CN112132801B - 一种基于深度学习的肺大泡病灶检测方法及系统 - Google Patents
一种基于深度学习的肺大泡病灶检测方法及系统 Download PDFInfo
- Publication number
- CN112132801B CN112132801B CN202010985176.2A CN202010985176A CN112132801B CN 112132801 B CN112132801 B CN 112132801B CN 202010985176 A CN202010985176 A CN 202010985176A CN 112132801 B CN112132801 B CN 112132801B
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- neural network
- images
- network model
- 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.)
- Active
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—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
Abstract
本发明提供一种基于深度学习的肺大泡病灶检测方法,包含步骤:S1、读取若干肺大泡患者的胸部CT序列图像并进行预处理,获得若干预处理后的第一CT图像;S2、抽取若干第一CT图像并标注肺部、肺大泡病灶区域,生成训练集和验证集;S3、预训练第一、第二深度卷积神经网络模型,第一深度神经网络模型用于从输入的CT图像中识别肺部区域,第二深度神经网络模型用于从已识别有肺部区域的CT图像中识别肺大泡病灶区域;S4、将待检测患者的CT图像序列输入训练好的第一、第二深度卷积神经网络模型,识别该患者CT图像所包含的肺部区域和肺大泡病灶区域,计算得到该患者肺大泡病灶在其肺中的占比。本发明还提供一种基于深度学习的肺大泡病灶检测系统。
Description
技术领域
本发明涉及医学影像分析领域,具体涉及一种基于深度学习的肺大泡病灶检测方法及系统。
背景技术
肺大泡(Pulmonary bullae,PB)是各种原因导致的肺组织内形成的含气囊腔,在肺部CT上通常表现为薄壁,圆形的空腔性结构,直径大小不等,通常大于1cm。肺大泡是肺气肿的一种表现形式,较多、较大的肺大泡会影响患者的呼吸功能,从而导致肺功能减退,严重影响患者生活质量。如果肺大泡合并肺大泡则患者的肺功能减退更快,预后极差。
当前临床识别肺大泡主要依赖于临床医生对肺部CT图片进行肉眼判断并粗略评估其严重程度,评估准确性完全依赖于医生个人的经验。而且肺部CT影像数据呈现爆炸式增长,极大地增强了医生的工作量,随之在疾病检测过程中容易造成误诊和漏诊。
随着大数据计算机视觉的发展,计算机辅助诊断技术也被用帮助完成基于医学影像的肺大泡疾病诊断,以减轻医生的工作负担。但现有的方法对肺大泡识别率较低,并且识别速度较慢。
因此,目前亟需一种基于深度学习的肺大泡病灶检测方法及系统,以提高肺大泡检测的精确度和效率。
发明内容
本发明的目的本发明提供一种基于深度学习的肺大泡病灶检测方法及系统,能够自动识别待检测患者CT序列图像中的肺部区域,并从识别的肺部区域中进一步识别出肺大泡区域,同时还自动计算得到该患者的肺大泡在其肺中的占比。
为了达到上述目的,本发明提供一种基于深度学习的肺大泡病灶检测方法,包含步骤:
S1、读取若干肺大泡患者的胸部CT序列图像并进行预处理,获得若干预处理后的第一CT图像;
S2、抽取若干第一CT图像并标注肺部区域和肺大泡病灶区域,基于标注的第一CT图像生成训练集和验证集;
S3、通过所述训练集和验证集预训练第一、第二深度卷积神经网络模型;所述第一深度神经网络模型用于从输入的CT图像中识别肺部区域;所述第二深度神经网络模型用于从已识别有肺部区域的CT图像中识别肺大泡病灶区域;
S4、将待检测患者的CT图像序列输入训练好的第一、第二深度卷积神经网络模型,识别该患者CT图像序列中的每个CT图像所包含的肺部区域和肺大泡病灶区域;计算得到该患者肺大泡病灶在其肺中的占比。
步骤S1所述进行预处理包含:
S11、依据预设肺窗窗宽和肺窗窗位,对肺大泡患者的胸部CT序列图像进行肺窗处理;
S12、对肺窗处理后的所述CT序列图像的每个CT图像进行重采样,将该CT图像裁剪为设定的分辨率大小,获得对应的第一CT图像。
步骤S11中所述肺窗处理包含:
S111、对所述CT序列图像中每个CT图像的每个像素的CT值进行调整,使每个像素的CT值位于所述窗宽和所述窗位界定的CT值范围内;
S112、将像素的CT值归一化至[0,255]之间。
步骤S2包含:
S21、为每个肺大泡患者抽取相同数量的所述第一CT图像,且抽取的第一CT图像包含肺部图像和肺大泡病灶;
S22、采用不同颜色填充的语义分割方式标注第一CT图像中的肺部区域和肺大泡病灶区域;
S23、通过水平翻转第一CT图像生成对应的第二CT图像;通过缩放第一、第二CT图像得到对应的第三、第四CT图像;从第一至第四CT图像中选取部分CT图像建立训练集,其余CT图像归于验证集。
步骤S3中所述第一、第二深度卷积神经网络模型采用相同的AttentionSEResUNet神经网络模型;
所述AttentionSEResUnet神经网络模型包括依序连接的输入卷积层、第一至第四下采样层、残差模块、第一至第四上采样层、输出卷积层;第i层下采样层与第5-i层上采样层之间按通道拼接,1≤i≤4;第一至第四下采样层为注意力机制池化层;第一至第四上采样层为反卷积层;
所述输入卷积层具有3×3的卷积核;所述输出卷积层具有1×1的卷积核。
所述AttentionSEResUNet神经网络模型的损失函数为dice函数,梯度下降器为Adam函数;输出卷积层的激活函数采用sigmoid函数;当损失函数的计算值小于设定的第一阈值或迭代次数达到预设的第二阈值,AttentionSEResUnet神经网络模型停止迭代更新。
所述注意力机制池化层包含挤压激发模块/残差模块,以及连接所述挤压激发模块/残差模块的最大池化层。
步骤S4包含:
S41、将待检测患者的CT图像序列输入训练好的第一深度卷积神经网络模型,识别得到该CT图像序列中包含肺部区域的若干第五CT图像;
S42、将所有第五CT图像中肺部区域的面积进行累加,得到面积值S;
S43、将所述第五CT图像输入训练好的第二深度卷积神经网络模型,识别该第五CT图像序列中包含的肺大泡区域;将所有第五CT图像中肺大泡区域的面积进行累加,得到面积值s;
本发明还提供一种基于深度学习的肺大泡病灶检测系统,用于实现本发明所述的基于深度学习的肺大泡病灶检测方法,包含设置在本地主机的:
数据加载模块,用于获取待检测患者的CT序列图像;
预处理模块,用于对获取的CT序列图像进行肺窗处理并裁切为设定的大小,得到若干预处理后的CT图像;
肺部区域识别模块,其包含有训练好的第一深度卷积神经网络模型,通过所述第一深度卷积神经网络模型识别所述预处理后的CT图像中包含肺部区域的CT图像;
肺大泡区域识别模块,其包含有训练好的第二深度卷积神经网络模型,通过所述第二深度卷积神经网络模型识别所述包含肺部区域的CT图像中的肺大泡区域;
肺大泡占比计算模块,用于计算得到该患者肺大泡病灶在其肺中的占比。
本发明还提供一种基于深度学习的肺大泡病灶检测系统,用于实现本发明所述的基于深度学习的肺大泡病灶检测方法,包含:
数据加载模块,用于获取待检测患者的CT序列图像;
数据传输模块,用将待检测患者的CT序列图像上传至云服务器;
设置在云服务器的预处理模块、肺部区域识别模块、肺大泡区域识别模块、肺大泡占比计算模块:
所述预处理模块用于对上传的CT序列图像进行肺窗处理并裁切为设定的大小,得到若干预处理后的CT图像;
所述肺部区域识别模块包含有训练好的第一深度卷积神经网络模型,通过所述第一深度卷积神经网络模型识别所述预处理后的CT图像中包含肺部区域的CT图像;
所述肺大泡区域识别模块包含有训练好的第二深度卷积神经网络模型,通过所述第二深度卷积神经网络模型识别所述包含肺部区域的CT图像中的肺大泡区域;
所述肺大泡占比计算模块用于计算得到该患者肺大泡病灶在其肺中的占比;通过所述数据传输模块将计算得到的占比从云服务器传输至本地主机。
与现有技术相比,本发明的有益效果在于:
本发明中采用基于AttentionSEResUNet架构的第一、第二深度卷积神经网络模型,来代替人工进行肺大泡病灶的检测、提取与计算功能。相比人工评估方式,本发明在检测速度、检测范围和检测准确度上均有大幅提升和改进,同时也提高了疾病诊断的稳定性和效率:
1)检测速度,现有技术中,每个患者CT大致需要10-15分钟才能有诊断结果。通过本发明整个提取肺部区域、检测肺大泡区域、计算肺大泡占比的过程均实现了全自动化、数字化和智能化,每个患者约需要90至100秒即可获得检测结果,检测速度是人工评估方式的10倍;
2)检测范围,人工评估方式仅对代表层(有典型病灶特征的CT图像)进行检测,而人工智能方式将整个患者CT影像均纳入检测范围,在完成肺提取后,对患者CT序列图像中的全部数百个CT图像进行检测,检测范围大大提升;
3)检测精度,本发明通过对训练集和测试集中每个CT图像进行精确的病灶面积的像素级分割,使得对肺大泡病灶的计算和评估结果更为精确。
附图说明
为了更清楚地说明本发明技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,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为本发明的基于深度学习的肺大泡病灶检测方法流程图;
图2为本发明中的AttentionSEResUnet神经网络模型架构示意图;
图2A为本发明中的ResBlock结构示意图;
图2B为本发明中的SE Block结构示意图;
图3为本发明实施例中的一个第一CT图像示例;
图4为从图3的第一CT图像中的肺部区域示意图;
图5为从图4中识别的肺部区域进一步识别出的肺大泡病灶区域示意图;
图6为本发明的系统设置在本地示意图;
图6A为本发明的系统设置在云服务器示意图;
图中:1、数据加载模块;2、预处理模块;3、肺部区域识别模块;4、肺大泡区域识别模块;5、肺大泡占比计算模块;6、数据传输模块。
具体实施方式
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他实施例,都属于本发明保护的范围。
本发明提供一种基于深度学习的肺大泡病灶检测方法,如图1所示,包含步骤:
S1、读取若干肺大泡患者的胸部CT序列图像并进行预处理,获得若干预处理后的第一CT图像;(对患者的CT扫描中包含了多个扫描层,一个扫描层对应一个CT图像,患者所有扫描层的CT扫描结果构成CT序列图像)图3为本发明实施例中的一个第一CT图像示例。
步骤S1所述进行预处理包含:
S11、依据预设肺窗窗宽和肺窗窗位,对肺大泡患者的胸部CT序列图像进行肺窗处理;
S12、对肺窗处理后的所述CT序列图像的每个CT图像进行重采样,将该CT图像裁剪为设定的分辨率大小,获得对应的第一CT图像。
步骤S11中所述肺窗处理包含:
S111、对所述CT序列图像中每个CT图像的每个像素的CT值进行调整,使每个像素的CT值位于所述窗宽和所述窗位界定的CT值范围内;
S112、将像素的CT值归一化至[0,255]之间。
S2、抽取若干第一CT图像并标注肺部区域和肺大泡病灶区域,基于标注的第一CT图像生成训练集和验证集;
步骤S2包含:
S21、为每个肺大泡患者抽取相同数量的所述第一CT图像,且抽取的第一CT图像包含肺部图像和肺大泡病灶;
S22、采用不同颜色填充的语义分割方式标注第一CT图像中的肺部区域和肺大泡病灶区域;
S23、通过水平翻转第一CT图像生成对应的第二CT图像;通过缩放第一、第二CT图像得到对应的第三、第四CT图像;从若干第一至第四CT图像中选取部分CT图像建立训练集,其余CT图像归于验证集。
S3、通过所述训练集和验证集预训练第一、第二深度卷积神经网络模型;所述第一深度神经网络模型用于从输入的CT图像中识别肺部区域;所述第二深度神经网络模型用于从已识别有肺部区域的CT图像中识别肺大泡病灶区域;从图3的第一CT图像中识别的肺部区域如图4所示;从图4的肺部区域中识别的肺大泡区域如图5所示。
步骤S3中所述第一、第二深度卷积神经网络模型采用相同的AttentionSEResUNet神经网络模型;
如图2所示,所述AttentionSEResUnet神经网络模型包括依序连接的输入卷积层(具有3×3的卷积核)、第一至第四下采样层、残差模块、第一至第四上采样层、输出卷积层(具有1×1的卷积核);第i层下采样层与第5-i层上采样层之间按通道拼接,1≤i≤4;第一至第四下采样层为注意力机制池化层;第一至第四上采样层可以是残差模块加反卷积层或者挤压激发模块加反卷积层。图2中的“ch”表示通道数。
所述AttentionSEResUNet神经网络模型的损失函数为dice函数,梯度下降器为Adam函数;输出卷积层的激活函数采用sigmoid函数,sigmoid函数输出值的取值范围为[0,1];当损失函数的计算值小于设定的第一阈值或迭代次数达到预设的第二阈值,AttentionSEResUnet神经网络模型停止迭代更新。
所述注意力机制池化层包含挤压激发模块/残差模块,以及连接所述挤压激发模块/残差模块的最大池化层。
如图2A所示,本发明的实施例中,所述残差模块(ResBlock)包含:互相连接的两个注意力残差单元,分别为第一、第二注意力残差单元;所述注意力残差单元包括依次连接的第一卷积层(具有3×3的卷积核)、激活层(采用relu函数)和批归一化处理层;第四上采样层的输出作为第一注意力残差单元第一卷积层的输入;第二注意力残差单元批归一化处理层的输出作为第一上采样层的输入;第四上采样层的输出与第二注意力残差单元归一化处理层的输出叠加作为所述残差模块的输出。
所述第一卷积层用于对其输入信息进行卷积处理,输出第一特征图;所述激活层用于将所述第一特征图映射为[0,1]区间中的对应概率值;所述批归一化处理层用于对所述第一特征图、所述输入信息以及所述输入信息和目标权重的乘积进行叠加,并将叠加得到的结果作为所述注意力残差单元的输出信息;其中,所述目标权重指示所述输入信息包含的特征与肺部区域或肺大泡病灶区域识别结果的关联程度。所述目标权重为所述概率值与针对第一卷积层输入信息预设的空间特征响应权重的乘积。
挤压激发模块(SE Block)主要是考虑到了不同通道之间所占的重要性可能不一样,而以前的神经网络中并没有考虑到这一点,而是把所有通道的重要性当成一样来处理的。SE Block中不同的通道的重要性是通过学到的一组权值来分级的,相当于经过加入权值进来之后,对原来的特征的一个重新的标定。
如图2B所示,本发明的实施例中的SE Block包含:残差模块以及依序连接的GAP(全局平均池化GAP Global average pooling)层、FC(全连接层)、Relu层、FC、Sigmoid层。
从第四下采样层输出之后的特征维度是h×w×c,第四下采样层的输出作为GAP层和残差模块的输入,从GAP层出来的维度是1×1×c;经过一个FC层和一个Relu层后,出来的维度是r是设定的数值;然后再经过一个FC层和一个Sigmoid层,输出的维度是1×1×c。这一步做完之后出来了c个权值;得到的c个权值,将该c个权值分别加权到残差模块输出结果中每个通道的特征上。通过SE Block模块学习每个通道的重要程度,增强有用的特征抑制无用的特征。
S4、将待检测患者的CT图像序列输入训练好的第一、第二深度卷积神经网络模型,识别该患者CT图像序列中的每个CT图像所包含的肺部区域和肺大泡病灶区域;计算得到该患者肺大泡病灶在其肺中的占比。
步骤S4包含:
S41、将待检测患者的CT图像序列输入训练好的第一深度卷积神经网络模型,识别得到该CT图像序列中包含肺部区域的若干第五CT图像;
S42、将所有第五CT图像中肺部区域的面积进行累加,得到面积值S;
S43、将所述第五CT图像输入训练好的第二深度卷积神经网络模型,识别该第五CT图像序列中包含的肺大泡区域;将所有第五CT图像中肺大泡区域的面积进行累加,得到面积值s;
如图6所示,本发明还提供一种基于深度学习的肺大泡病灶检测系统,用于实现本发明所述的基于深度学习的肺大泡病灶检测方法,包含设置在本地主机的:
数据加载模块1,用于获取待检测患者的CT序列图像,所述CT序列图像可以预先存放在存储介质内;
预处理模块2,用于对获取的CT序列图像进行肺窗处理并裁切为设定的大小,得到若干预处理后的CT图像;
肺部区域识别模块3,其包含有训练好的第一深度卷积神经网络模型,通过所述第一深度卷积神经网络模型识别所述预处理后的CT图像中包含肺部区域的CT图像;
肺大泡区域识别模块4,其包含有训练好的第二深度卷积神经网络模型,通过所述第二深度卷积神经网络模型识别所述包含肺部区域的CT图像中的肺大泡区域;
肺大泡占比计算模块5,用于计算得到该患者肺大泡病灶在其肺中的占比。
如图6A所示,本发明还提供一种基于深度学习的肺大泡病灶检测系统,用于实现本发明所述的基于深度学习的肺大泡病灶检测方法,包含:
数据加载模块1,用于获取待检测患者的CT序列图像;
数据传输模块6,用将待检测患者的CT序列图像上传至云服务器;
设置在云服务器的预处理模块2、肺部区域识别模块3、肺大泡区域识别模块4、肺大泡占比计算模块5:
所述预处理模块2用于对上传的CT序列图像进行肺窗处理并裁切为设定的大小,得到若干预处理后的CT图像;
所述肺部区域识别模块3包含有训练好的第一深度卷积神经网络模型,通过所述第一深度卷积神经网络模型识别所述预处理后的CT图像中包含肺部区域的CT图像;
所述肺大泡区域识别模块4包含有训练好的第二深度卷积神经网络模型,通过所述第二深度卷积神经网络模型识别所述包含肺部区域的CT图像中的肺大泡区域;
所述肺大泡占比计算模块5用于计算得到该患者肺大泡病灶在其肺中的占比;通过所述数据传输模块6将计算得到的占比从云服务器传输至本地主机。
实施例
(一)数据准备
通过对60个患者的CT影像数据进行了预处理,并在每个患者的CT序列图像中抽取12片有较为严重的肺大泡的病灶进行了精确标注。标注方式包括了肺部区域标注和病灶区域标注,标注采用不同颜色填充的语义分割方式,精确到像素级。
(二)模型训练
经过上述操作生成带有标注信息的720例样本数据,通过对样本数据进行水平翻转与缩放(改变CT图像中局部结构在整体影像中的比例)实现数据增广至2880例。按训练集与验证集9:1的比例进行对第一、第二深度卷积神经网络模型进行训练,采用早停机制监控验证集的损失值,每个模型经过24轮迭代后,训练完成。获得训练好的第一、第二深度卷积神经网络模型。
(三)模型性能评估
在12个患者所生成的测试集上进行肺大泡检测功能评估,得到dice系数(即模型预测结果与标注区域的重合度)为0.85。
(四)智能诊断实施方式
部署方式。本发明的基于深度学习的肺大泡病灶检测系统具有两种部署方式,分别为云端在线部署与本地的离线版本部署。云端在线可提供实时诊断与历史诊断结果浏览的功能,在诊断时需要上传原始CT影像,根据云端GPU配置情况得出预测结果。离线版本基于本地的GPU计算资源,可以在不依赖网络的环境下,做到离线处理并获得预测结果。
环境要求:由于基于深度学习的神经网络模型需要GPU硬件运算支持,不管是云端环境还是离线环境都需要GPU支持,推荐配置为Nvidia GTX2080(显存8G),其他硬件环境要求为CPU 4核以上,内存16G以上,硬盘100G以上。软件环境要求为windows或linux环境,python 3.7以上,tensorflow 2.0以上,pytorch 1.5以上,与支持DICOM读取与图像处理的软件包等。
生成诊断结果:在智能诊断过程,首先读取相关介质(U盘或光盘)上基于DICOM格式的患者CT影像目录,将其上传到云端或拷贝到本地应用软件环境中。其次,通过存储在云端或本地的肺部区域识别模块3、肺大泡区域识别模块4对患者肺大泡病灶进行检测。最后,通过约90~100秒的预测时间后,即可完成对患者CT影像的检测并显示诊断结果(肺大泡占比)。
在本发明中的实施例中,所述基于深度学习的肺大泡病灶检测系统还包含存储单元和检索单元,所述存储单元用于存储患者的CT序列图像及历史诊断结果;所述检索单元用于查询存储单元保存的患者CT序列图像及历史诊断结果。
在本发明中的实施例中,所述基于深度学习的肺大泡病灶检测系统还包含阅片单元,用于可视化的显示CT图像。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于深度学习的肺大泡病灶检测方法,其特征在于,包含步骤:
S1、读取若干肺大泡患者的胸部CT序列图像并进行预处理,获得若干预处理后的第一CT图像;
S2、抽取若干第一CT图像并标注肺部区域和肺大泡病灶区域,基于标注的第一CT图像生成训练集和验证集;
S3、通过所述训练集和验证集预训练第一、第二深度卷积神经网络模型;所述第一深度神经网络模型用于从输入的CT图像中识别肺部区域;所述第二深度神经网络模型用于从已识别有肺部区域的CT图像中识别肺大泡病灶区域;所述第一、第二深度卷积神经网络模型采用相同的AttentionSEResUNet神经网络模型;
所述AttentionSEResUnet神经网络模型包括依序连接的输入卷积层、第一至第四下采样层、残差模块、第一至第四上采样层、输出卷积层;第i层下采样层与第5-i层上采样层之间按通道拼接,1≤i≤4;第一至第四下采样层为注意力机制池化层;所述输入卷积层具有3×3的卷积核;所述输出卷积层具有1×1的卷积核;
所述注意力机制池化层包含挤压激发模块/残差模块,以及连接所述挤压激发模块/残差模块的最大池化层;
第一至第四上采样层为残差模块加反卷积层或者挤压激发模块加反卷积层;
S4、将待检测患者的CT图像序列输入训练好的第一、第二深度卷积神经网络模型,识别该患者CT图像序列中的每个CT图像所包含的肺部区域和肺大泡病灶区域;计算得到该患者肺大泡病灶在其肺中的占比;
步骤S4包含:
S41、将待检测患者的CT图像序列输入训练好的第一深度卷积神经网络模型,识别得到该CT图像序列中包含肺部区域的若干第五CT图像;
S42、将所有第五CT图像中肺部区域的面积进行累加,得到面积值S;
S43、将所述第五CT图像输入训练好的第二深度卷积神经网络模型,识别该第五CT图像序列中包含的肺大泡区域;将所有第五CT图像中肺大泡区域的面积进行累加,得到面积值s;
2.如权利要求1所述的基于深度学习的肺大泡病灶检测方法,其特征在于,步骤S1所述进行预处理包含:
S11、依据预设肺窗窗宽和肺窗窗位,对肺大泡患者的胸部CT序列图像进行肺窗处理;
S12、对肺窗处理后的所述CT序列图像的每个CT图像进行重采样,将该CT图像裁剪为设定的分辨率大小,获得对应的第一CT图像。
3.如权利要求2所述的基于深度学习的肺大泡病灶检测方法,其特征在于,步骤S11中所述肺窗处理包含:
S111、对所述CT序列图像中每个CT图像的每个像素的CT值进行调整,使每个像素的CT值位于所述窗宽和所述窗位界定的CT值范围内;
S112、将像素的CT值归一化至[0,255]之间。
4.如权利要求1所述的基于深度学习的肺大泡病灶检测方法,其特征在于,步骤S2包含:
S21、为每个肺大泡患者抽取相同数量的所述第一CT图像,且抽取的第一CT图像包含肺部图像和肺大泡病灶;
S22、采用不同颜色填充的语义分割方式标注第一CT图像中的肺部区域和肺大泡病灶区域;
S23、通过水平翻转第一CT图像生成对应的第二CT图像;通过缩放第一、第二CT图像得到对应的第三、第四CT图像;从第一至第四CT图像中选取部分CT图像建立训练集,其余CT图像归于验证集。
5.如权利要求1所述的基于深度学习的肺大泡病灶检测方法,其特征在于,所述AttentionSEResUNet神经网络模型的损失函数为dice函数,梯度下降器为Adam函数;输出卷积层的激活函数采用sigmoid函数;当损失函数的计算值小于设定的第一阈值或迭代次数达到预设的第二阈值,AttentionSEResUnet神经网络模型停止迭代更新。
6.一种基于深度学习的肺大泡病灶检测系统,用于实现如权利要求1至5任一所述的基于深度学习的肺大泡病灶检测方法,其特征在于,包含设置在本地主机的:
数据加载模块,用于获取待检测患者的CT序列图像;
预处理模块,用于对获取的CT序列图像进行肺窗处理并裁切为设定的大小,得到若干预处理后的CT图像;
肺部区域识别模块,其包含有训练好的第一深度卷积神经网络模型,通过所述第一深度卷积神经网络模型识别所述预处理后的CT图像中包含肺部区域的CT图像;
肺大泡区域识别模块,其包含有训练好的第二深度卷积神经网络模型,通过所述第二深度卷积神经网络模型识别所述包含肺部区域的CT图像中的肺大泡区域;
肺大泡占比计算模块,用于计算得到该患者肺大泡病灶在其肺中的占比。
7.一种基于深度学习的肺大泡病灶检测系统,用于实现如权利要求1至5任一所述的基于深度学习的肺大泡病灶检测方法,其特征在于,包含:
数据加载模块,用于获取待检测患者的CT序列图像;
数据传输模块,用将待检测患者的CT序列图像上传至云服务器;
设置在云服务器的预处理模块、肺部区域识别模块、肺大泡区域识别模块、肺大泡占比计算模块:
所述预处理模块用于对上传的CT序列图像进行肺窗处理并裁切为设定的大小,得到若干预处理后的CT图像;
所述肺部区域识别模块包含有训练好的第一深度卷积神经网络模型,通过所述第一深度卷积神经网络模型识别所述预处理后的CT图像中包含肺部区域的CT图像;
所述肺大泡区域识别模块包含有训练好的第二深度卷积神经网络模型,通过所述第二深度卷积神经网络模型识别所述包含肺部区域的CT图像中的肺大泡区域;
所述肺大泡占比计算模块用于计算得到该患者肺大泡病灶在其肺中的占比;通过所述数据传输模块将计算得到的占比从云服务器传输至本地主机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985176.2A CN112132801B (zh) | 2020-09-18 | 2020-09-18 | 一种基于深度学习的肺大泡病灶检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985176.2A CN112132801B (zh) | 2020-09-18 | 2020-09-18 | 一种基于深度学习的肺大泡病灶检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132801A CN112132801A (zh) | 2020-12-25 |
CN112132801B true CN112132801B (zh) | 2023-05-05 |
Family
ID=73842882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010985176.2A Active CN112132801B (zh) | 2020-09-18 | 2020-09-18 | 一种基于深度学习的肺大泡病灶检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132801B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950548A (zh) * | 2021-02-04 | 2021-06-11 | 复旦大学附属中山医院 | 基于数字胃癌病理切片的筛查系统 |
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 |
CN113762265B (zh) * | 2021-08-27 | 2024-05-07 | 慧影医疗科技(北京)股份有限公司 | 肺炎的分类分割方法及系统 |
CN113781597B (zh) * | 2021-09-27 | 2024-02-09 | 山东新一代信息产业技术研究院有限公司 | 一种肺部ct图像的病灶识别方法、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109685776B (zh) * | 2018-12-12 | 2021-01-19 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及系统 |
CN110969622B (zh) * | 2020-02-28 | 2020-07-24 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和系统 |
CN111415743B (zh) * | 2020-03-17 | 2021-07-09 | 推想医疗科技股份有限公司 | 肺炎分类方法、装置、介质及电子设备 |
CN111539944B (zh) * | 2020-04-28 | 2024-04-09 | 讯飞医疗科技股份有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111598853B (zh) * | 2020-04-30 | 2024-02-13 | 讯飞医疗科技股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
CN111260671A (zh) * | 2020-05-07 | 2020-06-09 | 北京精诊医疗科技有限公司 | 一种ct影像肺部分叶方法及系统 |
-
2020
- 2020-09-18 CN CN202010985176.2A patent/CN112132801B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112132801A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132801B (zh) | 一种基于深度学习的肺大泡病灶检测方法及系统 | |
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
CN112132800B (zh) | 基于深度学习的肺纤维化检测与严重度评估方法及系统 | |
CN111493935B (zh) | 基于人工智能的超声心动图自动预测识别方法及系统 | |
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 | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
CN112508953B (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
CN113205524B (zh) | 基于U-Net的血管图像分割方法、装置和设备 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN114549541A (zh) | 一种基于眼底图像的心脑血管疾病发生种类及风险预测方法、系统、计算机设备及存储介质 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
EP4064187A1 (en) | Automatic hemorrhage expansion detection from head ct images | |
CN116977338A (zh) | 基于视觉语义联合的染色体病例级异常提示系统 | |
CN116630263A (zh) | 基于深度神经网络的焊缝x射线图像缺陷检测与识别方法 | |
CN114821070A (zh) | 一种基于改进U-Net型网络的心脏MRI分割方法 | |
CN113902738A (zh) | 一种心脏mri分割方法及系统 | |
CN114972266A (zh) | 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法 | |
CN114399511A (zh) | 一种脉络膜亚层和脉络膜血管分割网络模型及其训练方法 | |
CN112530554A (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
KR20210145359A (ko) | 신부전증의 진단에 대한 정보 제공 방법 및 이를 이용한 디바이스 | |
CN110786839A (zh) | 瞬时无波形比值的生成方法、装置、设备及介质 | |
CN116523857B (zh) | 基于弥散张量图像的听力状态预测装置、方法 | |
US20240135254A1 (en) | Performing classification tasks using post-hoc estimators for expert deferral |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |