CN113409306A - 一种检测装置、训练方法、训练装置、设备和介质 - Google Patents

一种检测装置、训练方法、训练装置、设备和介质 Download PDF

Info

Publication number
CN113409306A
CN113409306A CN202110800911.2A CN202110800911A CN113409306A CN 113409306 A CN113409306 A CN 113409306A CN 202110800911 A CN202110800911 A CN 202110800911A CN 113409306 A CN113409306 A CN 113409306A
Authority
CN
China
Prior art keywords
lung
emphysema
image
features
trained
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
CN202110800911.2A
Other languages
English (en)
Inventor
谭卫雄
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110800911.2A priority Critical patent/CN113409306A/zh
Publication of CN113409306A publication Critical patent/CN113409306A/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
    • 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
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20088—Trinocular vision calculations; trifocal tensor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种检测装置、训练方法、训练装置、设备和介质，所述装置包括：获取模块，用于获取目标肺部图像；第一提取模块，用于基于所述目标肺部图像，分别提取全肺特征、肺实质特征和肺气肿特征；第二提取模块，用于基于所述全肺特征、所述肺实质特征和所述肺气肿特征，确定关联特征；确定模块，用于将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至训练好的肺气肿等级确定模型，确定所述目标肺部图像所对应的肺气肿等级。本申请即考虑到了单个图像(分别是目标肺部图像、肺实质图像和肺气肿图像)的特征，又考虑到了不同图像之间的关联特征，提高了确定肺气肿等级的准确度。

Description

一种检测装置、训练方法、训练装置、设备和介质
技术领域
本申请涉及图像处理领域，具体而言，涉及一种检测装置、训练方法、训练装置、设备和介质。
背景技术
慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)包括气流阻塞特征的慢性支气管炎和(或)肺气肿。针对肺气肿这种疾病，患者的主要症状就是呼吸困难。根据患者的呼吸困难情况，可以将肺气肿疾病分为5级，0级患者剧烈活动时出现呼吸困难，1级平地快步行走或爬缓坡时出现呼吸困难，2级由于呼吸困难，平地行走时比同龄人慢，或者需要停下来休息，3级平地行走100米左右，既需要停下来喘气，4级严重呼吸困难而不能离开家。
发明内容
有鉴于此，本申请的目的在于提供一种检测装置、训练方法、训练装置、设备和介质，用于解决现有技术中确定肺气肿等级不准确的问题。
第一方面，本申请实施例提供了一种肺气肿等级的检测装置，包括：
获取模块，用于获取目标肺部图像；
第一提取模块，用于基于所述目标肺部图像，分别提取全肺特征、肺实质特征和肺气肿特征；
第二提取模块，用于基于所述全肺特征、所述肺实质特征和所述肺气肿特征，确定关联特征；
确定模块，用于将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至训练好的肺气肿等级确定模型，确定所述目标肺部图像所对应的肺气肿等级。
可选的，所述第一提取模块，包括：
第一提取单元，用于将所述目标肺部图像输入至全肺特征提取模型，得到所述全肺特征。
可选的，所述第一提取模块，包括：
分割单元，用于基于肺实质的轮廓，在所述目标肺部图像中分割得到肺实质图像；
第二提取单元，用于将所述肺实质图像输入至肺实质特征提取模型，得到所述肺实质特征。
可选的，所述分割单元，包括：
分割子单元，用于将所述目标肺部图像输入至肺分割模型，得到肺实质图像。
可选的，所述第一提取模块，包括：
获取单元，用于利用所述肺实质图像和预设灰度值范围，获取肺气肿图像；
第三提取单元，用于根据所述肺气肿图像中像素点的数量，确定所述肺气肿特征。
可选的，所述第三提取单元，包括：
提取子单元，用于将所述肺气肿图像输入至肺气肿特征提取模型，得到所述肺气肿特征。
可选的，所述第二提取模块，包括：
第四提取模块，用于将所述全肺特征、所述肺实质特征和所述肺气肿特征，同时输入至关联特征提取模型，得到所述关联特征。
可选的，所述装置，还包括：
预处理模块，用于将所述目标肺部图像调整为预设尺寸的目标肺部图像。
第二方面，本申请实施例提供了一种肺气肿等级确定模型的训练方法，包括：
获取肺部训练样本集合；所述肺部训练样本集合中包括至少一个训练样本，每个训练样本包括肺部图像和所述肺部图像对应的肺气肿等级；
针对每一个训练样本，将所述训练样本中的肺部图像分别输入至待训练的全肺特征提取模型、待训练的肺实质提取模型和待训练的肺气肿特征提取模型，得到所述肺部图像的全肺特征、肺实质特征和肺气肿特征；将所述肺部图像的全肺特征、肺实质特征和肺气肿特征输入至待训练的关联特征提取模型，得到所述肺部图像的关联特征；将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至待训练的肺气肿等级确定模型，得到训练结果；根据所述训练结果与该训练样本中所述肺部图像对应的肺气肿等级，确定训练损失值；基于所述训练损失值，对所述待训练的全肺特征提取模型、所述待训练的肺实质提取模型、所述待训练的肺气肿特征提取模型和待训练的肺气肿等级确定模型中的参数进行调整。
第三方面，本申请实施例提供了一种肺气肿等级确定模型的训练装置，包括：
样本获取模块，用于获取肺部训练样本集合；所述肺部训练样本集合中包括至少一个训练样本，每个训练样本包括肺部图像和所述肺部图像对应的肺气肿等级；
训练模块，用于针对每一个训练样本，将所述训练样本中的肺部图像分别输入至待训练的全肺特征提取模型、待训练的肺实质提取模型和待训练的肺气肿特征提取模型，得到所述肺部图像的全肺特征、肺实质特征和肺气肿特征；将所述肺部图像的全肺特征、肺实质特征和肺气肿特征输入至待训练的关联特征提取模型，得到所述肺部图像的关联特征；将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至待训练的肺气肿等级确定模型，得到训练结果；根据所述训练结果与该训练样本中所述肺部图像对应的肺气肿等级，确定训练损失值；基于所述训练损失值，对所述待训练的全肺特征提取模型、所述待训练的肺实质提取模型、所述待训练的肺气肿特征提取模型、所述待训练的关联特征提取模型和待训练的肺气肿等级确定模型中的参数进行调整。
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述肺气肿等级确定模型的训练方法的步骤。
第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述肺气肿等级确定模型的训练方法的步骤。
本申请实施例提出的肺气肿等级的检测装置，首先，获取目标肺部图像；其次，基于所述目标肺部图像，分别提取全肺特征、肺实质特征和肺气肿特征；再次，基于所述全肺特征、所述肺实质特征和所述肺气肿特征，确定关联特征；最后，将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至训练好的肺气肿等级确定模型，确定所述目标肺部图像所对应的肺气肿等级。
在某些实施例中，首先，分别从目标肺部图像、肺实质图像和肺气肿图像中，提取全肺特征、肺实质特征和肺气肿特征，然后，再利用全肺特征、肺实质特征和肺气肿特征，提取三个特征的关联特征，最后，利用全肺特征、肺实质特征、肺气肿特征和关联特征，去确定肺气肿等级，也就是，本实施例，不仅考虑到了单个图像的特征，还考虑到了不同图像之间的关联特征，增加了特征的提取能力，进一步的，利用多种特征的融合特征来确定肺气肿等级，提高了确定肺气肿等级的准确度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种肺气肿等级的检测装置的示意图；
图2为本申请实施例提供的一种肺部图像示意图；
图3为本申请实施例提供的一种肺实质图像示意图；
图4为本申请实施例提供的一种肺气肿图像示意图；
图5为本申请实施例提供的一种详细的确定肺气肿等级的方法的流程示意图；
图6为本申请实施例提供的一种肺气肿等级的检测方法的流程示意图；
图7为本申请实施例提供的一种肺气肿等级确定模型的训练方法的流程示意图；
图8为本申请实施例提供的一种肺气肿等级确定模型的训练装置的示意图；
图9为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
根据患者的呼吸困难情况，可以将肺气肿疾病分为5级，0级患者剧烈活动时出现呼吸困难，1级平地快步行走或爬缓坡时出现呼吸困难，2级由于呼吸困难，平地行走时比同龄人慢，或者需要停下来休息，3级平地行走100米左右，既需要停下来喘气，4级严重呼吸困难而不能离开家。也就是，患者的肺气肿等级，基本上是根据经验确定的，但是每个人的身体素质是不同的，因此，仅仅是根据经验来确定患者的肺气肿等级并不准确。
本申请实施例提供了一种肺气肿等级的检测装置，如图1所示，包括：
获取模块101，用于获取目标肺部图像；
第一提取模块102，用于基于所述目标肺部图像，分别提取全肺特征、肺实质特征和肺气肿特征；
第二提取模块103，用于基于所述全肺特征、所述肺实质特征和所述肺气肿特征，确定关联特征；
确定模块104，用于将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至训练好的肺气肿等级确定模型，确定所述目标肺部图像所对应的肺气肿等级。
在上述获取模块101中，目标肺部图像是需要确定肺气肿等级的医学图像。医学图像是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕患者身体的某一部位作一个接一个的断面扫描，得到多个断面扫描对应的图像，多个断面扫描对应的图像组成医学图像。在医学图像中包括多个像素，每个像素都有对应的灰度值，灰度值可以反映出人体的不同组织对X射线吸收程度。人体组织在医学图像上能分辨出2000个不同的灰度值，这2000个不同的灰度值中包含了血液、水、软组织、骨头、空气、肺部组织等等多种身体组织。一般在获取到医学图像之后，为了凸显某一个组织，以便在医学图像中观察该组织，需要对医学图像进行加窗处理，也就是，根据预设的窗宽和窗位，在医学图像中突出对应的身体组织。其中，肺部组织的窗位对应的灰度值为-600，窗宽对应的灰度值为1500，因此，肺部组织对应的灰度值范围为[L-W/2,L+W/2]，其中，L为窗位，W为窗宽，也就是，肺部组织对应的灰度值范围为-1350至150之间。在医学图像中根据肺部组织对应的灰度值范围对肺部图像中的像素点进行筛选，筛选出的像素点可以组成突出肺部组织的肺部图像。如图2所示，肺部图像中包括肺部组织、与肺部组织对应的灰度值相近的其他身体组织(血管、气管等)、以及背景。基于肺部图像，在肺部图像中截取肺部组织对应的图像，也就是，在原始的肺部图像中，根据肺实质的轮廓线去除背景区域对应的图像，如图3所示，就可以得到肺实质图像。一般肺气肿对应的病灶的灰度值小于-950，因此，基于肺实质图像，在肺实质图像中保留灰度值小于-950的像素点的灰度值，将其他像素点的灰度值调整为0，如图4所示，就可以得到肺气肿图像。
在上述第一提取模块102中，全肺特征是从目标肺部图像中所提取的图像特征，全肺特征可以包括肺实质与其他身体组织的关联特征、肺实质与背景区域的关联特征等。肺实质特征是从肺实质图像中所提取的图像特征。肺气肿特征是从肺气肿图像中提取的图像特征，也可以是肺气肿对应的身体组织在目标肺部图像所体现的体积特征。
具体实施中，在得到目标肺部图像之后，会基于目标肺部图像得到肺实质图像，然后在基于肺实质图像得到肺气肿图像，进而基于三个图像，分别提取对应的全肺特征、肺实质特征和肺气肿特征。
在基于目标肺部图像得到肺实质图像之前，还需要对目标肺部图像进行尺寸重建，由于不同来源的肺部图像可能存在尺寸不一致的情况，比如，图像的长、宽、层数，至少有一项不一致，为了能够准确的提取特征，需要将不同尺寸的肺部图像进行尺寸重建，也就是将尺寸进行统一化处理。具体的，利用双线性差值法，将目标肺部图像的尺寸调整为180×150×180尺寸(长×宽×层)。在将目标肺部图像进行尺寸重建之后，可以继续执行第一提取模块102中的方法，可以提高提取特征的准确度。也就是，本申请所提供的肺气肿等级的检测装置，还包括：
预处理模块，用于将所述目标肺部图像调整为预设尺寸的目标肺部图像。
在上述预处理模块中，预设尺寸是人为预先设置好的，比如，180×150×180尺寸(长×宽×层)，也就是将目标肺部图像调整为长是180像素、宽是150像素的大小，以及将层数调整得180层。由于在模型(全肺特征提取模型、肺实质特征提取模型、肺气肿特征提取模型、肺分割模型等，肺气肿等级在检测过程中所用到的模型)训练时，训练样本的大小均采用的统一尺寸，减少了不同尺寸对训练精度的影响，因此，在检测过程中，也需要将目标肺部图像调整为预设尺寸。
在上述第二提取模块103中，关联特征是全肺特征、肺实质特征和肺气肿特征之间的关联信息对应的特征。具体的，将全肺特征、肺实质特征和肺气肿特征同时输入至同一个特征提取模型，就可以得到上述三个特征的关联特征。
在上述确定模块104中，肺气肿等级确定模型用于确定目标肺部图像中肺气肿的等级，肺气肿等级确定模型是一种卷积神经网络模型(例如，3D ResNet18模型)。为了方便计算，本申请中所得到的特征均采用相同维度的矩阵表示(如，512维的矩阵)，因此，全肺特征、肺实质特征、肺气肿特征和关联特征的叠加，就是各个特征对应的矩阵进行叠加，就可以得到叠加后的融合特征对应的矩阵。
具体实施中，将融合特征输入至训练好的肺气肿等级确定模型，就可以得到用于表征肺气肿等级的概率值，根据概率值确定目标肺部图像对应的肺气肿等级。肺气肿等级一般分为四个等级，每个等级均有对应的概率值范围。
本申请所提供的实施例，通过上述四个虚拟装置中所执行的方法，基于全肺特征、肺实质特征、肺气肿特征和关联特征，共同确定肺气肿等级，即考虑到了单个图像(分别是目标肺部图像、肺实质图像和肺气肿图像)的特征，又考虑到了不同图像之间的关联特征，提高了确定肺气肿等级的准确度。
本申请中，全肺特征是从目标肺部图像中提取得到的，而在目标肺部图像中除了肺部组织对应的图像之外，还包括与肺部组织对应的灰度值相近的其他身体组织(血管、气管等)、以及背景，因此，从目标肺部图像中可以提取到肺部组织与其他组织之间的关联特征。也就是，第一提取模块，包括：
第一提取单元，用于将所述目标肺部图像输入至全肺特征提取模型，得到所述全肺特征。
在上述第一提取单元中，全肺特征提取模型是用于从肺部图像中提取特征的模型。全肺特征提取模型是基于大量的训练样本训练得到的。
肺实质特征是从肺实质图像中提取得到的，而肺实质图像是基于目标肺部图像中确定的，也就是，第一提取模块，包括：
分割单元，用于基于肺实质的轮廓，在所述目标肺部图像中分割得到肺实质图像；
第二提取单元，用于将所述肺实质图像输入至肺实质特征提取模型，得到所述肺实质特征。
在上述分割单元中，目标肺部图像包含肺实质，且肺实质的轮廓可以将肺部组织与其他身体组织和背景区域分离，进而，根据肺实质的轮廓对目标肺部图像进行分割，去除其他身体组织和背景区域，可以得到肺实质图像。本申请中可以基于肺分割模型对目标肺部图像进行分割，也就是，分割单元，包括：
分割子单元，用于将所述目标肺部图像输入至肺分割模型，得到肺实质图像。
在上述分割子单元中，肺分割模型用于在目标肺部图像中将肺实质区域与背景区域进行分割的模型。这里使用的肺分割模型是已经训练好的，肺分割模型是基于如下步骤训练得到的：
获取肺实质训练样本集合；所述训练样本集合中包括至少一个训练样本，所述训练样本中包括肺部图像和对应的肺实质图像；
针对每一个训练样本，将所述肺部图像作为待训练的肺分割模型的输入，将所述肺实质图像作为待训练的肺分割模型的输出，对待训练的肺分割模型进行训练。
其中，肺实质图像是在肺部图像中将肺实质的轮廓区域做了标记的图像。
在上述第二提取单元中，肺实质特征提取模型用于从肺实质图像中提取肺实质特征。
利用肺分割模型从目标肺部图像中提取肺实质区域对应的肺实质图像，进一步的，对肺实质图像提取特征时，可以去除肺外和其它的信息的影响，得到更准确的肺实质特征。
肺气肿与肺实质的体积比与肺气肿等级具有很大的相关性，因此，在确定肺气肿等级时，还需要提取肺气肿特征，肺气肿特征是从肺气肿图像中提取得到的，而肺气肿图像是基于肺实质图像中确定的，所述第一提取模块，包括：
获取单元，用于利用所述肺实质图像和预设灰度值范围，获取肺气肿图像；
第三提取单元，用于根据所述肺气肿图像中像素点的数量，确定所述肺气肿特征。
在上述获取单元中，预设灰度值范围指的是灰度值小于-950的范围。肺气肿对应的病灶在肺部图像中对应的灰度值小于-950，因此，为了减少肺外部和其他信息的影响，可以直接在肺实质图像中，利用预设灰度值范围确定肺气肿图像。
在获取肺气肿图像时，可以将肺实质图像中灰度值大于或等于-950的像素点的灰度值调整为0，以得到肺气肿图像，或者直接在肺实质图像中扣取灰度值大于或等于-950的像素点，扣取得到的像素点组成肺气肿图像。
在上述第三提取单元中，由于肺气肿图像是有多层组成的，在多层图像中，也就是在一个立体空间内，扣取得到的像素点均具有自己的位置，每个像素点也具有自己的体积，进而根据扣取得到的像素点的数量，以及每个像素点的体积，可以确定出肺气肿对应病灶的体积，进而，根据肺气肿对应病灶的体积，确定肺气肿特征。本申请中可以基于肺气肿特征提取模型对肺气肿图像提取特征，也就是，第三提取单元，包括：
提取子单元，用于将所述肺气肿图像输入至肺气肿特征提取模型，得到所述肺气肿特征。
在上述提取子单元中，肺气肿特征提取模型用于在肺气肿图像中提取肺气肿特征。这里使用的肺气肿特征提取模型是基于大量的训练样本训练得到的。
关联特征是目标肺部图像、肺实质图像和肺气肿图像中的关联信息对应的特征，因此，第二提取模块，包括：
第四提取模块，用于将所述全肺特征、所述肺实质特征和所述肺气肿特征，同时输入至关联特征提取模型，得到所述关联特征。
在上述第四提取模块中，关联特征提取模型用于从全肺特征、肺实质特征和肺气肿特征中提取关联特征。其中，在本申请中，关联特征提取模型可以有一个，也可以有多个，关联特征提取模型越多，则提取得到的全肺特征、肺实质特征和肺气肿特征之间的关联特征越多，进而利用关联特征计算得到的肺气肿等级越准确。
本申请中全肺特征提取模型、肺实质特征提取模型、肺气肿特征提取模型、关联特征提取模型均是卷积神经网络模型。
本申请实施例提供了一种确定肺气肿等级的方法，如图6所示，包括以下步骤：
S601，获取目标肺部图像；
S602，基于所述目标肺部图像，分别提取全肺特征、肺实质特征和肺气肿特征；
S603，根据所述全肺特征、所述肺实质特征和所述肺气肿特征，分别计算第一关联特征、第二关联特征和第三关联特征；
S604，将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述第一关联特征、所述第二关联特征和所述第三关联特征叠加后得到的融合特征，输入至训练好的肺气肿等级确定模型，确定所述目标肺部图像所对应的肺气肿等级。
可选的，步骤S602，基于所述目标肺部图像，提取全肺特征，包括：
步骤6021，将所述目标肺部图像输入至全肺特征提取模型，得到所述全肺特征。
在上述步骤6021中，全肺特征提取模型是用于从肺部图像中提取特征的模型。
可选的，步骤S602，基于所述目标肺部图像，提取肺实质特征，包括：
步骤6022，基于肺实质的轮廓，在所述目标肺部图像中分割得到肺实质图像；
步骤6023，将所述肺实质图像输入至肺实质特征提取模型，得到所述肺实质特征。
可选的，步骤6022，包括：
步骤60221，将所述目标肺部图像输入至肺分割模型，得到肺实质图像。
可选的，步骤S602，基于所述目标肺部图像，提取肺气肿特征，包括：
步骤6024，利用所述肺实质图像和预设灰度值范围，获取肺气肿图像；
步骤6025，根据所述肺气肿图像中像素点的数量，确定所述肺气肿特征。
可选的，上述步骤6025，包括：
步骤60251，将所述肺气肿图像输入至肺气肿特征提取模型，得到所述肺气肿特征。
可选的，步骤S603，包括：
步骤6031，将所述全肺特征、所述肺实质特征和所述肺气肿特征，同时输入至关联特征提取模型，得到所述关联特征。
可选的，所述方法，还包括：
步骤604，将所述目标肺部图像调整为预设尺寸的目标肺部图像。
本申请所提供的肺气肿等级的检测方案，首先，分别从目标肺部图像、肺实质图像和肺气肿图像中，提取全肺特征、肺实质特征和肺气肿特征，然后，再利用全肺特征、肺实质特征和肺气肿特征，提取三个特征的关联特征，最后，利用全肺特征、肺实质特征、肺气肿特征和关联特征，去确定肺气肿等级，也就是，本申请的方案，不仅考虑到了单个图像的特征，还考虑到了不同图像之间的关联特征，增加了特征的提取能力，进一步的，利用多种特征的融合特征来确定肺气肿等级，提高了确定肺气肿等级的准确度。
基于上述确定肺气肿等级的方法，本申请以三个关联特征提取模型为例，对整个确定肺气肿等级的流程进行详细介绍，如图5所示，获取待检测的目标肺部图像501，利用肺分割模型从目标肺部图像501中提取肺实质图像502，从肺实质图像中提取肺气肿图像503，利用全肺特征提取模型504从目标肺部图像501提取全肺特征507，利用肺实质特征提取模型505从肺实质图像502中提取肺实质特征508，利用肺气肿特征提取模型506从肺气肿图像503中提取肺气肿特征509。将全肺特征507、肺实质特征508、肺气肿特征509，输入至第一关联特征提取模型510，得到第一关联特征513；将全肺特征507、肺实质特征508、肺气肿特征509，输入至第二关联特征提取模型511，得到第二关联特征514；将全肺特征507、肺实质特征508、肺气肿特征509，输入至第三关联特征提取模型512，得到第三关联特征515。最后，将全肺特征507、肺实质特征508、肺气肿特征509、第一关联特征513、第二关联特征514和第三关联特征515进行叠加，得到融合特征516。将融合特征516输入至肺气肿等级确定模型517，就可以得到目标图像所对应的肺气肿等级。
在确定肺气肿等级的过程中包括多个模型(多个模型包括：全肺特征提取模型504、肺实质特征提取模型505、肺气肿特征提取模型506、第一关联特征提取模型510、第二关联特征提取模型511、第三关联特征提取模型512、肺气肿等级确定模型517)，可以将多个模型作为一个整体，即综合肺气肿等级确定模型，在训练过程中，将待训练的综合肺气肿等级确定模型作为训练对象，在待训练的综合肺气肿等级确定模型未进行训练之前，全肺特征提取模型504、肺实质特征提取模型505、肺气肿特征提取模型506为同一种卷积模型(比如，3×3×3的卷积核)，在训练过程中分别对全肺特征提取模型504、肺实质特征提取模型505、肺气肿特征提取模型506中的参数进行调整，进而在得到训练好的综合肺气肿等级确定模型后，得到的全肺特征提取模型504、肺实质特征提取模型505、肺气肿特征提取模型506是三个参数不同的模型。在待训练的综合肺气肿等级确定模型未进行训练之前，第一关联特征提取模型510、第二关联特征提取模型511、第三关联特征提取模型512也是同一种卷积核(例如，1×1×1的卷积核)，在训练过程中分别对第一关联特征提取模型510、第二关联特征提取模型511、第三关联特征提取模型512中的参数进行调整，进而在得到训练好的综合肺气肿等级确定模型后，第一关联特征提取模型510、第二关联特征提取模型511、第三关联特征提取模型512是三个参数不同的训练模型。
具体的，综合肺气肿等级确定模型是通过如下步骤训练得到的：
步骤105，获取肺部训练样本集合；所述肺部训练样本集合中包括至少一个训练样本，每个训练样本包括肺部图像和所述肺部图像对应的肺气肿等级；
步骤106，针对每一个训练样本，将所述肺部图像输入至待训练的综合肺气肿等级确定模型，得到训练结果；根据训练结果与该训练样本中所述肺部图像对应的肺气肿等级，计算损失值，基于损失值，对所述待训练的综合肺气肿等级确定模型中的参数进行调整。
在上述步骤105中，肺部图像是患者的隐私，因此，如果将肺部图像作为训练样本的话，可能无法找到大量的用于进行训练的肺部图像，进而导致训练得到的模型泛化性能较差。因此，为了增加训练样本，本申请可以采用数据增强技术，对已有的肺部图像进行数据增强，得到更多种类的肺部图像，进而可以丰富训练样本、提高模型的泛化性能、鲁棒性，以及防止过度拟合的作用，其中，数据增强技术包括：几何变换技术(如，翻转，旋转，裁剪，变形，缩放等)、颜色变换技术(如，噪声、模糊、颜色变换、擦除、填充等)。当然，该肺部图像在用于模型训练之前，还可以进行图像标准化处理，肺部图像的图像数据符合数据中心化的数据分布规律，使得通过图像标准化处理的肺部图像对待训练的综合肺气肿等级确定模型进行训练好，得到更好的泛化效果，提高了模型确定肺气肿等级的准确度。
在上述步骤106中，利用损失值，对所述待训练的综合肺气肿等级确定模型中的参数进行调整，也就是，利用损失值，对综合肺气肿等级确定模型中所包含的全肺特征提取模型504、肺实质特征提取模型505、肺气肿特征提取模型506、第一关联特征提取模型510、第二关联特征提取模型511、第三关联特征提取模型512和肺气肿等级确定模型517，分别进行参数调整，当损失值达到预设精度时，完成综合肺气肿等级确定模型的训练。
综合肺气肿等级确定模型是由多个子模型组成的，多个子模型分别为全肺特征提取模型、肺实质提取模型、肺气肿特征提取模型、关联特征提取模型和肺气肿等级确定模型。因此，本申请中对待训练的综合肺气肿等级确定模型的训练，也就是，对待训练的综合肺气肿等级确定模型中，各个待训练的子模型进行训练。本申请提供了一种详细的肺气肿等级确定模型的训练方法，如图7所示，包括：
S701，获取肺部训练样本集合；所述肺部训练样本集合中包括至少一个训练样本，每个训练样本包括肺部图像和所述肺部图像对应的肺气肿等级；
S702，针对每一个训练样本，将所述训练样本中的肺部图像分别输入至待训练的全肺特征提取模型、待训练的肺实质提取模型和待训练的肺气肿特征提取模型，得到所述肺部图像的全肺特征、肺实质特征和肺气肿特征；将所述肺部图像的全肺特征、肺实质特征和肺气肿特征输入至待训练的关联特征提取模型，得到所述肺部图像的关联特征；将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至待训练的肺气肿等级确定模型，得到训练结果；根据所述训练结果与该训练样本中所述肺部图像对应的肺气肿等级，确定训练损失值；基于所述训练损失值，对所述待训练的全肺特征提取模型、所述待训练的肺实质提取模型、所述待训练的肺气肿特征提取模型和待训练的肺气肿等级确定模型中的参数进行调整。
可选的，步骤S702，将所述训练样本中的肺部图像输入至待训练的肺实质提取模型，得到所述肺部图像的肺实质特征，包括：
基于肺实质的轮廓，在所述肺部图像中分割得到肺实质图像；
将所述肺部图像的肺实质图像输入至待训练的肺实质特征提取模型，得到所述肺部图像的肺实质特征。
可选的，基于肺实质的轮廓，在所述肺部图像中分割得到肺实质图像，包括：
将所述肺部图像输入至肺分割模型，得到所述肺部图像的肺实质图像。
可选的，步骤S702，将所述训练样本中的肺部图像输入至待训练的肺气肿特征提取模型，得到所述肺部图像的肺气肿特征，包括：
利用所述肺部图像的肺实质图像和预设灰度值范围，获取所述肺部图像的肺气肿图像；
根据所述肺部图像的肺气肿图像中像素点的数量，确定所述肺部图像的肺气肿特征；
将所述肺部图像的肺气肿图像输入至所述待训练的肺气肿特征提取模型，得到所述肺部图像的肺气肿特征。
可选的，在步骤S702之前，还包括：
针对每一个训练样本，将所述训练样本中肺部图像调整为预设尺寸的目标肺部图像。
本申请的上文中所提到了训练好的全肺特征提取模型、肺实质特征提取模型、肺气肿特征提取模型、关联特征提取模型和肺气肿等级确定模型，均可以通过上述肺气肿等级确定模型的训练方法训练得到的。
本申请还提供了一种肺气肿等级的训练装置，如图8所示，包括：
样本获取模块801，用于获取肺部训练样本集合；所述肺部训练样本集合中包括至少一个训练样本，每个训练样本包括肺部图像和所述肺部图像对应的肺气肿等级；
训练模块802，用于针对每一个训练样本，将所述训练样本中的肺部图像分别输入至待训练的全肺特征提取模型、待训练的肺实质提取模型和待训练的肺气肿特征提取模型，得到所述肺部图像的全肺特征、肺实质特征和肺气肿特征；将所述肺部图像的全肺特征、肺实质特征和肺气肿特征输入至待训练的关联特征提取模型，得到所述肺部图像的关联特征；将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至待训练的肺气肿等级确定模型，得到训练结果；根据所述训练结果与该训练样本中所述肺部图像对应的肺气肿等级，确定训练损失值；基于所述训练损失值，对所述待训练的全肺特征提取模型、所述待训练的肺实质提取模型、所述待训练的肺气肿特征提取模型、所述待训练的关联特征提取模型和待训练的肺气肿等级确定模型中的参数进行调整。
可选的，训练模块802，包括：
分割单元，用于基于肺实质的轮廓，在所述肺部图像中分割得到肺实质图像；
第一提取单元，用于将所述肺部图像的肺实质图像输入至待训练的肺实质特征提取模型，得到所述肺部图像的肺实质特征。
可选的，分割单元，包括：
分割子单元，用于将所述肺部图像输入至肺分割模型，得到所述肺部图像的肺实质图像。
可选的，训练模块802，包括：
筛选单元，用于利用所述肺部图像的肺实质图像和预设灰度值范围，获取所述肺部图像的肺气肿图像；
确定单元，用于根据所述肺部图像的肺气肿图像中像素点的数量，确定所述肺部图像的肺气肿特征；
第二提取单元，用于将所述肺部图像的肺气肿图像输入至所述待训练的肺气肿特征提取模型，得到所述肺部图像的肺气肿特征。
可选的，训练装置，还包括：
预处理模块，用于针对每一个训练样本，将所述训练样本中肺部图像调整为预设尺寸的目标肺部图像。
对应于图6中的肺气肿等级的检测方法，本申请实施例还提供了一种计算机设备900，如图9所示，该设备包括存储器901、处理器902及存储在该存储器901上并可在该处理器902上运行的计算机程序，其中，上述处理器902执行上述计算机程序时实现上述肺气肿等级的检测方法。
对应于图6中的肺气肿等级的检测方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述确定肺气肿等级的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述确定肺气肿等级的方法，解决了现有技术中确定肺气肿等级不准确的问题，本申请首先，分别从目标肺部图像、肺实质图像和肺气肿图像中，提取全肺特征、肺实质特征和肺气肿特征，然后，再利用全肺特征、肺实质特征和肺气肿特征，提取三个特征的关联特征，最后，利用全肺特征、肺实质特征、肺气肿特征和关联特征，去确定肺气肿等级，也就是，本实施例，不仅考虑到了单个图像的特征，还考虑到了不同图像之间的关联特征，增加了特征的提取能力，进一步的，利用多种特征的融合特征来确定肺气肿等级，提高了确定肺气肿等级的准确度。
本申请实施例提供的一种计算机设备900，除了可以运行上述肺气肿等级的检测方法，还可以运行如图7所示的肺气肿等级确定模型的训练方法。
同样的，本申请实施例提供的一种计算机可读存储介质，除了可以运行上述肺气肿等级的检测方法，还可以运行如图7所示的肺气肿等级确定模型的训练方法。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种肺气肿等级的检测装置，其特征在于，包括：
获取模块，用于获取目标肺部图像；
第一提取模块，用于基于所述目标肺部图像，分别提取全肺特征、肺实质特征和肺气肿特征；
第二提取模块，用于基于所述全肺特征、所述肺实质特征和所述肺气肿特征，确定关联特征；
确定模块，用于将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至训练好的肺气肿等级确定模型，确定所述目标肺部图像所对应的肺气肿等级。
2.根据权利要求1所述的检测装置，其特征在于，所述第一提取模块，包括：
第一提取单元，用于将所述目标肺部图像输入至全肺特征提取模型，得到所述全肺特征。
3.根据权利要求1所述的检测装置，其特征在于，所述第一提取模块，包括：
分割单元，用于基于肺实质的轮廓，在所述目标肺部图像中分割得到肺实质图像；
第二提取单元，用于将所述肺实质图像输入至肺实质特征提取模型，得到所述肺实质特征。
4.根据权利要求3所述的检测装置，其特征在于，所述分割单元，包括：
分割子单元，用于将所述目标肺部图像输入至肺分割模型，得到肺实质图像。
5.根据权利要求3所述的检测装置，其特征在于，所述第一提取模块，包括：
获取单元，用于利用所述肺实质图像和预设灰度值范围，获取肺气肿图像；
第三提取单元，用于根据所述肺气肿图像中像素点的数量，确定所述肺气肿特征。
6.根据权利要求5所述的检测装置，其特征在于，所述第三提取单元，包括：
提取子单元，用于将所述肺气肿图像输入至肺气肿特征提取模型，得到所述肺气肿特征。
7.根据权利要求1所述的检测装置，其特征在于，所述第二提取模块，包括：
第四提取模块，用于将所述全肺特征、所述肺实质特征和所述肺气肿特征，同时输入至关联特征提取模型，得到所述关联特征。
8.根据权利要求1所述的装置，其特征在于，所述装置，还包括：
预处理模块，用于将所述目标肺部图像调整为预设尺寸的目标肺部图像。
9.一种肺气肿等级确定模型的训练方法，其特征在于，包括：
获取肺部训练样本集合；所述肺部训练样本集合中包括至少一个训练样本，每个训练样本包括肺部图像和所述肺部图像对应的肺气肿等级；
针对每一个训练样本，将所述训练样本中的肺部图像分别输入至待训练的全肺特征提取模型、待训练的肺实质提取模型和待训练的肺气肿特征提取模型，得到所述肺部图像的全肺特征、肺实质特征和肺气肿特征；将所述肺部图像的全肺特征、肺实质特征和肺气肿特征输入至待训练的关联特征提取模型，得到所述肺部图像的关联特征；将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至待训练的肺气肿等级确定模型，得到训练结果；根据所述训练结果与该训练样本中所述肺部图像对应的肺气肿等级，确定训练损失值；基于所述训练损失值，对所述待训练的全肺特征提取模型、所述待训练的肺实质提取模型、所述待训练的肺气肿特征提取模型和待训练的肺气肿等级确定模型中的参数进行调整。
10.一种肺气肿等级确定模型的训练装置，其特征在于，包括：
样本获取模块，用于获取肺部训练样本集合；所述肺部训练样本集合中包括至少一个训练样本，每个训练样本包括肺部图像和所述肺部图像对应的肺气肿等级；
训练模块，用于针对每一个训练样本，将所述训练样本中的肺部图像分别输入至待训练的全肺特征提取模型、待训练的肺实质提取模型和待训练的肺气肿特征提取模型，得到所述肺部图像的全肺特征、肺实质特征和肺气肿特征；将所述肺部图像的全肺特征、肺实质特征和肺气肿特征输入至待训练的关联特征提取模型，得到所述肺部图像的关联特征；将所述全肺特征、所述肺实质特征、所述肺气肿特征、所述关联特征叠加后得到的融合特征，输入至待训练的肺气肿等级确定模型，得到训练结果；根据所述训练结果与该训练样本中所述肺部图像对应的肺气肿等级，确定训练损失值；基于所述训练损失值，对所述待训练的全肺特征提取模型、所述待训练的肺实质提取模型、所述待训练的肺气肿特征提取模型、所述待训练的关联特征提取模型和待训练的肺气肿等级确定模型中的参数进行调整。
11.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求9所述的方法的步骤。
12.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求9所述的方法的步骤。
CN202110800911.2A 2021-07-15 2021-07-15 一种检测装置、训练方法、训练装置、设备和介质 Pending CN113409306A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110800911.2A CN113409306A (zh) 2021-07-15 2021-07-15 一种检测装置、训练方法、训练装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110800911.2A CN113409306A (zh) 2021-07-15 2021-07-15 一种检测装置、训练方法、训练装置、设备和介质

Publications (1)

Publication Number Publication Date
CN113409306A true CN113409306A (zh) 2021-09-17

Family

ID=77686446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110800911.2A Pending CN113409306A (zh) 2021-07-15 2021-07-15 一种检测装置、训练方法、训练装置、设备和介质

Country Status (1)

Country Link
CN (1) CN113409306A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511562A (zh) * 2022-04-19 2022-05-17 深圳市疾病预防控制中心（深圳市卫生检验中心、深圳市预防医学研究所） 基于大数据的慢性阻塞性肺炎风险预测系统、方法及设备

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017210607A1 (en) * 2016-06-02 2017-12-07 Klotho Therapeutics, Inc. Therapeutic recombinant klotho proteins and compositions and methods involving the same
CN107507197A (zh) * 2017-08-18 2017-12-22 东北大学 一种基于聚类算法和卷积神经网络的肺实质提取方法
CN109727260A (zh) * 2019-01-24 2019-05-07 杭州英库医疗科技有限公司 一种基于ct影像的三维肺叶分割方法
CN109784196A (zh) * 2018-12-20 2019-05-21 哈尔滨工业大学深圳研究生院 视觉信息判识方法、装置、设备及存储介质
US20190295720A1 (en) * 2018-03-23 2019-09-26 Nantomics, Llc Immune cell signatures
CN110516688A (zh) * 2019-08-30 2019-11-29 北京推想科技有限公司 肺结节属性特征信息的提取方法及系统
CN110766713A (zh) * 2019-10-30 2020-02-07 上海微创医疗器械（集团）有限公司 肺部图像分割方法、装置和肺部病变区域识别设备
CN111340803A (zh) * 2020-04-03 2020-06-26 深圳前海微众银行股份有限公司 肺气肿等级检测方法、装置、设备及存储介质
CN111477324A (zh) * 2020-04-03 2020-07-31 深圳前海微众银行股份有限公司 肺气肿疾病预测方法、装置、设备及存储介质
CN111612749A (zh) * 2020-05-12 2020-09-01 科大讯飞股份有限公司 基于肺部影像的病灶检测方法和装置
CN111754453A (zh) * 2020-05-11 2020-10-09 佛山市第四人民医院(佛山市结核病防治所) 基于胸透图像的肺结核检测方法、系统和存储介质
CN111832581A (zh) * 2020-09-21 2020-10-27 平安科技（深圳）有限公司 肺部特征识别方法、装置、计算机设备及存储介质
CN112364880A (zh) * 2020-11-30 2021-02-12 腾讯科技（深圳）有限公司 基于图神经网络的组学数据处理方法、装置、设备及介质
CN112633178A (zh) * 2020-12-24 2021-04-09 深圳集智数字科技有限公司 一种图像识别方法、装置、存储介质及电子设备
CN112819819A (zh) * 2021-02-26 2021-05-18 泰康保险集团股份有限公司 基于深度学习的尘肺分级方法、装置、介质及设备
CN113011509A (zh) * 2021-03-25 2021-06-22 推想医疗科技股份有限公司 肺部支气管的分类方法、装置、电子设备和存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017210607A1 (en) * 2016-06-02 2017-12-07 Klotho Therapeutics, Inc. Therapeutic recombinant klotho proteins and compositions and methods involving the same
CN107507197A (zh) * 2017-08-18 2017-12-22 东北大学 一种基于聚类算法和卷积神经网络的肺实质提取方法
US20190295720A1 (en) * 2018-03-23 2019-09-26 Nantomics, Llc Immune cell signatures
CN109784196A (zh) * 2018-12-20 2019-05-21 哈尔滨工业大学深圳研究生院 视觉信息判识方法、装置、设备及存储介质
CN109727260A (zh) * 2019-01-24 2019-05-07 杭州英库医疗科技有限公司 一种基于ct影像的三维肺叶分割方法
CN110516688A (zh) * 2019-08-30 2019-11-29 北京推想科技有限公司 肺结节属性特征信息的提取方法及系统
CN110766713A (zh) * 2019-10-30 2020-02-07 上海微创医疗器械（集团）有限公司 肺部图像分割方法、装置和肺部病变区域识别设备
CN111477324A (zh) * 2020-04-03 2020-07-31 深圳前海微众银行股份有限公司 肺气肿疾病预测方法、装置、设备及存储介质
CN111340803A (zh) * 2020-04-03 2020-06-26 深圳前海微众银行股份有限公司 肺气肿等级检测方法、装置、设备及存储介质
CN111754453A (zh) * 2020-05-11 2020-10-09 佛山市第四人民医院(佛山市结核病防治所) 基于胸透图像的肺结核检测方法、系统和存储介质
CN111612749A (zh) * 2020-05-12 2020-09-01 科大讯飞股份有限公司 基于肺部影像的病灶检测方法和装置
CN111832581A (zh) * 2020-09-21 2020-10-27 平安科技（深圳）有限公司 肺部特征识别方法、装置、计算机设备及存储介质
CN112364880A (zh) * 2020-11-30 2021-02-12 腾讯科技（深圳）有限公司 基于图神经网络的组学数据处理方法、装置、设备及介质
CN112633178A (zh) * 2020-12-24 2021-04-09 深圳集智数字科技有限公司 一种图像识别方法、装置、存储介质及电子设备
CN112819819A (zh) * 2021-02-26 2021-05-18 泰康保险集团股份有限公司 基于深度学习的尘肺分级方法、装置、介质及设备
CN113011509A (zh) * 2021-03-25 2021-06-22 推想医疗科技股份有限公司 肺部支气管的分类方法、装置、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KIMINOBU TANIZAWA 等: "The prognostic value of HRCT in myositis associated interstitial lung disease", 《RESPIRATORY MEDICINE》 *
毕蓉蓉 等: "CT图像下结合RCNN与U-Net的肺实质自动分割方法", 《哈尔滨理工大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511562A (zh) * 2022-04-19 2022-05-17 深圳市疾病预防控制中心（深圳市卫生检验中心、深圳市预防医学研究所） 基于大数据的慢性阻塞性肺炎风险预测系统、方法及设备

Similar Documents

Publication Publication Date Title
TWI715117B (zh) 醫療影像處理方法及裝置、電子設備及儲存介質
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN102460471B (zh) 用于胸腔层析x射线合成成像中的计算机辅助肺结节检测的系统
EP2401719B1 (fr) Méthodes de segmentation d'images et de détection de structures particulières
CN111932492B (zh) 一种医学图像处理方法、装置及计算机可读存储介质
CN113159040B (zh) 医学图像分割模型的生成方法及装置、系统
CN113989407B (zh) Ct影像中肢体部位识别模型训练方法及系统
CN111583385B (zh) 一种可变形数字人解剖学模型的个性化变形方法及系统
CN113256670A (zh) 图像处理方法及装置、网络模型的训练方法及装置
CN114332132A (zh) 图像分割方法、装置和计算机设备
EP2823465B1 (en) Stereo x-ray tube based suppression of outside body high contrast objects
CN113409306A (zh) 一种检测装置、训练方法、训练装置、设备和介质
CN116758087B (zh) 一种腰椎ct骨窗侧隐窝间隙检测方法及装置
CN116725563B (zh) 眼球突出度测量装置
AU2019204365B1 (en) Method and System for Image Segmentation and Identification
CN111612755B (zh) 肺部病灶分析方法、装置、电子设备和存储介质
CN115330696A (zh) 一种支架的检测方法、装置、设备及存储介质
CN115375787A (zh) 伪影校正方法、计算机设备及可读存储介质
CN115439423A (zh) 一种基于ct图像的识别方法、装置、设备及存储介质
CN111462067B (zh) 图像分割方法及装置
CN113838557A (zh) 一种医学影像三维重建模拟方法及系统
US10755454B2 (en) Clinical task-based processing of images
CN115132328B (zh) 信息可视化方法、装置、设备及存储介质
CN117095137B (zh) 基于双路图像采集的医疗图像的三维成像方法及系统
CN116402812B (zh) 一种医疗用影像数据的处理方法及系统

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: 20210917

RJ01 Rejection of invention patent application after publication