CN112002406A - 基于置信度的结节显示方法及计算设备 - Google Patents
基于置信度的结节显示方法及计算设备 Download PDFInfo
- Publication number
- CN112002406A CN112002406A CN202010663416.7A CN202010663416A CN112002406A CN 112002406 A CN112002406 A CN 112002406A CN 202010663416 A CN202010663416 A CN 202010663416A CN 112002406 A CN112002406 A CN 112002406A
- Authority
- CN
- China
- Prior art keywords
- nodule
- confidence
- threshold
- candidate
- confidence threshold
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013145 classification model Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 206010008479 Chest Pain Diseases 0.000 claims description 3
- 206010011224 Cough Diseases 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 206010035664 Pneumonia Diseases 0.000 claims description 2
- 230000003902 lesion Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 8
- 201000005202 lung cancer Diseases 0.000 description 8
- 208000020816 lung neoplasm Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 208000009453 Thyroid Nodule Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 1
- 206010006272 Breast mass Diseases 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 239000010425 asbestos Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 229960002715 nicotine Drugs 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 229910052895 riebeckite Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于置信度的结节显示方法,包括:获取医学影像中的结节及该结节的置信度;获取患者的病历信息;根据所述患者的病历信息确定待显示结节的置信度阈值;根据确定的置信度阈值及结节的置信度显示对应的结节。本发明通过患者的病历信息对患者进行分类,并根据分类结果自动采用不同的置信度阈值,进而基于不同的置信度阈值和结节的置信度显示对应的结节,实现一般的患者采用一般的标准进行提示、需要密切关注的患者采用较为严苛的标准进行提示,方便医生的阅片,提高阅片的效率。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及基于置信度的结节显示方法及计算设备。
背景技术
目前,结节己引起广泛关注,例如肺结节、甲状腺结节等等,医生一般通过医学影像观察患者结节的情况。由于随着时间的增长,患者的结节可能发生变化,例如,增大、减小,或者长出新的结节等。目前有一些人工智能产品,通过机器学习,可自动识别出医学影像中的结节,但是这些人工智能产品只能显示以固定置信度阈值作为临界值时,结节置信度位于某一范围时对应的结节,如在对产品进行设置时,确定了一个置信度阈值,则在识别的结节中显示置信度大于该置信度阈值的结节,若医生想看到更多的结节,则需要人工阅片或要求厂家重新确定一个置信度阈值,使得医生阅片过程智能度较低且给医生阅片带来了较大的不便。
发明内容
为了解决现有技术中的问题,本发明通过智能调节置信度阈值,并根据调节后的置信度阈值和结节的置信度显示对应结节,方便医生阅片的同时提高了阅片的效率。
为了实现所述目的,本发明提供一种基于置信度的结节显示方法,包括:
获取医学影像中的结节及该结节的置信度;
获取患者的病历信息;
根据所述患者的病历信息确定待显示结节的置信度阈值;
根据确定的置信度阈值及结节的置信度显示对应的结节。
可选的,所述根据所述患者的病历信息确定待显示结节的置信度阈值,包括:
提取病历信息中的预设特征值;
将所述预设特征值输入至线性分类模型,获得患者的类别;
根据患者的类别确定待显示结节的置信度阈值。
可选的,所述患者的类别包括一般和密切关注,所述线性分类模型的自变量为多个预设特征值,所述线性分类模型的因变量为类别,所述线性分类模型的自变量系数是采用多个训练样本对所述线性分类模型进行拟合获得的。
可选的,所述病历信息中的预设特征值通过以下一个或多个特征获取:
性别、年龄、体重、是否咳嗽、是否胸痛、是否有肺炎家族史、职类。
可选的,所述置信度阈值包括对应一般的第一置信度阈值和对应密切关注的第二置信度阈值,其中,所述第一置信度阈值大于第二置信度阈值。
可选的,所述第一置信度阈值为判断结节是否为重要结节的阈值;所述第二置信度阈值为判断是否为结节的阈值。
可选的,所述置信度阈值包括第一置信度阈值和第二置信度阈值,所述第一置信度阈值大于第二置信度阈值,所述方法还包括:
若病历信息中存在预设特征值符合预设条件时,根据第二置信度阈值和结节的置信度显示对应的结节。
可选的,获取医学影像中的结节及该结节的置信度包括:
获取医学影像以及医学影像中候选结节的三维坐标;
根据所述候选结节的三维坐标从所述医学影像中确定包含所述候选结节的感兴趣区域;
根据所述感兴趣区域以及结节检测模型确定出所述候选结节的置信度。
可选的,所述根据所述候选结节的三维坐标从所述医学影像中确定包含所述候选结节的感兴趣区域,包括:
以所述候选结节的三维坐标为中心,向周围扩展预设距离,确定包含所述候选结节的像素立方体,所述预设距离为所述候选结节的半径的预设倍数;
对所述像素立方体中每一个像素附加一个空间信息通道,输出感兴趣区域,所述空间信息通道为所述像素与所述结节的三维坐标之间的距离。
本发明还提供一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述的根据置信度显示结节的方法。
本发明还提供一种计算机可读存储介质,当所述存储介质中的指令由设备内的处理器执行时,使得所述设备能够执行上述的根据置信度显示结节的方法。
本发明的基于置信度的结节显示方法,在获得医学影像以后结合患者的病历信息,判断其是否为一般患者还是需要密切关注的患者,根据对患者的不同分类自动采用不同的置信度阈值,进而基于不同的置信度阈值和结节的置信度显示对应的结节。实现了一般的患者采用一般的标准,需要密切关注的患者采用较为严苛的标准,方便医生的阅片,提高阅片的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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系统架构的示意图;
图2为本发明实施例提供的基于置信度的结节显示方法的流程示意图;
图3为本发明实施例提供的获取结节及结节置信度的流程示意图;
图4为本发明实施例提供的患者的肺部CT影像示意图;
图5为本发明实施例提供的根据病历信息确定结节的置信度阈值的流程示意图;
图6为本发明实施例提供的基于置信度的结节显示装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明实施例提供的影像结节检测的方法所适用的系统架构。参考图1所示,该系统架构可以为服务器100,包括处理器110、通信接口120和存储器130。
其中,通信接口120用于医生适用的终端设备进行通信,收发该终端设备传输的信息,实现通信。
处理器110是服务器100的控制中心,利用各种接口和线路连接整个服务器100的各个部分,通过运行或执行存储在存储器130内的软件程序/或模块,以及调用存储在存储器130内的数据,执行服务器100的各种功能和处理数据。可选地,处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块,处理器110通过运行存储在存储器130的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据业务处理所创建的数据等。此外,存储器130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、或其他易失性固态存储器件。
需要说明的是,上述图1所示的结构仅是一种示例,本发明实施例对此不做限定。
图2示例性的示出了本发明实施例提供的基于置信度的结节显示方法的流程示意图。如图2所示,所述方法包括:S11,获取医学影像中的结节及该结节的置信度;S12,获取患者的病历信息;S13,根据所述患者的病历信息确定待显示结节的置信度阈值;S14,根据确定的置信度阈值及结节的置信度显示对应的结节。
所述S11,获取医学影像中的结节及该结节的置信度,包括:S21获取医学影像以及医学影像中候选结节的三维坐标;S22,根据所述候选结节的三维坐标从所述医学影像中确定包含所述候选结节的感兴趣区域;S23,根据所述感兴趣区域以及结节检测模型确定出所述候选结节的置信度。
S21,获取医学影像以及所述医学影像中候选结节的三维坐标。医学影像为三维图像,候选结节的三维坐标可以为候选结节内的点的三维坐标(比如结节中心点的三维坐标),也可以是候选结节表面的点的三维坐标。候选结节包括但不限于肺结节、甲状腺结节、乳腺结节。医学影像可以是计算机断层摄影(Computed Tomography,简称CT)影像、磁共振(Magnetic Resonance Imaging,简称MRI)影像等等,为了更清楚的描述医学影像,图4示例性地示出了一名患者的肺部CT影像。
S22,根据所述候选结节的三维坐标从所述医学影像中确定包含所述候选结节的感兴趣区域。具体的,可以以候选结节的三维坐标为中心,向周围扩展预设距离,确定包含该候选结节的像素立方体,该预设距离为候选结节半径的预设倍数,比如候选结节半径的1.25倍。然后截取此像素立方体,并插值缩放到一定的大小。之后再对该像素立方体中每一个像素附加一个空间信息通道,输出感兴趣区域,空间信息通道为像素立方体与候选结节的三维坐标之间的距离。举例来说,这里可以是以候选结节的三维坐标为中心,向三个坐标轴各方向延伸L像素,就可以选取一个2L*2L*2L大小的像素立方体。
S23,根据所述感兴趣区域以及结节检测模型确定出所述候选结节的置信度。在本发明实施例中,该结节检测模型是采用卷积神经网络对已标记结节区域的多个医学影像进行训练后得到的,具体可以为:先获取待过滤掉假阳性结果的候选结节集和医生对所述候选结节集中各候选结节的判定结果,该待过滤假阳性结果的候选结节集是收集了大量胸部CT影像后使用其他方案获取的,再通过多名医生对候选结节集中的候选结节进行判定,判定是不是结节。
然后对该候选结节集中的候选结节进行数据增强,得到增强后的候选结节集。例如可以将数据量增强到之前的K倍,可能的方式可以为通过随机水平镜像,随机旋转任意角度、随机上下左右平移0~5像素、随机缩放0.85~1.15倍等方式来将数据量增强到之前的K倍。
再根据增强后的候选结节集以及各候选结节的三维坐标,从医学影像中确定出增强后的候选结节集中各候选结节的感兴趣区域,具体的确定方法可以参见S22,此处不再赘述。
最后将增强后的候选结节集中各候选结节的感兴趣区域通过预设的3D卷积神经网络模型进行训练,得到结节检测模型。在训练时,可以将3D卷积神经网络模型输出的结节置信度,和训练样本的label做交叉熵,作为loss函数,并通过反向传播的方法进行训练,训练的优化算法为SGD。
通过上述步骤得到的结节检测模型包括M个3D卷积特征提取模型和一个全连接模块。而每个3D卷积特征提取模型还包括一个J*J*J的3D卷积层和一个H*H*H的max_pool层。全连接模型可以包括两个全连接层。
在具体使用结节检测模型时,可以将上述S22得到的感兴趣区域依次通过M个3D卷积特征提取模块提取感兴趣区域的特征图像,然后将提取的感兴趣区域的特征图像输入至全连接模块,确定出候选结节的置信度,并得到对应的候选结节。
所述S11,获取医学影像中的结节及该结节的置信度,还包括:根据候选结节所在身体部位的分割结果和所述候选结节的三维坐标,过滤掉候选结节中的假阳性的候选结节。
为了得到更准确的候选结节,还需要对S23中得到的候选结节进行过滤筛选。其中,候选结节所在身体部位的分割结果是通过其他途径获得的。该身体部分可以为肺、甲状腺、乳腺等身体部位,本发明实施例对此不做限制。
在具体过滤的过程中,可以根据候选结节的三维坐标和候选结节所在预设区域内的像素,过滤掉候选结节中的骨骼类假阳性的候选结节。例如,可以从候选结节的三维坐标开始,向四周扩展Imm区域,共I*I*Imm3的区域。然后统计区域内CT值大于400的像素点,如果像素点占据的比例大于预设阈值,则就可以视为骨骼类假阳性的候选结节,从而可以过滤掉。该预设阈值可以依据经验进行设置。
也可以根据候选结节的三维坐标及半径、候选结节所在身体部位的分割结果,过滤掉候选结节中膈肌类假阳性的候选结节。例如,从候选结节的三维坐标开始,向四周扩展直径大小的区域块,统计区域块中肺内与肺外的像素点的数目,如果肺内像素点的数目和肺外像素点的数目在结节图像中占据的比例相似,且基本在图像的中间位置,则就可以视为是膈肌类假阳性的候选结节,从而可以过滤掉。
还可以根据候选结节的三维坐标和候选结节所在身体部位的分割结果,过滤掉候选结节中纵膈类假阳性的候选结节。例如,如果候选结节的中心在肺外,且垂直方向不超过肺范围,且在中央位置,也可以说X轴上相对位置在0.45~0.55之间,则就可以视为是纵膈类假阳性的候选结节。
通过上述过滤方法,过滤掉假阳性的候选结节后,得到的就是最终的结节的置信度,从而可以提高结节检测的准确度。
S12,获取患者的病历信息,获取病历信息是通过患者的ID调取存储于医院数据系统中的患者的病历信息。可以是患者的历史影像报告、诊断报告,也可以是医生询问病人后录入系统的信息,其可以是历史的,也可以是医生现场询问后输入的,本申请实施例对此不做限制。
图5为本发明实施例提供的根据病历信息确定结节的置信度阈值的流程示意图,参考图5,S13,根据所述患者的病历信息确定待显示结节的置信度阈值,包括:S31,提取病历信息中的预设特征值;S32,将所述预设特征值输入至线性分类模型,获得患者的类别;S33,根据患者的类别确定待显示结节的置信度阈值。
S31,提取病历信息中的预设特征值,所述特征值可以通过以下一个或多个特征获取:性别、年龄、体重、是否咳嗽、是否胸痛、是否有家族史、是否吸烟、职类、居住地等。所述特征值和所述特征之间具有对应关系,举例来说:特征“性别”对应的特征值可以为1,特征“年龄”对应的特征值可以为0,特征“性别”及“年龄”对应的特征值可以为10等。所述特征是根据其与患有恶性肺结节之间的关联度来设定的,如,年龄,一般来说大于55岁的人群,肺癌的发病率就会逐年上升,到了75岁、80岁,肺癌的发病率就会达到高峰。是否有家族史,是确认直系或旁系三代有亲属患有癌症,经研究家族中会出现肺癌聚集现象。是否吸烟,因为香烟中含有大量对人体健康有害的物质,尤其是焦油和尼古丁,这些都是强致肺癌的物质。职类,长期接受射线的人群,体内接受过过量的放射线照射的人群,比如在金属矿区工作过的工人,长时间大剂量接触无机砷、石棉、镍、铬,又缺乏防护,这些人群患肺癌的风险比普通人群要高很多倍。居住地,经研究发现大量的肺癌都是由于环境因素所诱发的,人类生存环境中存在大量的致癌物质,是肺癌发病率逐年攀升的主要原因,如,居住在有严重大气污染地区的人群,长期生活在污染严重地区的人群等。
S32,将所述预设特征值输入至线性分类模型,获得患者的类别。所述患者的类别包括一般和密切关注,所述线性分类模型的自变量为多个预设特征的特征值,所述线性分类模型的因变量为类别,所述线性分类模型的自变量系数是采用多个训练样本对所述线性分类模型进行拟合获得的。
S33,根据患者的类别确定待显示结节的置信度阈值。通过S11获取了结节和结节的置信度,其置信度范围在0-100%之间,置信度越大,结节为重要结节的可能性越高,所述置信度阈值包括对应一般类别的第一置信度阈值和对应密切关注类别的第二置信度阈值,第一置信度阈值大于第二置信度阈值。
本实施例中,所述第一置信度阈值为判断是否为重要结节的阈值,以第一置信度阈值为阈值a为例,则结节的置信度位于[a,100%]之间的结节均为重要结节,所述第一置信度阈值根据医生经验确定。
本实施例中,所述第二置信度阈值为判断是否为结节的阈值,以第二置信度阈值为阈值b为例,则结节的置信度位于[b,100%]之间的均为结节,显然阈值b要小于阈值a,置信度在[b,100%]之间,既包括了所述重要结节,也包括不需要被检出的小结节。
所述第二置信度阈值还可以为不确定是否为结节时,判断是否为需要被检出的其他病灶的阈值,以此时置信度阈值为阈值c为例,置信度在[c,100%]之间包括:不确定是结节,但需要被检出的病灶;不需要被检出的小结节及重要结节,显然阈值c要小于阈值b。
所述第二置信度阈值还可以为不确定是否是结节时,判断是否为不需要被检出的其他病灶(如血管局部病变等)的阈值,以此时置信度阈值为阈值d为例,置信度位于[d,100%]之间包括:不确定是结节,也不需要被检出病灶;不确定是结节,但需要被检出的病灶;不需要被检出的小结节及重要结节,显然阈值d要小于阈值c。
所述第二置信度阈值还可以为确定不是结节时,判断是否为不需要被检出的其他病灶(如斑片影等)的阈值,此时以置信度阈值为阈值e为例,置信度位于[e,100%]之间包括:不是结节,也不需要被检出的病灶;不确定是结节,也不需要被检出的病灶;不确定是结节,但需要被检出为病灶;不需要被检出的小结节及重要结节,显然阈值e要小于阈值d。
综上所述,对于结节检出而言,医生关注度的高低依次是:重要结节;不需要被检出的小结节;不确定是结节,但需要被检出为病灶;不确定是结节,也不需要被检出的病灶;不是结节,也不需要被检出的病灶,所述阈值a>阈值b>阈值c>阈值d>阈值e。
通过上述说明可知,由于第二置信度阈值是可调节的(如可以调节为上述的阈值a~阈值e),因此,在所述第二置信度阈值下所显示的病灶比在第一置信度阈值下显示的病灶更为详尽,通过在显示过程中自动调节待显示结节的置信度阈值,进而基于结节的置信度和第一置信度阈值或第二置信度阈值来有选择性的显示不同的结节,实现了一般患者一般看、需要密切关注的患者重点看的目的。
在其他实施例中,所述置信度阈值包括第一置信度阈值和第二置信度阈值,所述第一置信度阈值大于第二置信度阈值,若病历信息中存在预设特征值符合预设条件时,根据第二置信度阈值和结节的置信度显示对应的结节。此实施例中,只要满足第一置信度阈值大于第二置信度阈值即可,无需限制第一置信度阈值为阈值a,也无需将所述预设特征值输入至线性分类模型中进行分类,只要有预设特征值符合设定要求,就作为需要密切关注的患者来处理,如:当发现患者有家族史时就作为需要密切关注的患者,选择第二置信度阈值,并基于结节的置信度和第二置信度阈值来进行显示。在另一些实施例中,也可以采用更多级别的置信度阈值,基于该置信度阈值和结节的置信度进行显示,如,当只有一个预设特征值符合设定条件时,基于第二置信度阈值和结节的置信度进行显示,当有多个预设特征值符合设定条件时,基于第三置信度阈值和结节的置信度进行显示,所述第三置信度阈值小于第二置信度阈值。
上述实施例表明,通过采用卷积神经网络对已标记结节区域的医学影像进行训练得到结节检测模型,从而可以将感兴趣区域直接输入至结节检测模型就可以得到对应的候选结节的置信度,提高的结节检测的效率。进一步通过患者病历中的信息判断是一般患者还是需要密切关注的患者,并根据判断结果自动调节置信度阈值,进而基于该置信度阈值和结节的置信度,显示医生感兴趣的结节,有利于提高医生的诊断效率。
基于相同的技术构思,图6示例性的示出了本发明实施例提供的基于置信度的结节显示装置,该装置可以执行基于置信度的结节显示方法。
如图6所示,该装置包括:
结节获取单元61,用于获取医学影像中的结节及该结节的置信度;
病历获取单元62,用于获取患者的病历信息;
阈值确定单元63,用于根据所述患者的病历信息确定待显示结节的置信度阈值;
显示控制单元64,用于根据确定的置信度阈值及结节的置信度显示对应的结节。
基于相同的技术构思,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述的基于置信度的结节显示方法。
基于相同的技术构思,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述的基于置信度的结节显示方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于置信度的结节显示方法,其特征在于,包括:
获取医学影像中的结节及该结节的置信度;
获取患者的病历信息;
根据所述患者的病历信息确定待显示结节的置信度阈值;
根据确定的置信度阈值及结节的置信度显示对应的结节。
2.如权利要求1所述的方法,其特征在于,所述根据所述患者的病历信息确定待显示结节的置信度阈值,包括:
提取病历信息中的预设特征值;
将所述预设特征值输入至线性分类模型,获得患者的类别;
根据患者的类别确定待显示结节的置信度阈值。
3.如权利要求2所述的方法,其特征在于,
所述患者的类别包括一般和密切关注,所述线性分类模型的自变量为多个预设特征值,所述线性分类模型的因变量为类别,所述线性分类模型的自变量系数是采用多个训练样本对所述线性分类模型进行拟合获得的。
4.如权利要求3所述的方法,其特征在于,所述病历信息中的预设特征值通过以下一个或多个特征获取:
性别、年龄、体重、是否咳嗽、是否胸痛、是否有肺炎家族史、职类。
5.如权利要求3所述的方法,其特征在于,所述置信度阈值包括对应一般的第一置信度阈值和对应密切关注的第二置信度阈值,其中,所述第一置信度阈值大于第二置信度阈值。
6.如权利要求5所述的方法,其特征在于,
所述第一置信度阈值为判断结节是否为重要结节的阈值;
所述第二置信度阈值为判断是否为结节的阈值。
7.如权利要求1所述的方法,其特征在于,
所述置信度阈值包括第一置信度阈值和第二置信度阈值,所述第一置信度阈值大于第二置信度阈值,所述方法还包括:
若病历信息中存在预设特征值符合预设条件时,根据第二置信度阈值和结节的置信度显示对应的结节。
8.如权利要求1所述的方法,其特征在于,获取医学影像中的结节及该结节的置信度,包括:
获取医学影像以及医学影像中候选结节的三维坐标;
根据所述候选结节的三维坐标从所述医学影像中确定包含所述候选结节的感兴趣区域;
根据所述感兴趣区域以及结节检测模型确定出所述候选结节的置信度。
9.如权利要求8所述的方法,其特征在于,还包括:
所述根据所述候选结节的三维坐标从所述医学影像中确定包含所述候选结节的感兴趣区域,包括:
以所述候选结节的三维坐标为中心,向周围扩展预设距离,确定包含所述候选结节的像素立方体,所述预设距离为所述候选结节的半径的预设倍数;
对所述像素立方体中每一个像素附加一个空间信息通道,输出感兴趣区域,所述空间信息通道为所述像素与所述结节的三维坐标之间的距离。
10.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663416.7A CN112002406A (zh) | 2020-07-10 | 2020-07-10 | 基于置信度的结节显示方法及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663416.7A CN112002406A (zh) | 2020-07-10 | 2020-07-10 | 基于置信度的结节显示方法及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112002406A true CN112002406A (zh) | 2020-11-27 |
Family
ID=73466773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010663416.7A Pending CN112002406A (zh) | 2020-07-10 | 2020-07-10 | 基于置信度的结节显示方法及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112002406A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862778A (zh) * | 2021-02-04 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 扫描影像检测方法、电子设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648178A (zh) * | 2018-04-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种影像结节检测的方法及装置 |
CN109817328A (zh) * | 2018-12-29 | 2019-05-28 | 上海依智医疗技术有限公司 | 一种判别哮喘的方法及装置 |
CN109934220A (zh) * | 2019-02-22 | 2019-06-25 | 上海联影智能医疗科技有限公司 | 一种影像兴趣点的展示方法、装置及终端 |
-
2020
- 2020-07-10 CN CN202010663416.7A patent/CN112002406A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648178A (zh) * | 2018-04-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种影像结节检测的方法及装置 |
CN109817328A (zh) * | 2018-12-29 | 2019-05-28 | 上海依智医疗技术有限公司 | 一种判别哮喘的方法及装置 |
CN109934220A (zh) * | 2019-02-22 | 2019-06-25 | 上海联影智能医疗科技有限公司 | 一种影像兴趣点的展示方法、装置及终端 |
Non-Patent Citations (1)
Title |
---|
吴小玲: "《华西专家说肺话 畅呼吸科学指南》", 31 January 2020, 四川科学技术出版社, pages: 41 - 43 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862778A (zh) * | 2021-02-04 | 2021-05-28 | 上海联影智能医疗科技有限公司 | 扫描影像检测方法、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
WO2019200753A1 (zh) | 病变监测方法、装置、计算机设备和存储介质 | |
US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
CN110491480A (zh) | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 | |
US10722210B2 (en) | Method for memorable image generation for anonymized three-dimensional medical image workflows | |
US20090238422A1 (en) | Communicative cad system for assisting breast imaging diagnosis | |
CN103514597A (zh) | 图像处理装置 | |
EP3722996A2 (en) | Systems and methods for processing 3d anatomical volumes based on localization of 2d slices thereof | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN111968070A (zh) | 一种基于三维建模的血管检测方法及装置 | |
CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
CN111192660B (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
US20190180860A1 (en) | Medical imaging device- and display-invariant segmentation and measurement | |
CN105956386A (zh) | 基于健康人胸片的健康指标指数分类系统和方法 | |
Zhou et al. | Detection and semiquantitative analysis of cardiomegaly, pneumothorax, and pleural effusion on chest radiographs | |
CN117994263A (zh) | 一种基于用户交互的医学图像分割方法、系统和装置 | |
CN112002406A (zh) | 基于置信度的结节显示方法及计算设备 | |
CN107610772A (zh) | 一种甲状腺结节ct图像诊断系统设计方法 | |
CN115330696A (zh) | 一种支架的检测方法、装置、设备及存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862787B (zh) | Cta影像数据处理方法、装置及存储介质 | |
KR102480134B1 (ko) | 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치 | |
CN114529718A (zh) | 一种结外鼻型nk/t细胞淋巴瘤诊断与预后模型的构建方法 | |
CN112885435B (zh) | 图像目标区域的确定方法、装置和系统 | |
Nie et al. | A segmentation method for sub-solid pulmonary nodules based on fuzzy c-means clustering |
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 |