CN113643279A - 基于ct影像的肺结节检测设备、装置及存储介质 - Google Patents
基于ct影像的肺结节检测设备、装置及存储介质 Download PDFInfo
- Publication number
- CN113643279A CN113643279A CN202111004030.6A CN202111004030A CN113643279A CN 113643279 A CN113643279 A CN 113643279A CN 202111004030 A CN202111004030 A CN 202111004030A CN 113643279 A CN113643279 A CN 113643279A
- Authority
- CN
- China
- Prior art keywords
- nodule
- lung
- image
- information
- pulmonary
- 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
Links
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 310
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 238000002591 computed tomography Methods 0.000 title description 160
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 455
- 210000004072 lung Anatomy 0.000 claims abstract description 175
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000003211 malignant effect Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 24
- 230000006403 short-term memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000007787 long-term memory Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 201000011510 cancer Diseases 0.000 claims description 6
- 206010028980 Neoplasm Diseases 0.000 claims description 5
- 230000036210 malignancy Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 210000001519 tissue Anatomy 0.000 description 53
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 6
- 201000005202 lung cancer Diseases 0.000 description 6
- 208000020816 lung neoplasm Diseases 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000003437 trachea Anatomy 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- MXWJVTOOROXGIU-UHFFFAOYSA-N atrazine Chemical compound CCNC1=NC(Cl)=NC(NC(C)C)=N1 MXWJVTOOROXGIU-UHFFFAOYSA-N 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002604 ultrasonography 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及人工智能领域，应用于智慧医疗领域中，公开了一种基于CT影像的肺结节检测设备、装置及存储介质，用于提高肺结节特征信息检测的准确率。所述基于CT影像的肺结节检测设备用于执行如下方法：对待检测的原始CT影像进行平滑分割，得到肺部影像；基于高斯拉普拉斯算子，对肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；通过肺结节识别模型，对候选肺结节区域进行特征识别，得到目标肺结节信息；对目标肺结节信息进行空间位置识别，得到肺结节位置信息，并根据肺结节位置信息，获取特征参考信息，特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。此外，本发明还涉及区块链技术，目标肺结节信息可存储于区块链节点中。
Description
技术领域
本发明涉及图像检测领域，尤其涉及一种基于CT影像的肺结节检测设备、装置及存储介质。
背景技术
肺癌已成为世界范围内发病率及死亡率最高的恶性肿瘤，基于早发现、早治疗理念的肺癌早筛能够大大提高肺癌患者的5年生存率。由于肺癌的早期形态通常表现为肺结节，因此肺结节的准确检测与识别对于肺癌早筛极其重要。虽然基于CT影像的肺结节计算机辅助诊断研究受到了人们的广泛关注，但已有的研究成果离临床应用还存在较大差距。
随着人工智能技术的兴起，现有的机器学习模型可以支持疾病辅助诊断、健康管理、远程会诊等功能，但是，目前该研究还存在以下问题：1、由于成像机理和设备的限制，CT影像具有较低的组织对比度，基于深度学习的候选区域提取算法难以全面地提取病灶，召回率较低；2、肺结节形态变化在CT影像中也表现出复杂的特征模式，传统的深度网络模型难以有效地表达病灶的三维空间结构信息；3、传统模型难以表达肺结节与周围组织之间的关系。因此，现有技术对肺部CT影像进行肺结节特征信息检测时，存在肺结节特征信息检测准确率低的技术问题。
发明内容
本发明提供了一种基于CT影像的肺结节检测设备、装置及存储介质，用于提高肺结节特征信息检测的准确率。
本发明第一方面提供了一种基于CT影像的肺结节检测设备，所述基于CT影像的肺结节检测设备包括：存储器和处理器，所述存储器中存储有计算机程序；所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行如下方法：
接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
可选的，在本发明第一方面的第一种实现方式中，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像时，包括以下步骤：
接收待检测的原始CT影像，并采用预置的最大类间阈值算法，识别所述原始CT影像中的背景组织，所述背景组织用于指示所述原始CT影像中肺部组织以外的人体组织；
按照预置的连通域分析算法，去除所述原始CT影像中的背景组织，得到初始肺部区域；
基于形态学闭运算，重构所述初始肺部区域的肺轮廓边缘，得到目标肺部区域；
按照所述目标肺部区域，对所述原始CT影像进行肺部平滑分割，得到肺部影像。
可选的，在本发明第一方面的第二种实现方式中，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域时，包括以下步骤：
将预置的高斯拉普拉斯算子与所述肺部影像进行卷积运算，得到多尺度空间的高斯图像；
按照所述高斯拉普拉斯算子对应的尺度范围，对每个尺度空间的高斯图像进行肺结节斑点识别，得到候选肺结节斑点信息；
对所述候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将所述目标肺结节斑点信息对应的连通域作为候选肺结节区域。
可选的，在本发明第一方面的第三种实现方式中，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述对所述候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将所述目标肺结节斑点信息对应的连通域作为候选肺结节区域时，包括以下步骤：
通过预置的先验知识算法，判断所述候选肺结节斑点信息是否符合预置的肺结节形状约束条件，所述候选肺结节斑点信息包括多个候选肺结节斑点信息；
若所述候选肺结节斑点信息符合预置的肺结节形状约束条件，则将符合预置的肺结节形状约束条件的候选肺结节斑点信息设置为目标肺结节斑点信息；
若所述候选肺结节斑点信息不符合预置的肺结节形状约束条件，则将所述候选肺结节斑点信息中不符合预置的肺结节形状约束条件的候选肺结节斑点信息去除，得到目标肺结节斑点信息；
获取所述目标肺结节斑点信息在质心坐标中的位置信息对应的连通域，并将所述位置信息对应的连通域设置为候选肺结节区域。
可选的，在本发明第一方面的第四种实现方式中，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息时，包括以下步骤：
读取训练好的肺结节识别模型，所述肺结节识别模型为3D深度神经网络特征提取模型，所述3D深度神经网络特征提取模型由多个密集型3D膨胀卷积层构成；
通过所述训练好的肺结节识别模型中的多个密集型3D膨胀卷积层对所述候选肺结节区域进行肺结节特征提取，得到所述候选肺结节区域中的肺结节特征信息；
对所述候选肺结节区域中的肺结节特征信息进行二分类处理，得到目标肺结节信息。
可选的，在本发明第一方面的第五种实现方式中，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性时，包括以下步骤：
通过训练好的肺结节位置模型，对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
从预置的肺结节位置关系知识库中获取所述肺结节位置信息对应的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
可选的，在本发明第一方面的第六种实现方式中，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述通过训练好的肺结节位置模型，对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络时，包括以下步骤：
读取训练好的肺结节位置模型，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
通过所述深度残差网络对所述目标肺结节信息进行位置特征提取，得到第一特征向量；
通过所述长短期记忆网络对所述目标肺结节信息进行组织关系特征提取，得到第二特征向量；
拼接所述第一特征向量和所述第二特征向量，得到目标特征向量，并通过所述全连接网络，对所述目标特征向量进行肺部空间位置分类，得到肺结节位置信息。
本发明第二方面提供了一种基于CT影像的肺结节检测装置，包括：
肺部分割模块，用于接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
斑点识别模块，用于基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
肺结节识别模块，用于通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
特征获取模块，用于对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
可选的，在本发明第二方面的第一种实现方式中，所述肺部分割模块具体用于：
接收待检测的原始CT影像，并采用预置的最大类间阈值算法，识别所述原始CT影像中的背景组织，所述背景组织用于指示所述原始CT影像中肺部组织以外的人体组织；
按照预置的连通域分析算法，去除所述原始CT影像中的背景组织，得到初始肺部区域；
基于形态学闭运算，重构所述初始肺部区域的肺轮廓边缘，得到目标肺部区域；
按照所述目标肺部区域，对所述原始CT影像进行肺部平滑分割，得到肺部影像。
可选的，在本发明第二方面的第二种实现方式中，所述斑点识别模块包括：
卷积单元，用于将预置的高斯拉普拉斯算子与所述肺部影像进行卷积运算，得到多尺度空间的高斯图像；
识别单元，用于按照所述高斯拉普拉斯算子对应的尺度范围，对每个尺度空间的高斯图像进行肺结节斑点识别，得到候选肺结节斑点信息；
降噪单元，用于对所述候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将所述目标肺结节斑点信息对应的连通域作为候选肺结节区域。
可选的，在本发明第二方面的第三种实现方式中，所述降噪单元具体用于：
通过预置的先验知识算法，判断所述候选肺结节斑点信息是否符合预置的肺结节形状约束条件，所述候选肺结节斑点信息包括多个候选肺结节斑点信息；
若所述候选肺结节斑点信息符合预置的肺结节形状约束条件，则将符合预置的肺结节形状约束条件的候选肺结节斑点信息设置为目标肺结节斑点信息；
若所述候选肺结节斑点信息不符合预置的肺结节形状约束条件，则将所述候选肺结节斑点信息中不符合预置的肺结节形状约束条件的候选肺结节斑点信息去除，得到目标肺结节斑点信息；
获取所述目标肺结节斑点信息在质心坐标中的位置信息对应的连通域，并将所述位置信息对应的连通域设置为候选肺结节区域。
可选的，在本发明第二方面的第四种实现方式中，所述肺结节识别模块具体用于：
读取训练好的肺结节识别模型，所述肺结节识别模型为3D深度神经网络特征提取模型，所述3D深度神经网络特征提取模型由多个密集型3D膨胀卷积层构成；
通过所述训练好的肺结节识别模型中的多个密集型3D膨胀卷积层对所述候选肺结节区域进行肺结节特征提取，得到所述候选肺结节区域中的肺结节特征信息；
对所述候选肺结节区域中的肺结节特征信息进行二分类处理，得到目标肺结节信息。
可选的，在本发明第二方面的第五种实现方式中，所述特征获取模块包括：
位置识别单元，用于通过训练好的肺结节位置模型，对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
特征获取单元，用于从预置的肺结节位置关系知识库中获取所述肺结节位置信息对应的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
可选的，在本发明第二方面的第六种实现方式中，所述位置识别单元具体用于：
读取训练好的肺结节位置模型，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
通过所述深度残差网络对所述目标肺结节信息进行位置特征提取，得到第一特征向量；
通过所述长短期记忆网络对所述目标肺结节信息进行组织关系特征提取，得到第二特征向量；
拼接所述第一特征向量和所述第二特征向量，得到目标特征向量，并通过所述全连接网络，对所述目标特征向量进行肺部空间位置分类，得到肺结节位置信息。
本发明的第三方面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中存储有计算机程序，当所述计算机指令在计算机上运行时，使得计算机执行如下步骤：
接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
本发明提供的技术方案中，接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。本发明实施例中，基于CT影像的肺结节检测设备接收到患者的原始CT影像之后，对待检测的原始CT影像进行平滑分割，得到完整的肺部影像，再基于高斯拉普拉斯算子，将肺部影像转换到多尺度空间，并在多尺度空间下进行肺结节斑点识别，从而确定存在肺结节斑点的候选肺结节区域，接着，基于CT影像的肺结节检测设备通过机器学习模型，对候选肺结节区域进行特征识别，从而得到目标肺结节信息，进而确定目标肺结节信息对应的特征参考信息，本发明可以提高肺结节特征信息检测的准确率。
附图说明
图1为本发明实施例中基于CT影像的肺结节检测设备的一个实施例示意图；
图2为本发明实施例中基于CT影像的肺结节检测装置的一个实施例示意图；
图3为本发明实施例中基于CT影像的肺结节检测装置的另一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于CT影像的肺结节检测设备、装置及存储介质，用于提高肺结节特征信息检测的准确率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，图1是本发明实施例提供的一种基于CT影像的肺结节检测设备的结构示意图，该基于CT影像的肺结节检测设备100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)110(例如，一个或一个以上处理器)和存储器120，一个或一个以上存储应用程序133或数据132的存储介质130(例如一个或一个以上海量存储设备)。其中，存储器120和存储介质130可以是短暂存储或持久存储。存储在存储介质130的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于CT影像的肺结节检测设备100中的一系列计算机程序操作。更进一步地，处理器110可以设置为与存储介质130通信，在基于CT影像的肺结节检测设备100上执行存储介质130中的一系列计算机程序操作。
基于CT影像的肺结节检测设备100还可以包括一个或一个以上电源140，一个或一个以上有线或无线网络接口150，一个或一个以上输入输出接口160，和/或，一个或一个以上操作系统131，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图1示出的基于CT影像的肺结节检测设备结构并不构成对基于CT影像的肺结节检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于CT影像的肺结节检测设备，计算机设备包括存储器和处理器，存储器中存储有计算机可读计算机程序，计算机可读计算机程序被处理器执行时，使得处理器执行上述各实施例中的基于CT影像的肺结节检测设备执行如下步骤：
接收待检测的原始CT影像，并对待检测的原始CT影像进行平滑分割，得到肺部影像；
基于预置的高斯拉普拉斯算子，对肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
通过训练好的肺结节识别模型，对候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
对目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据肺结节位置信息，获取目标肺结节信息的特征参考信息，特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本实施例中，原始CT影像为医学影像，在医学应用场景中，医学影像包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的人体组织，例如，胃部、肺部、腹部、心脏、膝盖、脑部的影像，比如，CT(computedtomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)、US(ultrasonic，超声)、X光图像、脑电图以及光学摄影灯由医学仪器生成的图像。
本实施例中，原始CT影像相较于常规的X线影像，具有横断面图像层厚准确、图像清晰、密度分辨率高、没有层面以外的结构干扰的特点，另外，CT扫描得到的横断面图像还可以用于计算机软件的处理，以对原始CT影像进行肺结节检测。原始CT影像中除了肺部影像之外，还包括人体骨骼、脂肪、气管等组织影像，因此，当基于CT影像的肺结节检测设备接收到待检测的原始CT影像之后，对原始CT影像进行肺部影像识别，得到肺部区域，再通过预置的滤波器对肺部区域的边缘进行平滑处理，最后按照平滑处理后的肺部区域边缘进行肺部区域的平滑分割，从而得到肺部影像，其中，预置的滤波器包括均值滤波器、方框滤波器、高斯滤波器和中值滤波器。
本实施例中，图像的尺度空间的定义为原始图像与一个可变尺度的高斯函数卷积运算，预置的高斯拉普拉斯(Laplace of Guassian，LoG)算子就是对高斯函数进行拉普拉斯变换的结果，高斯拉普拉斯算子结合了尺度空间表达和金字塔多分辨率表达，基于CT影像的肺结节检测设备通过对肺部影像进行局部最大值搜索，能够在空间位置和尺度空间定位局部特征点，也就是肺结节斑点，以使得基于CT影像的肺结节检测设备将具有肺结节斑点的区域作为候选肺结节区域。
本实施例中，单层CT切片数据可以提取基于平面的二维特征纹理、形状、灰度信息，但难以表达病灶的三维空间结构信息。因此，基于CT影像的肺结节检测设备通过训练好的肺结节识别模型进行肺结节特征提取，肺结节识别模型为一种基于密集卷积和膨胀卷积的3D深度神经网络特征提取模型，整个深度网络由密集型卷积连接构成，且每个卷积核为3D膨胀卷积，基于CT影像的肺结节检测设备通过多层级的3D膨胀卷积提取候选肺结节区域中多尺度、多感受野的特征信息，再通过级联的密集卷积模块实现特征信息在3D膨胀卷积之间有效传递，从而得到目标肺结节信息，目标肺结节信息中包括确定候选肺结节区域中为肺结节的斑点信息，肺结节尺寸信息、肺结节形状信息、肺结节灰度信息，目标肺结节信息用于后续基于CT影像的肺结节检测设备对目标肺结节的病理判断，以及肺结节的位置识别，能够准确地识别目标肺结节的类型、征象和良恶性等特征参考信息。
本实施例中，除了影像特征之外，医学诊断更应该关注因果推断。因此，除需要关注肺结节的形状、大小、灰度、良恶性外，还要能够识别目标肺结节与周围组织之间的关系，例如，有一目标肺结节位于右肺上叶后段，那么，该目标肺结节为磨玻璃肺结节的概率更大，这对于不同类型的肺癌推断是极有价值的。因此，基于CT影像的肺结节检测设备通过一种关系推理网络(肺结节位置模型)进行肺结节的肺部空间位置识别，以捕捉肺结节与周围组织之间的关系。
本实施例中，基于CT影像的肺结节检测设备通过对目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，例如，肺结节位于右肺上叶后段，然后基于CT影像的肺结节检测设备根据肺结节位置信息，在预置的知识图谱中获取肺结节类型、肺结节征象、肺结节良恶性等特征参考信息，以供医生做诊断参考，其中，肺结节类型包括但不限于磨玻璃结节、实性结节和部分实性结节。例如，位于右肺上叶后段的肺结节大概率为磨玻璃结节，磨玻璃结节的肺结节征象包括不同良恶性等级的征象信息，如该磨玻璃结节的肺结节征象为密度高于密度临界值，且结节内部存在血管和支气管的影像，那么，该征象对应恶性程度最低的肺结节良恶性。
可选的，处理器调用存储器中的计算机程序，以使得基于CT影像的肺结节检测设备执行接收待检测的原始CT影像，并对待检测的原始CT影像进行平滑分割，得到肺部影像时，包括以下步骤：接收待检测的原始CT影像，并采用预置的最大类间阈值算法，识别原始CT影像中的背景组织，背景组织用于指示原始CT影像中肺部组织以外的人体组织；按照预置的连通域分析算法，去除原始CT影像中的背景组织，得到初始肺部区域；基于形态学闭运算，重构初始肺部区域的肺轮廓边缘，得到目标肺部区域；按照目标肺部区域，对原始CT影像进行肺部平滑分割，得到肺部影像。
本可选实施例中，背景组织包括人体骨骼、脂肪、气管等，为了减少背景组织对肺部组织识别的干扰，基于CT影像的肺结节检测设备采用最大类间阈值算法(又称大津算法)，对原始CT影像进行二值化处理，再根据最大类间阈值算法预置的最大类间阈值，将原始CT影像分成前景和背景，也就是肺部组织和背景组织，基于CT影像的特点，采用最大类间阈值算法可以准确地将肺部组织和背景组织分离，是肺部区域提取的首要步骤。
本可选实施例中，由于肺部组织和背景组织不是连通的区域，因此，基于CT影像的肺结节检测设备通过连通域分析(connected component analysis，connected componentlabeling)算法，可以去除原始CT影像中与背景组织相连通的区域，得到初始肺部区域，以减少背景组织对肺结节检测的干扰，为肺部区域的精确定位提供了数据基础。
本可选实施例中，基于CT影像的肺结节检测设备按照预置的连通域分析算法，去除原始CT影像中的背景组织之后，还包括：通过连通域分析算法中的连通域面积，对背景组织进行降噪处理，得到噪音组织，基于CT影像的肺结节检测设备再将原始CT影像中的噪音组织去除，得到初始肺部区域。
本可选实施例中，形态学闭运算是形态学运算中的一种，形态学闭运算先对初始肺部区域进行腐蚀运算，得到腐蚀结果，再对腐蚀结果进行膨胀运算，以重构初始肺部区域的肺轮廓边缘，得到目标肺部区域，形态学闭运算能够去除初始肺部区域中孤立的小点、毛刺和小桥，而总的位置和形状不变，使目标肺部区域的边缘更平滑，使后续分割得到的肺部影像更完整。最后基于CT影像的肺结节检测设备按照目标肺部区域的轮廓，对待检测的原始CT影像进行平滑分割，从而得到肺部影像，用于后续的肺结节检测。
可选的，处理器调用存储器中的计算机程序，以使得基于CT影像的肺结节检测设备执行基于预置的高斯拉普拉斯算子，对肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域时，包括以下步骤：基于CT影像的肺结节检测设备将预置的高斯拉普拉斯算子与肺部影像进行卷积运算，得到多尺度空间的高斯图像；基于CT影像的肺结节检测设备按照高斯拉普拉斯算子对应的尺度范围，对每个尺度空间的高斯图像进行肺结节斑点识别，得到候选肺结节斑点信息；基于CT影像的肺结节检测设备对候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将目标肺结节斑点信息对应的连通域作为候选肺结节区域。
本可选实施例中，预置的高斯拉普拉斯算子为可变尺度的高斯核，是可以产生多尺度空间的核，基于CT影像的肺结节检测设备通过高斯拉普拉斯算子与肺部影像进行卷积运算，产生不同(多)尺度空间的高斯图像，每个尺度空间的高斯图像对应一个尺度的高斯核，高斯核的尺度之间的比例与高斯图像的尺度空间之间的比例相互对应，每个高斯核对应一个尺度范围，尺度范围用于指示肺结节斑点识别大小，例如，对于与肺部影像相同大小的高斯图像，尺度范围可以为6-10mm，对于缩小了10倍的高斯图像，尺度范围可以为0.6-1mm，对于缩小了20倍的高斯图像，尺度范围可以为0.3-0.5mm，具体不做限定。
本可选实施例中，基于CT影像的肺结节检测设备将每个尺度空间的高斯图像重合的斑点信息设置为候选肺结节斑点信息，基于CT影像的肺结节检测设备得到候选肺结节斑点信息之后，还对候选肺结节斑点信息进行降噪处理，以减少无效斑点对识别结果的干扰，最后，基于CT影像的肺结节检测设备将候选肺结节斑点信息对应的连通域作为候选肺结节区域，能够初步地判定候选肺结节和候选肺结节区域，提高后续肺结节检测的效率。
进一步的，处理器调用存储器中的计算机程序，以使得基于CT影像的肺结节检测设备执行对候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将目标肺结节斑点信息对应的连通域作为候选肺结节区域时，包括以下步骤：基于CT影像的肺结节检测设备通过预置的先验知识算法，判断候选肺结节斑点信息是否符合预置的肺结节形状约束条件，候选肺结节斑点信息包括多个候选肺结节斑点信息；若候选肺结节斑点信息符合预置的肺结节形状约束条件，则基于CT影像的肺结节检测设备将符合预置的肺结节形状约束条件的候选肺结节斑点信息设置为目标肺结节斑点信息；若候选肺结节斑点信息不符合预置的肺结节形状约束条件，则基于CT影像的肺结节检测设备将候选肺结节斑点信息中不符合预置的肺结节形状约束条件的候选肺结节斑点信息去除，得到目标肺结节斑点信息；基于CT影像的肺结节检测设备获取目标肺结节斑点信息在质心坐标中的位置信息对应的连通域，并将位置信息对应的连通域设置为候选肺结节区域。
本可选实施例中，先验知识算法是基于肺结节的形状特定预先构建的降噪算法，能够去除一部分不符合肺结节形状约束条件的候选肺结节斑点信息，当候选肺结节斑点信息符合肺结节形状约束条件时，基于CT影像的肺结节检测设备将符合预置的肺结节形状约束条件的候选肺结节斑点信息设置为目标肺结节斑点信息，否则，基于CT影像的肺结节检测设备将不符合肺结节形状约束条件的候选肺结节斑点信息去除，以对候选肺结节斑点信息进行降噪处理，候选肺结节斑点信息包括多个候选肺结节斑点信息，此处是对每个候选肺结节斑点信息均进行肺结节形状约束条件判断，以判断每个候选肺结节斑点信息是否为噪音数据，提高后续肺结节检测的效率。
本可选实施例中，质心坐标(the centroid coordinates)是指在几何结构中，图形中的点相对各顶点的位置，用于指示目标肺结节斑点信息在候选肺结节区域中的位置信息，为预先构建的坐标体系，能够高效地定位目标肺结节斑点信息，并将位置信息对应的连通域设置为候选肺结节区域。
可选的，处理器调用存储器中的计算机程序，以使得基于CT影像的肺结节检测设备执行通过训练好的肺结节识别模型，对候选肺结节区域进行肺结节特征识别，得到目标肺结节信息时，包括以下步骤：基于CT影像的肺结节检测设备读取训练好的肺结节识别模型，肺结节识别模型为3D深度神经网络特征提取模型，3D深度神经网络特征提取模型由多个密集型3D膨胀卷积层构成；基于CT影像的肺结节检测设备通过训练好的肺结节识别模型中的多个密集型3D膨胀卷积层对候选肺结节区域进行肺结节特征提取，得到候选肺结节区域中的肺结节特征信息；基于CT影像的肺结节检测设备对候选肺结节区域中的肺结节特征信息进行二分类处理，得到目标肺结节信息。
本可选实施例中，为了表达病灶的三维空间结构信息，基于CT影像的肺结节检测设备通过3D深度神经网络特征提取模型中的多个密集型3D膨胀卷积层，对候选肺结节区域进行肺结节特征提取，从而得到肺结节特征信息，再对肺结节特征信息进行二分类处理，得到目标肺结节信息和非肺结节信息，也就是对候选肺结节区域中的斑点进行肺结节判定，得到在三维空间结构特征上符合肺结节特定的目标肺结节信息。
可选的，处理器调用存储器中的计算机程序，以使得基于CT影像的肺结节检测设备执行对目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据肺结节位置信息，获取目标肺结节信息的特征参考信息，特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性时，包括以下步骤：基于CT影像的肺结节检测设备通过训练好的肺结节位置模型，对目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；基于CT影像的肺结节检测设备从预置的肺结节位置关系知识库中获取肺结节位置信息对应的特征参考信息，特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
本可选实施例中，为了识别目标肺结节信息的肺部空间位置，基于CT影像的肺结节检测设备通过训练好的肺结节位置模型中的深度残差网络(deep residual network,ResNet)、长短期记忆网络(long short-term memory，LSTM)和全连接网络对目标肺结节信息进行肺部空间位置识别，从而得到肺结节位置信息，其中ResNet为ResNet18网络，为具有18层卷积层的网络结构，能够输出128维的特征向量，使肺结节位置的识别更准确。
本可选实施例中，基于CT影像的肺结节检测设备根据肺结节位置信息与不同特征参考信息的映射关系，从预置的肺结节位置关系知识库中获取对应的特征参考信息，特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性，特征参考信息为医生诊断提供参考。
进一步的，处理器调用存储器中的计算机程序，以使得基于CT影像的肺结节检测设备执行通过训练好的肺结节位置模型，对目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络时，包括以下步骤：基于CT影像的肺结节检测设备读取训练好的肺结节位置模型，肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；基于CT影像的肺结节检测设备通过深度残差网络对目标肺结节信息进行位置特征提取，得到第一特征向量；基于CT影像的肺结节检测设备通过长短期记忆网络对目标肺结节信息进行组织关系特征提取，得到第二特征向量；基于CT影像的肺结节检测设备拼接第一特征向量和第二特征向量，得到目标特征向量，并通过全连接网络，对目标特征向量进行肺部空间位置分类，得到肺结节位置信息。
本可选实施例中，基于CT影像的肺结节检测设备通过肺结节位置模型中的深度残差网络对目标肺结节信息进行位置特征提取，得到128维特征向量(第一特征向量)，再通过长短期记忆网络对目标肺结节信息进行组织关系特征提取，得到32维特征向量(第二特征向量)，基于CT影像的肺结节检测设备再将128维特征向量和32维特征向量合并，得到160维特征向量(目标特征向量)，基于CT影像的肺结节检测设备最后通过一个具有32个节点、一个具有6个节点的全连接层，对160维特征向量进行分类，输出肺结节位置信息。
进一步地，基于CT影像的肺结节检测设备将目标肺结节信息存储于区块链数据库中，具体此处不做限定。
本发明实施例中，基于CT影像的肺结节检测设备接收到患者的原始CT影像之后，对待检测的原始CT影像进行平滑分割，得到完整的肺部影像，再基于高斯拉普拉斯算子，将肺部影像转换到多尺度空间，并在多尺度空间下进行肺结节斑点识别，从而确定存在肺结节斑点的候选肺结节区域，接着，基于CT影像的肺结节检测设备通过机器学习模型，对候选肺结节区域进行特征识别，从而得到目标肺结节信息，进而确定目标肺结节信息对应的特征参考信息，本发明可以提高肺结节特征信息检测的准确率。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
上面对本发明实施例中基于CT影像的肺结节检测设备进行了描述，下面对本发明实施例中基于CT影像的肺结节检测装置进行描述，请参阅图2，本发明实施例中基于CT影像的肺结节检测装置一个实施例包括：
肺部分割模块201，用于接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
斑点识别模块202，用于基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
肺结节识别模块203，用于通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
特征获取模块204，用于对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
进一步地，将目标肺结节信息存储于区块链数据库中，具体此处不做限定。
本发明实施例中，基于CT影像的肺结节检测装置接收到患者的原始CT影像之后，对待检测的原始CT影像进行平滑分割，得到完整的肺部影像，再基于高斯拉普拉斯算子，将肺部影像转换到多尺度空间，并在多尺度空间下进行肺结节斑点识别，从而确定存在肺结节斑点的候选肺结节区域，接着，基于CT影像的肺结节检测装置通过机器学习模型，对候选肺结节区域进行特征识别，从而得到目标肺结节信息，进而确定目标肺结节信息对应的特征参考信息，本发明可以提高肺结节特征信息检测的准确率。
请参阅图3，本发明实施例中基于CT影像的肺结节检测装置的另一个实施例包括：
肺部分割模块201，用于接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
斑点识别模块202，用于基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
肺结节识别模块203，用于通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
特征获取模块204，用于对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
可选的，所述肺部分割模块201具体用于：
接收待检测的原始CT影像，并采用预置的最大类间阈值算法，识别所述原始CT影像中的背景组织，所述背景组织用于指示所述原始CT影像中肺部组织以外的人体组织；
按照预置的连通域分析算法，去除所述原始CT影像中的背景组织，得到初始肺部区域；
基于形态学闭运算，重构所述初始肺部区域的肺轮廓边缘，得到目标肺部区域；
按照所述目标肺部区域，对所述原始CT影像进行肺部平滑分割，得到肺部影像。
可选的，所述斑点识别模块202包括：
卷积单元2021，用于将预置的高斯拉普拉斯算子与所述肺部影像进行卷积运算，得到多尺度空间的高斯图像；
识别单元2022，用于按照所述高斯拉普拉斯算子对应的尺度范围，对每个尺度空间的高斯图像进行肺结节斑点识别，得到候选肺结节斑点信息；
降噪单元2023，用于对所述候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将所述目标肺结节斑点信息对应的连通域作为候选肺结节区域。
可选的，所述降噪单元2023具体用于：
通过预置的先验知识算法，判断所述候选肺结节斑点信息是否符合预置的肺结节形状约束条件，所述候选肺结节斑点信息包括多个候选肺结节斑点信息；
若所述候选肺结节斑点信息符合预置的肺结节形状约束条件，则将符合预置的肺结节形状约束条件的候选肺结节斑点信息设置为目标肺结节斑点信息；
若所述候选肺结节斑点信息不符合预置的肺结节形状约束条件，则将所述候选肺结节斑点信息中不符合预置的肺结节形状约束条件的候选肺结节斑点信息去除，得到目标肺结节斑点信息；
获取所述目标肺结节斑点信息在质心坐标中的位置信息对应的连通域，并将所述位置信息对应的连通域设置为候选肺结节区域。
可选的，所述肺结节识别模块203具体用于：
读取训练好的肺结节识别模型，所述肺结节识别模型为3D深度神经网络特征提取模型，所述3D深度神经网络特征提取模型由多个密集型3D膨胀卷积层构成；
通过所述训练好的肺结节识别模型中的多个密集型3D膨胀卷积层对所述候选肺结节区域进行肺结节特征提取，得到所述候选肺结节区域中的肺结节特征信息；
对所述候选肺结节区域中的肺结节特征信息进行二分类处理，得到目标肺结节信息。
可选的，所述特征获取模块204包括：
位置识别单元2041，用于通过训练好的肺结节位置模型，对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
特征获取单元2042，用于从预置的肺结节位置关系知识库中获取所述肺结节位置信息对应的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
可选的，所述位置识别单元2041具体用于：
读取训练好的肺结节位置模型，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
通过所述深度残差网络对所述目标肺结节信息进行位置特征提取，得到第一特征向量；
通过所述长短期记忆网络对所述目标肺结节信息进行组织关系特征提取，得到第二特征向量；
拼接所述第一特征向量和所述第二特征向量，得到目标特征向量，并通过所述全连接网络，对所述目标特征向量进行肺部空间位置分类，得到肺结节位置信息。
本发明实施例中，为了精确的获取患者的原始CT影像中的肺部区域，基于CT影像的肺结节检测装置采用最大类间阈值算法，将原始CT影像中的肺部组织和背景组织分离，再根据连通域分析算法，去除背景组织，从而得到初始肺部区域，为了使分割出来的肺部影像边缘更平滑，基于CT影像的肺结节检测装置基于形态学闭运算，重构初始肺部区域的肺轮廓边缘，得到目标肺部区域，基于CT影像的肺结节检测装置基于目标肺部区域，对待检测的原始CT影像进行平滑分割，得到肺部影像。之后，基于CT影像的肺结节检测装置再基于高斯拉普拉斯算子，将肺部影像转换到多尺度空间，并在多尺度空间下进行肺结节斑点识别，从而确定存在肺结节斑点的候选肺结节区域，接着，基于CT影像的肺结节检测装置通过机器学习模型，对候选肺结节区域进行特征识别，从而得到目标肺结节信息，进而确定目标肺结节信息对应的特征参考信息，本发明可以提高肺结节特征信息检测的准确率。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得计算机执行所述基于CT影像的肺结节检测方法的步骤。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明还提供一种基于CT影像的肺结节检测方法，基于CT影像的肺结节检测方法包括：
接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
可选的，所述接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像，包括：
接收待检测的原始CT影像，并采用预置的最大类间阈值算法，识别所述原始CT影像中的背景组织，所述背景组织用于指示所述原始CT影像中肺部组织以外的人体组织；
按照预置的连通域分析算法，去除所述原始CT影像中的背景组织，得到初始肺部区域；
基于形态学闭运算，重构所述初始肺部区域的肺轮廓边缘，得到目标肺部区域；
按照所述目标肺部区域，对所述原始CT影像进行肺部平滑分割，得到肺部影像。
可选的，所述基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域，包括：
将预置的高斯拉普拉斯算子与所述肺部影像进行卷积运算，得到多尺度空间的高斯图像；
按照所述高斯拉普拉斯算子对应的尺度范围，对每个尺度空间的高斯图像进行肺结节斑点识别，得到候选肺结节斑点信息；
对所述候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将所述目标肺结节斑点信息对应的连通域作为候选肺结节区域。
可选的，所述对所述候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将所述目标肺结节斑点信息对应的连通域作为候选肺结节区域，包括：
通过预置的先验知识算法，判断所述候选肺结节斑点信息是否符合预置的肺结节形状约束条件，所述候选肺结节斑点信息包括多个候选肺结节斑点信息；
若所述候选肺结节斑点信息符合预置的肺结节形状约束条件，则将符合预置的肺结节形状约束条件的候选肺结节斑点信息设置为目标肺结节斑点信息；
若所述候选肺结节斑点信息不符合预置的肺结节形状约束条件，则将所述候选肺结节斑点信息中不符合预置的肺结节形状约束条件的候选肺结节斑点信息去除，得到目标肺结节斑点信息；
获取所述目标肺结节斑点信息在质心坐标中的位置信息对应的连通域，并将所述位置信息对应的连通域设置为候选肺结节区域。
可选的，所述通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息，包括：
读取训练好的肺结节识别模型，所述肺结节识别模型为3D深度神经网络特征提取模型，所述3D深度神经网络特征提取模型由多个密集型3D膨胀卷积层构成；
通过所述训练好的肺结节识别模型中的多个密集型3D膨胀卷积层对所述候选肺结节区域进行肺结节特征提取，得到所述候选肺结节区域中的肺结节特征信息；
对所述候选肺结节区域中的肺结节特征信息进行二分类处理，得到目标肺结节信息。
可选的，所述对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性，包括：
通过训练好的肺结节位置模型，对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
从预置的肺结节位置关系知识库中获取所述肺结节位置信息对应的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
可选的，所述通过训练好的肺结节位置模型，对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络，包括：
读取训练好的肺结节位置模型，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
通过所述深度残差网络对所述目标肺结节信息进行位置特征提取，得到第一特征向量；
通过所述长短期记忆网络对所述目标肺结节信息进行组织关系特征提取，得到第二特征向量；
拼接所述第一特征向量和所述第二特征向量，得到目标特征向量，并通过所述全连接网络，对所述目标特征向量进行肺部空间位置分类，得到肺结节位置信息。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元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，本发明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全部或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，包括若干计算机程序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)执行本发明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(read-onlymemory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于CT影像的肺结节检测设备，其特征在于，所述基于CT影像的肺结节检测设备包括：存储器和处理器，所述存储器中存储有计算机程序；所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行如下方法：
接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
2.根据权利要求1所述的基于CT影像的肺结节检测设备，其特征在于，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像时，包括以下步骤：
接收待检测的原始CT影像，并采用预置的最大类间阈值算法，识别所述原始CT影像中的背景组织，所述背景组织用于指示所述原始CT影像中肺部组织以外的人体组织；
按照预置的连通域分析算法，去除所述原始CT影像中的背景组织，得到初始肺部区域；
基于形态学闭运算，重构所述初始肺部区域的肺轮廓边缘，得到目标肺部区域；
按照所述目标肺部区域，对所述原始CT影像进行肺部平滑分割，得到肺部影像。
3.根据权利要求1所述的基于CT影像的肺结节检测设备，其特征在于，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域时，包括以下步骤：
将预置的高斯拉普拉斯算子与所述肺部影像进行卷积运算，得到多尺度空间的高斯图像；
按照所述高斯拉普拉斯算子对应的尺度范围，对每个尺度空间的高斯图像进行肺结节斑点识别，得到候选肺结节斑点信息；
对所述候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将所述目标肺结节斑点信息对应的连通域作为候选肺结节区域。
4.根据权利要求3所述的基于CT影像的肺结节检测设备，其特征在于，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述对所述候选肺结节斑点信息进行降噪处理，得到目标肺结节斑点信息，并将所述目标肺结节斑点信息对应的连通域作为候选肺结节区域时，包括以下步骤：
通过预置的先验知识算法，判断所述候选肺结节斑点信息是否符合预置的肺结节形状约束条件，所述候选肺结节斑点信息包括多个候选肺结节斑点信息；
若所述候选肺结节斑点信息符合预置的肺结节形状约束条件，则将符合预置的肺结节形状约束条件的候选肺结节斑点信息设置为目标肺结节斑点信息；
若所述候选肺结节斑点信息不符合预置的肺结节形状约束条件，则将所述候选肺结节斑点信息中不符合预置的肺结节形状约束条件的候选肺结节斑点信息去除，得到目标肺结节斑点信息；
获取所述目标肺结节斑点信息在质心坐标中的位置信息对应的连通域，并将所述位置信息对应的连通域设置为候选肺结节区域。
5.根据权利要求1所述的基于CT影像的肺结节检测设备，其特征在于，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息时，包括以下步骤：
读取训练好的肺结节识别模型，所述肺结节识别模型为3D深度神经网络特征提取模型，所述3D深度神经网络特征提取模型由多个密集型3D膨胀卷积层构成；
通过所述训练好的肺结节识别模型中的多个密集型3D膨胀卷积层对所述候选肺结节区域进行肺结节特征提取，得到所述候选肺结节区域中的肺结节特征信息；
对所述候选肺结节区域中的肺结节特征信息进行二分类处理，得到目标肺结节信息。
6.根据权利要求1-5中任一项所述的基于CT影像的肺结节检测设备，其特征在于，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性时，包括以下步骤：
通过训练好的肺结节位置模型，对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
从预置的肺结节位置关系知识库中获取所述肺结节位置信息对应的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
7.根据权利要求6所述的基于CT影像的肺结节检测设备，其特征在于，所述处理器调用所述存储器中的所述计算机程序，以使得所述基于CT影像的肺结节检测设备执行所述通过训练好的肺结节位置模型，对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络时，包括以下步骤：
读取训练好的肺结节位置模型，所述肺结节位置模型包括深度残差网络、长短期记忆网络和全连接网络；
通过所述深度残差网络对所述目标肺结节信息进行位置特征提取，得到第一特征向量；
通过所述长短期记忆网络对所述目标肺结节信息进行组织关系特征提取，得到第二特征向量；
拼接所述第一特征向量和所述第二特征向量，得到目标特征向量，并通过所述全连接网络，对所述目标特征向量进行肺部空间位置分类，得到肺结节位置信息。
8.一种基于CT影像的肺结节检测装置，其特征在于，所述基于CT影像的肺结节检测装置包括：
肺部分割模块，用于接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
斑点识别模块，用于基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
肺结节识别模块，用于通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
特征获取模块，用于对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
9.根据权利要求8所述的基于CT影像的肺结节检测装置，其特征在于，所述肺部分割模块具体用于：
接收待检测的原始CT影像，并采用预置的最大类间阈值算法，识别所述原始CT影像中的背景组织，所述背景组织用于指示所述原始CT影像中肺部组织以外的人体组织；
按照预置的连通域分析算法，去除所述原始CT影像中的背景组织，得到初始肺部区域；
基于形态学闭运算，重构所述初始肺部区域的肺轮廓边缘，得到目标肺部区域；
按照所述目标肺部区域，对所述原始CT影像进行肺部平滑分割，得到肺部影像。
10.一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，当所述计算机指令在计算机上运行时，使得计算机执行如下步骤：
接收待检测的原始CT影像，并对所述待检测的原始CT影像进行平滑分割，得到肺部影像；
基于预置的高斯拉普拉斯算子，对所述肺部影像进行多尺度空间的肺结节斑点识别，得到候选肺结节区域；
通过训练好的肺结节识别模型，对所述候选肺结节区域进行肺结节特征识别，得到目标肺结节信息；
对所述目标肺结节信息进行肺部空间位置识别，得到肺结节位置信息，并根据所述肺结节位置信息，获取目标肺结节信息的特征参考信息，所述特征参考信息包括肺结节类型、肺结节征象和肺结节良恶性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004030.6A CN113643279A (zh) | 2021-08-30 | 2021-08-30 | 基于ct影像的肺结节检测设备、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004030.6A CN113643279A (zh) | 2021-08-30 | 2021-08-30 | 基于ct影像的肺结节检测设备、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113643279A true CN113643279A (zh) | 2021-11-12 |
Family
ID=78424372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111004030.6A Pending CN113643279A (zh) | 2021-08-30 | 2021-08-30 | 基于ct影像的肺结节检测设备、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643279A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757943A (zh) * | 2022-06-10 | 2022-07-15 | 肺诊网(苏州)网络科技有限公司 | 一种数字影像人工智能分析方法和系统 |
| CN114972286A (zh) * | 2022-06-09 | 2022-08-30 | 广州医科大学附属第一医院（广州呼吸中心） | 基于图像处理的肺小结节辅助定位系统 |
| CN115358976A (zh) * | 2022-08-10 | 2022-11-18 | 北京医准智能科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111004030.6A patent/CN113643279A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972286A (zh) * | 2022-06-09 | 2022-08-30 | 广州医科大学附属第一医院（广州呼吸中心） | 基于图像处理的肺小结节辅助定位系统 |
| CN114757943A (zh) * | 2022-06-10 | 2022-07-15 | 肺诊网(苏州)网络科技有限公司 | 一种数字影像人工智能分析方法和系统 |
| CN114757943B (zh) * | 2022-06-10 | 2022-09-27 | 肺诊网(苏州)网络科技有限公司 | 一种数字影像人工智能分析方法和系统 |
| CN115358976A (zh) * | 2022-08-10 | 2022-11-18 | 北京医准智能科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
| John et al. | Multilevel thresholding based segmentation and feature extraction for pulmonary nodule detection | |
| JP4184842B2 (ja) | 画像判別装置、方法およびプログラム | |
| CN113643279A (zh) | 基于ct影像的肺结节检测设备、装置及存储介质 | |
| Fernandes et al. | A novel fusion approach for early lung cancer detection using computer aided diagnosis techniques | |
| Jebarani et al. | A novel hybrid K-means and GMM machine learning model for breast cancer detection | |
| Székely et al. | A hybrid system for detecting masses in mammographic images | |
| CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
| JP2006034585A (ja) | 画像表示装置、画像表示方法およびそのプログラム | |
| Sadad et al. | A review on multi-organ cancer detection using advanced machine learning techniques | |
| Harouni et al. | Precise segmentation techniques in various medical images | |
| Jeeva | A Computer Aided Diagnosis for detection and classification of lung nodules | |
| Mahalaxmi et al. | Liver Cancer Detection Using Various Image Segmentation Approaches: A Review. | |
| Bhandary et al. | Early Diagnosis of Lung Cancer Using Computer Aided Detection via Lung Segmentation Approach | |
| Bharodiya | Feature extraction methods for ct-scan images using image processing | |
| Oliver et al. | Automatic diagnosis of masses by using level set segmentation and shape description | |
| de Brito Silva et al. | Classification of breast masses in mammograms using geometric and topological feature maps and shape distribution | |
| Kaur et al. | Lung cancer detection using textural feature extraction and hybrid classification model | |
| Aaqib et al. | A novel deep learning based approach for breast cancer detection | |
| Mukhopadhyay et al. | Morphological analysis of the left ventricular endocardial surface and its clinical implications | |
| Akkasaligar et al. | Analysis of polycystic kidney disease in medical ultrasound images | |
| Amritha et al. | Liver tumor segmentation and classification using deep learning | |
| Wei et al. | Segmentation of lung lobes in volumetric CT images for surgical planning of treating lung cancer | |
| Shaziya et al. | Comprehensive review of automatic lung segmentation techniques on pulmonary CT images | |
| Nguyen et al. | Breast Image Segmentation for evaluation of Cancer Disease |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220530 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |
|
| TA01 | Transfer of patent application right |