，实现低级语义和高级语义的融合，使得可以兼顾不同尺寸的病灶目标，提高小尺寸病灶的检测准确性。
基于上述任一实施例，深层特征提取单元具体用于：
将最大尺度的尺度融合层输出的肺区影像特征输入至区域病灶识别层，得到区域病灶识别层输出的每一区域块的区域病灶识别结果。
本发明实施例提供的装置，基于最大尺度的尺度融合层输出的肺区影像特征，对每一区域块进行区域病灶识别，有效提高了区域病灶识别的准确性。
基于上述任一实施例，结果输出单元具体用于：
若每一区域块的区域病灶识别结果均为正常，则将每一区域块的区域病灶识别结果输入至病灶检测模型的结果输出层，得到结果输出层输出的病灶检测结果；
否则，将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至病灶检测模型的结果输出层，得到结果输出层输出的病灶检测结果。
本发明实施例提供的装置，在每一区域块的区域病灶识别结果均为正常时，将每一区域块的区域病灶识别结果输入至结果输出层，得到病灶检测结果，实现了正常肺部影像的分流，降低病灶检测的虚警率的同时提高了病灶检测模型的运行效率。否则，将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至结果输出层，融合每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果，提高了病灶检测结果的准确性。
基于上述任一实施例，将每一区域块的区域病灶识别结果和肺部区域的候选病灶检测结果输入至病灶检测模型的结果输出层，得到结果输出层输出的病灶检测结果，具体包括：
将候选病灶检测结果中任一目标检测框输入至结果输出层的区域块判定层，得到区域块判定层输出的任一目标检测框对应的区域块；
将候选病灶检测结果，以及每一目标检测框对应的区域块的区域病灶识别结果输入至结果输出层的结果融合层，得到结果融合层输出的病灶检测结果。
本发明实施例提供的装置，通过融合候选病灶检测结果，以及每一目标检测框对应的区域块的区域病灶识别结果，提高了病灶检测结果的准确性。
图9为本发明实施例提供的电子设备的结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑命令，以执行如下方法：提取待检测的肺部影像的肺部区域；将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果；其中，所述病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的；所述病灶检测模型用于确定所述肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果，确定所述病灶检测结果。
此外，上述的存储器930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：提取待检测的肺部影像的肺部区域；将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果；其中，所述病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的；所述病灶检测模型用于确定所述肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果，确定所述病灶检测结果。
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 (11)

1.一种基于肺部影像的病灶检测方法，其特征在于，包括：
提取待检测的肺部影像的肺部区域；
将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果；
其中，所述病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的；
所述病灶检测模型用于确定所述肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果，确定所述病灶检测结果。
2.根据权利要求1所述的基于肺部影像的病灶检测方法，其特征在于，所述将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果，具体包括：
将所述肺部区域输入至所述病灶检测模型的影像特征提取层，得到所述影像特征提取层输出的肺区影像特征；
将所述肺区影像特征输入至所述病灶检测模型的区域病灶识别层，得到所述区域病灶识别层输出的所述肺部区域中每一区域块的区域病灶识别结果；
将每一区域块的区域病灶识别结果，或者将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果；
其中，所述肺部区域的候选病灶检测结果是将所述肺区影像特征输入至所述病灶检测模型的病灶目标检测层得到的。
3.根据权利要求2所述的基于肺部影像的病灶检测方法，其特征在于，所述将所述肺区影像特征输入至所述病灶检测模型的区域病灶识别层，得到所述区域病灶识别层输出的所述肺部区域中每一区域块的区域病灶识别结果，具体包括：
将所述肺区影像特征输入至所述区域病灶识别层的深层特征提取层，得到所述深层特征提取层输出的肺区深层特征；
将所述肺区深层特征输入至所述区域病灶识别层的区域识别层，得到所述区域识别层输出的所述肺部区域中每一区域块的区域病灶识别结果。
4.根据权利要求3所述的基于肺部影像的病灶检测方法，其特征在于，所述将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果，之前还包括：
将所述肺区影像特征输入至所述病灶目标检测层的检测框获取层，得到所述检测框获取层输出的若干个目标检测框；
将所述肺区影像特征和所述肺区深层特征输入至所述病灶目标检测层的特征融合层，得到所述特征融合层输出的肺区融合特征；
将每一目标检测框以及所述肺区融合特征输入至所述病灶目标检测层的候选病灶检测层，得到所述候选病灶检测层输出的所述肺部区域的候选病灶检测结果。
5.根据权利要求2所述的基于肺部影像的病灶检测方法，其特征在于，所述影像特征提取层包括多个不同尺度分别对应的特征编码层和尺度融合层；
所述将所述肺部区域输入至所述病灶检测模型的影像特征提取层，得到所述影像特征提取层输出的肺区影像特征，具体包括：
将上一尺度的特征编码层输出的图像特征输入至当前尺度的特征编码层，得到所述当前尺度的特征编码层输出的图像特征；
将当前尺度的特征编码层输出的图像特征，以及上一尺度的尺度融合层输出的肺区影像特征输入至当前尺度的尺度融合层，得到所述当前尺度的尺度融合层输出的肺区影像特征；
其中，最大尺度的特征编码层的输入为所述肺部区域，不同尺度分别对应的特征编码层按照尺度从大到小的顺序排列；
最小尺度的尺度融合层的输入为最小尺度的特征编码层输出的图像特征，不同尺度分别对应的尺度融合层按照尺度从小到大的顺序排列。
6.根据权利要求5所述的基于肺部影像的病灶检测方法，其特征在于，所述将所述肺区影像特征输入至所述病灶检测模型的区域病灶识别层，得到所述区域病灶识别层输出的所述肺部区域中每一区域块的区域病灶识别结果，具体包括：
将最大尺度的尺度融合层输出的肺区影像特征输入至所述区域病灶识别层，得到所述区域病灶识别层输出的每一区域块的区域病灶识别结果。
7.根据权利要求2所述的基于肺部影像的病灶检测方法，其特征在于，所述将每一区域块的区域病灶识别结果，或者将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果，具体包括：
若每一区域块的区域病灶识别结果均为正常，则将每一区域块的区域病灶识别结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果；
否则，将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果。
8.根据权利要求2或7所述的基于肺部影像的病灶检测方法，其特征在于，所述将每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果输入至所述病灶检测模型的结果输出层，得到所述结果输出层输出的所述病灶检测结果，具体包括：
将所述候选病灶检测结果中任一目标检测框输入至所述结果输出层的区域块判定层，得到所述区域块判定层输出的所述任一目标检测框对应的区域块；
将所述候选病灶检测结果，以及每一目标检测框对应的区域块的区域病灶识别结果输入至所述结果输出层的结果融合层，得到所述结果融合层输出的所述病灶检测结果。
9.一种基于肺部影像的病灶检测装置，其特征在于，包括：
肺部区域提取单元，用于提取待检测的肺部影像的肺部区域；
病灶检测单元，用于将所述肺部区域输入至病灶检测模型，得到所述病灶检测模型输出的病灶检测结果；
其中，所述病灶检测模型是基于样本肺部影像中的样本肺部区域，以及样本病灶检测结果训练得到的；
所述病灶检测模型用于确定所述肺部区域中每一区域块的区域病灶识别结果，并基于每一区域块的区域病灶识别结果，或者基于每一区域块的区域病灶识别结果和所述肺部区域的候选病灶检测结果，确定所述病灶检测结果。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至8中任一项所述的基于肺部影像的病灶检测方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于肺部影像的病灶检测方法的步骤。
CN202010397822.3A 2020-05-12 2020-05-12 基于肺部影像的病灶检测方法和装置 Active CN111612749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010397822.3A CN111612749B (zh) 2020-05-12 2020-05-12 基于肺部影像的病灶检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010397822.3A CN111612749B (zh) 2020-05-12 2020-05-12 基于肺部影像的病灶检测方法和装置

Publications (2)

Publication Number Publication Date
CN111612749A true CN111612749A (zh) 2020-09-01
CN111612749B CN111612749B (zh) 2024-02-13

Family

ID=72197736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010397822.3A Active CN111612749B (zh) 2020-05-12 2020-05-12 基于肺部影像的病灶检测方法和装置

Country Status (1)

Country Link
CN (1) CN111612749B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409306A (zh) * 2021-07-15 2021-09-17 推想医疗科技股份有限公司 一种检测装置、训练方法、训练装置、设备和介质
CN113409924A (zh) * 2021-07-01 2021-09-17 上海市第一人民医院 基于人工智能的肺部检查影像辅助标记方法及其系统

Citations (5)

* Cited by examiner, † Cited by third party
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
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置
US20190019291A1 (en) * 2017-07-11 2019-01-17 MESC Health Ltd Method and System for Image Analysis to Detect Cancer
CN110175993A (zh) * 2019-05-27 2019-08-27 西安交通大学医学院第一附属医院 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法
CN111080596A (zh) * 2019-12-11 2020-04-28 浙江工业大学 一种融合局部阴影与全局特征的尘肺病辅助筛查方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
US20190019291A1 (en) * 2017-07-11 2019-01-17 MESC Health Ltd Method and System for Image Analysis to Detect Cancer
CN107644225A (zh) * 2017-10-31 2018-01-30 北京青燕祥云科技有限公司 肺部病灶识别方法、装置和实现装置
CN110175993A (zh) * 2019-05-27 2019-08-27 西安交通大学医学院第一附属医院 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法
CN111080596A (zh) * 2019-12-11 2020-04-28 浙江工业大学 一种融合局部阴影与全局特征的尘肺病辅助筛查方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RUXIN WANG ET AL: "Multi-class Arrhythmia Detection based on Neural Network with Multi-stage Features Fusion" *
梁晓: "基于深度学习的肺部疾病筛查算法研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409924A (zh) * 2021-07-01 2021-09-17 上海市第一人民医院 基于人工智能的肺部检查影像辅助标记方法及其系统
CN113409306A (zh) * 2021-07-15 2021-09-17 推想医疗科技股份有限公司 一种检测装置、训练方法、训练装置、设备和介质

Also Published As

Publication number Publication date
CN111612749B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
US11922626B2 (en) Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
EP3455782B1 (en) System and method for detecting plant diseases
US10445619B2 (en) Automatic glandular and tubule detection in histological grading of breast cancer
Vink et al. Efficient nucleus detector in histopathology images
CN110648322B (zh) 一种子宫颈异常细胞检测方法及系统
CN114463609B (zh) 细胞显微图像中荧光杂点的确定方法和装置
CN113793336A (zh) 一种检测血细胞的方法、装置、设备及可读存储介质
WO2020066257A1 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
Caseneuve et al. Chest X-ray image preprocessing for disease classification
CN111612749B (zh) 基于肺部影像的病灶检测方法和装置
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
Sulam et al. Maximizing AUC with Deep Learning for Classification of Imbalanced Mammogram Datasets.
CN115760858A (zh) 基于深度学习的肾脏病理切片细胞识别方法及系统
Lau et al. Estimating Norway lobster abundance from deep-water videos: an automatic approach
CN111652080B (zh) 基于rgb-d图像的目标跟踪方法和装置
CN116245855B (zh) 作物品种鉴定方法、装置、设备及存储介质
CN114037868B (zh) 图像识别模型的生成方法及装置
CN114581709A (zh) 识别医学图像中的目标的模型训练、方法、设备及介质
US11966842B2 (en) Systems and methods to train a cell object detector
CN115393847B (zh) 一种基质细胞功能状况的识别分析方法及装置
CN115690092B (zh) 角膜共聚焦图像中阿米巴包囊的识别与计数方法及装置
WO2023248788A1 (ja) 識別器生成装置および画像診断支援装置
CN116188879B (zh) 图像分类、图像分类模型训练方法、装置、设备及介质
Taha et al. Deep Learning for Malaria Diagnosis: Leveraging Convolutional Neural Networks for Accurate Parasite Detection
CN114581708A (zh) 医学图像中的目标识别的模型训练装置及识别装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201124

Address after: 230088 18 Floor, A5 Building, 666 Wangjiangxi Road, Hefei High-tech Zone, Anhui Province

Applicant after: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY Co.,Ltd.

Address before: Wangjiang Road high tech Development Zone Hefei city Anhui province 230088 No. 666

Applicant before: IFLYTEK Co.,Ltd.

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province

Applicant after: Anhui Xunfei Medical Co.,Ltd.

Address before: 230088 18th floor, building A5, NO.666, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province

Applicant before: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province

Applicant after: IFLYTEK Medical Technology Co.,Ltd.

Address before: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province

Applicant before: Anhui Xunfei Medical Co.,Ltd.

GR01 Patent grant
GR01 Patent grant