CN114092470B - 一种基于深度学习的肺裂自动检测方法及装置 - Google Patents

一种基于深度学习的肺裂自动检测方法及装置 Download PDF

Info

Publication number
CN114092470B
CN114092470B CN202111492860.8A CN202111492860A CN114092470B CN 114092470 B CN114092470 B CN 114092470B CN 202111492860 A CN202111492860 A CN 202111492860A CN 114092470 B CN114092470 B CN 114092470B
Authority
CN
China
Prior art keywords
fissure
lung
image
deep learning
lung fissure
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.)
Active
Application number
CN202111492860.8A
Other languages
English (en)
Other versions
CN114092470A (zh
Inventor
韩璐
朱闻韬
饶璠
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202111492860.8A priority Critical patent/CN114092470B/zh
Publication of CN114092470A publication Critical patent/CN114092470A/zh
Application granted granted Critical
Publication of CN114092470B publication Critical patent/CN114092470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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

Landscapes

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

Abstract

本发明公开了一种基于深度学习的肺裂自动检测方法及装置。本发明首先利用肺裂在二维CT图像中表现为细的曲线结构、在三维CT图像中表现为薄的曲面结构的特性，使用增强滤波对肺裂进行增强，计算每个体素的肺裂概率。但是，肺裂增强会在病理性肺导致的一些类似裂隙结构上产生虚假响应，使得肺裂提取的结果准确性过于依赖提取条件的参数设置。为此，本发明进一步利用深度学习的方法，输入严格肺裂提取条件下的不完整的肺裂，经过深度学习网络重建后得到准确且完整的最优肺裂，从而实现即便在病理性肺中仍能有效且鲁棒地完成肺裂检测。

Description

一种基于深度学习的肺裂自动检测方法及装置
技术领域
本发明涉及医学影像领域，具体地公开了一种基于深度学习的肺裂自动检测方法及装置。
背景技术
肺裂是人体肺部解剖结构的重要标记，包括右斜裂、右水平裂和左斜裂，在物理上将肺分成5个肺叶。右肺被右斜裂和右水平裂分为上、中、下三个肺叶，左肺被左斜裂分成上下两个肺叶。肺裂的这种解剖特性决定了肺裂检测在肺叶分割算法中的重要地位，使得其在定位和评估肺部疾病方面具有非常重要的作用。
目前，肺部诊断的常用手段是电子计算机断层扫描（CT，Computed tomography）成像，具有较高的分辨率。肺裂在二维CT图像中表现为细的曲线结构，在三维CT图像中表现为薄的曲面结构。因此，传统的肺裂检测算法主要利用其在二维CT图像中的线性特性或在三维CT图像中的曲面特性来进行增强和检测。其中，Wang等提出了利用Ridgeness算子来增强二维CT图像的肺裂，用曲线生长算法提取肺裂的方法。Wiemker等提出了利用Hessian矩阵来增强三维CT图像中的肺裂，用连通域分析算法提取肺裂的方法。这些肺裂检测方法在肺部没有病变且肺裂完整的受试者上表现良好。 但是，对于病理性肺，如大疱性肺或纤维化肺，因其局部存在类似裂隙的结构，使得肺裂检测极具挑战性。当这些肺裂检测算法中的检测条件参数设置较严格时，会导致提取到的肺裂不连续或不完整；当检测条件参数设置较宽松时，会导致肺中病理性的类似裂隙的结构被误识别为肺裂。因此目前亟需一种有效且鲁棒的肺裂检测方法，从而进一步使得肺叶分割在定位和评估肺部疾病中发挥其重要作用。
近年来，随着计算机技术的发展，深度学习在自然图像处理中取得了巨大进展，也越来越广泛地应用到了医学图像研究中。其中，深度学习已经被引入肺叶分割领域，目前此类方法主要集中在将体素进行不同肺叶的分类或对是否是肺裂体素进行分类。但是该方法需要有经验的医生进行手工肺叶分割作为标签数据，巨大的人力成本导致的训练样本的不足限制了此类技术路线的发展。
发明内容
本发明针对现有的肺裂检测方法存在的鲁棒性差、参数依赖性高、在病理性肺中肺裂检测有效性不足的问题，提出了一种基于深度学习的肺裂自动检测方法及装置。该方法首先依据经验设置相对严格的约束参数，通过肺分割、肺裂增强和肺裂提取，从肺部CT图像中获得不完整且不连续的肺裂，使用三维U-Net网络拟合最优参数提取肺裂操作，利用训练样本先验知识学习并固定网络参数，最后将其应用于最优肺裂的重建，使得即便在病理性肺中仍能有效且鲁棒地完成肺裂检测，对于定位和评估肺部疾病具有很好的现实意义。
本发明是通过以下技术方案实现的：
一种基于深度学习的肺裂自动检测方法，包括：
提取出肺部图像的不完整肺裂fissure in ，所述不完整肺裂fissure in 是从所述肺部图像滤除虚假响应的结构和/或病理导致的类似裂隙结构后获得的；
将不完整肺裂fissure in 输入至一深度学习网络，生成完整的最优肺裂；
其中，所述深度学习网络以采集的肺部图像在虚假响应的结构和/或病理导致的类似裂隙结构后提取出的不完整肺裂fissure in 为输入，预测的完整肺裂为输出，以采集的肺部图像对应的完整肺裂fissure opt 作为标签，通过最小化输出与标签的损失函数训练获得。
进一步地，所述提取出肺部图像中的不完整肺裂fissure in 具体为：
对输入的肺部图像，以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数，以滤除虚假响应的结构和/或病理导致的类似裂隙结构为目标设定约束参数范围，筛选出满足约束参数范围的体素，提取获得不完整肺裂fissure in 。
进一步地，所述标签通过如下方法获得：对每个采集的肺部图像，以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数，设定多个约束参数范围，生成对应的多个不同的肺裂提取结果，依据所述肺裂提取结果中的肺裂准确度和/或肺裂完整度，从生成的肺裂提取结果中挑选出最优的肺裂提取结果作为标签。
进一步地，肺部图像中，每个体素的肺裂可能性通过如下方法计算获得：基于二维肺部图像中用于指示肺裂区域的曲线结构或三维肺部图像中用于指示肺裂区域的曲面结构，使用增强滤波对所述肺裂区域进行增强处理，根据对所述肺裂区域进行增强处理后的二维肺部图像或三维肺部图像，计算每个体素的肺裂概率，每个体素的肺裂可能性根据该体素的肺裂概率确定。
进一步地，肺部图像中，肺裂连续性通过如下方法计算获得：
以肺裂体素之间方向向量的内积作为连通条件，计数连通的肺裂体素的个数，所述肺裂连续性根据所述肺裂体素的个数确定。具体地，利用肺裂的曲率局部变化缓慢的特性，即局部肺裂体素之间的方向向量接近，借助连通区域分析算法，如两遍扫描法、种子点填充法等，以肺裂体素之间方向向量的内积作为连通条件，计数连通的肺裂体素的个数来表征肺裂的连续性。
进一步地，所述肺部图像为CT图像。
进一步地，所述深度学习网络为U-net、GAN或VGG网络。
一种基于深度学习的肺裂自动检测装置，包括：
肺裂提取模块，用于提取出肺部图像的不完整肺裂fissure in ，所述不完整肺裂fissure in 是从所述肺部图像滤除虚假响应的结构和/或病理导致的类似裂隙结构后获得的；
训练好的深度学习网络，用于依据不完整肺裂fissure in 生成完整的最优肺裂。
进一步地，还包括肺部分割模块，用于对输入的图像进行肺分割获得肺部图像。
一种基于深度学习的肺裂自动检测装置，包括一个或多个处理器，用于实现权利要求1-7 中任一项所述的基于深度学习的肺裂自动检测方法。
与现有技术相比，本发明的优势在于：本发明从提取到的不完整的肺裂出发，抑制了由于深度学习网络泛化能力不足导致的肺裂虚假识别的发生，即便在病理性肺中仍能有效且鲁棒地完成肺裂检测。同时，本发明提出的使用神经网络拟合最优参数提取肺裂操作，减小了拟合肺裂和非肺裂分类的神经网络的计算复杂度，提高了网络的训练效率，降低了测试网络生成最优肺裂所需的时间。此外，本发明中用于训练网络参数的训练样本，均可通过算法代码自动生成，避免了大量人力的耗费，解决了深度学习中常见的样本不足带来的限制。
附图说明
图1是本发明一种基于深度学习的肺裂自动检测方法的流程图；
图2是本发明一种基于深度学习的肺裂自动检测方法的网络训练流程图；
图3是本发明一种深度学习网络结构的示意图；
图4是本发明一种基于深度学习的肺裂自动检测方法的结果图；
图5是本发明一种基于深度学习的肺裂自动检测装置的结构图；
图6是本发明另一种基于深度学习的肺裂自动检测装置的结构图。
具体实施方式
本发明提供了一种基于深度学习的肺裂自动检测方法，如图1所示，包括：
步骤S1、提取出肺部图像中的不完整肺裂fissure in ，所述不完整肺裂fissure in 是从滤除所述肺部图像中的虚假响应的结构和/或病理导致的类似裂隙结构后获得的肺部图像中提取获得的；虚假响应的结构可指虚假肺裂对应的细小结构，这种细小结构在肺部图像中会呈现类似裂隙结构，对肺部图像中的类似裂隙结构进行滤除，能够提升自动检测的精度。
步骤S2、将不完整肺裂fissure in 输入至一深度学习网络，生成完整的最优肺裂。其中，深度学习网络以采集的肺部图像在严格条件下虚假响应的结构和/或病理导致的类似裂隙结构后的不完整肺裂fissure in 为输入，预测的完整肺裂为输出，以采集的肺部图像对应的完整肺裂fissure opt 作为标签，通过最小化输出与标签的损失函数训练获得。
具体地，所述步骤S1中，提取出肺部图像的不完整肺裂fissure in 可以采用如下方法：
对输入的肺部图像，以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数，以滤除虚假响应的结构和/或病理导致的类似裂隙结构为目标设定约束参数范围，筛选出满足约束参数范围的体素，提取获得不完整肺裂fissure in 。
示例性的，在一些实施例中，肺部图像中的每个体素的肺裂可能性可以通过如下方法计算获得：基于二维肺部图像中用于指示肺裂区域的曲线结构或三维肺部图像中用于指示肺裂区域的曲面结构，使用增强滤波对所述肺裂区域进行增强处理，根据对所述肺裂区域进行增强处理后的二维肺部图像或三维肺部图像，计算每个体素的肺裂概率，每个体素的肺裂可能性根据该体素的肺裂概率确定。其中，肺裂区域在二维图像中表现为细的曲线结构，肺裂区域在三维肺部图像中表现为薄的曲面结构。在某些实施例中，每个体素的肺裂可能性大小等于该体素的肺裂概率；在某些实施例中，每个体素的肺裂可能性大小为根据该体素的概率进行修正后获得的修正值确定。计算每个体素的肺裂概率的具体实现方式，如计算每个体素的肺裂概率采用的算法。
示例性的，在一些实施例中，肺部图像中，肺裂连续性通过如下方法计算获得：以肺裂体素之间方向向量的内积作为连通条件，计数连通的肺裂体素的个数，所述肺裂连续性根据所述肺裂体素的个数确定。在某些实施例中，肺裂连续性大小等于肺裂体素的个数；在某些实施例中，肺裂连续性大小为根据对肺裂体素的个数进行修正后获得的修正值确定。
另外，所述步骤S2中，深度学习网络训练的标签可以通过医生标注等方式获取，其中，作为一优选方案，所述标签通过如下方法获得：对每个采集的肺部图像，以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数，设定多个约束参数范围，生成对应的多个不同的肺裂提取结果，依据所述肺裂提取结果中的肺裂准确度和/或肺裂完整度，从生成的肺裂提取结果中挑选出最优的肺裂提取结果作为标签。最优的肺裂结果为生成的肺裂提取结果中肺裂准确度最大和/或肺裂完整度最大的肺裂提取结果。该获取方法快捷、方便。
肺部图像可以为CT 图像或其他类型。另外，肺部图像可以为二维肺部图像或者三维肺部图像。
深度学习网络可为U-net 或者GAN 或者VGG 网络，当然，深度学习网络也可为其他类型的深度学习网络。
本发明从提取到的不完整肺裂出发，抑制了由于深度学习网络泛化能力不足导致的肺裂虚假识别的发生，即便在病理性肺中仍能有效且鲁棒地完成肺裂检测。再进一步使用神经网络拟合最优参数提取肺裂，减小了拟合肺裂和非肺裂分类的神经网络的计算复杂度，提高了网络的训练效率，降低了测试网络生成最优肺裂所需的时间。
下面以三维CT胸部图像为例，结合具体实施例和附图，对本发明作进一步的详细说明。
一种基于深度学习的肺裂自动检测方法，使用三维U-Net网络拟合最优参数提取肺裂操作，该网络训练流程如图2所示，包括以下步骤：
(1) 提取出三维肺部图像中不完整的肺裂fissure in ，具体包括以下子步骤：
(1.1) 肺分割：从三维CT胸部图像中分割出肺部区域，是后续步骤的前提；本实施例中肺分割采用基于区域生长和形态学运算的方法。其中，区域生长算法需要种子点的选取，为了实现该过程的自动化，本实施例先将待处理的三维CT胸部图像配准到唯一选定的CT肺部图像上，分别在选定CT肺部图像的左右两侧肺实质中各选定一个种子点位置，作为配准后待处理的CT肺部图像的种子点位置，并进行区域生长得到粗略的肺分割结果。接着，执行形态学闭操作，从而填充粗略肺分割结果中的内部空洞，得到肺的分割结果即肺部图像，如图2所示。
(1.2) 肺裂增强：本实施例利用肺裂在三维CT图像中表现为薄的曲面结构的特性，在步骤(1.1)中分割出的肺部图像上，使用基于Hessian矩阵的特征值对肺裂进行增强，计算每个体素的肺裂概率。其中，Hessian矩阵的定义如下所示，是高斯函数在每个体素的二阶偏导数g**构成的方阵；其中，x、y、z分别表示三维CT图像空间坐标的三个方向。
Figure 603741DEST_PATH_IMAGE001
从Hessian矩阵中求解获得每个体素p的三个特征值λ0,p 、λ1,p 、λ2,p （|λ0,p |≥|λ1,p |≥|λ2,p |），可以表征图像的结构特征。肺裂在局部表征为薄的面状结构，表现为垂直于肺裂面的特征值λ0,p 大，而其它两个特征值小，理想情况下可以被表述为：
|λ1,p |=|λ2,p |=0，λ0,p «0
则体素的λ1,p 、λ2,p 越接近于0，λ0,p 越小，体素的肺裂概率越高。本实施例中构建如下模型，来计算每个体素的肺裂概率S fissure,p 并用以表征每个体素的肺裂可能性：
Figure 52040DEST_PATH_IMAGE002
Figure 503881DEST_PATH_IMAGE003
Figure 571194DEST_PATH_IMAGE004
其中，F structure,p 表征结构的强度，定义了肺裂可能性高的灰度强度区间；F sheet,p 区分了肺裂和其它结构（如结节或血管，λ1,p 更大）。α、β、γ均为可调参数，根据经验，上述模型中的参数设置为α=50，β=35，γ=25。
(1.3)肺裂提取：以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数依据经验设置相对严格的约束参数，以尽可能滤除虚假响应的细小结构和病理导致的类似裂隙结构，保证肺裂识别的准确性。本实施例中，设置肺裂可能性S fissure,p >0.1和肺裂灰度值范围I fissure,p <-500，以及肺裂连续性用最大特征值λ0,p 对应的特征向量为体素的方向向量，以肺裂体素之间方向向量的内积P inner >0.98为连通条件、连通肺裂的体积V fissure,i>0.1ml作为限制条件，从这三个方面滤除虚假响应的细小结构和病理导致的类似裂隙结构，筛选出满足三方面约束条件的体素，提取出不完整的肺裂fissure in 。
(2)逐步放宽步骤(1.3)中的肺裂提取条件（如I fissure,p <-300、-200…,P inner >0.95、0.93…等）,不断重复步骤(1.3)，生成多个不同的肺裂提取结果。从上述肺裂提取结果中，依据肺裂的准确性、完整性，挑选出最优的肺裂提取结果fissure opt 。
(3)将步骤(1)获取的不完整肺裂fissure in 作为深度学习网络的输入，将对应的深度学习网络的输出作为预测的完整肺裂fissure out ，将步骤(2)获取的对应肺部图像的最优肺裂fissure opt 作为深度学习网络的标签，通过Adam优化算法更新网络参数，使目标损失函数最小化，完成深度学习网络的训练。本实施例中深度学习网络的网络结构如图3所示，采用有skip-connection的U-Net网络结构，其目标损失函数为：
Figure 182304DEST_PATH_IMAGE005
其中，n x 、n y 、n z 分别表示图像在水平、竖直和轴向的像素点总个数，（i, j, k）表示图像中的像素点p在水平、竖直和轴向的坐标索引；
对于新采集的三维CT胸部图像数据，即可执行步骤(1)的肺裂提取方法获得准确的不完整的肺裂fissure in ，再输入步骤(3)训练好的深度学习网络中，获得对应的最优肺裂，完成肺裂自动检测。
传统的参数依赖严重的肺裂检测方法在严格的约束条件下筛选出的肺裂如图4中的(a)所示，提取出的肺裂不完整，在非严格的约束条件下则可能包含虚假响应的细小结构和病理导致的类似裂隙结构，肺裂识别不够准确。而使用本发明提出的肺裂检测方法可获得如图4中的(b)所示的肺裂；可以看出，本发明方法检测的肺裂完整性、有效性明显高于传统方法；此外，本方法的鲁棒性也明显高于参数依赖严重的传统肺裂检测方法。
本发明还提供了一种基于深度学习的肺裂自动检测装置，其结构如图5所示，具体包括：
肺裂提取模块，用于提取出输入肺部图像中滤除虚假响应的细小结构和病理导致的类似裂隙结构的不完整的肺裂fissure in ；
训练好的深度学习网络，用于依据不完整的肺裂fissure in 生成完整的最优肺裂。
优选地，基于获取的CT图像等通常包含其他身体部位，还包括肺部分割模块，用于对输入的图像进行肺分割获得肺部图像。
与前述基于深度学习的肺裂自动检测方法的实施例相对应，本发明还提供了基于深度学习的肺裂自动检测装置的实施例。
参见图6，本发明实施例提供的一种基于深度学习的肺裂自动检测装置，包括一个或多个处理器，用于实现上述实施例中的基于深度学习的肺裂自动检测方法。
本发明基于深度学习的肺裂自动检测装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。
装置实施例可以通过软件实现，也以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的从硬件层面而言，如图6 所示，为本发明基于深度学习的肺裂自动检测装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于深度学习的肺裂自动检测方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡( Smart Media Card,SMC ) 、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (9)

1.一种基于深度学习的肺裂自动检测方法，其特征在于，包括：
提取出肺部图像的不完整肺裂fissure in ，所述不完整肺裂fissure in 是从所述肺部图像滤除虚假响应的结构和/或病理导致的类似裂隙结构后获得的；
将不完整肺裂fissure in 输入至一深度学习网络，生成完整的最优肺裂；
其中，所述深度学习网络以采集的肺部图像在虚假响应的结构和/或病理导致的类似裂隙结构后提取出的不完整肺裂fissure in 为输入，预测的完整肺裂为输出，以采集的肺部图像对应的完整肺裂fissure opt 作为标签，通过最小化输出与标签的损失函数训练获得；
所述提取出肺部图像的不完整肺裂fissure in 具体为：
对输入的肺部图像，以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数，以滤除虚假响应的结构和/或病理导致的类似裂隙结构为目标设定约束参数范围，筛选出满足约束参数范围的体素，提取获得不完整肺裂fissure in 。
2.根据权利要求1所述的方法，其特征在于，所述标签通过如下方法获得：对每个采集的肺部图像，以肺裂可能性、肺裂连续性和肺裂灰度值中的一个或多个作为约束参数，设定多个约束参数范围，生成对应的多个不同的肺裂提取结果，依据所述肺裂提取结果中的肺裂准确度和/或肺裂完整度，从生成的肺裂提取结果中挑选出最优的肺裂提取结果作为标签。
3.权利要求1或2所述的方法，其特征在于，肺部图像中，每个体素的肺裂可能性通过如下方法计算获得：基于二维肺部图像中用于指示肺裂区域的曲线结构或三维肺部图像中用于指示肺裂区域的曲面结构，使用增强滤波对所述肺裂区域进行增强处理，根据对所述肺裂区域进行增强处理后的二维肺部图像或三维肺部图像，计算每个体素的肺裂概率，每个体素的肺裂可能性根据该体素的肺裂概率确定。
4.权利要求1或2所述的方法，其特征在于，肺部图像中，肺裂连续性通过如下方法计算获得：以肺裂体素之间方向向量的内积作为连通条件，计数连通的肺裂体素的个数，所述肺裂连续性根据所述肺裂体素的个数确定。
5.根据权利要求1所述的方法，其特征在于，所述肺部图像为CT图像。
6.根据权利要求1所述的方法，其特征在于，所述深度学习网络为U-net、GAN或VGG网络。
7.一种实现权利要求1-6任一项所述基于深度学习的肺裂自动检测方法的肺裂自动检测装置，其特征在于，包括：
肺裂提取模块，用于提取出肺部图像的不完整肺裂fissure in ，所述不完整肺裂fissure in 是从所述肺部图像滤除虚假响应的结构和/或病理导致的类似裂隙结构后获得的；
训练好的深度学习网络，用于依据不完整肺裂fissure in 生成完整的最优肺裂。
8.根据权利要求7所述的肺裂自动检测装置，其特征在于，还包括肺部分割模块，用于对输入的图像进行肺分割获得肺部图像。
9.一种基于深度学习的肺裂自动检测装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-6 中任一项所述的基于深度学习的肺裂自动检测方法。
CN202111492860.8A 2021-12-08 2021-12-08 一种基于深度学习的肺裂自动检测方法及装置 Active CN114092470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111492860.8A CN114092470B (zh) 2021-12-08 2021-12-08 一种基于深度学习的肺裂自动检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111492860.8A CN114092470B (zh) 2021-12-08 2021-12-08 一种基于深度学习的肺裂自动检测方法及装置

Publications (2)

Publication Number Publication Date
CN114092470A CN114092470A (zh) 2022-02-25
CN114092470B true CN114092470B (zh) 2022-08-09

Family

ID=80306899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111492860.8A Active CN114092470B (zh) 2021-12-08 2021-12-08 一种基于深度学习的肺裂自动检测方法及装置

Country Status (1)

Country Link
CN (1) CN114092470B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152274B (zh) * 2023-04-23 2023-08-04 之江实验室 一种图像分割方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875379A (zh) * 2017-01-10 2017-06-20 陕西渭南神州德信医学成像技术有限公司 肺裂完整度评估方法、装置和系统
CN109461495A (zh) * 2018-11-01 2019-03-12 腾讯科技（深圳）有限公司 一种医学图像的识别方法、模型训练的方法及服务器
CN110136119A (zh) * 2019-05-16 2019-08-16 杭州健培科技有限公司 一种基于深度学习的肺裂分割及完整性评估的方法和系统
CN111709953A (zh) * 2017-11-03 2020-09-25 杭州依图医疗技术有限公司 Ct影像的肺叶段分割中的输出方法、装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254097A (zh) * 2011-07-08 2011-11-23 普建涛 肺部ct图像上的肺裂识别方法
EP3633612A4 (en) * 2017-06-30 2020-06-03 Shanghai United Imaging Healthcare Co., Ltd. IMAGE SEGMENTATION METHOD AND SYSTEM

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875379A (zh) * 2017-01-10 2017-06-20 陕西渭南神州德信医学成像技术有限公司 肺裂完整度评估方法、装置和系统
CN111709953A (zh) * 2017-11-03 2020-09-25 杭州依图医疗技术有限公司 Ct影像的肺叶段分割中的输出方法、装置
CN109461495A (zh) * 2018-11-01 2019-03-12 腾讯科技（深圳）有限公司 一种医学图像的识别方法、模型训练的方法及服务器
CN110136119A (zh) * 2019-05-16 2019-08-16 杭州健培科技有限公司 一种基于深度学习的肺裂分割及完整性评估的方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Automatic Segmentation of Pulmonary Fissures in Computed Tomography Images Using 3D Surface Features";Mali Yu et al.;《J Digit Imaging》;20140228;第24卷(第1期);全文 *
"基于生成对抗网络的肺裂图像分割方法研究";李婷;《中国优秀硕士学位论文全文数据库》;20210715(第07期);全文 *

Also Published As

Publication number Publication date
CN114092470A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN109461495B (zh) 一种医学图像的识别方法、模型训练的方法及服务器
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
Ma et al. Hierarchical segmentation and identification of thoracic vertebra using learning-based edge detection and coarse-to-fine deformable model
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
WO2020187705A1 (en) Feature point detection
CN110555382A (zh) 一种基于深度学习和Wasserstein距离度量的指静脉识别方法
CN108830856B (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
CN111462049A (zh) 一种乳腺超声造影视频中病灶区形态自动标注方法
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
CN114092470B (zh) 一种基于深度学习的肺裂自动检测方法及装置
CN116091490A (zh) 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法
CN111325754A (zh) 一种基于ct序列图像的腰椎骨自动定位方法
Zhang et al. A novel concavity based method for automatic segmentation of touching cells in microfluidic chips
CN113012127A (zh) 基于胸部医学影像的心胸比测量方法
CN117036715A (zh) 一种基于卷积神经网络的形变区边界自动提取方法
CN108985294B (zh) 一种轮胎模具图片的定位方法、装置、设备及存储介质
Stegmaier New methods to improve large-scale microscopy image analysis with prior knowledge and uncertainty
WO2020140380A1 (zh) 一种光学相干断层扫描图像的快速分割方法及装置
CN113222985B (zh) 一种图像处理方法、装置、计算机设备和介质
CN113780421B (zh) 基于人工智能的脑部pet影像识别方法
CN114862799A (zh) 一种用于flair-mri序列的全自动脑体积分割算法
CN116524315A (zh) 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法
Xiao et al. Segmentation of Cerebrovascular Anatomy from TOF‐MRA Using Length‐Strained Enhancement and Random Walker
Shaziya et al. Comprehensive review of automatic lung segmentation techniques on pulmonary CT images

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