CN111612755A - 肺部病灶分析方法、装置、电子设备和存储介质 - Google Patents
肺部病灶分析方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111612755A CN111612755A CN202010414237.XA CN202010414237A CN111612755A CN 111612755 A CN111612755 A CN 111612755A CN 202010414237 A CN202010414237 A CN 202010414237A CN 111612755 A CN111612755 A CN 111612755A
- Authority
- CN
- China
- Prior art keywords
- lesion
- sample
- lung
- image
- analysis
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 271
- 238000004458 analytical method Methods 0.000 title claims abstract description 202
- 230000003902 lesion Effects 0.000 claims abstract description 373
- 210000000038 chest Anatomy 0.000 claims abstract description 166
- 210000000481 breast Anatomy 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 38
- 230000004807 localization Effects 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 29
- 230000002685 pulmonary effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 241000711573 Coronaviridae Species 0.000 description 11
- 206010035664 Pneumonia Diseases 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 208000019693 Lung disease Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种肺部病灶分析方法、装置、电子设备和存储介质，其中方法包括：将待分析的胸部影像输入至病灶定位模型，得到病灶定位模型输出的胸部影像的肺部病灶定位结果；将基于胸部影像以及胸部影像的肺部病灶定位结果确定的融合影像，或，将胸部影像以及胸部影像的肺部病灶定位结果输入至病灶分析模型，得到病灶分析模型输出的胸部影像的肺部病灶分析结果。本发明实施例提供的方法、装置、电子设备和存储介质，保证肺部病灶分析结果能够全面覆盖包括细小病灶和非典型病灶在内的所有肺部病灶，保证了肺部病灶分析的可靠性和准确性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种肺部病灶分析方法、装置、电子设备和存储介质。
背景技术
在肺部疾病的临床诊断和治疗中，通常需要获取患者胸部影像从而实现肺部病变检出、性质判断、累及范围确定和诊疗评价等多方面用途。
目前，基于胸部影像的肺部病灶分析主要通过人工阅片实现，但是人工阅片的病灶分析结果的准确性极大程度上取决于阅片者自身知识储备和诊疗经验等因素，具有极强的不确定性，且当累积有大量胸片影像时，人工阅片的肺部病灶分析效率极其低下。
发明内容
本发明实施例提供一种肺部病灶分析方法、装置、电子设备和存储介质，用以解决现有的肺部病灶分析可靠性低、效率差的问题。
第一方面，本发明实施例提供一种肺部病灶分析方法，包括：
将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果；
将基于所述胸部影像以及所述胸部影像的肺部病灶定位结果确定的融合影像，或，将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果；
其中，所述病灶定位模型是基于样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果训练得到的；所述病灶分析模型是基于所述样本胸部影像的样本融合影像和样本肺部病灶分析结果，或，基于所述样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果和样本肺部病灶分析结果训练得到的。
优选地，所述融合影像是通过如下步骤确定的：
基于所述肺部病灶定位结果，确定所述胸部影像中每一像素点的权重；
基于每一像素点的权重，分别对每一像素点的像素值进行加权，得到包含每一像素点的加权像素值的所述融合影像。
优选地，所述将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果，具体包括：
将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至所述病灶分析模型的特征融合层，得到所述特征融合层输出的所述融合影像；
将所述融合影像输入至所述病灶分析模型的特征分析层，得到所述特征分析层输出的所述肺部病灶分析结果。
优选地，所述样本肺部病灶定位结果包括样本区域块的样本区域病灶标记，或，包括所述样本区域块中每个样本像素点的样本点病灶标记；所述样本区域块是对所述样本胸部影像进行区域块截取得到的。
优选地，所述将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果，具体包括：
将所述胸部影像的每一区域块输入至所述病灶定位模型，得到所述病灶定位模型输出的每一区域块中每一像素点的病灶得分，作为所述肺部病灶定位结果。
优选地，所述将所述胸部影像的每一区域块输入至所述病灶定位模型，得到所述病灶定位模型输出的每一区域块中每一像素点的病灶得分，具体包括：
将所述胸部影像的任一区域块输入至所述病灶定位模型的区域分析层，得到所述区域分析层输出的所述任一区域块的区域病灶得分；
将所述任一区域块的区域病灶得分输入至所述病灶定位模型的结果输出层，得到所述结果输出层输出的所述任一区域块中每一像素点的病灶得分。
优选地，所述样本胸部影像中任一样本区域块的样本区域病灶标记是通过如下步骤得到的：
基于任一样本区域块与所述样本胸部影像中每一病灶标注框的相对位置，确定所述任一样本区域块的病灶测量信息；
基于所述任一样本区域块的病灶测量信息，确定所述任一样本区域块的样本区域病灶标记。
优选地，所述基于所述任一样本区域块的病灶测量信息，确定所述任一样本区域块的样本区域病灶标记，具体包括：
若任一样本区域块的病灶测量信息大于或大于等于第一预设阈值，则确定所述任一样本区域块的样本区域病灶标记为是；
若所述任一样本区域块的病灶测量信息小于或小于等于第二预设阈值，则确定所述任一样本区域块的样本区域病灶标记为否；
否则，弃用所述任一样本区域块；
其中，所述第一预设阈值大于所述第二预设阈值。
第二方面，本发明实施例提供一种肺部病灶分析装置，包括：
病灶定位单元，用于将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果；
病灶分析单元，用于将基于所述胸部影像以及所述胸部影像的肺部病灶定位结果确定的融合影像，或，将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果；
其中，所述病灶定位模型是基于样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果训练得到的；所述病灶分析模型是基于所述样本胸部影像的样本融合影像和样本肺部病灶分析结果，或，基于所述样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果和样本肺部病灶分析结果训练得到的。
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肺部病灶分析方法、装置、电子设备和存储介质，结合胸部影像以及病灶定位模型输出的肺部病灶定位结果进行肺部病灶分析，一方面通过病灶定位结果的应用减轻了病灶分析模型的病灶特征提取难度，另一方面通过胸部影像的应用补充了肺部病灶定位结果可能存在的虚警或者漏检问题，保证肺部病灶分析结果能够全面覆盖包括细小病灶和非典型病灶在内的所有肺部病灶，全程无需人工介入，在提高肺部病灶分析效率的同时，保证了肺部病灶分析的可靠性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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肺部病灶分析方法的流程示意图；
图2为本发明实施例提供的病灶分析模型的运行流程示意图；
图3为本发明实施例提供的病灶定位模型的运行流程示意图；
图4为本发明实施例提供的样本区域病灶标记获取方法的流程示意图；
图5为本发明另一实施例提供的肺部病灶分析方法的流程示意图；
图6为本发明实施例提供的肺部病灶分析装置的结构示意图；
图7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。
基于人工阅片进行肺部病灶分析的方法，病灶分析结果的准确性极大程度上会受到阅片者自身专业知识水平、经验是否丰富、阅片时是否出现疲劳等多方面影响，且当累计有大量胸片影像时，人工阅片效率低下，阅片者工作负担极重。
基于人工智能的肺部病灶分析方法极大程度上解决了这一问题，然而，目前的肺部病灶分析模型均是直接端到端训练得到的，由于胸部影像的数据量较大，而常用的端到端模型受到显存限制，均需要对原始的胸部影像进行降采样后再输入，然而这种处理方法会导致端到端模型难以捕捉细小病灶和非典型病灶的特征，整体召回率低，在肺部病灶分析时容易遗漏细小病灶和非典型病灶，影响肺部病灶分析结果的准确性和可靠性。
对此，本发明实施例提供了一种肺部病灶分析方法。图1为本发明实施例提供的肺部病灶分析方法的流程示意图，如图1所示，该方法包括：
步骤110，将待分析的胸部影像输入至病灶定位模型，得到病灶定位模型输出的胸部影像的肺部病灶定位结果；其中，病灶定位模型是基于样本胸部影像以及样本胸部影像的样本肺部病灶定位结果训练得到的。
具体地，待分析的肺部影像即需要进行肺部病灶分析的胸部影像。胸部影像具体可以是DR(Digital Radiography，数字化X线成像)、CT(Computed Tomography，电子计算机断层扫描)或者其余形式的影像，本发明实施例对此不作具体限定。
病灶定位模型用于定位输入的胸部影像中的肺部病灶，并输出胸部影像的肺部病灶定位结果。其中，肺部病灶定位结果可以用于表征胸部影像中是否存在肺部病灶，若存在，则还可以用于表征肺部病灶在胸部影像中的位置信息。
在执行步骤110之前，还可以预先训练得到病灶定位模型，具体可通过如下方式训练得到病灶定位模型：首先，收集大量样本胸部影像，并标注出样本胸部影像中的样本肺部病灶区域作为样本肺部病灶定位结果。然后，基于样本胸部影像，以及样本肺部病灶定位结果对初始模型进行训练，从而得到病灶定位模型。
此外，在将胸部影像输入至病灶定位模型之前，还可以对胸部影像进行预处理，此处的预处理步骤具体可以是对胸部影像进行各向同性处理，从而保证胸部影像的各个坐标轴上的像素点距离一致，预处理步骤具体还可以包括调整窗宽窗位、去噪以及图像对比度增强等图像增强方式，从而增强胸部影像内的肺部病灶与肺部正常区域之间的区别，进而提高肺部病灶定位的准确性。
步骤120，将基于胸部影像以及胸部影像的肺部病灶定位结果确定的融合影像，或，将胸部影像以及胸部影像的肺部病灶定位结果输入至病灶分析模型，得到病灶分析模型输出的胸部影像的肺部病灶分析结果；
其中，病灶分析模型是基于样本胸部影像的样本融合影像和样本肺部病灶分析结果，或，基于样本胸部影像以及样本胸部影像的样本肺部病灶定位结果和样本肺部病灶分析结果训练得到的。
具体地，在得到胸部影像的肺部病灶定位结果之后，可以先对胸部影像及其肺部病灶定位结果进行融合，从而在保留胸部影像的原始影像特征的基础上，增强胸部影像中肺部病灶定位结果定位的肺部病灶的特征，以得到融合影像，再将融合影像输入到病灶分析模型，由病灶分析模型对融合影像进行病灶分析，并输出对应的病灶分析结果。还可以直接将胸部影像及其肺部病灶定位结果一并输入到病灶分析模型中，通过病灶分析模型对胸部影像以及胸部影像的肺部病灶定位结果进行融合，得到融合影像，随即由病灶分析模型对融合影像进行病灶分析，并输出对应的病灶分析结果。由此，步骤120中可以将融合得到融合影像后输入病灶分析模型，也可以将胸部影像及其肺部病灶定位结果直接输入病灶分析模型，本发明实施例对此不作具体限定。
其中，融合影像结合了原始的胸部影像和肺部病灶定位结果两者的信息，在增强肺部病灶定位结果中定位的肺部病灶的特征，从而降低对于细小病灶、非典型病灶的特征提取难度的同时，保留了原始的胸部影像中其余区域的特征，避免了肺部病灶定位结果发生虚警或者漏检情况时直接影响后续病灶分析结果的准确性。
通过病灶分析模型得到的病灶分析结果，可以用于表征胸部影像中是否存在肺部病灶，若存在，还可以用于表征各个肺部病灶在胸部影像中的位置信息、各个肺部病灶的具体类型、胸部影像中所有肺部病灶所反映的疾病类型等。
在执行步骤120之前，还可以预先训练得到病灶分析模型，对应于不同的模型输入，可以通过不同的方式训练得到病灶分析模型：当模型输入为融合影像时，可以将预先收集的样本胸部影像以及标注得到的样本肺部病灶定位结果进行融合，从而得到样本胸部影像对应的样本融合影像，同时标注出样本胸部影像中各个肺部病灶的类型、所反映的疾病类型等作为样本肺部病灶分析结果。随即，基于样本融合影像和样本肺部病灶分析结果对初始模型进行训练，从而得到病灶分析模型；当模型输入为胸部影像及其肺部病灶定位结果时，可以收集大量样本胸部影像，并标注出样本胸部影像中的样本肺部病灶区域作为样本肺部病灶定位结果，同时标注出样本胸部影像中各个肺部病灶的类型、所反映的疾病类型等作为样本肺部病灶分析结果。随即，基于样本胸部影像及其样本肺部病灶定位结果和样本肺部病灶分析结果对初始模型进行训练，从而得到病灶分析模型。
不同于传统的端到端的肺部病灶分析方法，本发明实施例中将肺部病灶分析划分为两个阶段，通过两个模型，即病灶定位模型和病灶分析模型实现肺部病灶分析。其中，一阶段的病灶定位模型对肺部病灶进行定位，从而指导二阶段的病灶分析模型基于增强了肺部病灶特征的融合影像进行病灶分析，从而极大减轻了病灶分析模型对于细小病灶和非典型病灶的特征提取难度，此外二阶段的病灶分析模型中应用的融合影像还保留了原始的胸部影像的特征，从而对一阶段的病灶定位模型可能产生的虚警或者漏检情况进行了补充。
本发明实施例提供的方法，结合胸部影像以及病灶定位模型输出的肺部病灶定位结果进行肺部病灶分析，一方面通过病灶定位结果的应用减轻了病灶分析模型的病灶特征提取难度，另一方面通过胸部影像的应用补充了肺部病灶定位结果可能存在的虚警或者漏检问题，保证肺部病灶分析结果能够全面覆盖包括细小病灶和非典型病灶在内的所有肺部病灶，全程无需人工介入，在提高肺部病灶分析效率的同时，保证了肺部病灶分析的可靠性和准确性。
在此基础上，将肺部病灶分析结果与医生在病历中对肺部病灶的描述相比对，能够快速检测病历的质量，判断是否存在误诊的问题；对同种肺部疾病的不同患者的肺部病灶分析结果进行归纳分析，能够进一步得到该种肺部疾病体现在胸部影像中的肺部病灶特征，从而帮助人们了解该种肺部疾病；对比同一患者不同时期的胸部影像的肺部病灶分析结果，能够跟踪肺部病灶在不同时期的演化状态，从而帮助人们了解肺部病灶的演化规律。
需要说明的是，本发明实施例提供的方法，是以胸片影像为对象，获取胸片影像的肺部病灶分析结果，而非以患者本人为对象。并且，本发明实施例提供的方法，目的是对胸部影像中体现的肺部病灶进行定位分析，用于快速检测病历的质量、帮助人们了解肺部疾病病灶的特性、或者帮助人们了解肺部病灶的演化规律，而非以获得疾病诊断结果或健康状况为直接目的。因此，本发明实施例提供的方法，不属于疾病的诊断方法。
基于上述实施例，步骤120中的融合影像是通过如下步骤确定的：基于肺部病灶定位结果确定胸部影像中每一像素点的权重；基于每一像素点的权重，分别对每一像素点的像素值进行加权，得到包含每一像素点的加权像素值的融合影像。
具体地，肺部病灶定位结果可以具体表征胸部影像中的各个像素点是否处于肺部病灶区域，或者可以具体表征胸部影像中的各个像素点处于肺部病灶区域的概率。可以基于肺部病灶定位结果所指示的胸部影像中的各个像素点是否处于肺部病灶区域或者处于肺部病灶区域的概率，对应确定各个像素点的权重。例如，若肺部病灶定位结果指示任一像素点处于肺部病灶区域，则将该像素点的权重设置为2，若肺部病灶定位结果指示任一像素点不处于肺部病灶区域，则将该像素点的权重设置为1；又例如，若肺部病灶定位结果指示任一像素点处于肺部病灶区域的概率为p，则将该像素点的权重设置为δ+p，其中δ为预先设定的原始信息权重，例如δ可以设置为1。
在得到胸部影像中的各个像素点的权重之后，可以基于各个像素点的权重，对每个像素点的像素值进行加权，从而得到加权后的各个像素点的加权像素值。此处，任一像素点的加权像素值可以是将该像素点的像素值和权重相乘得到的。在得到各个像素点的加权像素值之后，即可得到由各个像素点的加权像素值构成的融合影像。
本发明实施例中，通过肺部病灶定位结果确定各个像素点的权重，进而对各个像素点的像素值进行加权，实现了胸部影像及其肺部病灶定位结果的融合，为提高肺部病灶分析的准确性和可靠性提供了条件。
基于上述任一实施例，图2为本发明实施例提供的病灶分析模型的运行流程示意图，如图2所示，步骤120具体包括：
步骤121，将胸部影像以及胸部影像的肺部病灶定位结果输入至病灶分析模型的特征融合层，得到特征融合层输出的融合影像。
具体地，特征融合层用于对胸部影像，以及胸部影像的肺部病灶定位结果进行融合，从而在保留胸部影像的原始影像特征的基础上，增强胸部影像中肺部病灶定位结果定位的肺部病灶的特征，由此得到结合了原始的胸部影像和肺部病灶定位结果两者的信息的融合影像。
步骤122，将融合影像输入至病灶分析模型的特征分析层，得到特征分析层输出的肺部病灶分析结果。
具体地，特征分析层用于对融合影像进行特征分析，从而得到胸部影像的肺部病灶分析结果。在此过程中，由于融合影像增强了肺部病灶的特征，特征分析层可以轻松地提取融合影像中的肺部病灶特征，同时由于融合影像保留了原始的胸部影像的特征，特征分析层还可以进一步提取病灶定位模型漏检的肺部病灶的特征，并基于提取得到的各个肺部病灶的特征，进行肺部病灶分析，并输出肺部病灶分析结果。
本发明实施例提供的方法，通过特征融合层得到结合了原始的胸部影像和肺部病灶定位结果两者信息的融合影像，从而使得特征分析层能够输出高可靠性和高准确性的肺部病灶分析结果。
基于上述任一实施例，该方法中，样本肺部病灶定位结果包括样本区域块的样本区域病灶标记，或，包括样本区域块中每个样本像素点的样本点病灶标记；样本区域块是对样本胸部影像进行区域块截取得到的。
具体地，样本肺部病灶定位结果应用于病灶定位模型的训练阶段。样本胸部影像可以预先划分为多个样本区域块，每一样本区域块均对应一个样本区域病灶标记，用于表征对应样本区域块中是否存在肺部病灶。样本区域块也可以直接通过每个样本像素点的样本点病灶标记，表征对应样本像素点是否在肺部病灶区域内。
当样本肺部病灶定位结果包含样本区域块的样本区域病灶标记时，对应训练得到的病灶定位模型输出的肺部病灶定位结果，用于表征胸部影像中每个区域块中是否存在肺部病灶；当样本肺部病灶定位结果包含样本区域块中各个样本像素点的样本点病灶标记时，对应训练得到的病灶定位模型输出的肺部病灶定位结果用于表征胸部影像中每一像素点是否处于肺部病灶区域内。
基于上述任一实施例，步骤110具体包括：将胸部影像的每一区域块输入至病灶定位模型，得到病灶定位模型输出的每一区域块中每一像素点的病灶得分，作为肺部病灶定位结果。
具体地，胸部影像可以根据预先设定的影像分割规则划分为多个区域块。此处的影像分割规则可以具体限定为区域块的尺寸要求，或者分割所得的区域块数量等，本发明实施例对此不作具体限定。例如，可以在胸部影像上截取40*40*40大小的区域块。
病灶定位模型可以分别检测胸部影像中任一区域块中是否包含有肺部病灶，进而输出该区域块中每个像素点的病灶得分。此处，任一像素点的病灶得分用于表征该像素点处于肺部病灶区域的概率。由此可以得到胸部影像中每个区域块中每个像素点的病灶得分，进而构成肺部病灶定位结果。
进一步地，可以利用Encoder-Decoder网络框架训练病灶定位模型，其训练样本即为样本区域块，以及样本区域块中每个样本像素点的样本点病灶标记。基于Encoder-Decoder网络框架最终输出与原始的胸部影像的区域块相同大小的特征图。由于病灶定位模型用于分割肺部病灶和正常区域，故对特征图进行sigmoid处理，将sigmoid后的输出与二值化的样本点病灶标记计算损失值，从而对病灶定位模型进行指导学习。此处的损失值可以通过Dice-loss等形式的损失函数计算得到。
基于上述任一实施例，图3为本发明实施例提供的病灶定位模型的运行流程示意图，如图3所示，步骤110具体包括：
步骤111，将胸部影像的任一区域块输入至病灶定位模型的区域分析层，得到区域分析层输出的该区域块的区域病灶得分。
具体地，将胸部影像的任一区域块输入至病灶定位模型的区域分析层，由区域分析层对该区域块进行病灶定位，检测该区域块中是否包含有肺部病灶，并输出该区域块的区域病灶得分。此处，区域病灶得分用于表征该区域块中包含有肺部病灶的概率。
步骤112，将该区域块的区域病灶得分输入至病灶定位模型的结果输出层，得到结果输出层输出的该区域块中每一像素点的病灶得分。
具体地，区域分析层输出的任一区域块的区域病灶得分仅能够表征区域块整体的病灶定位情况，并不能直接用于表征区域块内每一像素点的病灶定位情况。对此，将胸部影像的任一区域块的区域病灶得分输入至病灶定位模型的结果输出层，由结果输出层将该区域块的区域病灶得分分别映射为该区域块内的每一像素点的病灶得分，从而通过映射胸部影像中每一区域块的区域病灶得分，得到胸部影像中每一像素点的病灶得分，作为肺部病灶定位结果。此处，针对于任一区域块，该区域块内每一像素点的病灶得分均可以是该区域块的区域病灶得分。
进一步地，区域分析层可以通过全卷积网络实现，可以预先根据区域块的大小设计全卷积网络，使得全卷积网络最终输出的特征图大小为1*1*1，此后经过sigmoid函数，得到区域块对应的区域病灶得分。此处，可以基于样本胸部影像的每一样本区域块，及其对应的样本区域病灶标记进行训练，区域分析层的训练函数可以是现有的各种损失函数，例如CE-loss(交叉熵损失函数)。
在此基础上，结果输出层可以按照区域分析层中全卷积网络的采样倍数进行相同倍数的采样，从而将区域块的区域病灶得分映射成为区域块中的每个像素点的病灶得分，从而使得输出结果可以恢复到原始的胸部影像的区域块的大小。
本发明实施例提供的方法，通过划分区域块实现胸部影像的肺部病灶区域定位，从而得到对应的肺部病灶定位结果，仅需简单标注即可实现病灶区域定位，降低了病灶定位的复杂程度。
基于上述任一实施例，图4为本发明实施例提供的样本区域病灶标记获取方法的流程示意图，如图4所示，该方法包括：
步骤410，基于任一样本区域块与样本胸部影像中每一病灶标注框的相对位置，确定该样本区域块的病灶测量信息。
具体地，可以预先通过标注框的形式对样本胸部影像中包含的肺部病灶一一进行标注。在此基础上，针对样本胸部影像中的任一样本区域块，可以计算该样本区域块的病灶测量信息。此处，样本区域块的病灶测量信息具体可以是各病灶标注框在该样本区域块中的面积或体积占比，还可以是各病灶标注框与该样本区域块的交并比(Intersection overUnion，IOU)等，本发明实施例对此不作具体限定。
步骤420，基于该样本区域块的病灶测量信息，确定该样本区域块的样本区域病灶标记。
具体地，可以将该样本区域块的病灶测量信息与预先设定的阈值进行比较，从而确定该样本区域块中是否存在肺部病灶，得到该样本区域块的样本区域病灶标记。
本发明实施例提供的方法，通过预先标注的病灶标注框确定样本胸部影像中每一样本区域块的样本区域病灶标记，为病灶定位模型的训练提供了准确可靠的训练样本，有助于优化模型训练效果。
基于上述任一实施例，步骤420具体包括：若任一样本区域块的病灶测量信息大于或大于等于第一预设阈值，则确定该样本区域块的样本区域病灶标记为是；若该样本区域块的病灶测量信息小于或小于等于第二预设阈值，则确定该样本区域块的样本区域病灶标记为否；否则，弃用该样本区域块；其中，第一预设阈值大于第二预设阈值。
具体地，第一预设阈值大于第二预设阈值均为预先设定的病灶测量信息的阈值，其中第一预设阈值为包含肺部病灶的样本区域块的病灶测量信息的最小值，第二预设阈值为不包含肺部病灶的样本区域块的病灶测量信息的最大值。此处，病灶测量信息可以具体表示为IOU，第一预设阈值和第二预设阈值可以根据具体情况确定，例如分别设置为0.3和0.1。
若任一样本区域块的病灶测量信息大于或大于等于第一预设阈值，则说明该样本区域块中包含肺部病灶，确定该样本区域块的样本区域病灶标记为是；若该样本区域块的病灶测量信息小于或小于等于第二预设阈值，则说明该样本区域块不包含肺部病灶，确定该样本区域块的样本区域病灶标记为否；若任一样本区域块的病灶测量信息小于等于或小于第一预设阈值，且大于等于或大于第二预设阈值，则说明较难界定该样本区域块中是否包含肺部病灶，为了保证训练样本的可靠性，弃用该样本区域块。
本发明实施例提供的方法，通过第一预设阈值和第二预设阈值的应用，实现了样本区域病灶标记的确定，为病灶定位模型提供了可靠训练样本，有助于提高病灶定位模型的肺部病灶定位准确性，进而提高肺部病灶分析的可靠性和准确性。
基于上述任一实施例，样本肺部病灶定位结果中每个样本像素点的样本点病灶标记可以通过如下方法获取：
根据预先标注在样本胸部影像中的每一肺部病灶边界，生成对每个肺部病灶边界进行填充后的样本胸部影像的二值化掩模(Mask)。此处的二值化掩模中，处于肺部病灶区域内的每个像素点的值均为1，不处于肺部病灶区域内的每个像素点的值均为0。根据二值化掩模中的掩模连通区域，在样本胸部影像及其对应的二值化掩模中分别截取相同的位置，作为病灶定位模型的训练样本及其标签。
基于上述任一实施例，图5为本发明另一实施例提供的肺部病灶分析方法的流程示意图，如图5所示，该方法包括如下步骤：
首先，确定待分析的胸部影像，并将胸部影像截取成多个区域块。
其次，分别将每个区域块输入到病灶定位模型中，得到病灶定位模型输出的每个区域块中每个像素点的病灶得分，作为肺部病灶定位结果。
接着，将胸部影像和肺部病灶定位结果进行融合，得到融合影像：肺部病灶定位结果中每个像素点的病灶得分与预先设定的每个像素点的原始信息权重相加，得到每个像素点的权重；将每个像素点的权重分别与胸部影像中每个像素点的像素值相乘，得到每个像素点的加权像素值，进而得到包含每个像素点的加权像素值的融合影像。
然后，将融合影像输入到病灶分析模型中，得到病灶分析模型输出的肺部病灶分析结果。
目前，针对新型冠状病毒肺炎引发病变的胸部影像的分类通常是人工阅片进行划分的，也存在通过端到端模型进行划分的情况。然而端到端模型受到显存限制，需要对原始的胸部影像进行降采样后再输入，考虑到新型冠状病毒肺炎在病程早期和消散期，其胸部影像中体现的病灶均比较小，上述处理方法会导致端到端模型难以捕捉到病程早期和消散期的细小病灶，导致肺部病灶分析时将属于新型冠状病毒肺炎早期和消散期的胸部影像误判为非新型冠状病毒肺炎的胸部影像，影响胸部影像分类的准确性。
针对这一问题，可以基于上述任一实施例中提供的肺部病灶分析方法对胸部影像进行肺部病灶分析，进而通过肺部病灶分析结果确定该胸部影像是否属于新型冠状病毒肺炎引发病变的胸部影像。
对应地，在对病灶分析模型进行训练时，可以选取新型冠状病毒肺炎患者的胸部影像以及非新型冠状病毒肺炎患者的胸部影像作为样本胸部影像，此处，非新型冠状病毒肺炎患者的胸部影像可以覆盖不同的场景，例如正常体检下的胸部影像、发热门诊采集的胸部影像以及其他疾病患者的胸部影像。此外，可以将样本胸部影像的样本肺部病灶分析结果标记为是否是新型冠状病毒肺炎引发的病变。由此训练得到的病灶分析模型，
在具体应用时，可以直接根据输入的胸部影像及其肺部病灶定位结果，或者根据由胸部影像及其肺部病灶定位结果得到的融合影像，分析其病灶，并输出该胸部影像是否属于新型冠状病毒肺炎的胸部影像的病灶分析结果。由此检出的病灶分析结果，可以有效捕捉病程早期和消散期的细小病灶，从而提高针对新型冠状病毒肺炎引发病变的胸部影像的分类的准确性。
基于上述任一实施例，图6为本发明实施例提供的肺部病灶分析装置的结构示意图，如图6所示，该装置包括病灶定位单元610和病灶分析单元620；
其中，病灶定位单元610用于将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果；
病灶分析单元620用于将基于所述胸部影像以及所述胸部影像的肺部病灶定位结果确定的融合影像，或，将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果；
其中，所述病灶定位模型是基于样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果训练得到的；所述病灶分析模型是基于所述样本胸部影像的样本融合影像和样本肺部病灶分析结果，或，基于所述样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果和样本肺部病灶分析结果训练得到的。
本发明实施例提供的装置，结合胸部影像以及病灶定位模型输出的肺部病灶定位结果进行肺部病灶分析，一方面通过病灶定位结果的应用减轻了病灶分析模型的病灶特征提取难度，另一方面通过胸部影像的应用补充了肺部病灶定位结果可能存在的虚警或者漏检问题，保证肺部病灶分析结果能够全面覆盖包括细小病灶和非典型病灶在内的所有肺部病灶，全程无需人工介入，在提高肺部病灶分析效率的同时，保证了肺部病灶分析的可靠性和准确性。
基于上述任一实施例，该装置还包括融合影像确定单元，所述融合影像确定单元具体用于：
基于所述肺部病灶定位结果，确定所述胸部影像中每一像素点的权重；
基于每一像素点的权重，分别对每一像素点的像素值进行加权，得到包含每一像素点的加权像素值的所述融合影像。
基于上述任一实施例，所述病灶分析单元620具体用于：
将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至所述病灶分析模型的特征融合层，得到所述特征融合层输出的所述融合影像；
将所述融合影像输入至所述病灶分析模型的特征分析层，得到所述特征分析层输出的所述肺部病灶分析结果。
基于上述任一实施例，所述样本肺部病灶定位结果包括样本区域块的样本区域病灶标记，或，包括所述样本区域块中每个样本像素点的样本点病灶标记；所述样本区域块是对所述样本胸部影像进行区域块截取得到的。
基于上述任一实施例，所述病灶定位单元610具体用于：
将所述胸部影像的每一区域块输入至所述病灶定位模型，得到所述病灶定位模型输出的每一区域块中每一像素点的病灶得分，作为所述肺部病灶定位结果。
基于上述任一实施例，所述病灶定位单元610具体用于：
将所述胸部影像的任一区域块输入至所述病灶定位模型的区域分析层，得到所述区域分析层输出的所述任一区域块的区域病灶得分；
将所述任一区域块的区域病灶得分输入至所述病灶定位模型的结果输出层，得到所述结果输出层输出的所述任一区域块中每一像素点的病灶得分。
基于上述任一实施例，该装置还包括样本区域病灶标记确定单元，所述样本区域病灶标记确定单元用具体包括：
区域测量子单元，用于基于任一样本区域块与所述样本胸部影像中每一病灶标注框的相对位置，确定所述任一样本区域块的病灶测量信息；
区域病灶确定子单元，用于基于所述任一样本区域块的病灶测量信息，确定所述任一样本区域块的样本区域病灶标记。
基于上述任一实施例，所述区域病灶确定子单元具体用于：
若任一样本区域块的病灶测量信息大于或大于等于第一预设阈值，则确定所述任一样本区域块的样本区域病灶标记为是；
若所述任一样本区域块的病灶测量信息小于或小于等于第二预设阈值，则确定所述任一样本区域块的样本区域病灶标记为否；
否则，弃用所述任一样本区域块；
其中，所述第一预设阈值大于所述第二预设阈值。
图7为本发明实施例提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑命令，以执行如下方法：将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果；将基于所述胸部影像以及所述胸部影像的肺部病灶定位结果确定的融合影像，或，将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果；其中，所述病灶定位模型是基于样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果训练得到的；所述病灶分析模型是基于所述样本胸部影像的样本融合影像和样本肺部病灶分析结果，或，基于所述样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果和样本肺部病灶分析结果训练得到的。
此外，上述的存储器730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：将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果；将基于所述胸部影像以及所述胸部影像的肺部病灶定位结果确定的融合影像，或，将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果；其中，所述病灶定位模型是基于样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果训练得到的；所述病灶分析模型是基于所述样本胸部影像的样本融合影像和样本肺部病灶分析结果，或，基于所述样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果和样本肺部病灶分析结果训练得到的。
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)
1.一种肺部病灶分析方法，其特征在于，包括：
将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果；
将基于所述胸部影像以及所述胸部影像的肺部病灶定位结果确定的融合影像，或，将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果；
其中，所述病灶定位模型是基于样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果训练得到的；所述病灶分析模型是基于所述样本胸部影像的样本融合影像和样本肺部病灶分析结果，或，基于所述样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果和样本肺部病灶分析结果训练得到的。
2.根据权利要求1所述的肺部病灶分析方法，其特征在于，所述融合影像是通过如下步骤确定的：
基于所述肺部病灶定位结果，确定所述胸部影像中每一像素点的权重；
基于每一像素点的权重，分别对每一像素点的像素值进行加权，得到包含每一像素点的加权像素值的所述融合影像。
3.根据权利要求1所述的肺部病灶分析方法，其特征在于，所述将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果，具体包括：
将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至所述病灶分析模型的特征融合层，得到所述特征融合层输出的所述融合影像；
将所述融合影像输入至所述病灶分析模型的特征分析层，得到所述特征分析层输出的所述肺部病灶分析结果。
4.根据权利要求1至3中任一项所述的肺部病灶分析方法，其特征在于，所述样本肺部病灶定位结果包括样本区域块的样本区域病灶标记，或，包括所述样本区域块中每个样本像素点的样本点病灶标记；所述样本区域块是对所述样本胸部影像进行区域块截取得到的。
5.根据权利要求4所述的肺部病灶分析方法，其特征在于，所述将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果，具体包括：
将所述胸部影像的每一区域块输入至所述病灶定位模型，得到所述病灶定位模型输出的每一区域块中每一像素点的病灶得分，作为所述肺部病灶定位结果。
6.根据权利要求5所述的肺部病灶分析方法，其特征在于，所述将所述胸部影像的每一区域块输入至所述病灶定位模型，得到所述病灶定位模型输出的每一区域块中每一像素点的病灶得分，具体包括：
将所述胸部影像的任一区域块输入至所述病灶定位模型的区域分析层，得到所述区域分析层输出的所述任一区域块的区域病灶得分；
将所述任一区域块的区域病灶得分输入至所述病灶定位模型的结果输出层，得到所述结果输出层输出的所述任一区域块中每一像素点的病灶得分。
7.根据权利要求4所述的肺部病灶分析方法，其特征在于，所述样本胸部影像中任一样本区域块的样本区域病灶标记是通过如下步骤得到的：
基于任一样本区域块与所述样本胸部影像中每一病灶标注框的相对位置，确定所述任一样本区域块的病灶测量信息；
基于所述任一样本区域块的病灶测量信息，确定所述任一样本区域块的样本区域病灶标记。
8.根据权利要求7所述的肺部病灶分析方法，其特征在于，所述基于所述任一样本区域块的病灶测量信息，确定所述任一样本区域块的样本区域病灶标记，具体包括：
若任一样本区域块的病灶测量信息大于或大于等于第一预设阈值，则确定所述任一样本区域块的样本区域病灶标记为是；
若所述任一样本区域块的病灶测量信息小于或小于等于第二预设阈值，则确定所述任一样本区域块的样本区域病灶标记为否；
否则，弃用所述任一样本区域块；
其中，所述第一预设阈值大于所述第二预设阈值。
9.一种肺部病灶分析装置，其特征在于，包括：
病灶定位单元，用于将待分析的胸部影像输入至病灶定位模型，得到所述病灶定位模型输出的所述胸部影像的肺部病灶定位结果；
病灶分析单元，用于将基于所述胸部影像以及所述胸部影像的肺部病灶定位结果确定的融合影像，或，将所述胸部影像以及所述胸部影像的肺部病灶定位结果输入至病灶分析模型，得到所述病灶分析模型输出的所述胸部影像的肺部病灶分析结果；
其中，所述病灶定位模型是基于样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果训练得到的；所述病灶分析模型是基于所述样本胸部影像的样本融合影像和样本肺部病灶分析结果，或，基于所述样本胸部影像以及所述样本胸部影像的样本肺部病灶定位结果和样本肺部病灶分析结果训练得到的。
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中任一项所述的肺部病灶分析方法的步骤。
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中任一项所述的肺部病灶分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414237.XA CN111612755B (zh) | 2020-05-15 | 2020-05-15 | 肺部病灶分析方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414237.XA CN111612755B (zh) | 2020-05-15 | 2020-05-15 | 肺部病灶分析方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111612755A true CN111612755A (zh) | 2020-09-01 |
| CN111612755B CN111612755B (zh) | 2024-07-12 |
Family
ID=72202048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010414237.XA Active CN111612755B (zh) | 2020-05-15 | 2020-05-15 | 肺部病灶分析方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111612755B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311232A (zh) * | 2022-08-09 | 2022-11-08 | 北京医准智能科技有限公司 | 一种肺部病灶类型检测方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105342701A (zh) * | 2015-12-08 | 2016-02-24 | 中国科学院深圳先进技术研究院 | 一种基于影像信息融合的病灶虚拟穿刺系统 |
| WO2017150497A1 (ja) * | 2016-03-02 | 2017-09-08 | 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 |
| CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技（深圳）有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
| CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
-
2020
- 2020-05-15 CN CN202010414237.XA patent/CN111612755B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105342701A (zh) * | 2015-12-08 | 2016-02-24 | 中国科学院深圳先进技术研究院 | 一种基于影像信息融合的病灶虚拟穿刺系统 |
| WO2017150497A1 (ja) * | 2016-03-02 | 2017-09-08 | 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 |
| CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技（深圳）有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
| CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
Non-Patent Citations (2)
| Title |
|---|
| 曹盼;王斐;刘哲;刘锦程;梁矿立;袁吉欣;池峰;黄烨东;杨健;: "特征金字塔网络在胸部X线摄影图像上筛检肺结核的价值" * |
| 王广丽;李政义;李军;王忠周;张成琪;邓凯;王相青;: "VolumeRAD容积成像对胸部病变的诊断价值" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311232A (zh) * | 2022-08-09 | 2022-11-08 | 北京医准智能科技有限公司 | 一种肺部病灶类型检测方法、装置、电子设备及存储介质 |
| CN115311232B (zh) * | 2022-08-09 | 2023-09-12 | 北京医准智能科技有限公司 | 一种肺部病灶类型检测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111612755B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
| CN111325739B (zh) | 肺部病灶检测的方法及装置，和图像检测模型的训练方法 | |
| JP2024079743A (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN111476774B (zh) | 基于新型冠状病毒肺炎ct检测的智能征象识别装置 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN110974306B (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 | |
| CN109003269A (zh) | 一种能提高医生效率的医学影像病灶的标注提取方法 | |
| CN105956386B (zh) | 基于健康人胸片的健康指标指数分类系统和方法 | |
| KR102600401B1 (ko) | 분류 및 분할을 이용한 의료 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
| US20220156931A1 (en) | Image processing method, apparatus, and system | |
| CN111738992B (zh) | 肺部病灶区域提取方法、装置、电子设备和存储介质 | |
| KR20190087681A (ko) | 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 | |
| CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
| WO2024074921A1 (en) | Distinguishing a disease state from a non-disease state in an image | |
| CN111401102B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN111833321A (zh) | 一种调窗优化增强的颅内出血检测模型及其构建方法 | |
| CN111612755B (zh) | 肺部病灶分析方法、装置、电子设备和存储介质 | |
| CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
| CN113393445B (zh) | 乳腺癌影像确定方法及系统 | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
| CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN113592768A (zh) | 肋骨骨折检测方法、肋骨骨折检测信息的显示方法及系统 | |
| CN113990432A (zh) | 基于rpa和ai的影像报告推送方法、装置及计算设备 |
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 |
Effective date of registration: 20201130 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. |
|
| TA01 | Transfer of patent application right | ||
| 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. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant |