CN112381779A - 肺癌tnm分期获取方法、装置及显示方法 - Google Patents

肺癌tnm分期获取方法、装置及显示方法 Download PDF

Info

Publication number
CN112381779A
CN112381779A CN202011250998.2A CN202011250998A CN112381779A CN 112381779 A CN112381779 A CN 112381779A CN 202011250998 A CN202011250998 A CN 202011250998A CN 112381779 A CN112381779 A CN 112381779A
Authority
CN
China
Prior art keywords
nodule
stages
region
medical image
stage
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
CN202011250998.2A
Other languages
English (en)
Inventor
石磊
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.)
Hangzhou Yitu Medical Technology Co ltd
Original Assignee
Hangzhou Yitu Medical Technology 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 Hangzhou Yitu Medical Technology Co ltd filed Critical Hangzhou Yitu Medical Technology Co ltd
Priority to CN202011250998.2A priority Critical patent/CN112381779A/zh
Publication of CN112381779A publication Critical patent/CN112381779A/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

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

Abstract

本发明公开了一种肺癌TNM分期获取方法，包括：识别医学影像中的目标结节。获取所述目标结节的长短径，至少基于所述长短径生成T分期。识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期。获取所述目标结节是否有远处转移，并根据是否有远处转移生成M分期。根据所述T分期、N分期和M分期生成TNM分期。本发明通过对结节识别模型、结节分割模型及淋巴结转移识别模型的训练，并利用所述模型输出的信息自动生成T分期和N分期，再结合医生输入或通过访问病历等方式判断是否有远处转移信息生成M分期。本发明的技术方案有效的提高了TNM分期的生成效率，便于医生快速了解患者的病情，提高了诊断的效率。

Description

肺癌TNM分期获取方法、装置及显示方法
技术领域
本发明涉及机器学习技术领域，尤其涉及结合图像识别自动获取肺癌TNM分期的方法、装置及肺癌TNM分期显示方法。
背景技术
肺内肿瘤TNM分期是目前临床上普遍采用的肺癌分期标准，通过3个方面分期的组成综合判断肺癌的分期，其具体包括：用于表示原发肿瘤大小、位置，距离组织气管和隆突的远近，有没有侵犯胸膜、胸壁，有没有肺不张或者肺炎，是否侵及纵隔或心脏大血管等内容的T分期；用于表示区域淋巴结，包括肺内、肺门、纵隔和远处的淋巴结是否存在转移的N分期；用于表示有没有远处转移的M分期。
目前医生在计算肺内肿瘤(由于肺内肿瘤在影像上的表现通常是结节/肿块，而结节/肿块的差异主要在于大小，因此以下统一简称结节)TNM分期时，用最原始的方式进行，如用纸笔记录信息，并对参照TNM分期规则的表格进行评估后写入病历中。因此，每次在确定TNM分期时，均需医生亲自测量结节大小，记录结节位置，确定相关信息并对照表格查其TNM分期，采用此种方式确定TNM分期，效率低且容易出错。
发明内容
为了解决背景技术中提到的问题，本发明提供一种肺癌TNM分期获取方法，通过人工智能自动获取T分期和N分期，再结合获取的M分期快速的生成TNM分期报告。
为了提供上述目的，本发明提供一种肺癌TNM分期获取方法，包括：
识别医学影像中的目标结节；
获取所述目标结节的长短径，至少基于所述长短径生成T分期；
识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期；
获取所述目标结节是否有远处转移，并根据是否有远处转移生成M分期；
根据所述T分期、N分期和M分期生成TNM分期。
可选的，所述识别医学影像中的目标结节，包括：
获取医学影像中结节的置信度；
将置信度大于预设阈值的结节作为医学影像中的目标结节。
可选的，所述获取医学影像中结节的置信度，包括：
获取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，所述肺癌TNM分期获取方法还包括：
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。
可选的，所述获取所述目标结节的长短径，至少基于所述长短径生成T分期，包括：
根据目标结节的感兴趣区域以及结节分割模型从医学影像中分割出结节区域；
通过对结节区域进行测量确定目标结节的长短径。
可选的，所述根据目标结节的感兴趣区域以及结节分割模型从医学影像中分割出结节区域，包括：
将所述感兴趣区域依次通过M个3D卷积特征提取块提取感性趣区域的特征图像，M大于0；
将感兴趣区域的特征图像经下采样块转化为三维感知视野图像；
通过上采样块对三维感知视野图像进行反卷积，确定感兴趣区域的三维概率分布图；
根据感兴趣区域的三维概率分布图确定结节区域。
可选的，所述通过对结节区域进行测量确定目标结节的长短径，包括：
获取结节区域边界上的N个点的坐标，N大于等于10；
根据N个点的坐标以及椭球方程拟合结节区域对应的椭球及椭球方程；
根据结节区域对应的椭球方程确定结节区域对应的椭球的长轴和短轴；
将结节区域对应的椭球的长轴确定为结节的长径；
将结节区域对应的椭球的短轴确定为结节的短径。
可选的，所述识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期，包括：
识别并定位医学影像中的异常淋巴结；
将所述医学影像输入至关键目标获取模型中，以获取所述医学影像中关键目标的信息；
基于所述异常淋巴结的位置、所述关键目标的信息，确定所述异常淋巴结所在分区；
基于所述异常淋巴结所在分区判断所述异常淋巴结是否有转移；
基于异常淋巴结转移信息生成N分期。
本发明还提供一种肺癌TNM分期获取装置，包括：
目标结节识别单元，用于识别医学影像中的目标结节；
T分期生成单元，用于获取所述目标结节的长短径，至少基于所述长短径生成T分期；
N分期生成单元，用于识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期；
M分期生成单元，用于获取所述目标结节是否有远处转移，并根据是否有远处转移生成M分期；
TNM分期生成单元，用于根据所述T分期、N分期和M分期生成TNM分期。
本发明还提供一种肺癌TNM分期显示方法，包括：
响应于第一操作，
获取所述目标结节的长短径，至少基于所述长短径生成T分期；
识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期；
生成输入远处转移信息提示界面；
当接收到的远处转移信息时，根据所述远处转移信息生成M分期；
显示根据所述T分期、N分期、M分期生成的TNM分期表。
根据本发明的TNM分期获取方法及装置，通过对结节识别模型、结节分割模型及淋巴结转移识别模型的训练，并利用所述模型输出的信息自动生成T分期和N分期，再结合医生输入或通过访问病历等方式判断的是否有远处转移信息生成M分期，有效的提高了TNM分期的生成效率，便于医生快速了解患者的病情，提高了诊断的效率。
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为根据本发明实施例的肺癌TNM分期获取方法流程示意图；
图2为根据本发明实施例的获取结节置信度的流程示意图；
图3为根据本发明实施例的获取目标结节长短径的流程示意图；
图4为根据本发明实施例的判断淋巴结转移的流程示意图；
图5为支气管分叉点的示意图；
图6为左主支气管和右主支气管横切面的示意图中左主支气管和右主支气管相邻的外缘的切线的示意图；
图7为主气管横切面的示意图中主气管后侧外缘的切线和主气管右侧外缘的切线的示意图；
图8(a)为第一动脉汇合成第二动脉的示意图；
图8(b)为第一横切面和第二横切面的示意图；
图9(a)为第一种异常淋巴结分区的示意图；
图9(b)为第二种异常淋巴结分区的示意图；
图9(c)为第三种异常淋巴结分区的示意图；
图10为根据本发明实施例的肺癌TNM分期获取装置示意图。
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为本发明实施例肺癌TNM分期获取方法流程示意图。如图1所示，根据本实施例的肺癌TNM分期获取方法，包括：
S101，识别医学影像中的目标结节。
S102，获取所述目标结节的长短径，至少基于所述长短径生成T分期。
S103，识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期。
S104，获取所述目标结节是否有远处转移，并根据是否有远处转移生成M分期。
S105，根据所述T分期、N分期和M分期生成TNM分期。
执行S101，识别医学影像中的目标结节。本实施例中，识别医学影像中的目标结节，包括：
获取医学影像中结节的置信度。
将置信度大于预设阈值的结节作为医学影像中的目标结节。
本实施例中，所述医学影像是以计算机断层摄影(CT，Computed Tomography)影像为例进行说明。结节的置信度是判断一个结节是否为重要结节的指标，置信度越高对患者的健康影响越大，越需要医生重点关注。本实施例中的肺癌TNM分期获取方法是通过结节的置信度和置信度阈值，针对医生需要重点关注的，重要结节生成T分期。
图2为根据本发明实施例的获取结节置信度的流程示意图。如图2所示，本实施例中获取所述结节的置信度，包括：
S201，获取医学影像中候选结节的三维坐标。
S202，根据所述候选结节的三维坐标从所述医学影像中确定所述候选结节的感兴趣区域。
S203，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。
执行S201，获取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。
执行S202，根据所述候选结节的三维坐标从所述医学影像中确定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。
执行S203，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，也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S202，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_pooling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S202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。
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，如果CT值大于400的像素占据的比例大于范围阈值，则就可以视为骨骼类假阳性的候选结节，从而可以过滤掉。该范围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的数目，如果肺内像素数目和肺外像素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隔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，或者说X轴上相对位置在0.45～0.55之间，则就可以视为是纵隔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。
在通过S203获取候选结节置信度后，将其与预设阈值进行比较，如预设阈值为a，置信度位于[a，100％]之间的结节均为目标结节，所述预设阈值根据医生经验确定。
执行S102，获取所述目标结节的长短径，至少基于所述长短径生成T分期。
图3为根据本发明实施例的获取目标结节长短径的流程示意图。如图3所示，获取所述目标结节的长短径的步骤包括：
S301，根据目标结节的感兴趣区域以及结节分割模型从医学影像中分割出结节区域。
S302，通过对结节区域进行测量确定目标结节的长短径。
所述结节分割模型是采用卷积神经网络对已标记结节区域的多幅结节影像进行训练后确定的。本实施例中，可以将结节影像中的感兴趣区域输入结节分割模型，通过结节分割模型输出结节区域。具体地，目标结节感兴趣区域的大小可以根据实际情况进行设定，由于根据结节的三维坐标从结节影像中确定了包含结节的感兴趣区域，故缩小了检测结节的区域，相较于将整张医学影像输入结节分割模型确定结节区域的方法，将感兴趣区域输入结节分割模型确定结节区域能有效提高结节区域的检测精度和检测效率。
本实施例中，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确定结节分割模型，通过结节分割模型能自动从结节影像中确定结节区域，然后进一步确定结节长短径，相较于人工标记出医学影像中的结节区域再进行测量的方法，本发明实施例的方法效率更高。其次，根据结节的三维坐标从医学影像中确定包含结节的感兴趣区域，然后通过结节分割模型从感兴趣区域中确定结节区域，相较于直接将结节影像输入结节分割模型确定结节区域的方法，本发明实施例检测结节区域的精度更高，进一步也提高检测结节长短径的精度。
在其他实施例中，采用协方差矩阵分解对结节区域进行测量确定结节的长短径。具体过程为：将结节区域的像素集合展开为N×3的矩阵，对此计算协方差矩阵。然后对协方差矩阵进行奇异值分解(Singular value decomposition，简称SVD)，得到一特征向量、一个变换矩阵和一个逆变换矩阵。通过分解得到的变换矩阵，对结节区域的像素集合进行变换，得到新空间坐标系中的各轴。将各轴通过逆变换矩阵转换会原空间，得到原空间坐标系中各轴，原空间坐标系中最长轴即为结节的长径，最短轴即为结节的短径。
在另一实施例中，采用椭球拟合对结节区域进行测量确定结节的长短径。具体过程包括如下步骤：
S401，获取结节区域边界上的N个点的坐标，N大于等于10。
S402，根据N个点的坐标以及椭球方程拟合结节区域对应的椭球及椭球方程。
椭球方程如式(1)所示：
Ax^2+By^2+Cz^2+Dxy+Eyz+Fxz+Gx+Hy+Iz+J＝0………(1)
其中，A、B、C、D、E、F、G、H、I、J为需要求解的10个参数，通过将获取结节区域边界上的10个点的坐标代入公式(1)，即可求得结节区域对应的椭球及椭球方程。
S403，根据结节区域对应的椭球方程确定结节区域对应的椭球的长轴和短轴。
椭球的长轴为椭球中最长的轴，椭球的短轴为椭球中最短的轴。
S404，将结节区域对应的椭球的长轴确定为结节的长径。
S405，将结节区域对应的椭球的短轴确定为结节的短径。
由于结节的形状近似椭球，故将结节拟合为椭球，然后通过测量椭球的长轴和短轴来确定结节长短径，从而一方面简化了测量结节长短径的过程，另一方面提高了测量结节长短径的精度。
下面具体介绍一下通过卷积神经网络训练确定结节分割模型过程，具体包括如下步骤：
S501，获取医学影像作为训练样本。
具体地，可以将获取的多幅结节影像直接作为训练样本，也可以对获取的多幅结节影像进行增强操作，扩大训练样本的数据量，增强操作包括但不限于：随机上下左右平移设定像素(比如0～20像素)、随机旋转设定角度(比如-15～15度)、随机缩放设定倍数(比如0.85～1.15倍)。
S502，人工标记训练样本中结节区域。
可以通过医生等专业人员对训练样本进行标记。具体地，可以由多名医生对结节区域进行标注，并通过多人投票合成的方式确定最终的结节区域，结果用掩码图的方式保存。需要说明的是，人工标记训练样本中结节区域与训练样本的增强操作不分先后，可以先人工标记训练样本中的结节区域，然后再将标记结节区域的训练样本进行增强操作，也可以先将训练样本进行增强操作，然后人工对增强操作后的训练样本进行标记。
S503，将训练样本输入3D卷积神经网络进行训练，确定结节分割模型。
在一种可能的实施方式中，可以直接将已标记结节区域的医学影像作为训练样本输入3D卷积神经网络进行训练，确定结节分割模型。
在另一种可能的实施方式中，可以对已标记结节区域的结节影像进行处理后作为训练样本输入3D卷积神经网络进行训练，确定结节分割模型，具体过程为：针对任意一个已标记结节区域的医学影像，人工标记该医学影像中结节的三维坐标，然后以结节的三维坐标为中心，向周围扩展预设距离，确定包含结节的像素立方体，预设距离为结节的半径的预设倍数。对像素立方体中每一个像素附加一个空间信息通道，确定感兴趣区域，空间信息通道为像素与结节的三维坐标之间的距离。之后再将已标记结节区域的作为训练样本输入3D卷积神经网络进行训练，确定结节分割模型。
该卷积神经网络的结构包括输入层、3D卷积特征提取块、下采样块、上采样块以及输出层，将训练样本输入上述卷积神经网络之后，输出训练样本的概率分布图，将输出的概率分布图与预先标记的训练样本的掩码图进行损失函数计算，然后采用反向传播算法以及SGD优化算法反复迭代，确定结节分割模型。
进一步地，采用上述训练确定的结节分割模型确定医学影像中的结节区域包括以下步骤：
S601，将所述感兴趣区域依次通过M个3D卷积特征提取块提取感兴趣区域的特征图像，M大于0。
S602，将感兴趣区域的特征图像经下采样块转化为三维感知视野图像。
S603，通过上采样块对三维感知视野图像进行反卷积，确定感兴趣区域的三维概率分布图。
S604，根据感兴趣区域的三维概率分布图确定结节区域。
结节分割模型包括一个输入层、M个3D卷积特征提取块、x个下采样块、y个上采样块及一个输出层，M、x、y均大于0，M、x、y具体取值根据实际情况确定。进一步地，3D卷积特征提取块包括3D卷积层、批量化(BN)层、激励函数层，各层的大小可以根据实际情况确定，比如3D卷积特征提取块包括一个3*3*3的卷积层，一个BN层和一个relu激励函数层。下采样块包括3D max pooling下采样层以及3D卷积特征提取块，上采样块包括反卷积上采样层、连接层以及3D卷积特征提取块，其中全连接层连接下采样块的输出结果。
执行S604，根据感兴趣区域的三维概率分布图确定结节区域。
根据预设阈值对感兴趣区域的三维概率分布图进行分割，将感兴趣区域的三维概率分布图分割为概率大于预设阈值的像素块和概率小于预设阈值的像素块，然后将感兴趣区域的概率分布图中大于预设阈值的像素块确定为结节区域。可选地，当感兴趣区域的概率分布图中概率大于预设阈值的像素块为多个时，将体积最大的像素块确定为结节区域。采用上述卷积神经网络对已标记结节区域的多幅医学影像进行训练后，确定结节分割模型，故通过结节分割模型能自动从结节影像中确定结节区域，而不需要通过人工的方式先在结节影像中标定结节区域，然后再估计结节的长短径，从而提高了检测结节的长短径的效率。
通过上述步骤检测到目标结节的长短径后，结合如下T分期表生成T分期。如，未发现原发肿瘤(结节)时T分期为TX，肿瘤的最大径(长径)大于1cm，小于2cm时T分期为T1b。
T分期表
Figure BDA0002771588440000131
需要说明的是，上述T分期表中仅以目标结节长短径为准给出了该目标结节所在的T分期。实际应用中，不同的临床需求在确定T分期时，除考虑目标结节的长短径外，还需考虑目标结节距离组织气管和隆突的远近，目标结节是否侵犯胸膜、胸壁，是否有肺不张或者肺炎等症状，目标结节是否侵及纵隔或心脏大血管等中的一种或多种因素，通过综合考虑前述因素来确定T分期。因此，在其他实施例中，可以利用本实施例获得的目标结节的长短径结合前述一种或多种因素、及与之对应的T分期规则来确定该目标结节的T分期。
执行S103，识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期。
图4为根据本发明实施例的判断异常淋巴结转移的流程示意图。如图4所示，判断异常淋巴结是否有转移的步骤包括：
S701，识别并定位医学影像中的异常淋巴结。
S702，将所述医学影像输入至关键目标获取模型中，以获取所述医学影像中关键目标的信息。
S703，基于所述异常淋巴结的位置、所述关键目标的信息，确定所述异常淋巴结所在分区。
S704，基于所述异常淋巴结所在分区判断所述异常淋巴结是否有转移。
S705，基于异常淋巴结转移信息生成N分期。
执行S701，本领域技术人员知晓，肺癌到一定阶段，肿瘤细胞会转移到淋巴结，通常肿瘤转移性淋巴结称之为异常淋巴结。本实施例中通过定位模型确定医学影像中异常淋巴结的位置，也即通过定位模型输出医学影像中异常淋巴结的位置。此时，可以以异常淋巴结为目标关键点。具体的，定位模型可以包括第一定位模型和第二定位模型，将医学影像输入至第一定位模型，以获得医学影像的各第一关键点的位置(第一关键点可以为异常淋巴结所在区域的点)，将医学影像的至少一个维度的影像层输入至第二定位模型，以获得医学影像在至少一个维度上的各第二关键点的位置(第二关键点可以为异常淋巴结所在区域的点)；其中，任一维度的影像层包括以所述维度的切分平面切分医学影像得到的一帧或多帧连续的医学影像；不同维度的切分平面不平行；将各第一关键点和至少一个维度上的各第二关键点中相同的第一关键点和第二关键点作为目标关键点，基于相同的第一关键点和第二关键点的位置，确定目标关键点的位置。
第一定位模型包括第一定位模块和第二定位模块，具体是将医学影像输入至第一定位模块，以获得医学影像的各初始第一关键点的位置；分割医学影像，以获得包括各初始第一关键点的各个粗分割体；将各个粗分割体输入至与其对应的第二定位模块，以获得各个粗分割体包括的各第一关键点的位置。
第二定位模型包括分类器、第三定位模块和第四定位模块，具体是将医学影像的至少一个维度的影像层输入至分类器，以获得医学影像在至少一个维度上的各关键帧影像，将医学影像在至少一个维度上的各关键帧影像输入至第三定位模块，以获得医学影像在至少一个维度上的各初始第二关键点的位置，分割医学影像在至少一个维度上的关键帧影像，以获得包括各初始第二关键点的各个粗分割区域，将各个粗分割区域输入至与其对应的第三定位模块，以获得各个粗分割区域包括的各第二关键点的位置。
本实施例中，通过第一定位模型和第二定位模型所定位出的关键点不仅可以包括关键点的位置，还可以包括关键点的标识。如此，在确定出医学影像的各第一关键点的位置和标识，以及确定出医学影像在至少一个维度上的各第二关键点的位置和标识后，可以根据各第一关键点的标识与至少一个维度上的各第二关键点的标识确定出标识相同的第一关键点和第二关键点，将标识信息相同的第一关键点和第二关键点作为一个目标关键点。然后对标识信息相同的第一关键点和第二关键点的位置进行加权平均，得到所述目标关键点的位置。第一关键点的位置对应的权重和至少一个维度上的各第二关键点的位置对应的权重之和可以为1。第一关键点的位置对应的权重以及至少一个维度上的各第二关键点对应的权重可以由本领域技术人员根据实际场景进行设置，本实施例中不作限定。
至此通过上述的定位模型可以定位出所述医学影像中异常淋巴结的位置。
执行S702，将所述医学影像输入至关键目标获取模型中，以获取所述医学影像中关键目标的信息。本实施例中，关键目标可以包括：主气管、主气管分叉点、支气管、动脉、肺尖、胸骨柄、脊柱骨、上腔静脉汇合处等，其中，主气管在主气管分叉点处分为左主支气管和右主支气管，示例性的，如图5为一种主气管分叉点的示意图，主气管分叉点上侧是主气管、主气管分叉点下侧是左主支气管和右主支气管。
主气管的信息可以包括主气管后侧外缘的切线的位置、主气管右侧外缘的切线的位置、左主支气管和右主支气管相邻的外缘的切线的位置、右主支气管分叉点的位置、右中叶支气管后侧外缘的切线的位置，其中，主气管后侧外缘的切线与矢状面垂直，主气管右侧外缘的切线与冠状面垂直，左主支气管和右主支气管相邻的外缘的切线均与冠状面垂直，右中叶支气管后侧外缘的切线与矢状面垂直。如图6所示的左主支气管和右主支气管横切面的示意图中左主支气管和右主支气管相邻的外缘的切线的示意图，图7所示的主气管横切面的示意图中主气管后侧外缘的切线和主气管右侧外缘的切线的示意图。
动脉的信息可以包括第一动脉的信息、第二动脉的信息和主动脉弓的信息，如图8(a)所示，多个第一动脉在主动脉弓处汇合成第二动脉。第一动脉的信息包括第一动脉后侧外缘的切线的位置和第一动脉前侧外缘的切线的位置，第一动脉后侧外缘的切线和第一动脉前侧外缘的切线均与矢状面垂直。第二动脉的信息包括第二动脉后侧外缘的切线的位置、第二动脉左侧外缘的切线的位置和第二动脉右侧外缘的切线的位置；第二动脉后侧外缘的切线与矢状面垂直，第二动脉左侧外缘的切线、第二动脉右侧外缘的切线均与冠状面垂直。主动脉弓的信息可以包括第一横切面的位置和第二横切面的位置，如图8(b)所示，第一横切面是指主动脉弓最下方外缘的横切面，第二横切面是主动脉弓最上方外缘的横切面，第一横切面也可以叫做主动脉弓消失层，第二横切面也可以叫做主动脉弓出现层。
上腔静脉汇合处的信息可以包括第三横切面，第三横切面理解为上腔静脉汇合处的横切面。
需要说明的是，气管外缘切线(包括主气管外缘切线、主支气管外缘切线、支气管外缘切线)指的是横切面上气管外缘上的切线，该气管外缘切线与水平面平行，具体的，气管后侧外缘切线、气管前侧外缘切线与矢状面垂直，气管左侧外缘切线、气管右侧外缘切线与冠状面垂直。动脉外缘切线(包括第一动脉外缘切线、第二动脉外缘切线)指的是横切面上动脉外缘上的切线，该动脉外缘切线与水平面平行，具体的，动脉后侧外缘切线和动脉前侧外缘切线与矢状面垂直，动脉左侧外缘切线和动脉右侧外缘切线与冠状面垂直。
具体实现中，关键目标的信息的获取涉及关键目标定位，而关键目标定位可以分为关键点定位和关键帧定位，其中，关键点定位可以采用关键点定位方法确定各关键点的位置信息，关键点如主气管分叉点、右主支气管分叉点、肺尖、胸骨柄、脊柱骨等。关键点定位方法可以与上述确定异常淋巴结的位置时采用的方法相似，此时将主气管分叉点、右主支气管分叉点、肺尖、胸骨柄、脊柱骨等作为目标关键点即可，在此不再赘述。关键帧定位可以采用关键帧定位方法确定各关键帧的位置信息，关键帧如第一横切面、第二横切面、第三横切面等，可以将医学影像输入至粗定位模块后，细定位模块只进行垂直轴上截取，确定在垂直轴上的位置。
本发明实施例中，还可以根据胸骨和脊柱骨的位置确定中线，具体的，将每帧上胸骨和脊柱骨定位点连线。该中线在后续实施例中，可以用于确定异常淋巴结所在分区时，区分是在左方还是右方。
执行S703，基于所述异常淋巴结的位置、所述关键目标的信息，确定所述异常淋巴结所在分区。
本实施例中，对所述分区采用国际肺癌研究协会(IASLC)于2009年制定的分区标准。但不限于此，本领域技术人员可知本方案也适用于自定义的其他分区方式。
本实施例中结合图9(a)、图9(b)、图9(c)中淋巴结所在的分区的说明，根据异常淋巴结的位置、关键目标的信息，则可以确定出异常淋巴结所在分区。
本实施例中，可以根据异常淋巴结的位置及主气管的分叉点的位置，确定异常淋巴结与主气管的分叉点的相对位置，具体分两种情况。
情况一：
若异常淋巴结位于主气管分叉点的下方，则基于支气管的信息，确定异常淋巴结所在的分区。
情况二：
若异常淋巴结位于主气管分叉点的上方，则基于主气管的信息和动脉的信息，确定异常淋巴结所在的分区。
需要说明的是，下述实施例中涉及的气管外缘切线(包括主气管外缘切线、主支气管外缘切线、支气管外缘切线)的一侧指的是远离气管的一侧，动脉外缘切线(包括第一动脉外缘切线、第二动脉外缘切线)的一侧指的是远离动脉的一侧，以图7中主气管横切面为例，图7中包括主气管后侧外缘的切线和主气管右侧外缘的切线，主气管后侧外缘的一侧为该主气管后侧外缘的切线下方的一侧；主气管右侧外缘的一侧为该主气管后侧外缘的切线右方的一侧。
针对情况一，在确定异常淋巴结位于主气管分叉点的下方之后，可以进一步基于左主支气管和右主支气管相邻的外缘的切线的位置、右主支气管分叉点的位置、右中叶支气管后侧外缘的切线的位置，确定异常淋巴结所在的分区为7区或8区或10区。具体可以为：
若异常淋巴结位于右主支气管分叉点的上方，且在横切面上异常淋巴结位于左主支气管和右主支气管相邻的外缘的切线之间以及右主支气管后侧外缘的切线的一侧(右主支气管后侧外缘的切线的一侧是指远离右主支气管的一侧)，则确定异常淋巴结位于7区。
若异常淋巴结位于右主支气管分叉点的下方，且在横切面上异常淋巴结位于右中叶支气管后侧外缘的切线的一侧(右中叶支气管后侧外缘的切线的一侧是指远离右中叶支气管的一侧)，则确定异常淋巴结位于8区。
若在横切面上异常淋巴结未位于左主支气管和右主支气管相邻的外缘的切线之间，则确定异常淋巴结位于10区。
针对情况二，在确定异常淋巴结位于主气管分叉点的上方之后，可以进一步基于主气管后侧外缘的切线的位置、主气管右侧外缘的切线的位置、第一动脉后侧外缘的切线的位置、第一动脉前侧外缘的切线的位置、第一横切面的位置、第二横切面的位置、第三横切面位置，确定异常淋巴结所在的分区为3a区或3p区或2区的左方或2区的右方。具体可以为：
若在横切面上异常淋巴结位于第一动脉前侧外缘的切线的一侧(第一动脉前侧外缘的切线的一侧指远离第一动脉的一侧)，则确定异常淋巴结位于3a区。
若在横切面上异常淋巴结位于第一动脉后侧外缘的切线的一侧(第一动脉后侧外缘的切线的一侧指远离第一动脉的一侧)，且在横切面上异常淋巴结位于主气管后侧外缘的切线的一侧(主气管后侧外缘的切线的一侧是指远离主气管的一侧)，则确定异常淋巴结位于3p区。
若在横切面上异常淋巴结位于第一动脉后侧外缘的切线的一侧，且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧，且在横切面上异常淋巴结位于主气管右侧外缘的切线的一侧(主气管右侧外缘的切线的一侧是指远离主气管的一侧)，且异常淋巴结未位于第二横切面的下方，则确定异常淋巴结位于2区的左方。
若在横切面上异常淋巴结位于第一动脉后侧外缘的切线的一侧，且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧，且在横切面上异常淋巴结未位于主气管右侧外缘的切线的一侧，且异常淋巴结未位于第三横切面的下方，则确定异常淋巴结位于2区的右方。
本实施例中，还可以进一步结合第二动脉后侧外缘的切线的位置、第二动脉左侧外缘的切线的位置、第二动脉右侧外缘的切线的位置，确定出异常淋巴结所在的分区为3p区或4区的左方或4区的右方或5区或6区。具体可以为：
若在横切面上异常淋巴结位于第二动脉后侧外缘的切线的一侧(第二动脉后侧外缘的切线的一侧指远离第二动脉的一侧)，且在横切面上异常淋巴结位于主气管后侧外缘的切线的一侧，则确定异常淋巴结位于3p区。
若在横切面上异常淋巴结位于第二动脉后侧外缘的切线的一侧，且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧，且在横切面上异常淋巴结位于主气管右侧外缘的切线的一侧，且异常淋巴结位于第二横切面的下方，则确定异常淋巴结位于4区的左方。
若在横切面上异常淋巴结位于第二动脉后侧外缘的切线的一侧，且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧，且在横切面上异常淋巴结未位于主气管右侧外缘的切线的一侧，且异常淋巴结位于第三横切面的下方，则确定异常淋巴结位于4区的右方。
若在横切面上异常淋巴结位于第二动脉左侧外缘的切线的一侧(第二动脉左侧外缘的切线的一侧指远离第二动脉的一侧)或第二动脉右侧外缘的切线的一侧(第二动脉右侧外缘的切线的一侧指远离第二动脉的一侧)，且异常淋巴结位于第一横切面的下方，则确定异常淋巴结位于5区。
若在横切面上异常淋巴结位于第二动脉左侧外缘的切线的一侧或第二动脉右侧外缘的切线的一侧，且异常淋巴结未位于第一横切面的下方，则确定异常淋巴结位于6区。
情况二中，在确定异常淋巴结在第一动脉前侧外缘的切线的一侧或第一动脉后侧外缘的切线的一侧时，可以将医学影像输入至二分类模型中，以确定异常淋巴结和第一动脉的相对位置，同理，在确定异常淋巴结在第二动脉后侧外缘的切线的一侧或第二动脉左侧外缘的切线的一侧或第二动脉右侧外缘的切线的一侧时，可以将医学影像输入至三分类模型中，以确定异常淋巴结和第二动脉的相对位置。当然，也可以根据该二分类模型和该三分类模型确定一个分类模型，用于确定异常淋巴结相对于第一动脉或第二动脉的位置。
本发明实施例中，还可以综合考虑肺尖的位置和胸骨柄的位置，确定异常淋巴结所在的分区。若异常淋巴结位于主气管分叉点的上方，且未位于肺尖的下方，则异常淋巴结位于1区。若异常淋巴结位于肺尖的下方，且未位于胸骨柄的下方，且在横切面上异常淋巴结未位于主气管后侧外缘的切线的一侧，则异常淋巴结位于1区。若异常淋巴结未位于胸骨柄的下方，且在横切面上异常淋巴结位于主气管后侧外缘的切线的一侧，则异常淋巴结位于3p区。
至此，通过将医学影像输入至定位模型中，确定了医学影像中异常淋巴结的位置，将医学影像输入至关键目标获取模型中，确定了医学影像中关键目标的信息，并根据确定出的医学影像中异常淋巴结的位置和医学影像中各关键目标的信息，确定医学影像中异常淋巴结与各关键目标的相对位置。进一步地根据医学影像中异常淋巴结与各关键目标的相对位置，确定医学影像中异常淋巴结所在的分区。
执行S704，基于所述异常淋巴结所在分区判断所述异常淋巴结是否有转移。
本领域技术人员知晓，淋巴结转移是指淋巴细胞穿过淋巴管壁，脱落后随淋巴液被带到汇流区淋巴结，并且以此为中心生长出同样淋巴结的现象，淋巴液的流向是确定的，因此淋巴结转移通常具有一定的规律。通过对大量患者的淋巴结转移进行研究后获得：当异常淋巴结所在分区为4R分区、2R分区、7分区、8分区或9分区时，其转移的分区的优先级由高至低依次为4L分区、2L分区、5分区、6分区和1分区(锁骨上)。而当异常淋巴结所在分区为5分区、6分区或4L分区时，其转移的分区的优先级由高至低依次为4R分区、2R分区和1分区。举例来说，若异常淋巴结位于7分区，则该异常淋巴结转移到4L分区的可能性最大，接下来依次是2L分区，5分区、6分区及1分区。基于上述的淋巴结转移规律，可以在确定了异常淋巴结所在分区后迅速知晓异常淋巴结可能转移至的分区。
执行S705，基于异常淋巴结转移信息生成N分期。
在检测到异常淋巴结是否有转移后，结合如下N分期表生成N分期，如，淋巴结向对侧纵隔、对侧肺门、同侧或对侧前斜角肌及锁骨上转移时N分期为N3。
N分期表
NX 区域淋巴结无法评估
N0 无区域淋巴结转移
N1 同侧支气管周围及同侧肺门淋巴结以及肺内淋巴结有转移
N2 同侧纵隔内及(或)融突下淋巴结转移
N3 对侧纵隔、对侧肺门、同侧或对侧前斜角肌及锁骨上淋巴结转移
执行S104，获取所述目标结节是否有远处转移，并根据是否有远处转移生成M分期。
本实施例中是否有远处转移可以通过医生的输入来确定。肺癌的诊断主要依据胸部CT影像，然而仅通过胸部CT影像是无法判断结节是否有转移到其他部位，因此需要医生根据患者的病历及对其他部位的影像进行阅片以后输入相应的远处转移信息，在确定是否有远处转移信息后，结合如下M分期表生成M分期。
M分期表
Figure BDA0002771588440000231
基于相同的技术构思，本发明实施例还提供一种肺癌TNM分期获取装置。图10为根据本发明实施例的肺癌TNM分期获取装置示意图。如图10所示，所述肺癌TNM分期获取装置包括：
目标结节识别单元11，用于识别医学影像中的目标结节。
T分期生成单元12，用于获取所述目标结节的长短径，并根据长短径信息生成T分期。
N分期生成单元13，用于识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移信息生成N分期。
M分期生成单元14，用于获取是否有远处转移信息，并根据是否有远处转移生成M分期。
TNM分期生成单元15，根据T分期、N分期、M分期生成TNM分期。
本发明还提供一种TNM分期显示方法，包括：
响应于第一操作，
获取所述目标结节的长短径，至少基于所述长短径生成T分期。
识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期。
生成输入远处转移信息提示界面。
当接收到的远处转移信息时，根据所述远处转移信息生成M分期。
显示根据所述T分期、N分期和M分期生成TNM分期表。
医生可通过医生端设备执行所述显示方法。所述第一操作具体地可以是通过输入设备来生成，例如利用鼠标在医生端设备的显示屏上点击生成TNM分期表的功能键。医生端设备接收到生成TNM分期表的指令后自动生成T分期和N分期。此部分已在上文中详细描述，在此不再赘述。
同时在接收生成TNM分期表指令后，生成输入远处转移信息的提示界面。所述界面可以是显示屏上的弹窗，通过该弹窗界面用户可以直接输入转移情况或在提供选项的弹窗上进行勾选。在接收到的远处转移信息后，根据所述远处转移信息生成M分期，并显示根据所述T分期、N分期、M分期生成的TNM分期表。
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)

1.一种肺癌TNM分期获取方法，其特征在于，包括：
识别医学影像中的目标结节；
获取所述目标结节的长短径，至少基于所述长短径生成T分期；
识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期；
获取所述目标结节是否有远处转移，并根据是否有远处转移生成M分期；
根据所述T分期、N分期和M分期生成TNM分期。
2.如权利要求1所述的肺癌TNM分期获取方法，其特征在于，所述识别医学影像中的目标结节，包括：
获取医学影像中结节的置信度；
将置信度大于预设阈值的结节作为医学影像中的目标结节。
3.如权利要求2所述的肺癌TNM分期获取方法，其特征在于，所述获取医学影像中结节的置信度，包括：
获取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。
4.如权利要求3所述的肺癌TNM分期获取方法，其特征在于，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。
5.如权利要求1所述的肺癌TNM分期获取方法，其特征在于，所述获取所述目标结节的长短径，至少基于所述长短径生成T分期，包括：
根据目标结节的感兴趣区域以及结节分割模型从医学影像中分割出结节区域；
通过对结节区域进行测量确定目标结节的长短径。
6.如权利要求5所述的肺癌TNM分期获取方法，其特征在于，所述根据目标结节的感兴趣区域以及结节分割模型从医学影像中分割出结节区域，包括：
将所述感兴趣区域依次通过M个3D卷积特征提取块提取感性趣区域的特征图像，M大于0；
将感兴趣区域的特征图像经下采样块转化为三维感知视野图像；
通过上采样块对三维感知视野图像进行反卷积，确定感兴趣区域的三维概率分布图；
根据感兴趣区域的三维概率分布图确定结节区域。
7.如权利要求5所述的肺癌TNM分期获取方法，其特征在于，所述通过对结节区域进行测量确定目标结节的长短径，包括：
获取结节区域边界上的N个点的坐标，N大于等于10；
根据N个点的坐标以及椭球方程拟合结节区域对应的椭球及椭球方程；
根据结节区域对应的椭球方程确定结节区域对应的椭球的长轴和短轴；
将结节区域对应的椭球的长轴确定为结节的长径；
将结节区域对应的椭球的短轴确定为结节的短径。
8.如权利要求1所述的肺癌TNM分期获取方法，其特征在于，所述识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期，包括：
识别并定位医学影像中的异常淋巴结；
将所述医学影像输入至关键目标获取模型中，以获取所述医学影像中关键目标的信息；
基于所述异常淋巴结的位置、所述关键目标的信息，确定所述异常淋巴结所在分区；
基于所述异常淋巴结所在分区判断所述异常淋巴结是否有转移；
基于异常淋巴结转移信息生成N分期。
9.一种肺癌TNM分期获取装置，其特征在于，包括：
目标结节识别单元，用于识别医学影像中的目标结节；
T分期生成单元，用于获取所述目标结节的长短径，至少基于所述长短径生成T分期；
N分期生成单元，用于识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期；
M分期生成单元，用于获取所述目标结节是否有远处转移，并根据是否有远处转移生成M分期；
TNM分期生成单元，用于根据所述T分期、N分期和M分期生成TNM分期。
10.一种肺癌TNM分期显示方法，其特征在于，包括：
响应于第一操作，
获取所述目标结节的长短径，至少基于所述长短径生成T分期；
识别所述医学影像中的异常淋巴结，并通过判断异常淋巴结是否有转移生成N分期；
生成输入远处转移信息提示界面；
当接收到的远处转移信息时，根据所述远处转移信息生成M分期；
显示根据所述T分期、N分期、M分期生成的TNM分期表。
CN202011250998.2A 2020-11-11 2020-11-11 肺癌tnm分期获取方法、装置及显示方法 Pending CN112381779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011250998.2A CN112381779A (zh) 2020-11-11 2020-11-11 肺癌tnm分期获取方法、装置及显示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011250998.2A CN112381779A (zh) 2020-11-11 2020-11-11 肺癌tnm分期获取方法、装置及显示方法

Publications (1)

Publication Number Publication Date
CN112381779A true CN112381779A (zh) 2021-02-19

Family

ID=74578599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011250998.2A Pending CN112381779A (zh) 2020-11-11 2020-11-11 肺癌tnm分期获取方法、装置及显示方法

Country Status (1)

Country Link
CN (1) CN112381779A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669319A (zh) * 2021-03-22 2021-04-16 四川大学 一种多视角多尺度淋巴结假阳性抑制建模方法
CN115187582A (zh) * 2022-08-17 2022-10-14 北京医准智能科技有限公司 一种淋巴结分割方法、装置、电子设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717700A (zh) * 2018-04-09 2018-10-30 杭州依图医疗技术有限公司 一种检测结节长短径长度的方法及装置
CN111445996A (zh) * 2020-03-31 2020-07-24 杭州依图医疗技术有限公司 医疗信息的处理方法、处理系统及存储介质
CN111553883A (zh) * 2020-03-31 2020-08-18 杭州依图医疗技术有限公司 一种医学影像的处理方法及装置、计算机设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108717700A (zh) * 2018-04-09 2018-10-30 杭州依图医疗技术有限公司 一种检测结节长短径长度的方法及装置
CN111445996A (zh) * 2020-03-31 2020-07-24 杭州依图医疗技术有限公司 医疗信息的处理方法、处理系统及存储介质
CN111553883A (zh) * 2020-03-31 2020-08-18 杭州依图医疗技术有限公司 一种医学影像的处理方法及装置、计算机设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669319A (zh) * 2021-03-22 2021-04-16 四川大学 一种多视角多尺度淋巴结假阳性抑制建模方法
CN115187582A (zh) * 2022-08-17 2022-10-14 北京医准智能科技有限公司 一种淋巴结分割方法、装置、电子设备及可读存储介质
CN115187582B (zh) * 2022-08-17 2023-04-14 北京医准智能科技有限公司 一种淋巴结分割方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN108022238B (zh) 对3d图像中对象进行检测的方法、计算机存储介质和系统
CN107016665B (zh) 一种基于深度卷积神经网络的ct肺结节检测方法
US10111713B2 (en) Surgery assistance apparatus, surgery assistance method and non-transitory computer-readable recording medium having stored therein surgery assistance program
US8331637B2 (en) System and method of automatic prioritization and analysis of medical images
CN110533656B (zh) 一种确定纵隔淋巴结所在分区的方法及装置
US20230104173A1 (en) Method and system for determining blood vessel information in an image
WO2021203795A1 (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
JP2016116843A (ja) 画像処理装置、画像処理方法および画像処理プログラム
Shariaty et al. Automatic lung segmentation method in computed tomography scans
CN108564044B (zh) 一种确定肺结节密度的方法及装置
CN110189307B (zh) 一种基于多模型融合的肺结节检测方法及系统
CN107708550A (zh) 用于检测和测量解剖异常的分段回声结构的表面建模
CN112381779A (zh) 肺癌tnm分期获取方法、装置及显示方法
US7835555B2 (en) System and method for airway detection
CN110992310A (zh) 一种确定纵隔淋巴结所在分区的方法及装置
CN111755105A (zh) 一种医学影像的显示方法及装置、计算机可读存储介质
CN116504406A (zh) 基于影像组合病理的肺癌术后风险模型构建方法和系统
CN112184664B (zh) 一种椎骨检测方法及计算机设备
CN112488993A (zh) 肺癌tnm分期获取方法及装置
CN112308820B (zh) 一种肋骨定位方法及装置、计算机设备及存储介质
CN111951309B (zh) 一种淋巴结配准方法及装置、计算机设备及存储介质
CN110599482B (zh) 肺裂曲面确定方法、装置、电子设备和存储介质
Cao Biological model representation and analysis
Darwish et al. Vertebrae segmentation techniques for spinal medical images
CN112002406A (zh) 基于置信度的结节显示方法及计算设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210219

RJ01 Rejection of invention patent application after publication