CN111754453A - 基于胸透图像的肺结核检测方法、系统和存储介质 - Google Patents
基于胸透图像的肺结核检测方法、系统和存储介质 Download PDFInfo
- Publication number
- CN111754453A CN111754453A CN202010394058.4A CN202010394058A CN111754453A CN 111754453 A CN111754453 A CN 111754453A CN 202010394058 A CN202010394058 A CN 202010394058A CN 111754453 A CN111754453 A CN 111754453A
- Authority
- CN
- China
- Prior art keywords
- chest
- image
- images
- ray
- feature
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000011976 chest X-ray Methods 0.000 title claims abstract description 89
- 208000008128 pulmonary tuberculosis Diseases 0.000 title claims abstract description 27
- 210000004072 lung Anatomy 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 43
- 201000008827 tuberculosis Diseases 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002601 radiography Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 201000009671 multidrug-resistant tuberculosis Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于胸透图像的肺结核检测方法、系统和存储介质，所述方法包括以下步骤：获取胸透图像，并对所述胸透图像进行预处理；将预处理后的胸透图像输入到训练好的目标检测模型中，获取预处理后的胸透图像的肺实质分割区域；根据所述肺实质分割区域对预处理后的胸透图像进行图像分割，获取肺部区域图像；将所述肺部区域图像输入到若干个已训练好的特征检测网络中，获取若干个特征图像；对所述特征图像进行加权组合，得到胸透图像的类别。本发明通过目标检测模型和特征检测网络处理胸透图像，预测胸透图像的肺结核概率，大大降低了医护人员在肺结核的诊断中的工作量。本发明可广泛应用于医学图像处理领域中。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种基于胸透图像的肺结核检测方法、系统和存储介质。
背景技术
肺结核病是一种经呼吸道传播的慢性传染病。近年来，由于多发耐药结核，结核菌与艾滋病毒的双重感染和流动人口增多，结核病疫情出现回升，肺结核病严重危害着广大人民群众的身体健康，成为了重大的公共卫生问题和社会问题。搞好结核病防治工作的关键是抓好发现和治疗管理病人两个重要环节。而胸透图像在肺结核初步筛选过程中扮演了重要角色。肺部结节医学征象种类繁多，表现复杂多样，医护人员在筛查大量医学影像时难以精确和稳定地判断。随着计算机视觉的发展，计算机辅助检测技术能够有效减轻医师的工作负担,辅助他们完成基于医学影像的疾病判断，同时也提高了疾病判断的稳定性和效率，优化诊断流程。目前的胸透图像处理方法只能实现肺部轮廓的提取，使得医护人员在肺结核的诊断中的工作量较大。
发明内容
有鉴于此，本发明的目的是提供一种基于胸透图像的肺结核检测方法、系统和存储介质，以减少医护人员在肺结核诊断中的工作量。
本发明所采用的第一技术方案是：
一种基于胸透图像的肺结核检测方法，包括以下步骤：
获取胸透图像，并对所述胸透图像进行预处理；
将预处理后的胸透图像输入到训练好的目标检测模型中，获取预处理后的胸透图像的肺实质分割区域；
根据所述肺实质分割区域对预处理后的胸透图像进行图像分割，获取肺部区域图像；
将所述肺部区域图像输入到若干个已训练好的特征检测网络中，获取若干个特征图像；
对所述特征图像进行加权组合，得到胸透图像的类别；
所述预处理包括图像压缩、归一化和直方图均衡的至少一种。
进一步，所述目标检测模型的训练步骤包括：
获取多组第一训练样本，所述第一训练样本为带有肺部区域标记的胸透图像；
将所述第一训练样本进行预处理；
将预处理后的第一训练样本输入到目标检测模型中进行训练，获取训练好的目标检测模型。
进一步，所述特征检测网络的训练步骤包括：
获取多组第二训练样本，所述第二训练样本为带有类别标签的肺部区域图像；
将所述第二训练样本进行预处理；
将预处理后的第二训练样本输入到特征检测网络中进行训练，获取训练好的特征检测网络。
进一步，当所述胸透图像的类别为异常，根据所述胸透图像和对应的特征图像获取胸透图像的热度图。
进一步，所述特征检测网络包括VGGNET、ResNet、DenseNet和GoogleNet的至少一种。
进一步，所述特征检测网络包括SeNet模块。
进一步，所述特征检测网络包括自注意力模块。
进一步，所述特征检测网络的损失函数与交叉熵损失函数、L1范数和L2范数成正比。
本发明所采用的第二技术方案是：
一种基于胸透图像的肺结核检测系统，包括：
获取模块，用于获取胸透图像，并对所述胸透图像进行预处理；
分割模块，用于将预处理后的胸透图像输入到训练好的目标检测模型中，获取预处理后的胸透图像的肺实质分割区域，并根据所述肺实质分割区域对预处理后的胸透图像进行图像分割，获取肺部区域图像；
检测模块，用于将所述肺部区域图像输入到若干个已训练好的特征检测网络中，获取若干个特征图像；
分类模块，用于对所述特征图像进行加权组合，得到胸透图像的类别；
所述预处理包括图像压缩、归一化和直方图均衡的至少一种。
本发明所采用的第三技术方案是：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于胸透图像的肺结核检测系统方法。
与现有技术相比较，本发明通过目标检测模型和特征检测网络处理胸透图像，预测胸透图像的肺结核概率，大大降低了医护人员在肺结核的诊断中的工作量。
附图说明
图1为本发明实施例基于胸透图像的肺结核检测方法的步骤框图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。
本发明实施例提供了一种基于胸透图像的肺结核检测方法，参照图1，包括以下步骤：
S1、获取胸透图像，并对所述胸透图像进行预处理；
S2、将预处理后的胸透图像输入到训练好的目标检测模型中，获取预处理后的胸透图像的肺实质分割区域；
S3、根据所述肺实质分割区域对预处理后的胸透图像进行图像分割，获取肺部区域图像；
S4、将所述肺部区域图像输入到若干个已训练好的特征检测网络中，获取若干个特征图像；
S5、对所述特征图像进行加权组合，得到胸透图像的类别；
所述预处理包括图像压缩、归一化和直方图均衡的至少一种。
具体地，胸透称荧光透视，为常用X线检查方法。它是利用X线具有穿透性、荧光性和摄影效应的特性，使人体在荧屏上形成影像，由于人体组织有密度和厚度的差别，当X线穿透人体不同组织时，X线被吸收的程度不同，所以到达荧屏上的X线量就有差异，形成黑白对比不同的影像，为医生的诊断提供依据。通过胸透可以获取肺部的透视图像，即胸透图像。
目标检测模型，目标检测模型可以从图像中提取出和训练数据的标注区域具有相同特征的区域，常用的目标检测模型有Faster R-CNN、SSD和YOLO模型，在本实施例中使用Faster R-CNN模型从预处理后的胸透图像中检测出肺部区域图像。
肺实质分割区域，在胸透图像上的肺部区域，通过目标检测模型可以检测到肺实质分割区域；检测到肺实质分割区域后进行图像分割，得到肺部区域图像，便于排除其他区域图像对肺结核检测的干扰。
特征检测网络，用于提取肺部区域图像的特征，以便于后续的图像分类。
特征图像，肺部区域图像通过特征检测网络提取出的特征图像，以(224,224)的胸透图像为例，通过卷积神经网络后会输出(1024,7,7)的矩阵，所述的矩阵为特征图像。
加权组合步骤对应于卷积神经网络的全连接步骤，用来特征检测网络提取到的图像综合起来，以便于进行分类得到分类结果。
图像压缩，可以去除多余数据，以数学的观点来看，这一过程实际上就是将二维像素阵列变换为一个在统计上无关联的数据集合；图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术，也称图像编码；通过图像压缩可以在降低图像数据大小的同时保证图像数据的完整性。
归一化是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系，是一种简化计算，缩小量值的有效办法。通过对图像数据进行归一化，可以减少图像数据大小，同时保持图像数据的相对关系。
直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。通过这种方法，亮度可以更好地在直方图上分布。这样就可以增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。通过直方图均衡调整图像的局部对比度，更有利于后续的特征提取。
进一步作为可选的实施方式，所述目标检测模型的训练步骤包括：
获取多组第一训练样本，所述第一训练样本为带有肺部区域标记的胸透图像；
将所述第一训练样本进行预处理；
将预处理后的第一训练样本输入到目标检测模型中进行训练，获取训练好的目标检测模型。
具体地，第一训练样本是带有肺部区域标记的胸透图像，通过胸透图像和对应的肺部区域标记对目标检测模型进行训练，得到的目标检测模型可以检测出输入胸透图像中的肺部区域。
进一步作为可选的实施方式，所述特征检测网络的训练步骤包括：
获取多组第二训练样本，所述第二训练样本为带有类别标签的肺部区域图像；
将所述第二训练样本进行预处理；
将预处理后的第二训练样本输入到特征检测网络中进行训练，获取训练好的特征检测网络。
具体地，第二训练样本为带有类别标签的肺部区域图像，通过第二训练样本对特征检测网络进行训练，得到的特征检测网络可以提取出肺部区域图像的特征，以便于后期根据特征对胸透图像进行分类。
特征检测网络通过学习训练样本的胸透图像中病灶区域的特征，如纹理、颜色和深度等来训练模型参数，待胸透图像输入，特征检测网络可以提取出胸透图像中的相关特征。
进一步作为可选的实施方式，当所述胸透图像的类别为异常，根据所述胸透图像和对应的特征图像获取胸透图像的热度图。
具体地，特征图像中包含有肺部区域图像的异常特征信息，即肺结核信息；根据胸透图像和对应的特征图像中的梯度可以获取胸透图像的热度图，即胸透图像中的病灶区域标注图。热度图通过不同颜色对应特征图像中的不同梯度进行标注，更有助于医护人员定位肺结核区域。
进一步作为可选的实施方式，所述特征检测网络包括VGGNET、ResNet、DenseNet和GoogleNet的至少一种。
具体地，VGGNET对数据集具有很好的泛化能力，ResNet解决了梯度消失和梯度爆炸问题，DenseNet具有很好的抗过拟合能力，GoogleNet则具有较高的参数利用率；通过多种特征检测网络可以适应不同的分类情况，更好地提取出不同的特征。
卷积神经网络包括两个部分，一部分是特征检测部分，如本实施例中的VGGNET、ResNet、DenseNet和GoogleNet，另一部分是全连接层，实现如本实施例中的加权组合和分类功能，各个卷积神经网络的全连接层一般都是一样的，但特征检测部分的结构会稍有不同。本发明实施例对正常的卷积神经网络加以改进，用不同结构的特征检测网络组合起来，获取特征图像后输入至同一个全连接层中。
进一步作为可选的实施方式，所述特征检测网络包括SeNet模块。
具体地，SeNet属于一种网络结构，它可以嵌入卷积神经网络中，主要作用是通过学习的方式来自动获取卷积神经网络各模块输出的每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征；SeNet模块插入在VGGNET、ResNet、DenseNet和GoogleNet中的每个子模块的最后输出层之前。
进一步作为可选的实施方式，所述特征检测网络包括自注意力模块。
具体地，以三个特征检测网络的输出为例，自注意力模块首先将网络输出的特征图像分别经过1*1卷积核卷积得到f(x)、g(x)和h(x)，然后通过softmax激活函数得到注意力块β，将得到的注意力块β与attention的输出h(x)进行进行卷积得到各通道的权重参数，然后将attention的输出与原输入相加，得到最终输出z。
具体公式如下：
oj＝Σβj,i*h(x)
zi＝γoi+xi
其中，x为原图像矩阵，f(x)、g(x)和h(x)为特征图像通过1*1卷积的函数表达式，β为注意力块的函数表达，h(x)为逻辑回归模型，o为输出各通道的权重参数，z为最终卷积神经网络经过个通道加权后的输出表达。
进一步作为可选的实施方式，所述特征检测网络的损失函数与交叉熵损失函数、L1范数和L2范数成正比。
具体地，特征检测网络的损失函数具体如下：
Cost(θ)＝[-∑ylnhθ(x)+(1-y)ln(1-hθ(x))]+λ1∑|θ|+λ2∑θ2
其中，θ为卷积神经网络中的权重参数，y为图像的类别标签，
为预测值，λ为正则化项的权重值；在本实施例中使用‘1’作为异常类别的标签，使用‘0’作为正常类别的标签。
本发明实施例还提供了一种基于胸透图像的肺结核检测系统，包括：
获取模块，用于获取胸透图像，并对所述胸透图像进行预处理；
分割模块，用于将预处理后的胸透图像输入到训练好的目标检测模型中，获取预处理后的胸透图像的肺实质分割区域，并根据所述肺实质分割区域对预处理后的胸透图像进行图像分割，获取肺部区域图像；
检测模块，用于将所述肺部区域图像输入到若干个已训练好的特征检测网络中，获取若干个特征图像；
分类模块，用于对所述特征图像进行加权组合，得到胸透图像的类别；
所述预处理包括图像压缩、归一化和直方图均衡的至少一种。
具体地，发明的实施例系统中所包含的层、模块、单元和/或平台等可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于胸透图像的肺结核检测系统方法。
具体地，所述存储介质中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行上述方法实施例中任一个技术方案所述的一种交互信息处理方法步骤。对于所述存储介质，其可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。可见，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明通过预先训练目标检测模型对输入的胸透图像进行处理，获取胸透图像中肺部的矩形框坐标点，然后根据该坐标点进行图像分割，把肺部区域图像分割出来；接着将肺部区域图像输入预先训练好的特征检测网络中，获取若干特征图像，并对特征图像进行加权组合，输入到一个全连接网络中，最终输出胸透图像的类别概率值。
本发明提高了肺结核检测的精确度和效率，从加深模型深度与拓宽模型宽度的角度出发，由多种深度卷积神经网络模型分别对图像进行特征检测，免于传统方法麻烦的手工特征提取，同时加入SeNet、注意力网络与Lp范数提升特征检测的准确率与降低模型过拟合风险；然后建立加权训练模型，对上述各个模型的输出进行加权，完成图像分类。
本发明基于深度学习网络对数字图像的识别技术，实现对肺结核病灶的自动检测、定位和概率预测，不仅提高了病灶检测的准确度，降低了肺结核患者延误治疗的风险，同时也降低了医务人员的劳动强度。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种基于胸透图像的肺结核检测方法，其特征在于，包括以下步骤：
获取胸透图像，并对所述胸透图像进行预处理；
将预处理后的胸透图像输入到训练好的目标检测模型中，获取预处理后的胸透图像的肺实质分割区域；
根据所述肺实质分割区域对预处理后的胸透图像进行图像分割，获取肺部区域图像；
将所述肺部区域图像输入到若干个已训练好的特征检测网络中，获取若干个特征图像；
对所述特征图像进行加权组合，得到胸透图像的类别；
所述预处理包括图像压缩、归一化和直方图均衡的至少一种。
2.根据权利要求1所述的基于胸透图像的肺结核检测方法，其特征在于，所述目标检测模型的训练步骤包括：
获取多组第一训练样本，所述第一训练样本为带有肺部区域标记的胸透图像；
将所述第一训练样本进行预处理；
将预处理后的第一训练样本输入到目标检测模型中进行训练，获取训练好的目标检测模型。
3.根据权利要求1所述的基于胸透图像的肺结核检测方法，其特征在于，所述特征检测网络的训练步骤包括：
获取多组第二训练样本，所述第二训练样本为带有类别标签的肺部区域图像；
将所述第二训练样本进行预处理；
将预处理后的第二训练样本输入到特征检测网络中进行训练，获取训练好的特征检测网络。
4.根据权利要求1所述的基于胸透图像的肺结核检测方法，其特征在于，还包括以下步骤：
当所述胸透图像的类别为异常，根据所述胸透图像和对应的特征图像获取胸透图像的热度图。
5.根据权利要求1所述的基于胸透图像的肺结核检测方法，其特征在于，所述特征检测网络包括VGGNET、ResNet、DenseNet和GoogleNet的至少一种。
6.根据权利要求1所述的基于胸透图像的肺结核检测方法，其特征在于，所述特征检测网络包括SeNet模块。
7.根据权利要求1所述的基于胸透图像的肺结核检测方法，其特征在于，所述特征检测网络包括自注意力模块。
8.根据权利要求1所述的基于胸透图像的肺结核检测方法，其特征在于，所述特征检测网络的损失函数与交叉熵损失函数、L1范数和L2范数成正比。
9.一种基于胸透图像的肺结核检测系统，其特征在于，包括：
获取模块，用于获取胸透图像，并对所述胸透图像进行预处理；
分割模块，用于将预处理后的胸透图像输入到训练好的目标检测模型中，获取预处理后的胸透图像的肺实质分割区域，并根据所述肺实质分割区域对预处理后的胸透图像进行图像分割，获取肺部区域图像；
检测模块，用于将所述肺部区域图像输入到若干个已训练好的特征检测网络中，获取若干个特征图像；
分类模块，用于对所述特征图像进行加权组合，得到胸透图像的类别；
所述预处理包括图像压缩、归一化和直方图均衡的至少一种。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的基于胸透图像的肺结核检测系统方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010394058.4A CN111754453A (zh) | 2020-05-11 | 2020-05-11 | 基于胸透图像的肺结核检测方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010394058.4A CN111754453A (zh) | 2020-05-11 | 2020-05-11 | 基于胸透图像的肺结核检测方法、系统和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111754453A true CN111754453A (zh) | 2020-10-09 |
Family
ID=72673723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010394058.4A Pending CN111754453A (zh) | 2020-05-11 | 2020-05-11 | 基于胸透图像的肺结核检测方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754453A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308853A (zh) * | 2020-10-20 | 2021-02-02 | 平安科技（深圳）有限公司 | 电子设备、医学图像指标生成方法、装置及存储介质 |
| CN112382360A (zh) * | 2020-12-03 | 2021-02-19 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
| CN112651333A (zh) * | 2020-12-24 | 2021-04-13 | 世纪龙信息网络有限责任公司 | 静默活体检测方法、装置、终端设备和存储介质 |
| CN112733959A (zh) * | 2021-01-22 | 2021-04-30 | 清华大学 | 肺部影像分类方法、分类网络确定方法及其装置 |
| CN112766333A (zh) * | 2021-01-08 | 2021-05-07 | 广东中科天机医疗装备有限公司 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
| CN113052227A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-ResNet的肺结核识别方法 |
| CN113256579A (zh) * | 2021-05-19 | 2021-08-13 | 扬州大学 | 基于预训练模型的肺结核识别系统 |
| 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 |
| CN113989552A (zh) * | 2021-10-25 | 2022-01-28 | 中国人民解放军战略支援部队信息工程大学 | 基于3d cnn和lstm的肝脏肿瘤早期复发预测方法 |
| CN114219755A (zh) * | 2021-11-02 | 2022-03-22 | 佛山市第四人民医院(佛山市结核病防治所) | 基于图像和临床数据的肺结核智能检测方法及系统 |
| CN114758755A (zh) * | 2022-06-14 | 2022-07-15 | 数聚(山东)医疗科技有限公司 | 基于大数据分析的医疗数据协同管理平台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898595A (zh) * | 2018-06-27 | 2018-11-27 | 慧影医疗科技（北京）有限公司 | 一种胸部疾病检测模型的构建方法及应用 |
| CN110084237A (zh) * | 2019-05-09 | 2019-08-02 | 北京化工大学 | 肺结节的检测模型构建方法、检测方法和装置 |
| WO2019200740A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| CN110459303A (zh) * | 2019-06-27 | 2019-11-15 | 浙江工业大学 | 基于深度迁移的医疗影像异常检测装置 |
| CN110766682A (zh) * | 2019-10-29 | 2020-02-07 | 慧影医疗科技（北京）有限公司 | 肺结核定位筛查装置及计算机设备 |
| CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
-
2020
- 2020-05-11 CN CN202010394058.4A patent/CN111754453A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019200740A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
| CN108898595A (zh) * | 2018-06-27 | 2018-11-27 | 慧影医疗科技（北京）有限公司 | 一种胸部疾病检测模型的构建方法及应用 |
| CN110084237A (zh) * | 2019-05-09 | 2019-08-02 | 北京化工大学 | 肺结节的检测模型构建方法、检测方法和装置 |
| CN110459303A (zh) * | 2019-06-27 | 2019-11-15 | 浙江工业大学 | 基于深度迁移的医疗影像异常检测装置 |
| CN110766682A (zh) * | 2019-10-29 | 2020-02-07 | 慧影医疗科技（北京）有限公司 | 肺结核定位筛查装置及计算机设备 |
| CN111127466A (zh) * | 2020-03-31 | 2020-05-08 | 上海联影智能医疗科技有限公司 | 医学图像检测方法、装置、设备及存储介质 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308853A (zh) * | 2020-10-20 | 2021-02-02 | 平安科技（深圳）有限公司 | 电子设备、医学图像指标生成方法、装置及存储介质 |
| CN112382360A (zh) * | 2020-12-03 | 2021-02-19 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
| CN112382360B (zh) * | 2020-12-03 | 2024-05-31 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
| CN112651333A (zh) * | 2020-12-24 | 2021-04-13 | 世纪龙信息网络有限责任公司 | 静默活体检测方法、装置、终端设备和存储介质 |
| CN112651333B (zh) * | 2020-12-24 | 2024-02-09 | 天翼数字生活科技有限公司 | 静默活体检测方法、装置、终端设备和存储介质 |
| CN112766333B (zh) * | 2021-01-08 | 2022-09-23 | 广东中科天机医疗装备有限公司 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
| CN112766333A (zh) * | 2021-01-08 | 2021-05-07 | 广东中科天机医疗装备有限公司 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
| CN112733959A (zh) * | 2021-01-22 | 2021-04-30 | 清华大学 | 肺部影像分类方法、分类网络确定方法及其装置 |
| CN113052227A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于SE-ResNet的肺结核识别方法 |
| CN113256579A (zh) * | 2021-05-19 | 2021-08-13 | 扬州大学 | 基于预训练模型的肺结核识别系统 |
| 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 |
| CN113989552A (zh) * | 2021-10-25 | 2022-01-28 | 中国人民解放军战略支援部队信息工程大学 | 基于3d cnn和lstm的肝脏肿瘤早期复发预测方法 |
| CN114219755A (zh) * | 2021-11-02 | 2022-03-22 | 佛山市第四人民医院(佛山市结核病防治所) | 基于图像和临床数据的肺结核智能检测方法及系统 |
| CN114219755B (zh) * | 2021-11-02 | 2024-09-13 | 佛山市第四人民医院(佛山市卫生应急医院) | 基于图像和临床数据的肺结核智能检测方法及系统 |
| CN114758755A (zh) * | 2022-06-14 | 2022-07-15 | 数聚(山东)医疗科技有限公司 | 基于大数据分析的医疗数据协同管理平台 |
| CN114758755B (zh) * | 2022-06-14 | 2022-08-16 | 数聚(山东)医疗科技有限公司 | 基于大数据分析的医疗数据协同管理平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754453A (zh) | 基于胸透图像的肺结核检测方法、系统和存储介质 | |
| Yun et al. | Improvement of fully automated airway segmentation on volumetric computed tomographic images using a 2.5 dimensional convolutional neural net | |
| Fuhrman et al. | A review of explainable and interpretable AI with applications in COVID‐19 imaging | |
| Yamashita et al. | Convolutional neural networks: an overview and application in radiology | |
| van Ginneken | Fifty years of computer analysis in chest imaging: rule-based, machine learning, deep learning | |
| Kim et al. | Comparison of shallow and deep learning methods on classifying the regional pattern of diffuse lung disease | |
| WO2021017372A1 (zh) | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 | |
| Roth et al. | A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations | |
| WO2021082416A1 (zh) | 网络模型训练方法及装置、病灶区域确定方法及装置 | |
| CN111476796A (zh) | 一种结合多种网络的半监督冠状动脉分割系统及分割方法 | |
| CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
| CN111882560A (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
| Maity et al. | Automatic lung parenchyma segmentation using a deep convolutional neural network from chest X-rays | |
| CN114649092A (zh) | 基于半监督学习和多尺度特征融合的辅助诊断方法及装置 | |
| CN113284149A (zh) | Covid-19胸部ct图像识别方法、装置及电子设备 | |
| Chen et al. | Detection of various dental conditions on dental panoramic radiography using faster R-CNN | |
| CN116721289A (zh) | 基于自监督聚类对比学习的宫颈oct图像分类方法及系统 | |
| CN113421228A (zh) | 一种基于参数迁移的甲状腺结节识别模型训练方法及系统 | |
| CN116958537A (zh) | 一种基于U-Net模型的肺结节分割方法 | |
| CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
| Ada et al. | Using some data mining techniques to predict the survival year of lung cancer patient | |
| Pal et al. | A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation | |
| Xu et al. | Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet | |
| Jadwaa | X‐Ray Lung Image Classification Using a Canny Edge Detector | |
| Alam et al. | AMFP-net: Adaptive multi-scale feature pyramid network for diagnosis of pneumoconiosis from chest X-ray images |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 528041 No. 106, Lanshi Jinlan South Road, Chancheng District, Foshan City, Guangdong Province Applicant after: Foshan Fourth People's Hospital (Foshan Tuberculosis Control Institute) Applicant after: Foshan University Address before: 528041 No. 106, Lanshi Jinlan South Road, Chancheng District, Foshan City, Guangdong Province Applicant before: Foshan Fourth People's Hospital (Foshan Tuberculosis Control Institute) Country or region before: China Applicant before: FOSHAN University |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201009 |
|
| RJ01 | Rejection of invention patent application after publication |