CN112116558A - 一种基于深度学习的ct影像肺结节检测系统 - Google Patents

一种基于深度学习的ct影像肺结节检测系统 Download PDF

Info

Publication number
CN112116558A
CN112116558A CN202010823981.5A CN202010823981A CN112116558A CN 112116558 A CN112116558 A CN 112116558A CN 202010823981 A CN202010823981 A CN 202010823981A CN 112116558 A CN112116558 A CN 112116558A
Authority
CN
China
Prior art keywords
lung
detection
image
detection model
nodule
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
Application number
CN202010823981.5A
Other languages
English (en)
Inventor
钱光武
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.)
Hello Artificial Intelligence Technology Research And Development Kunshan Co ltd
Original Assignee
Hello Artificial Intelligence Technology Research And Development Kunshan 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 Hello Artificial Intelligence Technology Research And Development Kunshan Co ltd filed Critical Hello Artificial Intelligence Technology Research And Development Kunshan Co ltd
Priority to CN202010823981.5A priority Critical patent/CN112116558A/zh
Publication of CN112116558A publication Critical patent/CN112116558A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于深度学习的CT影像肺结节检测系统，包括以下步骤：S1：选取大量的肺部CT序列影像；S2：对选取的肺部CT序列影像进行肺结节检测；S3：将S2中获取的检测结果导入到计算机中，并生产检测模型；S4：将待测试的肺部CT序列影像输入到检测模型中，从而得到检测结果；S5：将S4中的检测结果发送给医生，可辅助医生的诊断；S6：医生可根据临床的结果，对比S4中的检测结果，从而判断是否对检测模型进行修正。本发明，可获得准确的检测模型，从而减小结果的误差，提高分析的准确性。

Description

一种基于深度学习的CT影像肺结节检测系统
技术领域
本发明涉及肺结节检测技术领域，具体是一种基于深度学习的CT影像肺结节检测系统。
背景技术
随着经济水平的快速发展，人类对于自身健康的关注程度也不断提高，对于癌症的早期发现、早期诊断、早期治疗已经日益成为全社会共同关注的目标。如果肺癌能在早期被诊断和治疗，患者5年生存率将从14％上升到49％；由于CT影像能够提供高清晰度的影像，并且为影像中各组织提供很高的对比度，通常应用于肺部疾病的诊断。随着多排螺旋CT的发展，医生可以获取更高分辨率的影像(HRCT)，通过一次检测获得更多的患者影像信息，进一步拓展了CT影像的应用。但同时也造成了医院放射科医生每天阅片负担的增加，导致漏诊和不确定性检查经常发生，即使对于这个领域内的资深专家而言也在所难免。因此，肺癌计算机辅助检测(CAD)得到了大量的研究和应用。
肺癌在CT影像中是以肺结节的形式表现的，目前肺结节计算机辅助检测的方法有多种，人以胸部螺旋CT影像为研究对象，影像层厚在5-10mm之间，这类检测方法敏感性和特异性较低，肺结节检测敏感性为38％，对于每个肺癌患者平均有6个假阳性结节。这主要是由于肺结节直径比CT层厚小，引起体数据内部局部容积效应造成的，其检测结果无法满足临床应用中对于肺癌CAD系统敏感性的要求；西门子公司研发的肺癌CAD系统采用人机交互的方法对肺结节进行检测，这类方法操作一般比较复杂，需要较高的计算机操作和医学诊断专业知识，对用户能力要求较高；采用模式分类的方法需要基于大量的样本数据进行训练，而且需要提取多个特征，算法处理时间较长，无法满足CAD系统在临床应用中对实时性的要求。
发明内容
本发明的目的在于提供一种基于深度学习的CT影像肺结节检测系统，以解决现有技术中的操作一般比较复杂，需要较高的计算机操作和医学诊断专业知识，对用户能力要求较高；采用模式分类的方法需要基于大量的样本数据进行训练，而且需要提取多个特征，算法处理时间较长，无法满足CAD系统在临床应用中对实时性的要求的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的CT影像肺结节检测系统，包括以下步骤：
S1：选取大量的肺部CT序列影像；
S2：对选取的肺部CT序列影像进行肺结节检测；
S3：将S2中获取的检测结果导入到计算机中，并生产检测模型；
S4：将待测试的肺部CT序列影像输入到检测模型中，从而得到检测结果；
S5：将S4中的检测结果发送给医生，可辅助医生的诊断；
S6：医生可根据临床的结果，对比S4中的检测结果，从而判断是否对检测模型进行修正。
优选的，所述步骤S2中肺结节检测包括以下步骤：
S21：读取CT影像；
S22：肺实质分离；
S23：肺结节检测；
S24：输出肺结节。
优选的，所述步骤S22中肺实质分离包括气管、主支气管的剔除、左右肺分离和肺实质边界修补。
优选的，所述步骤S23中肺结节检测包括候选肺结节提取算法和去假阳算法。
优选的，所述候选肺结节提取算法包括以下步骤：
S2311：输入影像数据；
S2312：曲率流滤波；
S2313：生成等高线图；
S2314：定位可疑区域；
S2315：候选肺结节提取。
优选的，所述去假阳算法包括以下步骤：
S2321：输入影像数据；
S2322：候选肺结节提取；
S2323：肺结节分割；
S2324：特征提取；
S2325：训练分类器；
S2326：输出肺结节。
优选的，所述步骤S4中是利用生成的检测模型，检测模型可以直接处理同类型问题的全新的数据，并自动给出分析结果，并对肺部CT序列影像进行诊断以及标记，并给出肺结节检测结果。
优选的，所述步骤S6中医生是根据临床中患者实际的病况与检测模型检测的结果进行判断，如果出现较大偏差，需要对检测模型进行修正，从而获取新的检测模型。
与现有技术相比，本发明的有益效果是：
1、根据临床中患者实际的病况与检测模型检测的结果进行判断，如果出现较大偏差，需要对检测模型进行修正，从而获取新的检测模型，获得准确的检测模型，从而减小结果的误差，提高分析的准确性；
2、检测结果导入到计算机中，并生产检测模型；从而对CT影像肺结节进行检测，提高检测效率，减小医生工作强度，在相同的时间下，可治疗更多的患者。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明实施例中，一种基于深度学习的CT影像肺结节检测系统，包括以下步骤：
S1：选取大量的肺部CT序列影像；
S2：对选取的肺部CT序列影像进行肺结节检测；
S3：将S2中获取的检测结果导入到计算机中，并生产检测模型；
S4：将待测试的肺部CT序列影像输入到检测模型中，从而得到检测结果；
S5：将S4中的检测结果发送给医生，可辅助医生的诊断；
S6：医生可根据临床的结果，对比S4中的检测结果，从而判断是否对检测模型进行修正。
优选的，所述步骤S2中肺结节检测包括以下步骤：
S21：读取CT影像；
S22：肺实质分离；
S23：肺结节检测；
S24：输出肺结节。
优选的，所述步骤S22中肺实质分离包括气管、主支气管的剔除、左右肺分离和肺实质边界修补。
优选的，所述步骤S23中肺结节检测包括候选肺结节提取算法和去假阳算法。
优选的，所述候选肺结节提取算法包括以下步骤：
S2311：输入影像数据；
S2312：曲率流滤波；
S2313：生成等高线图；
S2314：定位可疑区域；
S2315：候选肺结节提取。
优选的，所述去假阳算法包括以下步骤：
S2321：输入影像数据；
S2322：候选肺结节提取；
S2323：肺结节分割；
S2324：特征提取；
S2325：训练分类器；
S2326：输出肺结节。
优选的，所述步骤S4中是利用生成的检测模型，检测模型可以直接处理同类型问题的全新的数据，并自动给出分析结果，并对肺部CT序列影像进行诊断以及标记，并给出肺结节检测结果。
优选的，所述步骤S6中医生是根据临床中患者实际的病况与检测模型检测的结果进行判断，如果出现较大偏差，需要对检测模型进行修正，从而获取新的检测模型。
本发明的工作原理是：选取大量的肺部CT序列影像；对选取的肺部CT序列影像进行肺结节检测；将获取的检测结果导入到计算机中，并生产检测模型；将待测试的肺部CT序列影像输入到检测模型中，从而得到检测结果；将检测结果发送给医生，可辅助医生的诊断；医生可根据临床的结果，对比检测结果，从而判断是否对检测模型进行修正；根据临床中患者实际的病况与检测模型检测的结果进行判断，如果出现较大偏差，需要对检测模型进行修正，从而获取新的检测模型，获得准确的检测模型，从而减小结果的误差，提高分析的准确性；检测结果导入到计算机中，并生产检测模型；从而对CT影像肺结节进行检测，提高检测效率，减小医生工作强度，在相同的时间下，可治疗更多的患者。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的CT影像肺结节检测系统，其特征在于：包括以下步骤：
S1：选取大量的肺部CT序列影像；
S2：对选取的肺部CT序列影像进行肺结节检测；
S3：将S2中获取的检测结果导入到计算机中，并生产检测模型；
S4：将待测试的肺部CT序列影像输入到检测模型中，从而得到检测结果；
S5：将S4中的检测结果发送给医生，可辅助医生的诊断；
S6：医生可根据临床的结果，对比S4中的检测结果，从而判断是否对检测模型进行修正。
2.根据权利要求1所述的一种基于深度学习的CT影像肺结节检测系统，其特征在于：所述步骤S2中肺结节检测包括以下步骤：
S21：读取CT影像；
S22：肺实质分离；
S23：肺结节检测；
S24：输出肺结节。
3.根据权利要求2所述的一种基于深度学习的CT影像肺结节检测系统，其特征在于：所述步骤S22中肺实质分离包括气管、主支气管的剔除、左右肺分离和肺实质边界修补。
4.根据权利要求2所述的一种基于深度学习的CT影像肺结节检测系统，其特征在于：所述步骤S23中肺结节检测包括候选肺结节提取算法和去假阳算法。
5.根据权利要求4所述的一种基于深度学习的CT影像肺结节检测系统，其特征在于：所述候选肺结节提取算法包括以下步骤：
S2311：输入影像数据；
S2312：曲率流滤波；
S2313：生成等高线图；
S2314：定位可疑区域；
S2315：候选肺结节提取。
6.根据权利要求4所述的一种基于深度学习的CT影像肺结节检测系统，其特征在于：所述去假阳算法包括以下步骤：
S2321：输入影像数据；
S2322：候选肺结节提取；
S2323：肺结节分割；
S2324：特征提取；
S2325：训练分类器；
S2326：输出肺结节。
7.根据权利要求1所述的一种基于深度学习的CT影像肺结节检测系统，其特征在于：所述步骤S4中是利用生成的检测模型，检测模型可以直接处理同类型问题的全新的数据，并自动给出分析结果，并对肺部CT序列影像进行诊断以及标记，并给出肺结节检测结果。
8.根据权利要求1所述的一种基于深度学习的CT影像肺结节检测系统，其特征在于：所述步骤S6中医生是根据临床中患者实际的病况与检测模型检测的结果进行判断，如果出现较大偏差，需要对检测模型进行修正，从而获取新的检测模型。
CN202010823981.5A 2020-08-17 2020-08-17 一种基于深度学习的ct影像肺结节检测系统 Pending CN112116558A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010823981.5A CN112116558A (zh) 2020-08-17 2020-08-17 一种基于深度学习的ct影像肺结节检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010823981.5A CN112116558A (zh) 2020-08-17 2020-08-17 一种基于深度学习的ct影像肺结节检测系统

Publications (1)

Publication Number Publication Date
CN112116558A true CN112116558A (zh) 2020-12-22

Family

ID=73804175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010823981.5A Pending CN112116558A (zh) 2020-08-17 2020-08-17 一种基于深度学习的ct影像肺结节检测系统

Country Status (1)

Country Link
CN (1) CN112116558A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020006216A1 (en) * 2000-01-18 2002-01-17 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
CN105469419A (zh) * 2016-01-07 2016-04-06 于翠妮 一种基于ct影像的肺结节检测方法
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
CN108446730A (zh) * 2018-03-16 2018-08-24 北京推想科技有限公司 一种基于深度学习的ct肺结节检测方法
CN109785963A (zh) * 2019-01-16 2019-05-21 成都蓝景信息技术有限公司 基于深度学习技术的肺结节筛查算法
CN110473168A (zh) * 2019-07-09 2019-11-19 天津大学 一种基于3d挤压-激励残差网络的肺结节自动检测系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020006216A1 (en) * 2000-01-18 2002-01-17 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
CN1395713A (zh) * 2000-01-18 2003-02-05 芝加哥大学 在计算x光断层摄影扫描中用于肺肿瘤二维和三维检测的方法、系统和计算机可读介质
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
CN105469419A (zh) * 2016-01-07 2016-04-06 于翠妮 一种基于ct影像的肺结节检测方法
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
CN108446730A (zh) * 2018-03-16 2018-08-24 北京推想科技有限公司 一种基于深度学习的ct肺结节检测方法
CN109785963A (zh) * 2019-01-16 2019-05-21 成都蓝景信息技术有限公司 基于深度学习技术的肺结节筛查算法
CN110473168A (zh) * 2019-07-09 2019-11-19 天津大学 一种基于3d挤压-激励残差网络的肺结节自动检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖健, 基于CT影像的肺结节检测算法研究, pages 9 - 45 *

Similar Documents

Publication Publication Date Title
Gozes et al. Rapid ai development cycle for the coronavirus (covid-19) pandemic: Initial results for automated detection & patient monitoring using deep learning ct image analysis
CN110969622B (zh) 用于辅助肺炎诊断的图像处理方法和系统
Qian et al. M $^ 3$ Lung-Sys: A deep learning system for multi-class lung pneumonia screening from CT imaging
CN111429407B (zh) 基于双通道分离网络的胸部x光疾病检测装置及方法
Putha et al. Can artificial intelligence reliably report chest x-rays?: Radiologist validation of an algorithm trained on 2.3 million x-rays
Panetta et al. Automated detection of COVID-19 cases on radiographs using shape-dependent Fibonacci-p patterns
Li et al. COVID-GATNet: A deep learning framework for screening of COVID-19 from chest X-ray images
CN113420826B (zh) 一种肝脏病灶图像处理系统及图像处理方法
Abdollahi et al. An artificial intelligence system for detecting the types of the epidemic from X-rays: artificial intelligence system for detecting the types of the epidemic from X-rays
WO2021209887A1 (en) Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis
Bhosale et al. Deep convolutional neural network based Covid-19 classification from radiology X-Ray images for IoT enabled devices
Ragab et al. Multiclass classification of chest X-ray images for the prediction of COVID-19 using capsule network
Li et al. Computer‐Aided Diagnosis of COVID‐19 CT Scans Based on Spatiotemporal Information Fusion
Serener et al. Deep learning to distinguish COVID-19 from other lung infections, pleural diseases, and lung tumors
CN111180026A (zh) 专科诊疗视图系统及方法
Peña-Solórzano et al. Findings from machine learning in clinical medical imaging applications–Lessons for translation to the forensic setting
Salem Salamh et al. A study of a new technique of the CT scan view and disease classification protocol based on level challenges in cases of coronavirus disease
Mehmood et al. Smart health care system for early detection of COVID-19 using X-ray scans
Liong-Rung et al. Using artificial intelligence to establish chest x-ray image recognition model to assist crucial diagnosis in elder patients with dyspnea
Messaoud et al. Virtual Healthcare Center for COVID‐19 Patient Detection Based on Artificial Intelligence Approaches
Prinzi et al. Explainable machine-learning models for covid-19 prognosis prediction using clinical, laboratory and radiomic features
Xing et al. Automatic detection of A‐line in lung ultrasound images using deep learning and image processing
Makarovskikh et al. Automatic classification Infectious disease X-ray images based on Deep learning Algorithms
CN209770401U (zh) 医学图像快速分析处理系统
CN116344028A (zh) 一种基于多模态异构数据的肺部疾病自动识别方法及装置

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