CN113744192A - 基于边缘计算的肺结节识别方法、装置、设备及介质 - Google Patents
基于边缘计算的肺结节识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113744192A CN113744192A CN202110881247.9A CN202110881247A CN113744192A CN 113744192 A CN113744192 A CN 113744192A CN 202110881247 A CN202110881247 A CN 202110881247A CN 113744192 A CN113744192 A CN 113744192A
- Authority
- CN
- China
- Prior art keywords
- lung
- lung tissue
- nodules
- computing platform
- 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.)
- Granted
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种基于边缘计算的肺结节识别方法、装置、设备及介质,其中该方法包括:获取根据目标对象的多张肺组织影像生成的立体肺组织影像,对立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的第一语义特征信息进行肺结节识别,获取第一类别肺结节的识别结果,并对识别出的第一类别肺结节进行标记;对立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的第二语义特征信息获取第二类别肺结节的识别结果。本发明通过基于肺组织影像进行结节识别可以减少病变检测区域,通过首先基于第一语义特征信息进行第一类别肺结节识别、然后基于第二语义特征信息进行第二类别肺结节识别,可以提高识别效率。
Description
技术领域
本发明涉及医学影像分析领域,尤其涉及一种基于边缘计算的肺结节识别方法、装置、设备及介质。
背景技术
肺癌作为当今世界上致死率最高的癌症之一,严重威胁着人们的生命健康。而通过对肺癌患者早发现、早治疗,可以大大提高患者的存活率。肺结节是早期肺癌的主要病变之一,利用胸腔计算机断层扫描对患者进行影像学检查是筛查早期肺癌的有效手段。
随着人工智能技术的不断发展,利用计算机算法对计算机断层扫描(ComputedTomography,CT)影像中的肺结节进行自动识别能够帮助放射科医生准确快速诊断患者病情,避免繁重的阅片工作,减少漏检与误检。目前主流的计算机辅助诊断技术主要采用云计算模式,在云计算平台构建大规模神经网络,利用大量病人的CT影像作为训练数据优化神经网络,采用深度学习方法提取有效特征,最终实现各类肺结节的准确识别。
然而,随着CT成像技术分辨率的不断提高,每个病例所包含的数据量已明显提高。同时,随着全球环境污染情况加剧,每年肺癌患者数量也不断增多。因此,常规的云计算模式已很难满足大数据的应用需求,将患者CT影像的预处理、肺组织分割、肺结节特征提取与识别决策等过程全部放在云计算平台进行处理,会占用大量计算资源与存储空间,降低肺结节计算机辅助识别的效率。
发明内容
本发明实施例提供了一种基于边缘计算的肺结节识别方法、装置、设备及介质,以解决现有技术中在云计算平台进行肺结节识别的一系列处理所存在的识别效率低的问题。
第一方面,本发明实施例提供了一种基于边缘计算的肺结节识别方法,应用于边缘计算系统,所述边缘计算系统包括边缘计算平台、中间计算平台以及云计算平台,所述方法包括以下步骤:获取目标对象的立体肺组织影像,对所述立体肺组织影像中的疑似病灶进行第一类别肺结节识别,对所述立体肺组织影像中未识别的疑似病灶进行第二类别肺结节识别;
所述边缘计算平台执行获取目标对象的立体肺组织影像的步骤,包括:获取多张肺组织影像对应的立体肺组织影像,所述多张肺组织影像均对应于所述目标对象;
所述中间计算平台执行对所述立体肺组织影像中的疑似病灶进行第一类别肺结节识别的步骤,包括:对所述立体肺组织影像中的中的疑似病灶进行第一语义特征信息提取,根据提取出的所述第一语义特征信息进行肺结节识别,获取所述第一类别肺结节的识别结果,并对识别出的所述第一类别肺结节进行标记;
所述云计算平台执行对所述立体肺组织影像中未识别的疑似病灶进行第二类肺别结节识别的步骤,包括:对所述立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的所述第二语义特征信息进行肺结节识别,获取所述第二类别肺结节的识别结果。
第二方面,本发明实施例提供了一种基于边缘计算的肺结节识别装置,应用于边缘计算系统,所述边缘计算系统包括边缘计算平台、中间计算平台以及云计算平台,所述装置包括:获取模块、第一识别模块以及第二识别模块;
其中,所述获取模块部署于所述边缘计算平台,所述第一识别模块部署于所述中间计算平台,所述第二识别模块部署于所述云计算平台;
所述获取模块用于:获取多张肺组织影像对应的立体肺组织影像,所述多张肺组织影像均对应于目标对象;
所述第一识别模块用于:对所述立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的所述第一语义特征信息进行肺结节识别,获取所述第一类别肺结节的识别结果,并对识别出的所述第一类别肺结节进行标记;
所述第二识别模块用于:对所述立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的所述第二语义特征信息进行肺结节识别,获取所述第二类别肺结节的识别结果。
第三方面,本发明实施例提供了一种电子设备,该电子设备包括处理器、存储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,所述计算机程序被所述处理器执行时实现如第一方面所述的基于边缘计算的肺结节识别方法。
第四方面,本发明实施例还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计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的基于边缘计算的肺结节识别方法。
本发明实施例的技术方案,通过获取目标对象的立体肺组织影像,可以减少病变检测区域,通过基于第一语义特征信息对立体肺组织影像中的疑似病灶进行肺结节识别,对识别出的第一类别肺结节进行标记,然后对立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的第二语义特征信息进行肺结节识别,获取第二类别肺结节的识别结果,可以基于先识别第一类别肺结节后识别第二类别肺结节的方式,优化识别策略,且通过在边缘计算平台执行立体肺组织影像的获取、在中间计算平台执行第一类别肺结节的识别、在云计算平台执行第二类别肺结节的识别,可以合理有效的利用计算资源与存储空间,提高识别效率。
附图说明
图1表示本发明实施例基于边缘计算的肺结节识别方法的示意图;
图2表示本发明实施例边缘计算平台进行肺组织分割的流程图;
图3表示本发明实施例边缘计算平台进行肺结节分割的流程图;
图4表示本发明实施例基于边缘计算的肺结节识别方法的一具体实例示意图;
图5表示本发明实施例基于边缘计算的肺结节识别装置的示意图;
图6表示本发明实施例电子设备示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供一种基于边缘计算的肺结节识别方法,应用于边缘计算系统,边缘计算系统包括边缘计算平台、中间计算平台以及云计算平台,其中边缘计算平台与中间计算平台通信、中间计算平台与云计算平台通信,边缘计算平台可通过中间计算平台与云计算平台通信,也可直接与云计算平台通信。参见图1所示,肺结节识别方法包括以下步骤:
步骤101、获取目标对象的立体肺组织影像。
边缘计算系统首先需要获取目标对象的立体肺组织影像,这里的目标对象为目标患者,具体为拍摄了肺部CT影像的患者。且在获取目标对象的立体肺组织影像时,由边缘计算平台获取。
其中,边缘计算平台执行获取目标对象的立体肺组织影像的步骤,包括:获取多张肺组织影像对应的立体肺组织影像,多张肺组织影像均对应于目标对象。
边缘计算平台在获取目标对象的立体肺组织影像时,可以获取目标对象对应的多张肺组织影像,这里的肺组织影像为二维影像,且多张肺组织影像为肺组织不同横断面的影像。针对每张肺组织影像而言,为通过对相应的肺部CT影像进行处理得到,肺部CT影像为对肺部进行断层扫描处理得到的横断面影像,所得到的横断面影像中包括肺组织以及肺组织周缘的多余组织,可以去除多余组织,获取肺组织,即获取肺组织影像,以减少病变检测区域,减少数据计算量。在获取多张肺组织影像之后,可以对目标对象对应的多张肺组织影像进行叠加处理,生成目标对象的立体肺组织影像。
步骤102、对立体肺组织影像中的疑似病灶进行第一类别肺结节识别。
在获取目标对象的立体肺组织影像之后,可以首先对立体肺组织影像中的疑似病灶进行第一类别肺结节的识别,这里的第一类别肺结节可以理解为易于识别的简单肺结节,由中间计算平台进行第一类别肺结节识别。
其中,中间计算平台执行对立体肺组织影像中的疑似病灶进行第一类别肺结节识别的步骤,包括:对立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的第一语义特征信息进行肺结节识别,获取第一类别肺结节的识别结果,并对识别出的第一类别肺结节进行标记。
中间计算平台基于与边缘计算平台的连接,获取边缘计算平台上传的立体肺组织影像,对立体肺组织影像中的疑似病灶进行第一类别肺结节识别,其中,第一类别肺结节可以包括孤立结节、实体结节、尺寸较大的结节(尺寸较大的结节可以理解为大于预设尺寸的结节)等。
中间计算平台在对立体肺组织影像中的疑似病灶进行第一类别肺结节的识别时,首先对立体肺组织影像中的疑似病灶进行第一语义特征信息提取,第一语义特征信息可以包括肺结节的灰度特征、形状特征、纹理特征、骨架特征等医学专家定义的语义特征,这里的第一语义特征信息可以理解为浅层语义特征。在获取第一语义特征信息之后,可以利用第一语义特征信息对立体肺组织影像中的疑似病灶进行肺结节识别,确定出第一类别肺结节并获取第一类别肺结节的识别结果,对识别出的第一类别肺结节进行标记,通过对第一类别肺结节进行标记,可以实现第一类别肺结节与未识别出的疑似病灶的区分。
步骤103、对立体肺组织影像中未识别的疑似病灶进行第二类别肺结节识别。
在完成第一类别肺结节的识别之后,可以对立体肺组织影像中未识别的疑似病灶进行第二类别肺结节的识别,这里的第二类别肺结节可以理解为难识别的肺结节,由云计算平台进行第二类别肺结节的识别。
云计算平台执行对立体肺组织影像中未识别的疑似病灶进行第二类别肺结节识别的步骤,包括:对立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的第二语义特征信息进行肺结节识别,获取第二类别肺结节的识别结果。
中间计算平台在完成第一类别肺结节的识别并对第一类别肺结节进行标记之后,可以将对第一类别肺结节标记后的立体肺组织影像上传至云计算平台,云计算平台接收中间计算平台上传的立体肺组织影像,根据接收到的立体肺组织影像,对立体肺组织影像中未识别的疑似病灶进行第二语义特征信息提取,以进行第二类别肺结节识别。需要说明的是,若立体肺组织影像中仅存在第一类别肺结节,则通过中间计算平台可以完成肺结节的识别,无需向云计算平台上传立体肺组织影像。
云计算平台在对立体肺组织影像中未识别的疑似病灶进行第二类别肺结节识别时,首先对接收到的立体肺组织影像中的未标记的疑似病灶进行第二语义特征信息提取,第二语义特征信息可以理解为深层语义特征。然后根据提取出的第二语义特征信息进行肺结节识别,获取第二类别肺结节的识别结果。其中,第二类别肺结节可以包括毛玻璃结节、血管粘连结节、尺寸微小的结节(尺寸微小的结节可以理解为小于特定尺寸的结节)等。
本发明上述实施过程,通过获取目标对象的立体肺组织影像,可以减少病变检测区域,通过基于第一语义特征信息对立体肺组织影像中的疑似病灶进行肺结节识别,对识别出的第一类别肺结节进行标记,然后对立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的第二语义特征信息进行肺结节识别,获取第二类别肺结节的识别结果,可以基于先识别第一类别肺结节后识别第二类别肺结节的方式,优化识别策略,且通过在边缘计算平台执行立体肺组织影像的获取、在中间计算平台执行第一类别肺结节的识别、在云计算平台执行第二类别肺结节的识别,可以合理有效的利用计算资源与存储空间,提高识别效率。
本发明的一可选实施例中,获取多张肺组织影像对应的立体肺组织影像,包括:
获取目标对象对应的多张肺部CT影像;
对多张肺部CT影像分别进行肺组织分割,获取对应的所述多张肺组织影像;
将所述多张肺组织影像进行叠加,生成所述立体肺组织影像。
为了对目标患者的肺部进行详细观察,可以对目标患者的肺部进行断层扫描获取多张肺部CT影像,肺部CT影像即为通过对肺部进行断层扫描(可以理解为切片处理)所得到的横断面影像,肺部CT影像中除肺组织外,会存在许多密度高于肺组织的外围无关组织,如胸腔壁、骨骼等,其在肺部CT影像中的灰度值远高于肺组织,干扰后续识别过程,因此需要在进行语义特征信息提取之前首先对患者的肺部CT影像进行预处理以及肺组织分割,实现获取肺组织影像,可以减少病变检测区域以及降低数据上传量。其中预处理为常用图像处理手段,如可以包括滤噪处理。
边缘计算平台可以获取目标患者对应的多张肺部CT影像,针对每张肺部CT影像,需要依次进行预处理、肺组织分割,以获取到肺组织影像。在获取多张肺组织影像之后,可以将多张肺组织影像进行叠加处理,以生成立体肺组织影像。在对多张肺组织影像进行叠加处理时,可以按照断层扫描的顺序进行叠加。
其中,边缘计算平台可以包括多个边缘计算节点,多张肺部CT影像可以分布在不同的边缘计算节点上,以通过不同的边缘计算节点进行肺组织分割,提升肺组织分割的效率。在对多张肺部CT影像进行分割获取多张肺组织影像之后,可以由一边缘计算节点执行叠加处理的过程,以生成立体肺组织影像。边缘计算平台可以获取多个患者分别对应的多张肺部CT影像,可以将同一患者的多张肺部CT影像分部在一个边缘计算节点上,以实现对单个病例数据进行个性化处理。针对边缘计算节点而言,可以同时具备影像预处理、肺组织分割以及叠加影像的功能。
本发明上述实施过程,针对目标对象的多张肺部CT影像进行预处理,可以基于预处理后的影像进行肺组织分割,降低分割难度,在进行肺组织分割得到肺组织影像之后,将多张肺组织影像进行叠加,生成立体肺组织影像,可以减少病变检测区域以及降低数据上传量,同时提高了后续语义特征提取的精准性,提高了肺结节识别的准确性。
本发明一可选实施例中,所述对所述多张肺部CT影像分别进行肺组织分割,获取对应的所述多张肺组织影像,包括:
针对每一张所述肺部CT影像,采用与影像灰度信息关联的区域边缘协作式水平集模型进行肺组织分割,获取对应的所述肺组织影像。
在对肺部CT影像进行肺组织分割时,可以采用与影像灰度信息关联的区域边缘协作式水平集模型进行肺组织分割,实现基于影像灰度值进行肺组织与其他组织的区别,可以保证分割的准确性。
其中,在针对目标对象的多张肺部CT影像进行肺组织分割时,需要依次分割,且在对后一张肺部CT影像进行分割时,需要采用前一张肺部CT影像的分割结果。下面对针对目标对象的多张肺部CT影像依次进行肺组织分割的过程进行阐述,首先对多张肺部CT影像进行排序,排序顺序即为进行断层扫描时依次得到的肺部CT影像的顺序。参见图2所示,该方法包括如下步骤:
步骤201、采用连通域标记和阈值法对首张肺部CT影像的水平集函数进行初始化。首张肺部CT影像即为肺组织的顶部对应的CT影像。
步骤202、采用与影像灰度信息关联的区域边缘协作式水平集模型对首张肺部CT影像的肺组织进行分割,当前水平集模型与首张肺部CT影像对应的水平集函数关联。
步骤203、采用形态学操作对首张肺部CT影像的肺组织的分割结果进行修正。
步骤204、检测是否所有的肺部CT影像均已完成肺组织分割,若是则结束流程,否则执行步骤205。
步骤205、利用前一张肺部CT影像的分割结果对当前肺部CT影像的水平集函数进行初始化。
步骤206、采用与影像灰度信息关联的区域边缘协作式水平集模型对当前肺部CT影像的肺组织进行分割,当前水平集模型与当前肺部CT影像对应的水平集函数关联。
步骤207、采用最大阈值法分离左右肺,并采用形态学操作修正分割结果。
步骤208、利用先验形状信息分离胸腔壁结节或肿瘤。
重复步骤204至步骤208的过程,直至所有肺部CT影像的肺组织均已分割完毕。其中,先验形状信息可以理解为正常肺组织的轮廓信息。
其中,与影像灰度信息关联的区域边缘协作式水平集模型,即为水平集函数的能量泛函,水平集函数的能量泛函定义如公式1:
E(φ)=μP(φ)+λLg(φ)+vAi(φ) (公式1)
其中,E(φ)为水平集函数的能量泛函,φ为基于肺部CT影像的像素点坐标信息x和时间变量t确定的水平集函数,x可以表示为(x,y)。水平集函数的表达式为φ=φ(x,t):RN×[0,t)→R,t≥0。
水平集函数对应于一空间曲面,x表示空间域Ω中的像素点的坐标信息,t表示时间维度,R表示实数域,N表示N维空间,N的取值大于或者等于2。RN×[0,t)→R,t≥0表示N维实数向量与大于等于0的时间变量的向量积构成的空间到实数空间的映射。
μ,λ,v均大于0,且分别为距离正则项P(φ)、边缘梯度能量项Lg(φ)、区域灰度能量项Ai(φ)对应的权重系数。区域灰度能量项Ai(φ)对应于影像灰度信息,P(φ)、Lg(φ)与Ai(φ)分别定义如下:
Ai(φ)=∫Ωi(x)H(-φ)dxdy (公式4)
其中,在上述公式中,δ和H分别是Dirac delta函数和Heaviside函数,Ω表示影像空间域。公式2中的为双阱势函数,为梯度算子,表示求水平集函数的梯度,为水平集函数梯度的绝对值,公式2表示双阱势函数在空间域上的积分。
针对公式2而言:
公式3中的g(x)的表达式如下:
其中,I(x)为预处理后CT影像上点x处的灰度信息。
针对公式4而言,公式4表示i(x)与H(-φ)相乘后在空间域的积分,公式4中函数i(x)的定义如下:
其中,sgn为符号函数,kobj和kback分别为目标(肺组织)与背景(肺组织周缘的多余组织)的平均灰度,k0∈(kobj,kback)为区分目标和背景的某个灰度阈值。在肺组织与外围组织的平均灰度之间任取一个灰度阈值即可,一般取kobj、kback二者的平均值。
在公式4中,H(-φ)的定义如下:
以上对水平集函数的能量泛函中的各个组成项进行了介绍,在根据水平集函数的能量泛函(与影像灰度信息关联的区域边缘协作式水平集模型)进行肺组织分割时,可以确定能量泛函取最小值时对应的目标水平集函数,针对目标水平集函数,确定目标水平集函数为零时对应的多个像素点,根据多个像素点围成一封闭曲线,所得到的封闭曲线即为零水平集曲线,将零水平集曲线确定为肺组织轮廓线,根据肺组织轮廓线进行肺组织分割。
需要说明的是,能量泛函基于水平集函数构建,水平集函数为自变量,能量泛函为因变量。水平集函数的变化会导致能量泛函的取值发生变化,即通过水平集函数的更新,使得能量泛函的取值不断更新。水平集函数对应于一空间曲面,初始状态的空间曲面即为初始状态下肺部CT影像中的像素点对应的空间曲面(其函数值的大小是人为定义的),更新空间曲面的过程可以理解为更新肺部CT影像中的像素点所对应的水平集函数值的过程。通过更新水平集函数,可以更新能量泛函的取值,在能量泛函取得最小值时确定出目标水平集函数。
其中,能量泛函是依据医生判断“究竟何处为肺组织实际边缘”这一先验信息所定义出来的,这是根据肺组织CT影像的特点决定的,所构建的能量泛函也是依据CT影像中肺组织像素灰度信息和肺组织轮廓的梯度信息构建的,目的就是让零水平集曲线运动到肺组织的边界时,能量泛函的取值最小。
上述过程介绍了通过与影像灰度信息关联的区域边缘协作式水平集模型进行肺组织分割的过程,通过采用与影像灰度信息关联的区域边缘协作式水平集模型进行肺组织分割,实现基于影像灰度值进行肺组织与其他组织的区别,可以保证分割的准确性,为后续的特征提取和肺结节识别过程提供了便利。
本发明的一可选实施例中,该方法还包括以下步骤:对第一类别肺结节的识别结果进行量化分析,和/或,对第二类别肺结节的识别结果进行量化分析;
边缘计算平台执行对第一类别肺结节的识别结果进行量化分析的步骤,包括:接收中间计算平台反馈的每个第一类别肺结节在立体肺组织影像中分别对应的第一区域位置信息,针对每个第一类别肺结节,根据当前第一类别肺结节对应的第一区域位置信息,在当前第一类别肺结节对应的N张肺组织影像中,对当前第一类别肺结节进行肺结节分割并汇总分割结果进行量化分析,根据量化分析结果确定当前第一类别肺结节在肺组织中的位置;
边缘计算平台执行对第二类别肺结节的识别结果进行量化分析的步骤,包括:接收云计算平台通过中间计算平台反馈的每个第二类别肺结节在立体肺组织影像中分别对应的第二区域位置信息,针对每个第二类别肺结节,根据当前第二类别肺结节对应的第二区域位置信息,在当前第二类别肺结节对应的M张肺组织影像中,对当前第二类别肺结节进行肺结节分割并汇总分割结果进行量化分析,根据量化分析结果确定当前第二类别肺结节在肺组织中的位置;
其中,第一类别肺结节、第二类别肺结节的数量至少为一个,N、M分别为大于或者等于1的整数。
中间计算平台在对第一类别肺结节识别后,可以将各个第一类别肺结节在立体肺组织影像中对应的第一区域位置信息分别发送至边缘计算平台,如,中间计算平台可以通过一矩形框对各第一类别肺结节进行标记,将各矩形框对应的第一区域位置信息发送至边缘计算平台。针对边缘计算平台而言,可以针对每个第一类别肺结节,根据当前第一类别肺结节对应的第一区域位置信息,在当前第一类别肺结节对应的N张肺组织影像中,分别对当前第一类别肺结节进行肺结节分割,汇总N个分割结果并进行量化分析。这里的N的取值为大于或者等于1的整数,且小于或者等于目标对象对应的肺组织影像的总数。通过进行分割结果的汇总可以形成三维的肺结节,以进行量化分析。
在对第一类别肺结节进行肺结节分割后进行量化分析,确定肺结节在肺组织内的具体空间位置坐标,可以便于后续的靶向治疗,手术规划。中间计算平台所反馈的第一区域位置信息将肺结节的大体位置识别出来,需要交给边缘计算平台做精确的分割,把肺结节的精确轮廓找出来,这样才能确定精确的质心坐标。
云计算平台在对第二类别肺结节识别后,可以将各个第二类别肺结节在立体肺组织影像中对应的第二区域位置信息分别发送至中间计算平台,由中间计算平台反馈至边缘计算平台。针对边缘计算平台而言,可以针对每个第二类别肺结节,根据对应的第二区域位置信息,在当前第二类别肺结节对应的M张肺组织影像中,分别对当前第二类别肺结节进行肺结节分割,汇总M个分割结果并进行量化分析。这里的M的取值为大于或者等于1的整数,且小于或者等于目标对象对应的肺组织影像的总数。通过进行分割结果的汇总可以形成三维的肺结节,以进行量化分析。
在对第二类别肺结节进行肺结节分割后进行量化分析,确定肺结节在肺组织内的具体空间位置坐标,可以便于后续的靶向治疗,手术规划。云计算平台所反馈的第二区域位置信息将肺结节的大体位置识别出来,需要交给边缘计算平台做精确的分割,把肺结节的精确轮廓找出来,这样才能确定精确的质心坐标。
需要说明的是,由于不同患者的肺组织形态、肺内病变的特性差异较大,因此,肺组织分割与肺结节分割过程宜在边缘计算平台进行,可以有效减少上传至中间计算平台和云计算平台的数据量,充分节约上层计算资源和存储空间。此外,中间计算平台或云计算平台可根据实际需求对边缘计算节点的计算资源进行合理分配与调度,提高肺组织分割与肺结节分割的计算效率。
参见图3所示,为边缘计算平台针对某个肺结节进行分割的流程,其具体实施过程如下:
步骤301、获取中间计算平台发送的肺结节A在立体肺组织影像中对应的第一区域位置信息,肺结节A为第一类别肺结节。
步骤302、根据肺结节A的第一区域位置信息,确定肺结节A对应的至少一张肺组织影像,对确定的至少一张肺组织影像的水平集函数进行随机初始化。
步骤303、采用对应的区域边缘协作式水平集模型对至少一张肺组织影像进行肺结节分割。
步骤304、将肺结节A对应的至少一个分割结果汇总并进行量化分析。
肺结节分割流程所应用的区域边缘协作式水平集模型与上述肺组织分割过程中应用到的区域边缘协作式水平集模型相同,在此不做详细阐述。
本发明上述实施过程,通过采用区域边缘协作式水平集模型对肺结节进行分割,并对分割后的肺结节进行量化分析,提高了定位标注的精确性,便于后续的精确治疗。
本发明一可选实施例中,对立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的第一语义特征信息进行肺结节识别,包括:
根据信息库,对立体肺组织影像中的疑似病灶进行第一语义特征信息的提取;
基于提取出的第一语义特征信息,采用分类算法识别出第一类别肺结节。
中间计算平台根据信息库对立体肺组织影像中的疑似病灶进行第一语义特征信息的提取,其中,信息库包括肺结节的灰度特征、形状特征、纹理特征、骨架特征等医学专家定义的语义特征。中间计算平台基于提取的第一语义特征信息,采用分类算法识别出第一类别肺结节,其中,分类算法可以包括决策树、支持向量机、随机森林等算法,第一类别肺结节可以包括孤立结节、实体结节、尺寸较大的结节等。
针对中间计算平台而言,可根据云计算平台发送的第二类别肺结节的识别结果,对信息库进行不断更新,以不断提高第一类别肺结节(简单肺结节)的识别率。中间计算平台仅对边缘计算平台上传的数据做语义特征提取,并对简单肺结节进行识别,因此中间计算平台对应的中间计算节点的数量可远少于边缘计算平台对应的边缘计算节点的数量,起到很好的信息浓缩与传递作用,进一步减少上传至云计算平台的数据量,同时有效保护病人隐私。
本发明上述实施过程,通过由中间计算平台对第一类别肺结节进行识别,提高了肺结节计算机辅助识别效率,合理利用了计算资源和储存空间。同时,通过信息库进行语义特征提取保证了识别结果的准确性,有利于后续治疗。
本发明一可选实施例中,对立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,包括:
针对立体肺组织影像中未标记的疑似病灶,采用深度学习算法,提取第二语义特征信息。
当中间计算平台对立体肺组织影像中的疑似病灶进行识别确定出第一类别肺结节后,若存在无法识别的疑似病灶,则将对第一类别肺结节标记的立体肺组织影像上传到云计算平台,云计算平台采用深度学习算法,如卷积神经网络、图卷积网络等,对未标记的疑似病灶进行第二语义特征信息(可以理解为深层语义特征)提取,云计算平台根据提取的第二语义特征信息进行肺结节识别,获取第二类别肺结节(可以理解为复杂肺结节)的识别结果。其中,第二类别肺结节可以包括毛玻璃结节、血管粘连结节、尺寸微小的结节等。
云计算平台针对中间计算平台无法识别的疑似病灶,可以采用深度神经网络进行深层语义特征提取并进行识别,实现复杂肺结节的识别。同时,云计算平台将识别结果发送给中间计算平台,并按照实际需求合理分配调度中间计算节点的计算资源。且通过由中间计算平台进行第一类别肺结节的识别,云计算平台进行第二类别肺结节的识别,可以使得云计算平台在有限的存储空间下可以保存并分析更多的疑难病例,有效提高基于深度学习所训练的模型(如卷积神经网络模型、图卷积网络模型)的泛化能力,并可辅助优化中间计算平台的信息库,实现优质医疗资源共享及信息同步。
本发明上述实施过程中,通过中间计算平台对第一类别肺结节进行识别,云计算平台对中间计算平台无法识别的第二类别肺结节进行识别,可以做到计算资源和储存资源的合理利用,通过深度学习算法汇总疑难复杂病例数据,能够大大提高云计算平台对复杂肺结节的识别精度和效率。
参见图4,通过一具体实例对本发明实施例提供的基于边缘计算的肺结节识别方法进行介绍,每个患者的肺部CT影像代表一个数据源,在边缘计算平台,每个数据源都采用一个边缘计算节点进行处理。每个边缘计算节点都采用对应的区域边缘协作式水平集模型对患者肺部CT影像中的肺组织以及由中间计算平台发送回来的肺结节进行分割。
边缘计算平台将通过肺组织分割得到的立体肺组织影像(包括多张肺组织影像)上传至中间计算平台。由于边缘计算平台已经对患者肺部CT影像中的冗余信息进行了去除,仅保留有效数据,因此,中间计算平台所对应的中间计算节点的数量相比于边缘计算节点可大幅减少,有效节约计算资源。中间计算平台调用满足实际运算需求的中间计算节点,对肺结节的一些浅层语义特征(第一语义特征信息)进行提取,如肺结节的灰度特征、形状特征、纹理特征、骨架特征等医学专家定义的语义特征,利用简单分类器(如决策树、支持向量机、随机森林等算法)对常规肺结节(第一类别肺结节)进行识别。这类常规肺结节一般包括孤立结节、实体结节、尺寸较大的结节等。对难以判别的复杂肺结节,中间计算平台将包含疑似复杂肺结节的立体肺组织影像上传至云计算平台。此外,中间计算平台还可以将云计算平台返回的复杂肺结节识别结果发送给边缘计算平台,以供后续肺结节分割及量化分析。随着疑难病例的不断增多,中间计算平台可根据云计算平台对复杂肺结节的识别结果不断丰富信息库,拓展中间计算平台提取肺结节浅层语义特征的维度,以提高常规肺结节识别的准确率。
由于中间计算平台已经对相对比较容易识别的常规肺结节进行了处理,仅需云计算平台对复杂肺结节进行识别。云计算平台采用深度学习算法,如卷积神经网络、图卷积网络等,对复杂肺结节的深层语义特征(第二语义特征信息)进行提取,并依据这些深层语义特征对复杂肺结节(第二类别肺结节)进行识别。云计算平台将复杂结节的识别结果发送给中间计算平台,再由中间计算平台发送给边缘计算平台进行肺结节的分割及量化分析。其中,在向中间计算平台以及边缘计算平台发送时,可以理解为向对应的中间计算节点以及边缘计算节点发送。
云计算平台还可根据实际需求合理分配与调度中间计算节点的计算资源,以最大化利用中间计算平台的计算资源。同时,云计算平台在有限的计算和存储资源下,能够尽可能多的汇总疑难复杂病例数据,能够大大提高云计算平台所训练的模型的泛化性能,进一步提高复杂肺结节的识别精度与效率。
以上为本发明实施例提供的基于边缘计算的肺结节识别方法,通过获取目标对象的立体肺组织影像,可以减少病变检测区域,通过基于第一语义特征信息对立体肺组织影像中的疑似肺结节进行肺结节识别,对识别出的第一类别肺结节进行标记,然后对立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的第二语义特征信息进行肺结节识别,获取第二类别肺结节的识别结果,可以基于先识别第一类别肺结节后识别第二类别肺结节的方式,优化识别策略,且通过在边缘计算平台执行立体肺组织影像的获取、在中间计算平台执行第一类别肺结节的识别、在云计算平台执行第二类别肺结节的识别,可以合理有效的利用计算资源与存储空间,提高识别效率。
进一步的,通过采用与影像灰度信息关联的区域边缘协作式水平集模型进行肺组织、肺结节分割,可以保证分割的准确性;通过深度学习算法汇总疑难复杂病例数据,能够大大提高云计算平台对复杂肺结节的识别精度和效率。
本发明实施例还提供一种基于边缘计算的肺结节识别装置,应用于边缘计算系统,所述边缘计算系统包括边缘计算平台、中间计算平台以及云计算平台,参见图5所示,所述装置包括:
获取模块501,用于获取多张肺组织影像对应的立体肺组织影像,所述多张肺组织影像均对应于所述目标对象;
第一识别模块502,用于对所述立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的所述第一语义特征信息进行肺结节识别,获取所述第一类别肺结节的识别结果,并对识别出的所述第一类别肺结节进行标记;
第二识别模块503,用于对所述立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的所述第二语义特征信息进行肺结节识别,获取所述第二类别肺结节的识别结果;
所述获取模块部署于所述边缘计算平台,所述第一识别模块部署于所述中间计算平台,所述第二识别模块部署于所述云计算平台。
可选的,所述获取模块包括:
获取子模块,用于获取所述目标对象对应的多张肺部CT影像;
处理子模块,用于对所述多张肺部CT影像分别进行肺组织分割,获取对应的所述多张肺组织影像;
生成子模块,用于将所述多张肺组织影像进行叠加,生成所述立体肺组织影像。
可选的,所述处理子模块进一步用于:
针对每一张所述肺部CT影像,采用与影像灰度信息关联的区域边缘协作式水平集模型进行肺组织分割,获取对应的所述肺组织影像。
可选的,该装置还包括:
分析模块,用于对所述第一类别肺结节的识别结果进行量化分析,和/或,对所述第二类别肺结节的识别结果进行量化分析;
所述分析模块部署于所述边缘计算平台,包括:
第一处理子模块,用于接收所述中间计算平台反馈的每个所述第一类别肺结节在所述立体肺组织影像中分别对应的第一区域位置信息,针对每个所述第一类别肺结节,根据当前第一类别肺结节对应的所述第一区域位置信息,在当前第一类别肺结节对应的N张肺组织影像中,对当前第一类别肺结节进行肺结节分割并汇总分割结果进行量化分析,根据量化分析结果确定当前第一类别肺结节在肺组织中的位置;
第二处理子模块,用于接收所述云计算平台通过所述中间计算平台反馈的每个所述第二类别肺结节在所述立体肺组织影像中分别对应的第二区域位置信息,针对每个所述第二类别肺结节,根据当前第二类别肺结节对应的所述第二区域位置信息,在当前第二类别肺结节对应的M张肺组织影像中,对当前第二类别肺结节进行肺结节分割并汇总分割结果进行量化分析,根据量化分析结果确定当前第二类别肺结节在肺组织中的位置;
其中,所述第一类别肺结节、所述第二类别肺结节的数量至少为一个,N、M分别为大于或者等于1的整数。
可选的,所述第一识别模块包括:
提取子模块,用于根据信息库,对所述立体肺组织影像中的疑似病灶肺进行所述第一语义特征信息的提取;
识别子模块,用于基于提取出的所述第一语义特征信息,采用分类算法识别所述第一类别肺结节。
可选的,所述第二识别模块进一步用于:
针对所述立体肺组织影像中未标记的疑似病灶,采用深度学习算法,提取所述第二语义特征信息。
以上为本发明实施的基于边缘计算的肺结节识别装置,通过获取目标对象的立体肺组织影像,可以减少病变检测区域,通过基于第一语义特征信息对立体肺组织影像中的疑似病灶进行肺结节识别,对识别出的第一类别肺结节进行标记,然后对立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的第二语义特征信息进行肺结节识别,获取第二类别肺结节的识别结果,可以基于先识别第一类别肺结节后识别第二类别肺结节的方式,优化识别策略,且通过在边缘计算平台执行立体肺组织影像的获取、在中间计算平台执行第一类别肺结节的识别、在云计算平台执行第二类别肺结节的识别,可以合理有效的利用计算资源与存储空间,提高识别效率。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
优选的,本发明实施例还提供了一种电子设备,包括:处理器,存储器,存储在存储器上并可在处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述基于边缘计算的肺结节识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
举例如下,图6示出了一种电子设备的实体结构示意图。
如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令。处理器610用于执行以下步骤:获取多张肺组织影像对应的立体肺组织影像,所述多张肺组织影像均对应于目标对象;对所述立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的所述第一语义特征信息进行肺结节识别,获取所述第一类别肺结节的识别结果,并对识别出的所述第一类别肺结节进行标记;对所述立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的所述第二语义特征信息进行肺结节识别,获取所述第二类别肺结节的识别结果。
此外,上述的存储器630中的逻辑指令可以通过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)执行本发明各个实施例所述方法的全部或部分步骤。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质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基于边缘计算的肺结节识别方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
本领域普通技术人员可以意识到,结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,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,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,在本发明各个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、ROM、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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于边缘计算的肺结节识别方法,应用于边缘计算系统,其特征在于,所述边缘计算系统包括边缘计算平台、中间计算平台以及云计算平台,所述方法包括以下步骤:获取目标对象的立体肺组织影像,对所述立体肺组织影像中的疑似病灶进行第一类别肺结节识别,对所述立体肺组织影像中未识别的疑似病灶进行第二类别肺结节识别;
所述边缘计算平台执行获取目标对象的立体肺组织影像的步骤,包括:获取多张肺组织影像对应的立体肺组织影像,所述多张肺组织影像均对应于所述目标对象;
所述中间计算平台执行对所述立体肺组织影像中的疑似病灶进行第一类别肺结节识别的步骤,包括:对所述立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的所述第一语义特征信息进行肺结节识别,获取所述第一类别肺结节的识别结果,并对识别出的所述第一类别肺结节进行标记;
所述云计算平台执行对所述立体肺组织影像中未识别的疑似病灶进行第二类别肺结节识别的步骤,包括:对所述立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的所述第二语义特征信息进行肺结节识别,获取所述第二类别肺结节的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取多张肺组织影像对应的立体肺组织影像,包括:
获取所述目标对象对应的多张肺部CT影像;
对所述多张肺部CT影像分别进行肺组织分割,获取对应的所述多张肺组织影像;
将所述多张肺组织影像进行叠加,生成所述立体肺组织影像。
3.根据权利要求2所述的方法,其特征在于,所述对所述多张肺部CT影像分别进行肺组织分割,获取对应的所述多张肺组织影像,包括:
针对每一张所述肺部CT影像,采用与影像灰度信息关联的区域边缘协作式水平集模型进行肺组织分割,获取对应的所述肺组织影像。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括以下步骤:对所述第一类别肺结节的识别结果进行量化分析,和/或,对所述第二类别肺结节的识别结果进行量化分析;
所述边缘计算平台执行对所述第一类别肺结节的识别结果进行量化分析的步骤,包括:接收所述中间计算平台反馈的每个所述第一类别肺结节在所述立体肺组织影像中分别对应的第一区域位置信息,针对每个所述第一类别肺结节,根据当前第一类别肺结节对应的所述第一区域位置信息,在当前第一类别肺结节对应的N张肺组织影像中,对当前第一类别肺结节进行肺结节分割并汇总分割结果进行量化分析,根据量化分析结果确定当前第一类别肺结节在肺组织中的位置;
所述边缘计算平台执行对所述第二类别肺结节的识别结果进行量化分析的步骤,包括:接收所述云计算平台通过所述中间计算平台反馈的每个所述第二类别肺结节在所述立体肺组织影像中分别对应的第二区域位置信息,针对每个所述第二类别肺结节,根据当前第二类别肺结节对应的所述第二区域位置信息,在当前第二类别肺结节对应的M张肺组织影像中,对当前第二类别肺结节进行肺结节分割并汇总分割结果进行量化分析,根据量化分析结果确定当前第二类别肺结节在肺组织中的位置;
其中,所述第一类别肺结节、所述第二类别肺结节的数量至少为一个,N、M分别为大于或者等于1的整数。
5.根据权利要求1所述的方法,其特征在于,所述对所述立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的所述第一语义特征信息进行肺结节识别,包括:
根据信息库,对所述立体肺组织影像中的疑似病灶进行所述第一语义特征信息的提取;
基于提取出的所述第一语义特征信息,采用分类算法识别出所述第一类别肺结节。
6.根据权利要求1所述的方法,其特征在于,所述对所述立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,包括:
针对所述立体肺组织影像中未标记的疑似病灶,采用深度学习算法,提取所述第二语义特征信息。
7.一种基于边缘计算的肺结节识别装置,应用于边缘计算系统,其特征在于,所述边缘计算系统包括边缘计算平台、中间计算平台以及云计算平台,所述装置包括:获取模块、第一识别模块以及第二识别模块;
其中,所述获取模块部署于所述边缘计算平台,所述第一识别模块部署于所述中间计算平台,所述第二识别模块部署于所述云计算平台;
所述获取模块用于:获取多张肺组织影像对应的立体肺组织影像,所述多张肺组织影像均对应于目标对象;
所述第一识别模块用于:对所述立体肺组织影像中的疑似病灶进行第一语义特征信息提取,根据提取出的所述第一语义特征信息进行肺结节识别,获取第一类别肺结节的识别结果,并对识别出的所述第一类别肺结节进行标记;
所述第二识别模块用于:对所述立体肺组织影像中未标记的疑似病灶进行第二语义特征信息提取,根据提取出的所述第二语义特征信息进行肺结节识别,获取第二类别肺结节的识别结果。
8.根据权利要求7所述的装置,其特征在于,所述获取模块包括:
获取子模块,用于获取所述目标对象对应的多张肺部CT影像;
处理子模块,用于对所述多张肺部CT影像分别进行肺组织分割,获取对应的所述多张肺组织影像;
生成子模块,用于将所述多张肺组织影像进行叠加,生成所述立体肺组织影像。
9.一种电子设备,其特征在于,包括处理器、存储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,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的基于边缘计算的肺结节识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于边缘计算的肺结节识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881247.9A CN113744192B (zh) | 2021-08-02 | 2021-08-02 | 基于边缘计算的肺结节识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881247.9A CN113744192B (zh) | 2021-08-02 | 2021-08-02 | 基于边缘计算的肺结节识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744192A true CN113744192A (zh) | 2021-12-03 |
CN113744192B CN113744192B (zh) | 2022-09-02 |
Family
ID=78729901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881247.9A Active CN113744192B (zh) | 2021-08-02 | 2021-08-02 | 基于边缘计算的肺结节识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744192B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108464840A (zh) * | 2017-12-26 | 2018-08-31 | 安徽科大讯飞医疗信息技术有限公司 | 一种乳腺肿块自动检测方法及系统 |
CN108776819A (zh) * | 2018-06-05 | 2018-11-09 | Oppo广东移动通信有限公司 | 一种目标识别方法、移动终端及计算机可读存储介质 |
CN110163834A (zh) * | 2018-05-14 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 对象识别方法和装置及存储介质 |
CN110956783A (zh) * | 2019-12-04 | 2020-04-03 | 江河瑞通(北京)技术有限公司 | 城市内涝监测方法及电子设备 |
CN111369623A (zh) * | 2020-02-27 | 2020-07-03 | 复旦大学 | 一种基于深度学习3d目标检测的肺部ct图像识别方法 |
CN111459657A (zh) * | 2020-03-09 | 2020-07-28 | 重庆邮电大学 | 一种基于边缘协助的数据质量感知的任务分配方法 |
CN112532711A (zh) * | 2020-11-24 | 2021-03-19 | 中移(杭州)信息技术有限公司 | 边缘计算应用部署方法、终端、边缘计算节点及存储介质 |
-
2021
- 2021-08-02 CN CN202110881247.9A patent/CN113744192B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
CN108464840A (zh) * | 2017-12-26 | 2018-08-31 | 安徽科大讯飞医疗信息技术有限公司 | 一种乳腺肿块自动检测方法及系统 |
CN110163834A (zh) * | 2018-05-14 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 对象识别方法和装置及存储介质 |
CN108776819A (zh) * | 2018-06-05 | 2018-11-09 | Oppo广东移动通信有限公司 | 一种目标识别方法、移动终端及计算机可读存储介质 |
CN110956783A (zh) * | 2019-12-04 | 2020-04-03 | 江河瑞通(北京)技术有限公司 | 城市内涝监测方法及电子设备 |
CN111369623A (zh) * | 2020-02-27 | 2020-07-03 | 复旦大学 | 一种基于深度学习3d目标检测的肺部ct图像识别方法 |
CN111459657A (zh) * | 2020-03-09 | 2020-07-28 | 重庆邮电大学 | 一种基于边缘协助的数据质量感知的任务分配方法 |
CN112532711A (zh) * | 2020-11-24 | 2021-03-19 | 中移(杭州)信息技术有限公司 | 边缘计算应用部署方法、终端、边缘计算节点及存储介质 |
Non-Patent Citations (1)
Title |
---|
WEIHANG ZHANG等: "RESLS: Region and Edge Synergetic Level Set Framework for Image Segmentation", 《IEEE》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113744192B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622492B (zh) | 肺裂分割方法及系统 | |
CN108171692B (zh) | 一种肺部影像检索方法及装置 | |
CN108010021A (zh) | 一种医学图像处理系统和方法 | |
Elsayed et al. | Automatic detection of the pulmonary nodules from CT images | |
CN109300136B (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
CN109124662B (zh) | 肋骨中心线检测装置及方法 | |
CN102460471A (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 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN110009656B (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
JP2006006359A (ja) | 画像生成装置、画像生成装置方法、およびそのプログラム | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
JP2006325937A (ja) | 画像判定装置、画像判定方法およびそのプログラム | |
CN110570394B (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN105139377A (zh) | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 | |
CN110766659A (zh) | 医学图像识别方法、装置、设备和介质 | |
CN110866905A (zh) | 一种肋骨识别与标注方法 | |
JP5105997B2 (ja) | 医用画像処理装置、医用画像診断装置、及びプログラム | |
CN107506766B (zh) | 图像分割方法及装置 | |
CN110796659A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
Zhang et al. | Object localization improved grabcut for lung parenchyma segmentation | |
CN113643279A (zh) | 基于ct影像的肺结节检测设备、装置及存储介质 | |
CN110634554A (zh) | 脊椎影像注册方法 | |
CN114037803B (zh) | 医学图像三维重建方法及系统 | |
CN113706514A (zh) | 基于模板图像的病灶定位方法、装置、设备及存储介质 | |
CN113744192B (zh) | 基于边缘计算的肺结节识别方法、装置、设备及介质 |
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 |