CN112614118B - 一种基于深度学习的ct图像预测方法及计算机可读存储介质 - Google Patents
一种基于深度学习的ct图像预测方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112614118B CN112614118B CN202011586737.8A CN202011586737A CN112614118B CN 112614118 B CN112614118 B CN 112614118B CN 202011586737 A CN202011586737 A CN 202011586737A CN 112614118 B CN112614118 B CN 112614118B
- Authority
- CN
- China
- Prior art keywords
- image
- target part
- channel
- deep learning
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 230000003211 malignant effect Effects 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 210000004072 lung Anatomy 0.000 description 24
- 238000002591 computed tomography Methods 0.000 description 23
- 206010056342 Pulmonary mass Diseases 0.000 description 12
- 206010054107 Nodule Diseases 0.000 description 6
- 230000003902 lesion Effects 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 230000002685 pulmonary effect Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036210 malignancy Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 201000003803 Inflammatory myofibroblastic tumor Diseases 0.000 description 1
- 206010068331 Inflammatory pseudotumour Diseases 0.000 description 1
- 241000131448 Mycosphaerella Species 0.000 description 1
- 208000007720 Plasma Cell Granuloma Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 208000017772 hamartoma of lung Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种基于深度学习的CT图像预测方法及计算机可读存储介质,包括:获取CT图像的带有结节的目标部位图像,对所述目标部位图像的感兴趣区域进行像素级标注和良恶性标注,并划分训练集、验证集和测试集;对所述目标部位图像进行预处理;建立所述目标部位图像的深度学习模型,所述深度学习模型包括分割任务和分类任务;将所述训练集、验证集输入至所述深度学习模型中进行训练,以获取所述训练后的所述深度学习模型的网络权重参数;将所述测试集输入至训练后的所述深度学习模型中进行测试,获取目标部位结节的良恶性预测结果和掩膜预测结果。本发明通过所述分割任务和所述分类任务,可获取CT图像的隐层表征,通过对隐层表征进行判别,效率和准确率较高。
Description
技术领域
本发明涉及CT设备技术领域,尤其涉及一种基于深度学习的CT图像预测方法及计算机可读存储介质。
背景技术
肺癌是当前人类疾病中最常见的恶性肿瘤之一。早发现,早确诊是降低死亡率的希望所在,医学上将胸部电子计算机断层扫描(CT)扫描得到的医学影像图片中的“肺部斑点”定义为肺结节,肺结节是肺癌初期最重要的初期表征之一,如果能做到及早准确发现肺结节,会大幅降低肺癌的病发,保证病人的生命安全,造福整个社会。
传统的肺结节良恶性分类问题是由医生来完成阅片的,依赖于医生的经验水平,时间长,效率低下。计算机辅助诊断结果能够为医生提供第二意见。实际过程中一些容易发展成肺癌的肺结节常会因表现出类似良性病变而难以区分,如肺脏错构瘤、肺结核球和霉菌球赫尔炎性假瘤等,易出现假阴性导致漏诊;也可能将非病变解读为病变,或将良性病变误解读为恶性,导致假阳性结果,因此,判断肺结节恶性度的计算机辅助诊断技术仍需不断发展,以提高肺结节良恶性诊断的准确率以及效率。
目前做法分为2D和3D两种,第一种2D方案多采用迁移学习机制,将自然图像的结果作为网络的初始参数对CT的二维肺结节图像进行分类学习。上述方案具有两方面的缺点,一是二维图像没有考虑图像的上下文信息,造成准确度不高;另一方面,由于自然图像和医学图像的差异较大,迁移权重的结果在医学图像上表现较差。3D的方法也仅采用单一分类网络,且并没有结合医生阅片常常关注的肺结节位置、形态、边缘等信息来完成分类的学习,因此效果也不是很理想。
发明内容
为了克服上述技术缺陷,本发明的目的在于提供一种提升了肺结节良恶性诊断的准确率和效率的基于深度学习的CT图像预测方法及计算机可读存储介质。
本发明公开了一种基于深度学习的CT图像预测方法,包括如下步骤:获取CT图像的带有结节的目标部位图像,对所述目标部位图像的感兴趣区域进行像素级标注和良恶性标注,以获得素材集,将所述素材集划分为训练集、验证集和测试集;对所述目标部位图像进行预处理,包括将所述目标部位图像从空间三个维度采样至大小统一,和将所述目标部位图像的人体组织密度值归一化处理;建立所述目标部位图像的深度学习模型,所述深度学习模型包括分割任务和分类任务;将所述训练集、验证集输入至所述深度学习模型中进行训练,所述分割任务通过Dice损失函数进行训练,所述分类任务通过二值交叉熵损失函数进行训练,以获取所述训练后的所述深度学习模型的网络权重参数;将所述测试集输入至训练后的所述深度学习模型中进行测试,获取目标部位结节的良恶性预测结果和掩膜预测结果。
优选地,所述获取CT图像的带有结节的目标部位图像步骤中,所述带有结节的目标部位图像的厚度为1mm-2.5mm。
优选地,所述对所述目标部位图像进行预处理,包括将所述目标部位图像从空间三个维度采样至大小统一,和将所述目标部位图像的人体组织密度值归一化处理还包括:对预处理后的所述目标部位图像数据进行样本扩充,所述样本扩充的方法包括随机翻转、随机旋转和随机缩放。
优选地,所述深度学习模型包括第一通道、第二通道和第三通道;将目标部位图像输入所述第一通道,通过连续池化进行降采样操作,且层与层之间通过多尺度模块连接,以获取所述目标部位图像的全局特征;将所述素材集内的标注后的所述带有结节的目标部位图像进行裁剪,获取所述目标部位的结节图像,将所述结节图像输入至所述第二通道,进行编码器处理过程和解码器处理过程,以获取所述目标部位图像的局部特征;通过分割网络获取所述结节图像的掩膜图像,将所述掩膜图像输入至所述第三通道,进行连续卷积以获取掩膜特征;将所述全局特征、所述局部特征、所述掩膜特征分别进行全局平均池化后进行拼接,获取用于判别目标部位的良恶性的分类特征。
优选地,所述编码器处理过程包括使用编码器模块通过残差单元和池化层进行进行多次连续的下采样操作;所述解码处理过程包括使用解码器模块进行多次连续的反卷积操作。
优选地,所述第在二通道内,还需要输入所述所述目标部位的结节所在的位置信息,所述位置信息包括X轴、Y轴、Z轴的坐标信息;将所述位置信息与所述局部特征进行拼接,获取最终输出的局部特征。
优选地,对所述第一通道、第二通道和第三通道输入的图像数据进行插值处理,使所述第一通道、第二通道和第三通道输入的图像数据为等比例大小;并将所述位置信息等比例变换,使所述位置信息在所述插值处理后的所述图像数据中所标识的位置与在未经所述插值处理的所述图像数据所标识的位置一致。
优选地,所述第在二通道内,每一次的图像采样前都需要对采样图进行拼接,拼接的采样图的大小与所述编码器模块和所述解码器模块相对应的图像大小一致。
优选地,所述将所述训练集、验证集输入至所述深度学习模型中进行训练还包括:在训练过程中通过梯度下降法优化所述Dice损失函数和所述二值交叉熵损失函数直至收敛。
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上述的CT图像预测方法的步骤。
采用了上述技术方案后,与现有技术相比,具有以下有益效果:
1.通过所述分割任务和所述分类任务,可深层次的挖掘CT图像的隐层表征,通过对隐层表征的学习和建模来对目标部位的结节的良恶性进行有效的判别,效率和准确率都优于现有技术的人工阅片;且同时进行所述分割任务和所述分类任务两个网络的训练,二者相互促进以达到较好的目标部位的结节图像的分割效果和分类效果,进一步提高了判断的准确性;
2.同时结合所述全局特征、所述局部特征和所述掩膜特征,使得所述深度学习的模型不仅关注目标部位的结节的局部信息,如目标部位的结节的形态和边缘等信息,同时还关注目标部位的全局信息,如目标部位的结节的位置信息。
附图说明
图1为本发明提供的基于深度学习的CT图像预测方法的流程图;
图2为本发明提供的基于深度学习的CT图像预测方法的所述深度学习模型的网络结构图;
图3为本发明提供的基于深度学习的CT图像预测方法的所述深度学习模型中初始单元结构的一种优选实施例;
图4为本发明提供的基于深度学习的CT图像预测方法的所述编码器模块的残差单元结构的一种优选实施例;
图5为本发明提供的基于深度学习的CT图像预测方法的所述解码器模块的一种优选拼接方法示意图。
附图标记:
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身并没有特定的意义。因此,“模块”与“部件”可以混合地使用。
参见附图1,本发明公开了一种基于深度学习的CT图像预测方法,包括如下步骤:
S1、获取CT图像的带有结节的目标部位图像,对目标部位图像的感兴趣区域进行像素级标注和良恶性标注,以获得素材集,将素材集划分为训练集、验证集和测试集;
S2、对目标部位图像进行预处理,包括将目标部位图像从空间三个维度采样至大小统一,和将目标部位图像的人体组织密度值归一化处理;
S3、建立目标部位图像的深度学习模型,深度学习模型包括分割任务和分类任务;
S4、将训练集、验证集输入至深度学习模型中进行训练,分割任务通过Dice损失函数进行训练,分类任务通过二值交叉熵损失函数进行训练,以获取训练后的深度学习模型的网络权重参数;
S5、将测试集输入至训练后的深度学习模型中进行测试,获取目标部位结节的良恶性预测结果和掩膜预测结果。
本实施例针对的目标结节为肺部结节,在其他实施例中,亦可作为针对其他目标部位的预测方法。带有结节的目标部位图像则为肺部CT的医学数字成像和通信数据(Digital Imaging and Communications in Medicine,Dicom),Dicom数据是常用的可用于数据交换的医学图像格式。
较佳地,由于肺结节相对整个肺区较小,为了保证后续网络的精度,获取CT图像的带有结节的肺区图像步骤中,带有结节的肺区图像为厚度1mm-2.5mm的薄层图像。在步骤S1中,进行像素级标注和良恶性标注后的肺结节图像还需进行结节感兴趣区域(region ofinterest,ROI)的裁剪,裁剪后的肺结节图像才组成为素材集。
较佳地,为了网络能够正常训练损失正确收敛,需对肺区图像进行重采样预处理,包括将肺区图像从空间三个维度采样至大小统一,和将肺区图像的人体组织密度值(HU值)归一化处理,由于本实施例主要针对肺部区域,所以对其他非肺部其余的HU值进行截断。由于样本数量有限,对预处理后的肺区图像数据进行样本扩充,样本扩充的方法包括但不仅限于随机翻转、随机旋转和随机缩放。
较佳地,所建立的深度学习模型包括第一通道、第二通道和第三通道,参见附图2,第一通道为图中最左侧通道,第二通道为图中中间通道,第三通道为图中最右侧通道。通过第一通道获取肺区图像的全局特征、通过第二通道获取肺区图像的局部特征、通过第三通道获取肺区图像的掩膜特征,结合肺区图像的全局特征、局部特征和掩膜特征可有效的判别肺区结节的良恶性。附图2中,R表示残差单元(Residual Block),C表示组合单元,I表示初始单位,D表示卷积层,K表示序列卷积层,最后输出结果为良恶性判断结果。
具体的,将肺区图像的非肺区部分使用固定像素值进行填充后输入第一通道,通过连续池化进行降采样操作,且层与层之间通过多尺度模块连接,以获取肺区图像的全局特征。多尺度模块可使网络达到增大感受野,提取肺区全局特征的目的。在本实施例中,多尺度模块采用附图3中的Inception单元。值得说明的是,凡是具有该功能的深度学习模块都可以在本发明中使用,并不仅限于Inception单元。
将素材集内的标注后的带有结节的肺区图像进行以结节为中心的裁剪,获取肺结节的小块图像,将结节图像输入至第二通道,进行编码器处理过程和解码器处理过程,以获取肺区图像的局部特征。
通过分割网络获取结节图像的掩膜图像,将掩膜图像输入至第三通道,进行连续卷积以获取掩膜特征。
最后将全局特征、局部特征、掩膜特征分别进行全局平均池化后采用附图5所示的方法进行拼接,获取用于判别肺区的良恶性的分类特征。
较佳地,编码器处理过程包括使用附图4所示的编码器模块通过残差单元和池化层进行进行多次连续的下采样操作;解码处理过程包括使用解码器模块进行多次连续的反卷积操作。
较佳地,第在二通道内,还需要输入肺区的结节所在的位置信息,位置信息包括X轴、Y轴、Z轴的坐标信息,将位置信息与局部特征进行拼接,获取最终输出的局部特征。通过位置信息关注肺区结节的全局信息,避免了现有技术中的未考虑图像的上下文信息,造成准确度较低的情况。
较佳地,对第一通道、第二通道和第三通道输入的图像数据进行插值处理,使第一通道、第二通道和第三通道输入的图像数据为等比例的固定大小;并将位置信息等比例变换,使位置信息在插值处理后的图像数据中所标识的位置与在未经插值处理的图像数据所标识的位置一致,防止经插值处理后的图像数据的位置信息发生错位。
较佳地,为了保证网络可以利用高分辨率的底层特征,第在二通道内,每一次的图像采样前都需要对采样图进行附图5所示的拼接操作,拼接的采样图的大小与编码器模块和解码器模块相对应的图像大小一致。
较佳地,将训练集、验证集输入至深度学习模型中进行训练还包括:在训练过程中通过梯度下降法优化Dice损失函数和二值交叉熵损失函数直至收敛,以获取训练后的深度学习模型的网络权重参数。该网络权重参数使本发明的深度学习模型区别于现有技术的自然图像的迁移权重,极大的贴合医学图像的各项判断标准,使本发明的预测结果更加准确。
需要注意的是,该肺区部分是通过深度学习的神经网络来实现提取的,该网络参数需要事先进行训练直到网络参数稳定可靠并且保证网络在一定精确的合理范围内,本发明仅公开使用此网络进行预测的技术方案,网络的参数调试方案不在本发明请求的保护范围内。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的CT图像预测方法的步骤。
应当注意的是,本发明的实施例有较佳的实施性,且并非对本发明作任何形式的限制,任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例,但凡未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种基于深度学习的CT图像预测方法,其特征在于,包括如下步骤:
获取CT图像的带有结节的目标部位图像,对所述目标部位图像的感兴趣区域进行像素级标注和良恶性标注,以获得素材集,将所述素材集划分为训练集、验证集和测试集;
对所述目标部位图像进行预处理,包括将所述目标部位图像从空间三个维度采样至大小统一,和将所述目标部位图像的人体组织密度值归一化处理;
建立所述目标部位图像的深度学习模型,所述深度学习模型包括分割任务和分类任务;
将所述训练集、验证集输入至所述深度学习模型中进行训练,所述分割任务通过Dice损失函数进行训练,所述分类任务通过二值交叉熵损失函数进行训练,以获取所述训练后的所述深度学习模型的网络权重参数;
将所述测试集输入至训练后的所述深度学习模型中进行测试,获取目标部位结节的良恶性预测结果和掩膜预测结果,其中所述深度学习模型包括第一通道、第二通道和第三通道;
将目标部位图像输入所述第一通道,通过连续池化进行降采样操作,且层与层之间通过多尺度模块连接,以获取所述目标部位图像的全局特征;
将所述素材集内的标注后的所述带有结节的目标部位图像进行裁剪,获取所述目标部位的结节图像,将所述结节图像输入至所述第二通道,进行编码器处理过程和解码器处理过程,以获取所述目标部位图像的局部特征;
通过分割网络获取所述结节图像的掩膜图像,将所述掩膜图像输入至所述第三通道,进行连续卷积以获取掩膜特征;
将所述全局特征、所述局部特征、所述掩膜特征分别进行全局平均池化后进行拼接,获取用于判别目标部位的良恶性的分类特征。
2.根据权利要求1所述的CT图像预测方法,其特征在于,所述获取CT图像的带有结节的目标部位图像步骤中,所述带有结节的目标部位图像的厚度为1mm-2.5mm。
3.根据权利要求1所述的CT图像预测方法,其特征在于,所述对所述目标部位图像进行预处理,包括将所述目标部位图像从空间三个维度采样至大小统一,和将所述目标部位图像的人体组织密度值归一化处理还包括:
对预处理后的所述目标部位图像数据进行样本扩充,所述样本扩充的方法包括随机翻转、随机旋转和随机缩放。
4.根据权利要求1所述的CT图像预测方法,其特征在于,所述编码器处理过程包括使用编码器模块通过残差单元和池化层进行多次连续的下采样操作;
所述解码器 处理过程包括使用解码器模块进行多次连续的反卷积操作。
5.根据权利要求1所述的CT图像预测方法,其特征在于,在所述第二通道内,还需要输入所述目标部位的结节所在的位置信息,所述位置信息包括X轴、Y轴、Z轴的坐标信息;
将所述位置信息与所述局部特征进行拼接,获取最终输出的局部特征。
6.根据权利要求5所述的CT图像预测方法,其特征在于,对所述第一通道、第二通道和第三通道输入的图像数据进行插值处理,使所述第一通道、第二通道和第三通道输入的图像数据为等比例大小;
并将所述位置信息等比例变换,使所述位置信息在所述插值处理后的所述图像数据中所标识的位置与在未经所述插值处理的所述图像数据所标识的位置一致。
7.根据权利要求1所述的CT图像预测方法,其特征在于,在所述第二通道内,每一次的图像采样前都需要对采样图进行拼接,拼接的采样图的大小与所述编码器模块和所述解码器模块相对应的图像大小一致。
8.根据权利要求1所述的CT图像预测方法,其特征在于,所述将所述训练集、验证集输入至所述深度学习模型中进行训练还包括:
在训练过程中通过梯度下降法优化所述Dice损失函数和所述二值交叉熵损失函数直至收敛。
9.一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权利要求1-8中任一所述的CT图像预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011586737.8A CN112614118B (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习的ct图像预测方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011586737.8A CN112614118B (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习的ct图像预测方法及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614118A CN112614118A (zh) | 2021-04-06 |
CN112614118B true CN112614118B (zh) | 2022-06-21 |
Family
ID=75248751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011586737.8A Active CN112614118B (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习的ct图像预测方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614118B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN110517253A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于3d多目标特征学习的肺结节良恶性分类的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201709672D0 (en) * | 2017-06-16 | 2017-08-02 | Ucl Business Plc | A system and computer-implemented method for segmenting an image |
-
2020
- 2020-12-29 CN CN202011586737.8A patent/CN112614118B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN110517253A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于3d多目标特征学习的肺结节良恶性分类的方法 |
Non-Patent Citations (2)
Title |
---|
《U-DET:A Modified U-Net Architecture with Bidirectional Feature Network for Lung Nodule Segmentation》;Nikhil Varma Keetha等;《arXiv》;20200320;全文 * |
《肺部CT图像病变区域检测方法》;韩光辉 等;《自动化学报》;20171231;第43卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112614118A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636811B (zh) | Ct影像的肺叶段分割的整合方法、装置 | |
CN108205806B (zh) | 一种锥束ct图像三维颅面结构的自动解析方法 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
US20170004619A1 (en) | System and method for automatic pulmonary embolism detection | |
CN107405126B (zh) | 检索成对的医学图像的对应结构 | |
JP2023550844A (ja) | 深層形状学習に基づく肝臓ct自動分割方法 | |
CN111275712B (zh) | 一种面向大尺度图像数据的残差语义网络训练方法 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN111369574B (zh) | 一种胸腔器官的分割方法及装置 | |
WO2019037654A1 (zh) | 3d图像检测方法、装置、电子设备及计算机可读介质 | |
CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
CN111161848A (zh) | Ct图像的病灶标注方法及装置、存储介质 | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN112561877A (zh) | 多尺度双通道卷积模型训练方法、图像处理方法及装置 | |
CN112102259A (zh) | 一种基于边界引导深度学习的图像分割算法 | |
CN116228690A (zh) | 基于pet-ct的胰腺癌与自身性免疫性胰腺炎自动辅助诊断方法 | |
CN113989293A (zh) | 图像分割方法及相关模型的训练方法和装置、设备 | |
CN118247284B (zh) | 图像处理模型的训练方法、图像处理方法 | |
CN110738633B (zh) | 一种机体组织的三维图像处理方法及相关设备 | |
JP4964191B2 (ja) | 画像処理装置および方法ならびにプログラム | |
TW202346826A (zh) | 影像處理方法 | |
CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
CN116758087B (zh) | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 | |
CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |