CN113658162A - 精细化肺结节检测方法、系统、设备及介质 - Google Patents

精细化肺结节检测方法、系统、设备及介质 Download PDF

Info

Publication number
CN113658162A
CN113658162A CN202110975714.4A CN202110975714A CN113658162A CN 113658162 A CN113658162 A CN 113658162A CN 202110975714 A CN202110975714 A CN 202110975714A CN 113658162 A CN113658162 A CN 113658162A
Authority
CN
China
Prior art keywords
lung
nodule
candidate
image
lung nodule
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
CN202110975714.4A
Other languages
English (en)
Inventor
王艳芳
马力
陈庆武
谢文焕
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.)
Zhongshan Research Institute Beijing Institute Of Technology
Zhongshan Yangshi Technology Co ltd
Original Assignee
Zhongshan Research Institute Beijing Institute Of Technology
Zhongshan Yangshi 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 Zhongshan Research Institute Beijing Institute Of Technology, Zhongshan Yangshi Technology Co ltd filed Critical Zhongshan Research Institute Beijing Institute Of Technology
Priority to CN202110975714.4A priority Critical patent/CN113658162A/zh
Publication of CN113658162A publication Critical patent/CN113658162A/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了精细化肺结节检测方法、系统、设备及介质。本发明的精细化肺结节检测方法，包括：获得肺部CT图像并对其进行预处理和RESIZE处理；利用肺结节筛选网络，在RESIZE处理后的肺部CT图像中对候选肺结节的位置进行定位，得到第一候选肺结节集合P；根据第一候选肺结节集合P中的候选肺结节，按照相同的位置，从预处理后的肺部CT图像中获得原始候选肺结节集合SP；利用肺结节检测网络从原始候选肺结节集合SP中抽取原始候选肺结节，得到第二候选肺结节集合N；利用肺结节降假阳网络对第二候选肺结节集合N中的原始候选肺结节进行检测，并输出真阳性肺结节的检测结果。本发明的精细化肺结节检测方法，肺部原始数据精度高，肺部CT图像的相质和分辨力强。

Description

精细化肺结节检测方法、系统、设备及介质
技术领域
本发明涉及医学影像计算机辅助诊断技术领域，特别是涉及一种精细化肺结节检测方法、系统、设备及计算机可读存储介质。
背景技术
肺癌是世界上发病率和死亡率最高的癌症。肺癌早期是以肺结节的形式存在的，早期诊断和治疗肺结节可提高病人生存率。计算机断层扫描(Computed tomography,CT)是目前肺结节检测最常使用的影像。目前现有的肺结节计算机辅助检测系统，主要由候选结节检测及假阳性筛查两阶段组成。候选结节检测阶段的目标是尽可能的检测出CT影像中所有的疑似结节，以提高肺结节检出灵敏度；假阳性筛查阶段的目标是将检测出的候选结节进行真阳性结节和假阳性结节分类来排除候选结节中的假阳性结节，从而提高肺结节检出的准确率。
但是因为做计算机断层扫描的患者体型不一，所得的CT图像显示出的肺部形状、大小、纹理等均存在很大的差别，而且CT图像中还可能存在比较多噪点和由于患者在扫描时发生移动而产生的运动伪影，使得CT图像的数据精度低、相质较差、分辨力低，从而影响后期肺结节的筛选和检测。
发明内容
基于此，本发明的目的在于，提供一种精细化肺结节检测方法、系统、设备及计算机可读存储介质，其能够提供数据精度极高的肺部原始数据，提高了肺部CT图像的相质和分辨力，保证了整个肺结节检测方法的有效进行。
本发明的目的通过以下技术方案实现：
第一方面，一种精细化肺结节检测方法，包括以下步骤：
获得肺部CT图像并对其进行预处理；
对预处理后的肺部CT图像进行RESIZE处理；
利用肺结节筛选网络，在RESIZE处理后的肺部CT图像中对候选肺结节的位置进行定位，得到第一候选肺结节集合P；
根据第一候选肺结节集合P中的候选肺结节，按照相同的位置，从预处理后的肺部CT图像中获得原始候选肺结节集合SP；
利用肺结节检测网络从原始候选肺结节集合SP中抽取原始候选肺结节，得到第二候选肺结节集合N；
利用肺结节降假阳网络对第二候选肺结节集合N中的原始候选肺结节进行检测，并输出真阳性肺结节的检测结果。
本发明的精细化肺结节检测方法，逐步精细化肺结节的检测过程，先对肺部CT图像进行诸如数据增强、数据标准化、数据降噪、数据归一化等预处理，再统一肺部CT图像的尺寸，这为后续的肺结节的定位、筛选、抽取、分类检测提供了数据精度极高的原始数据，提高了肺部CT图像的相质和分辨力，保证了整个肺结节检测方法的有效进行。
进一步优选地，所述获得肺部CT图像并对其进行预处理中的预处理包括标准化处理、归一化处理、除噪处理、数据增强处理、和图像分割处理中的一个或任意结合，其中所述图像分割处理为从所获得的肺部CT图像中分割出肺部区域；以及
所述对预处理后的肺部CT图像进行RESIZE处理具体为将预处理后的肺部CT图像裁剪至预设尺寸。
进一步优选地，所述精细化肺结节检测方法还包括步骤：
从第一候选肺结节集合P中提取候选肺结节的灰度特征、形状特征、和纹理特征中的一个或任意组合，并根据预设的分类规则，滤除候选肺结节中的部分非肺结节；
其中，所述灰度特征包括灰度均值、灰度方差、灰度最小值、偏度、和峰度中的一个或任意组合，所述形状特征包括面积、半径、周长、圆度、紧凑性、凹性率、细长度、和矩形度中的一个或任意组合，所述纹理特征包括能量、对比度、熵、和逆差矩中的一个或任意组合；以及，
所述预设的分类规则由灰度特征包括的各数据对应的预设阈值、形状特征包括的各数据对应的预设阈值、以及纹理特征包括的各数据对应的预设阈值组成。
进一步优选地，所述精细化肺结节检测方法还包括步骤：将预处理后的肺部CT图像进行备份保存，以供当对真阳性肺结节的检测结果存在异议时，对肺部CT图像进行溯源和二次检测。
第二方面，一种精细化肺结节检测系统，包括：
肺部CT图像预处理模块，用于获得肺部CT图像并对其进行预处理；
肺部CT图像RESIZE处理模块，用于对预处理后的肺部CT图像进行RESIZE处理；
第一候选肺结节集合P获得模块，用于利用肺结节筛选网络，在RESIZE处理后的肺部CT图像中对候选肺结节的位置进行定位，得到第一候选肺结节集合P；
原始候选肺结节集合SP获得模块，用于根据第一候选肺结节集合P中的候选肺结节，按照相同的位置，从预处理后的肺部CT图像中获得原始候选肺结节集合SP；
第二候选肺结节集合N获得模块，用于利用肺结节检测网络从原始候选肺结节集合SP中抽取原始候选肺结节，得到第二候选肺结节集合N；
肺部结节真阳性检测模块，用于利用肺结节降假阳网络对第二候选肺结节集合N中的原始候选肺结节进行检测，并输出真阳性肺结节的检测结果。
进一步优选地，所述肺部CT图像预处理模块中的预处理包括标准化处理、归一化处理、除噪处理、数据增强处理、和图像分割处理中的一个或任意结合，其中所述图像分割处理为从所获得的肺部CT图像中分割出肺部区域；以及
所述肺部CT图像RESIZE处理模块的RESIZE处理具体为将预处理后的肺部CT图像裁剪至预设尺寸。
进一步优选地，还包括非肺结节滤除模块，用于从第一候选肺结节集合P中提取候选肺结节的灰度特征、形状特征、和纹理特征中的一个或任意组合，并根据预设的分类规则，滤除候选肺结节中的部分非肺结节；
其中，所述灰度特征包括灰度均值、灰度方差、灰度最小值、偏度、和峰度中的一个或任意组合，所述形状特征包括面积、半径、周长、圆度、紧凑性、凹性率、细长度、和矩形度中的一个或任意组合，所述纹理特征包括能量、对比度、熵、和逆差矩中的一个或任意组合；以及，
所述预设的分类规则由灰度特征包括的各数据对应的预设阈值、形状特征包括的各数据对应的预设阈值、以及纹理特征包括的各数据对应的预设阈值组成。
进一步优选地，还包括肺部CT图像备份模块，用于将预处理后的肺部CT图像进行备份保存，以供当对真阳性肺结节的检测结果存在异议时，对肺部CT图像进行溯源和二次检测。
第三方面，一种精细化肺结节检测设备，所述设备包括存储装置和处理器，所述存储装置用于存储一个或多个程序；
当所述一个或多个程序被所述处理器执行时，所述处理器实现如上述任一项所述的精细化肺结节检测方法。
第四方面，一种计算机可读存储介质，其存储有至少一个程序，当所述程序被处理器执行时，实现如上述任一项所述的精细化肺结节检测方法。
相对于现有技术，本发明的精细化肺结节检测方法、系统、设备及计算机可读存储介质，数据精度高、没有多余的计算步骤、计算简单且速度快、并逐步精细化肺结节的检测过程、检测结果准确，实用性强。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1是本发明的精细化肺结节检测方法的流程图。
图2是本发明的精细化肺结节检测系统的模块示意图。
具体实施方式
在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于其构造进行定义的，它们是相对的概念。因此，有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。
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。
一种精细化肺结节检测方法，如图1所示，包括以下步骤：
S1、获得肺部CT图像并对其进行预处理。
具体地，获得肺部CT图像并对其进行预处理中的预处理包括标准化处理、归一化处理、除噪处理、数据增强处理、和图像分割处理中的一个或任意结合，以使得肺部CT图像质量更加精细，提高后续的检测精度。
其中，肺部CT图像的图像分割处理为从所获得的肺部CT图像中分割出肺部区域，具体可以是肺实质区域，即肺内各级支气管及其终端的肺泡结构，即与肺内空气接触的腔隙和管壁。
肺部CT图像的归一化处理通过下式进行：
Figure BDA0003227177470000061
其中xi表示肺部CT图像像素点值，max(x)表示肺部CT图像像素点值的最大值，min(x)表示肺部CT图像像素点值的最小值，norm表示归一化后的像素值，其落在【0，1】区间上。
肺部CT图像的标准化处理通过下式进行：
Figure BDA0003227177470000062
其中μ表示肺部CT图像的均值，x表示肺部CT图像矩阵，σ表示肺部CT图像的所有像素的标准差，N表示肺部CT图像的像素数量。
肺部CT图像的除噪处理可以采用局部去噪和非局部去噪的结合，以全面滤除肺部CT图像可能存在的高斯噪声、泊松噪声、乘性噪声、和椒盐噪声。
S2、对预处理后的肺部CT图像进行RESIZE处理。
具体地，所述对预处理后的肺部CT图像进行RESIZE处理具体为将预处理后的肺部CT图像裁剪至预设尺寸，以统一若干肺部CT图像的尺寸。其中，RESIZE处理可以采用INTER_AREA双线性插值法，以将预处理后的肺部CT图像削减至96*96*z的尺寸。
S3、利用肺结节筛选网络，在RESIZE处理后的肺部CT图像中对候选肺结节的位置进行定位，得到第一候选肺结节集合P。
具体地，优选采用人工智能三维可视化工具进行候选肺结节的定位，以更精准、更全面地识别出候选肺结节。
更具体地，S3还包括步骤S31：从第一候选肺结节集合P中提取候选肺结节的灰度特征、形状特征、和纹理特征中的一个或任意组合，并根据预设的分类规则，滤除候选肺结节中的部分非肺结节，以进一步精选第一候选肺结节集合P内的候选肺结节数据。
其中，灰度特征包括灰度均值、灰度方差、灰度最小值、偏度、和峰度中的一个或任意组合，形状特征包括面积、半径、周长、圆度、紧凑性、凹性率、细长度、和矩形度中的一个或任意组合，纹理特征包括能量、对比度、熵、和逆差矩中的一个或任意组合。
进一步地，预设的分类规则由灰度特征包括的各数据对应的预设阈值、形状特征包括的各数据对应的预设阈值、以及纹理特征包括的各数据对应的预设阈值组成。例如，灰度特征包括的灰度均值的预设阈值为A，形状特征包括的面积的预设阈值为B，纹理特征包括的能量的预设阈值为C，若从第一候选肺结节集合P中提取候选肺结节的灰度均值、面积、和灰度均值中有至少两个超过对应的阈值，那么将其从第一候选肺结节集合P中滤除。另外，该分类规则可以根据实际应用修改成由灰度特征、形状特征、和纹理特征中各种数据的任意组成形式。
S4、根据第一候选肺结节集合P中的候选肺结节，按照相同的位置，从预处理后的肺部CT图像中获得原始候选肺结节集合SP。
S5、利用肺结节检测网络从原始候选肺结节集合SP中抽取原始候选肺结节，得到第二候选肺结节集合N。
先将肺部CT图像进行预处理和RESIZE处理，得到第一候选肺结节集合P，先保证第一候选肺结节集合P内的候选肺结节的来源图像的质量和精度，再从预处理后的肺部CT图像中获得原始候选肺结节集合SP，能够进一步反过来得到原始候选肺结节，即第二候选肺结节集合N，保证数据的原始性，能够降低系统计算的复杂性和提高系统运行的流畅性。
S6、利用肺结节降假阳网络对第二候选肺结节集合N中的原始候选肺结节进行检测，并输出真阳性肺结节的检测结果。
具体地，优选采用具有混合注意力模块的肺结节降假阳网络对第二候选肺结节集合N中的原始候选肺结节进行检测，以更全面地提取第二候选肺结节集合N中的原始候选肺结节的特征，输出更加准确的检测结果。
S7、将预处理后的肺部CT图像进行备份保存，以供当对真阳性肺结节的检测结果存在异议时，对肺部CT图像进行溯源和二次检测。
具体地，二次检测优选重复上述S1-S6进行，避免是因为系统操作不当等造成的检测异常。当然，也可以通过其它常规的检测方法来进行二次检测，目的都是为了重新检测异常的肺结节，以提高最终的检测精度，不遗漏任何一个疑似真阳性的肺结节。
本发明还公开一种精细化肺结节检测系统，如图2所示，包括：
肺部CT图像预处理模块，用于获得肺部CT图像并对其进行预处理；
肺部CT图像RESIZE处理模块，用于对预处理后的肺部CT图像进行RESIZE处理；
第一候选肺结节集合P获得模块，用于利用肺结节筛选网络，在RESIZE处理后的肺部CT图像中对候选肺结节的位置进行定位，得到第一候选肺结节集合P；
原始候选肺结节集合SP获得模块，用于根据第一候选肺结节集合P中的候选肺结节，按照相同的位置，从预处理后的肺部CT图像中获得原始候选肺结节集合SP；
第二候选肺结节集合N获得模块，用于利用肺结节检测网络从原始候选肺结节集合SP中抽取原始候选肺结节，得到第二候选肺结节集合N；
肺部结节真阳性检测模块，用于利用肺结节降假阳网络对第二候选肺结节集合N中的原始候选肺结节进行检测，并输出真阳性肺结节的检测结果。
进一步优选地，所述肺部CT图像预处理模块中的预处理包括标准化处理、归一化处理、除噪处理、数据增强处理、和图像分割处理中的一个或任意结合，其中所述图像分割处理为从所获得的肺部CT图像中分割出肺部区域；以及
所述肺部CT图像RESIZE处理模块的RESIZE处理具体为将预处理后的肺部CT图像裁剪至预设尺寸。
进一步优选地，还包括非肺结节滤除模块，用于从第一候选肺结节集合P中提取候选肺结节的灰度特征、形状特征、和纹理特征中的一个或任意组合，并根据预设的分类规则，滤除候选肺结节中的部分非肺结节；
其中，所述灰度特征包括灰度均值、灰度方差、灰度最小值、偏度、和峰度中的一个或任意组合，所述形状特征包括面积、半径、周长、圆度、紧凑性、凹性率、细长度、和矩形度中的一个或任意组合，所述纹理特征包括能量、对比度、熵、和逆差矩中的一个或任意组合；以及，
所述预设的分类规则由灰度特征包括的各数据对应的预设阈值、形状特征包括的各数据对应的预设阈值、以及纹理特征包括的各数据对应的预设阈值组成。
进一步优选地，还包括肺部CT图像备份模块，用于将预处理后的肺部CT图像进行备份保存，以供当对真阳性肺结节的检测结果存在异议时，对肺部CT图像进行溯源和二次检测。
本发明还公开一种精细化肺结节检测设备，所述设备包括存储装置和处理器，所述存储装置用于存储一个或多个程序；
当所述一个或多个程序被所述处理器执行时，所述处理器实现如上述所述的精细化肺结节检测方法。
所述设备还可以优选地包括通信接口，所述通信接口用于与外部设备进行通信和数据交互传输。
需要说明的是，所述存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(nonvolatile memory)，例如至少一个磁盘存储器。
在具体实现上，如果存储器、处理器及通信接口集成在一块芯片上，则存储器、处理器及通信接口可以通过内部接口完成相互间的通信。如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。
本发明还公开一种计算机可读存储介质，其存储有至少一个程序，当所述程序被处理器执行时，实现如上述所述的精细化肺结节检测方法。
应当理解，所述计算机可读存储介质为可存储数据或程序的任何数据存储设备，所述数据或程序其后可由计算机系统读取。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、CD-ROM、HDD、DVD、磁带和光学数据存储设备等。
计算机可读存储介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、射频(Radio Frequency，RF)等，或者上述的任意合适的组合。
在一些实施方案中，计算机可读存储介质还可以是非暂态的。
相对于现有技术，本发明的精细化肺结节检测方法、系统、设备及计算机可读存储介质，数据精度高、没有多余的计算步骤、计算简单且速度快、并逐步精细化肺结节的检测过程、检测结果准确，实用性强。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种精细化肺结节检测方法，其特征在于，包括以下步骤：
获得肺部CT图像并对其进行预处理；
对预处理后的肺部CT图像进行RESIZE处理；
利用肺结节筛选网络，在RESIZE处理后的肺部CT图像中对候选肺结节的位置进行定位，得到第一候选肺结节集合P；
根据第一候选肺结节集合P中的候选肺结节，按照相同的位置，从预处理后的肺部CT图像中获得原始候选肺结节集合SP；
利用肺结节检测网络从原始候选肺结节集合SP中抽取原始候选肺结节，得到第二候选肺结节集合N；
利用肺结节降假阳网络对第二候选肺结节集合N中的原始候选肺结节进行检测，并输出真阳性肺结节的检测结果。
2.根据权利要求1所述的精细化肺结节检测方法，其特征在于，所述获得肺部CT图像并对其进行预处理中的预处理包括标准化处理、归一化处理、除噪处理、数据增强处理、和图像分割处理中的一个或任意结合，其中所述图像分割处理为从所获得的肺部CT图像中分割出肺部区域；以及
所述对预处理后的肺部CT图像进行RESIZE处理具体为将预处理后的肺部CT图像裁剪至预设尺寸。
3.根据权利要求1所述的精细化肺结节检测方法，其特征在于，所述精细化肺结节检测方法还包括步骤：
从第一候选肺结节集合P中提取候选肺结节的灰度特征、形状特征、和纹理特征中的一个或任意组合，并根据预设的分类规则，滤除候选肺结节中的部分非肺结节；
其中，所述灰度特征包括灰度均值、灰度方差、灰度最小值、偏度、和峰度中的一个或任意组合，所述形状特征包括面积、半径、周长、圆度、紧凑性、凹性率、细长度、和矩形度中的一个或任意组合，所述纹理特征包括能量、对比度、熵、和逆差矩中的一个或任意组合；以及，
所述预设的分类规则由灰度特征包括的各数据对应的预设阈值、形状特征包括的各数据对应的预设阈值、以及纹理特征包括的各数据对应的预设阈值组成。
4.根据权利要求1所述的精细化肺结节检测方法，其特征在于，所述精细化肺结节检测方法还包括步骤：将预处理后的肺部CT图像进行备份保存，以供当对真阳性肺结节的检测结果存在异议时，对肺部CT图像进行溯源和二次检测。
5.一种精细化肺结节检测系统，其特征在于，包括：
肺部CT图像预处理模块，用于获得肺部CT图像并对其进行预处理；
肺部CT图像RESIZE处理模块，用于对预处理后的肺部CT图像进行RESIZE处理；
第一候选肺结节集合P获得模块，用于利用肺结节筛选网络，在RESIZE处理后的肺部CT图像中对候选肺结节的位置进行定位，得到第一候选肺结节集合P；
原始候选肺结节集合SP获得模块，用于根据第一候选肺结节集合P中的候选肺结节，按照相同的位置，从预处理后的肺部CT图像中获得原始候选肺结节集合SP；
第二候选肺结节集合N获得模块，用于利用肺结节检测网络从原始候选肺结节集合SP中抽取原始候选肺结节，得到第二候选肺结节集合N；
肺部结节真阳性检测模块，用于利用肺结节降假阳网络对第二候选肺结节集合N中的原始候选肺结节进行检测，并输出真阳性肺结节的检测结果。
6.根据权利要求5所述的精细化肺结节检测系统，其特征在于，所述肺部CT图像预处理模块中的预处理包括标准化处理、归一化处理、除噪处理、数据增强处理、和图像分割处理中的一个或任意结合，其中所述图像分割处理为从所获得的肺部CT图像中分割出肺部区域；以及
所述肺部CT图像RESIZE处理模块的RESIZE处理具体为将预处理后的肺部CT图像裁剪至预设尺寸。
7.根据权利要求5所述的精细化肺结节检测系统，其特征在于，还包括非肺结节滤除模块，用于从第一候选肺结节集合P中提取候选肺结节的灰度特征、形状特征、和纹理特征中的一个或任意组合，并根据预设的分类规则，滤除候选肺结节中的部分非肺结节；
其中，所述灰度特征包括灰度均值、灰度方差、灰度最小值、偏度、和峰度中的一个或任意组合，所述形状特征包括面积、半径、周长、圆度、紧凑性、凹性率、细长度、和矩形度中的一个或任意组合，所述纹理特征包括能量、对比度、熵、和逆差矩中的一个或任意组合；以及，
所述预设的分类规则由灰度特征包括的各数据对应的预设阈值、形状特征包括的各数据对应的预设阈值、以及纹理特征包括的各数据对应的预设阈值组成。
8.根据权利要求5所述的精细化肺结节检测系统，其特征在于，还包括肺部CT图像备份模块，用于将预处理后的肺部CT图像进行备份保存，以供当对真阳性肺结节的检测结果存在异议时，对肺部CT图像进行溯源和二次检测。
9.一种精细化肺结节检测设备，其特征在于，所述精细化肺结节检测设备包括存储装置和处理器，所述存储装置用于存储一个或多个程序；
当所述一个或多个程序被所述处理器执行时，所述处理器实现根据权利要求1-4任一项所述的精细化肺结节检测方法。
10.一种计算机可读存储介质，其存储有至少一个程序，其特征在于，当所述程序被处理器执行时，实现根据权利要求1-4任一项所述的精细化肺结节检测方法。
CN202110975714.4A 2021-08-24 2021-08-24 精细化肺结节检测方法、系统、设备及介质 Pending CN113658162A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110975714.4A CN113658162A (zh) 2021-08-24 2021-08-24 精细化肺结节检测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110975714.4A CN113658162A (zh) 2021-08-24 2021-08-24 精细化肺结节检测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN113658162A true CN113658162A (zh) 2021-11-16

Family

ID=78481814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110975714.4A Pending CN113658162A (zh) 2021-08-24 2021-08-24 精细化肺结节检测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN113658162A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020028008A1 (en) * 2000-09-07 2002-03-07 Li Fan Automatic detection of lung nodules from high resolution CT images
US20030105395A1 (en) * 2001-12-05 2003-06-05 Li Fan Vessel-feeding pulmonary nodule candidate generation
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN108549912A (zh) * 2018-04-19 2018-09-18 北京工业大学 一种基于机器学习的医学图像肺结节检测方法
CN111754472A (zh) * 2020-06-15 2020-10-09 南京冠纬健康科技有限公司 一种肺结节检测方法与检测系统
CN111784638A (zh) * 2020-06-04 2020-10-16 广东省智能制造研究所 一种基于卷积神经网络的肺结节假阳性筛除方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020028008A1 (en) * 2000-09-07 2002-03-07 Li Fan Automatic detection of lung nodules from high resolution CT images
US20030105395A1 (en) * 2001-12-05 2003-06-05 Li Fan Vessel-feeding pulmonary nodule candidate generation
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN108549912A (zh) * 2018-04-19 2018-09-18 北京工业大学 一种基于机器学习的医学图像肺结节检测方法
CN111784638A (zh) * 2020-06-04 2020-10-16 广东省智能制造研究所 一种基于卷积神经网络的肺结节假阳性筛除方法及系统
CN111754472A (zh) * 2020-06-15 2020-10-09 南京冠纬健康科技有限公司 一种肺结节检测方法与检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
倪天骄: "基于深度学习的肺结节检测与降假阳处理软件设计", 中国优秀硕士学位论文全文数据库, pages 55 - 56 *
赵鹏飞;赵涓涓;强彦;王峰智;赵文婷;: "多输入卷积神经网络肺结节检测方法研究", 计算机科学, no. 01 *

Similar Documents

Publication Publication Date Title
Zotin et al. Edge detection in MRI brain tumor images based on fuzzy C-means clustering
KR101967357B1 (ko) 이미징 데이터 내에서 잠재적인 이형을 분리하기 위한 방법 및 장치 그리고 의료 영상에의 응용
CN112150428A (zh) 一种基于深度学习的医学图像分割方法
CN109712131B (zh) 肺结节特征的量化方法、装置、电子设备及存储介质
Garg et al. Unsupervised curvature-based retinal vessel segmentation
US20100183211A1 (en) Detecting haemorrhagic stroke in ct image data
CN107633514B (zh) 一种肺结节周边血管量化评估系统及方法
WO2013049153A2 (en) Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
EP2869261A1 (en) Method for processing image data representing a three-dimensional volume
JP2011526508A (ja) 医療用画像の領域分割
JP4964171B2 (ja) 対象領域抽出方法および装置ならびにプログラム
KR101482247B1 (ko) 기도 추출 방법 및 그 장치
KR20200082660A (ko) 머신러닝 기반 병리 진단 방법 및 장치
Viji et al. Modified texture based region growing segmentation of MR brain images
CN117078671A (zh) 一种甲状腺超声影像智能分析系统
Khordehchi et al. Automatic lung nodule detection based on statistical region merging and support vector machines
Ramya et al. A robust segmentation algorithm using morphological operators for detection of tumor in MRI
CN112184684A (zh) 一种改进的YOLO-v3算法及其在肺结节检测中的应用
CN106780718A (zh) 一种古生物化石的三维重建方法
TW201726064A (zh) 醫療影像處理裝置及其乳房影像處理方法
CN113077021A (zh) 基于机器学习的电子病历多维挖掘方法
KR101154355B1 (ko) 좌심실 자동 분할 방법
CN113658162A (zh) 精细化肺结节检测方法、系统、设备及介质
Noviana et al. Axial segmentation of lungs CT scan images using canny method and morphological operation
Patibandla et al. CT Image Precise Denoising Model with Edge Based Segmentation with Labeled Pixel Extraction Using CNN Based Feature Extraction for Oral Cancer Detection

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