CN114023436A - 一种基于人工智能的肺结核分类诊断模型训练方法 - Google Patents

一种基于人工智能的肺结核分类诊断模型训练方法 Download PDF

Info

Publication number
CN114023436A
CN114023436A CN202111294407.6A CN202111294407A CN114023436A CN 114023436 A CN114023436 A CN 114023436A CN 202111294407 A CN202111294407 A CN 202111294407A CN 114023436 A CN114023436 A CN 114023436A
Authority
CN
China
Prior art keywords
module
chest
layers
training
tuberculosis
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
CN202111294407.6A
Other languages
English (en)
Inventor
刘二勇
赵雁林
吴博烔
屠德华
王欢
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.)
Beijing Zhangyin Medical Technology Co ltd
Original Assignee
Beijing Zhangyin 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 Beijing Zhangyin Medical Technology Co ltd filed Critical Beijing Zhangyin Medical Technology Co ltd
Priority to CN202111294407.6A priority Critical patent/CN114023436A/zh
Publication of CN114023436A publication Critical patent/CN114023436A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于人工智能的肺结核分类诊断模型训练方法，具体过程为：S1.收集患者胸片数据；S2、通过医学影像学专家将收集到的胸片数据划分为正位胸片和非正位胸片；S3、将正位胸片和非正位胸片的数据输入到一个残差卷积神经网络中进行训练，当训练收敛或者达到设定的训练轮数即停止训练，得到胸片分类模型；S4、医学影像学专家将步骤S2中判断出的正位胸片进行进一步标注，将肺结核胸片划分为九个分类；S4、将正位胸片和影像学专家标注的九分类标签输入到卷积检测神经网络中进行训练。本发明不仅能够基于DR胸片通过影像学辅助诊断是否为肺结核，还能对肺结核患者的胸片进行进一步区分。

Description

一种基于人工智能的肺结核分类诊断模型训练方法
技术领域
本发明涉及医学影像学辅助诊断技术领域，具体为一种基于人工智能的肺结核分类诊断模型训练方法。
背景技术
肺结核是我国重点控制的重大传染病，我国疫情形势严峻，患者数量居全球第二位，每年约有83万新发肺结核患者。X线胸片检查时辅助诊断和筛查肺结核的有效方法之一，基于影像医生人工肉眼判读胸片，在中西部一些地区缺少训练有素的放射科医生，X线胸片检查不能被很好应用和诠释；因此利用人工智能诊断技术对肺结核患者进行辅助诊断是一项非常有意义和作用的工作。现有肺结核诊断技术主要关注检出病灶并且判断是否为肺结核，尚不能对肺结核的具体临床类别进行进一步的预测。对肺结核不同临床类别进行更详尽的判断，能够为影像科专家和临床医生提供更丰富的病灶参考信息。例如，肺结核可以分为活动性肺结核与非活动肺结核，其中活动性肺结核有更强的传染性，需要进行医学隔离治疗。尽管非活动性肺结核传染性低，但我国一项研究结果显示，在我国农村地区50～70岁结核潜伏感染人群中，非活动性肺结核病灶人群的结核病发病风险是影像学检查正常者的6.77倍。美国胸科协会和疾病预防控制中心指出，有既往病史并留下纤维化病灶者再发生活动性结核病的风险是影像正常人群的2～14倍。2020年WHO发布的《结核病综合指南：预防性治疗》中提出：有既往结核病史或者非活动性肺结核者有更高的发病风险，应该成为暴露后干预的目标人群。在我国，2021年中国防痨协会组织国内结核病防治、临床、影像学、研究等多领域的专家，撰写了《非活动性肺结核诊断及预防发病专家共识》，提出非活动性结核是实现消灭结核病目标的重点干预人群，需要进行化学和免疫预防干预。因此，将这些肺结核子类别进行准确检出和诊断具有重要的现实作用。
目前基于人工智能的肺结核诊断算法专注于二分类检出。例如专利[1]中介绍的肺结核二分类检出算法所示。该算法首先提取肺部区域图像，再提取肺部区域图像的关键特征点以及对应的纹理描述子。利用K均值聚类算法将提取出来的纹理描述子进行聚类整合，对聚类结果进行分类标注。最后整合不同尺度的结果以获取病灶区域。图1是该专利的方法流程图。此外，专利[2]提出了一种基于深度学习的肺结核诊断算法，将大量的标注的肺结核区域DR图像输入到卷积神经网络中进行训练并且进行测试。但是该专利仍然专注在肺结核的二分类任务中，而忽视了临床实践中对于肺结核疾病更细致分类的需求。
目前的肺结核二分类诊断算法将不同种类的肺结核病灶直接视为同一类别，忽视了肺结核间不同的类别。2017年发布的《WS 196-2017结核病分类》文件中增加“非活动性结核病”类型。一篇发表在《中国防痨杂志》上的文章《非活动性肺结核的影像学评价》阐述了诊断非活动性肺结核与活动性肺结核在临床实践当中的重要性。此外病灶在肺内的不同位置对临床诊断有重要作用。因此，仅仅诊断患者是否有肺结核愈发不符合临床的需求。
[1]CN105139390A一种检测胸透dr片中肺结核病灶的图像处理方法
[2]CN112037212A一种基于深度学习的肺结核DR影像识别方法
发明内容
针对现有技术的不足，本发明旨在提供一种基于人工智能的肺结核分类诊断模型训练方法。
为了实现上述目的，本发明采用如下技术方案：
一种基于人工智能的肺结核分类诊断模型的训练方法，具体过程为：
S1、收集患者胸片数据；
S2、通过医学影像学专家将收集到的患者胸片数据划分为正位胸片和非正位胸片；
S3、将正位胸片和非正位胸片的数据输入到一个残差卷积神经网络中进行训练，当训练收敛或者达到设定的训练轮数即停止训练，得到胸片分类模型，用于检测输入胸片是否为正位胸片；该残差神经网络包含2个卷积核为3x3的卷积层、4个残差卷积模块、1个全局最大池化层以及1个全连接层；训练过程中采用交叉熵损失函数，采用随机梯度下降优化器进行优化；
S4、医学影像学专家将步骤S2中判断出的正位胸片进行进一步标注，将肺结核胸片划分为活动性胸膜病变、活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维硬结病变、非活动性胸膜钙化病变、非活动性胸膜纤维硬结病变、考虑结核-需排除肿瘤、考虑结核-需排除肺炎、非结核病变九个分类；
S4、将正位胸片和医学影像学专家标注的九个分类标签输入到卷积检测神经网络中进行训练；所述卷积检测神经网络的网络结构如图2所示，包括依次连接的模块1、模块2、模块3、模块4、模块5、模块6和模块7；所述模块1包括一个卷积层-批处理层-ReLU层；所述模块2包括两个级联的卷积层-批处理层-ReLU层；所述模块3包括两个级联的卷积层-批处理层-ReLU层，同时输出通道是输入通道的两倍；模块4包括两个级联的卷积层-批处理层-ReLU层，同时输出通道是输入通道的两倍；所述模块5包括一个卷积层-批处理层-ReLU层；所述模块6包括两个级联的卷积层-批处理层-ReLU层，同时接收模块3和模块5的输入；所述模块7包括两个级联的卷积层-批处理层-ReLU层，同时接收模块2和模块6的输入；由模块5输出预测3，由模块6输出预测2，由模块7输出预测1，在预测1、预测2、预测3的基础上计算得到最终的输出。
进一步地，步骤S5中，在预测1、预测2、预测3的基础上进行极大值抑制方法计算得到最终的输出。
本发明的有益效果在于：不仅能够基于DR胸片判断患者是否为肺结核，还能对肺结核患者进一步进行区分活动性结核与非活动性结核、区分胸膜病变与肺内病变、对非活动性结核进一步区分纤维硬结与钙化，以及区分肿瘤、肺炎以及其他非结核病灶。这些细分类别能够提供更丰富的信息以帮助临床医生评估患者情况以及选择不同的治疗方法。
附图说明
图1现有技术的方法流程图；
图2本发明实施例中卷积检测神经网络的网络结构示意图。
具体实施方式
结合附图对本发明进一步描述如下：需要说明的是，本实例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实例。
本实例提供一种基于人工智能的肺结核分类诊断模型的训练方法，具体过程为：
S1、收集患者胸片数据。
S2、通过医学影像学专家将收集到的患者胸片数据划分为正位胸片和非正位胸片。
S3、将正位胸片和非正位胸片的数据输入到一个残差卷积神经网络中进行训练，当训练收敛或者达到设定的训练轮数即停止训练，得到胸片分类模型，用于检测输入胸片是否为正位胸片；该残差神经网络包含2个卷积核为3x3的卷积层、4个残差卷积模块、1个全局最大池化层以及1个全连接层；训练过程中采用交叉熵损失函数，采用随机梯度下降优化器进行优化。
S4、医学影像学专家将步骤S2中判断出的正位胸片进行进一步标注，将肺结核胸片划分为活动性胸膜病变、活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维硬结病变、非活动性胸膜钙化病变、非活动性胸膜纤维硬结病变、考虑结核-需排除肿瘤、考虑结核-需排除肺炎、非结核病变九个分类(这些类别能够涵盖绝大多数的肺结核病变的类型以及其他基于胸片的肺内病灶)。
S4、将正位胸片和医学影像学专家标注的九个分类标签输入到卷积检测神经网络中进行训练；所述卷积检测神经网络的网络结构如图2所示，包括依次连接的模块1、模块2、模块3、模块4、模块5、模块6和模块7；所述模块1包括一个卷积层-批处理层-ReLU层；所述模块2包括两个级联的卷积层-批处理层-ReLU层；所述模块3包括两个级联的卷积层-批处理层-ReLU层，同时输出通道是输入通道的两倍；模块4包括两个级联的卷积层-批处理层-ReLU层，同时输出通道是输入通道的两倍；所述模块5包括一个卷积层-批处理层-ReLU层；所述模块6包括两个级联的卷积层-批处理层-ReLU层，同时接收模块3和模块5的输入；所述模块7包括两个级联的卷积层-批处理层-ReLU层，同时接收模块2和模块6的输入；由模块5输出预测3，由模块6输出预测2，由模块7输出预测1，在预测1、预测2、预测3的基础上进行极大值抑制方法计算得到最终的输出。
通过上述训练过程得到的肺结核分类诊断模型可以用于进行肺结核分类诊断，将待预测的胸片首先输入到S3训练得到的胸片分类模型进行预测，如果是非正位胸片则输出非正位胸片的预测结果；如果是正位胸片则输入到步骤S5训练得到的卷积检测神经网络中对病灶进行预测，最后输出大于置信阈值的检出框的类别、中心坐标以及框的宽度以及长度。
对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和/或变形，而所有的这些改变和/或变形，都应该包括在本发明权利要求的保护范围之内。

Claims (2)

1.一种基于人工智能的肺结核分类诊断模型训练方法，其特征在于，具体过程为：
S1、收集患者胸片数据；
S2、通过医学影像学专家将收集到的患者胸片数据划分为正位胸片和非正位胸片；
S3、将正位胸片和非正位胸片的数据输入到一个残差卷积神经网络中进行训练，当训练收敛或者达到设定的训练轮数即停止训练，得到胸片分类模型，用于检测输入胸片是否为正位胸片；该残差神经网络包含2个卷积核为3x3的卷积层、4个残差卷积模块、1个全局最大池化层以及1个全连接层；训练过程中采用交叉熵损失函数，采用随机梯度下降优化器进行优化；
S4、医学影像学专家将步骤S2中判断出的正位胸片进行进一步标注，将肺结核胸片划分为活动性胸膜病变、活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维硬结病变、非活动性胸膜钙化病变、非活动性胸膜纤维硬结病变、考虑结核-需排除肿瘤、考虑结核-需排除肺炎、非结核病变九个分类；
S4、将正位胸片和医学影像学专家标注的九个分类标签输入到卷积检测神经网络中进行训练；所述卷积检测神经网络的网络结构如图2所示，包括依次连接的模块1、模块2、模块3、模块4、模块5、模块6和模块7；所述模块1包括一个卷积层-批处理层-ReLU层；所述模块2包括两个级联的卷积层-批处理层-ReLU层；所述模块3包括两个级联的卷积层-批处理层-ReLU层，同时输出通道是输入通道的两倍；模块4包括两个级联的卷积层-批处理层-ReLU层，同时输出通道是输入通道的两倍；所述模块5包括一个卷积层-批处理层-ReLU层；所述模块6包括两个级联的卷积层-批处理层-ReLU层，同时接收模块3和模块5的输入；所述模块7包括两个级联的卷积层-批处理层-ReLU层，同时接收模块2和模块6的输入；由模块5输出预测3，由模块6输出预测2，由模块7输出预测1，在预测1、预测2、预测3的基础上计算得到最终的输出。
2.根据权利要求1所述的方法，其特征在于，步骤S5中，在预测1、预测2、预测3的基础上进行极大值抑制方法计算得到最终的输出。
CN202111294407.6A 2021-11-03 2021-11-03 一种基于人工智能的肺结核分类诊断模型训练方法 Pending CN114023436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111294407.6A CN114023436A (zh) 2021-11-03 2021-11-03 一种基于人工智能的肺结核分类诊断模型训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111294407.6A CN114023436A (zh) 2021-11-03 2021-11-03 一种基于人工智能的肺结核分类诊断模型训练方法

Publications (1)

Publication Number Publication Date
CN114023436A true CN114023436A (zh) 2022-02-08

Family

ID=80060312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111294407.6A Pending CN114023436A (zh) 2021-11-03 2021-11-03 一种基于人工智能的肺结核分类诊断模型训练方法

Country Status (1)

Country Link
CN (1) CN114023436A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117059263A (zh) * 2023-06-02 2023-11-14 中国医学科学院阜外医院 基于双视图胸片的肺动脉高压发生概率的确定方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117059263A (zh) * 2023-06-02 2023-11-14 中国医学科学院阜外医院 基于双视图胸片的肺动脉高压发生概率的确定方法及系统
CN117059263B (zh) * 2023-06-02 2024-01-19 中国医学科学院阜外医院 基于双视图胸片的肺动脉高压发生概率的确定方法及系统

Similar Documents

Publication Publication Date Title
Umri et al. Detection of COVID-19 in chest X-ray image using CLAHE and convolutional neural network
Al-Falluji et al. Automatic Detection of COVID-19 Using Chest X-Ray Images and Modified ResNet18-Based Convolution Neural Networks.
Abdollahi et al. An artificial intelligence system for detecting the types of the epidemic from X-rays: artificial intelligence system for detecting the types of the epidemic from X-rays
Abdulmunem et al. Recognition of corona virus disease (COVID-19) using deep learning network
Garg et al. Multi-scale residual network for covid-19 diagnosis using ct-scans
Mondol et al. Deep CNN-based ensemble CADx model for musculoskeletal abnormality detection from radiographs
Dhere et al. COVID detection from chest X-ray images using multi-scale attention
Subramanian et al. A Lightweight Depthwise Separable Convolution Neural Network for Screening Covid-19 Infection from Chest CT and X-ray Images
Makarovskikh et al. Automatic classification Infectious disease X-ray images based on Deep learning Algorithms
Çiğ et al. Enhanced Disease Detection Using Contrast Limited Adaptive Histogram Equalization and Multi-Objective Cuckoo Search in Deep Learning
CN114023436A (zh) 一种基于人工智能的肺结核分类诊断模型训练方法
Suganya et al. Detection of COVID-19 cases from chest X-rays using deep learning feature extractor and multilevel voting classifier
Das et al. Classification of COVID-19 infectedX-ray image using deep learning techniques
Darapaneni et al. Explainable diagnosis, lesion segmentation and quantification of COVID-19 infection from CT images using convolutional neural networks
Ahmed et al. Classification of Pneumonia Using Deep Convolutional Neural Network
JP2021509491A (ja) 医用画像評価のためのディープラーニングの応用
Verma Deep learning approach to recognize COVID-19, SARS and streptococcus diseases from chest X-ray images
Kumar et al. Identification of Pneumonia in Corona Virus Patient
Alali et al. Diagnosing chest x-rays for early detection Of COVID-19 and distinguishing it from other pneumonia using deep learning networks
Shill Identification of COVID-19 from Chest CT Scan Using CNN as Feature Extractor and Voting Classifier
Chakraborty et al. Two-Stage Deep Learning Architecture for Chest X-Ray-Based COVID-19 Prediction
Ramadoss et al. DenseNet201: A Deep Learning Method for Improving Pulmonary Emphysema Identification from Chest X-rays
Bisen et al. The role of medical imaging in COVID-19 detection and diagnosis: a review
Mubarak et al. COVID-19 Detection Based on Deep Learning Feature Extraction and AdaBoost Ensemble Classifier
Subhalakshmi et al. Automatic Segmentation and Classification of COVID-19 CT Image Using Deep Learning and Multi-Scale Recurrent Neural Network Based Classifier

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