CN114677383B - 基于多任务学习的肺结节检测分割方法 - Google Patents
基于多任务学习的肺结节检测分割方法 Download PDFInfo
- Publication number
- CN114677383B CN114677383B CN202210218396.1A CN202210218396A CN114677383B CN 114677383 B CN114677383 B CN 114677383B CN 202210218396 A CN202210218396 A CN 202210218396A CN 114677383 B CN114677383 B CN 114677383B
- Authority
- CN
- China
- Prior art keywords
- image
- lung nodule
- lung
- segmentation
- detection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 230000011218 segmentation Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 7
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 102
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 210000004072 lung Anatomy 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 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
- 238000002372 labelling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010054107 Nodule Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000004224 pleura Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多任务学习的肺结节检测分割方法。首先,对CT图像进行预处理,然后,对肺结节检测分割网络模型进行训练。本发明设计的肺结节检测分割网络模型包括特征提取、肺结节候选区域选取、肺结节假阳性去除和肺结节分割四个模块,采用多任务学习策略,引入分割任务辅助肺结节检测,克服了肺结节检测与分割任务中目标体积小、与周围组织对比度低且周围环境复杂的问题,模型复杂度小,且能够同时完成检测和分割两个任务。
Description
技术领域
本发明属医学图像分析技术领域,具体涉及一种基于多任务学习的肺结节检测分割方法。
背景技术
肺癌是最常见和致死人数最多的癌症之一。研究表明,如果肺癌患者能在早期被发现并得到治疗,其五年存活率可以达到60%;然而,临床数据显示肺癌的五年存活率仅为19%,尤其是,如果病人是在第四期确诊,其五年存活率仅有5%。由此可见,早期诊断对于挽救肺癌患者的生命起着至关重要的作用。肺癌的早期形态大多表现为肺部的恶性结节,使用计算机断层扫描(Computed Tomography,CT)进行肺结节筛查可以将肺癌患者的死亡率降低20%。然而,由于肺结节体积很小、形态变化较大、与周围组织的对比度低且一些肺结节附着在胸膜和血管上,导致肺结节检测与分割变得异常困难。
与此同时,经过多年的发展,深度学习的相关算法在计算机视觉领域取得了显著的成果。其中基于深度学习技术的经典模型Faster R-CNN、FCN等被广泛应用于目标检测和分割任务。如He等人通过结合Faster R-CNN和FCN的思想,利用一个网络同时解决目标检测和分割问题。然而现有的方法存在特征耦合问题,由于肺结节候选区域选取任务和假阳性去除任务的目标不同,而现有方法大多使用相同的特征图来执行这两个不同的任务,导致结果并不理想。
发明内容
为了克服现有技术的不足,本发明提供一种基于多任务学习的肺结节检测分割方法。首先,对CT图像进行预处理,然后,对肺结节检测分割网络模型进行训练。本发明设计的肺结节检测分割网络模型包括特征提取、肺结节候选区域选取、肺结节假阳性去除和肺结节分割四个模块,采用多任务学习策略,引入分割任务辅助肺结节检测,克服了肺结节检测与分割任务中目标体积小、与周围组织对比度低且周围环境复杂的问题,同时,假阳性去除模块使用特征提取网络早期阶段的特征,能够解决肺结节候选区域选取和假阳性去除模块的特征耦合问题。本发明的模型复杂度小,且能够同时完成检测和分割两个任务。
一种基于多任务学习的肺结节检测分割方法,其特征在于步骤如下:
步骤1:对肺结节CT图像进行预处理;
步骤2:将预处理后的图像切割成大小为64×64×64的图像块,并输入到肺结节检测分割网络中进行训练,采用端对端的训练方式,得到训练好的网络,网络输出肺结节检测结果和肺结节分割结果;
所述的肺结节检测分割网络包括特征提取、肺结节候选区域选取、肺结节假阳性去除和肺结节分割四个模块,特征提取模块采用U型结构网络,包含编码器和解码器两部分,对任意一张输入图像,经过特征提取网络得到大小为原始输入图像1/4的特征图像;肺结节候选区域选取模块首先使用一个卷积核大小为3×3×3、填充量为1、步长为1的卷积层对特征图像进行卷积,接着使用两个并行的大小为1×1×1的卷积核来生成分类概率和检测框位置预测值,分别作为属于肺结节的概率和候选肺结节的预测位置;肺结节假阳性去除模块首先采用3D ROI Align根据肺结节候选区域选取模块输出的检测框,从编码器输出的特征图像提取感兴趣区域,然后将提取到的感兴趣区域缩放到同一尺度,再用一个3×3×3大小的卷积核对缩放后的感兴趣区域进行卷积操作,并将卷积后得到的特征图像输入到三个串行的全连接网络中,得到修正后的分类概率和位置预测值,共同构成肺结节检测结果;肺结节分割模块依据检测框位置坐标对解码器输出的特征图像进行裁剪,再对得到的特征图像进行上采样,得到大小为32×32×32大小的特征图像,然后与编码器输出的特征图像进行拼接,并执行卷积、池化以及激活操作,再进行上采样,得到与输入图像大小相同的特征图像,将其与输入图像分别根据检测框位置坐标裁剪,对裁剪后得到的同样大小的数据块进行拼接,再使用1×1×1大小的卷积核进行卷积操作,经过激活函数,得到最终的肺结节分割结果图像,分割结果图像大小为64×64×64;
当肺结节预测位置和数据集给定的真实位置之间交并比大于等于0.5时,判定网络检测到的是一个真实的肺结节,当肺结节预测位置和数据集给定的真实位置之间的交并比小于0.1时,判定网络检测到的不是肺结节。
进一步地,步骤1所述的肺结节CT图像预处理过程具体如下:
步骤a:通过线性插值将CT图像重采样为空间分辨率为1mm×1mm×1mm的图像;
步骤b:使用阈值法对重采样后的CT图像进行二值化处理,将像素值小于400的记为1,反之记为0;
步骤c:将肺部以外区域的像素置为0;
步骤d:分别标记肺部两个最大连通区域;
步骤e:对标记后的两个连通区域采用半径为10的圆形结构进行形态学闭操作,再进行形态学膨胀操作,得到左右肺部的掩码图像;
步骤f:将原始CT影像与步骤e中得到的肺部掩码图像相乘,得到肺实质的分割结果图像;
步骤g:将肺实质的分割结果图像中像素值小于600或大于1000的像素置为0,然后按照下式进行归一化处理,得到像素值在[0-1]范围内的肺实质图像:
其中,v表示归一化之前的图像像素值,vt表示归一化之后的图像像素值。
本发明的有益效果是:由于采用了预处理的方式,通过预先分割出肺实质,不仅将CT图像中的多余杂质排除,降低肺结节检测复杂度,同时也能在一定程度上提升肺结节检测和分割的精度。此外,采用多任务学习的方法,不仅可以同时完成肺结节检测和分割任务,还能降低模型的复杂度,提升模型的效率。本发明通过计算及辅助诊断方式,可以缓解因诊断医生经验及知识水平的导致的诊断错误问题,还可以帮助医生在大量重复的数据中准确的发现病人的病变位置,从而在早期加以干预和治疗,有效降低病人的发病率和死亡率。
附图说明
图1是本发明的基于多任务学习的肺结节检测分割网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明提供了一种基于多任务学习的肺结节检测分割方法,采用多任务学习方式,同时解决肺结节检测和分割问题,其具体实现过程如下:
1、数据预处理
为了降低肺结节检测复杂度并提高精度,需要首先对肺实质进行分割,采用阈值法和形态学操作等对肺结节CT图像进行预处理,主要步骤包括:
步骤a:通过线性插值将CT图像重采样为空间分辨率为1mm×1mm×1mm的图像;
步骤b:使用阈值法对重采样后的CT图像进行二值化处理,将像素值小于400的记为1,反之记为0;
步骤c:将肺部以外区域的像素置为0;
步骤d:寻找上述得到的肺部中两个最大连通区域并标记,即为左右肺部;
步骤e:对标记后的两个连通区域采用半径为10的圆形结构进行形态学闭操作,填充肺部中的细小的空洞;再进行形态学膨胀操作,使得到左右肺部的掩码图像包含尽可能多的肺部组织;
步骤f:将原始CT影像与步骤e中得到的肺部掩码图像相乘,得到肺实质的分割结果图像;
步骤g:经上述步骤分割得到的肺实质放射剂量仍在[1000,3000]之间,而放射剂量大于600的部分均为不同密度的骨头,此部分对于肺结节的检测没有影响,因此需要对肺实质的体素值进行归一化处理。首先使用[600,1000]为阈值对分割结果图像的像素值进行截断处理,然后将截断后图像的像素值映射到0~1之间:
其中,v表示归一化之前的图像像素值,vt表示归一化之后的图像像素值。
2、模型检测和分割
将经过预处理步骤得到的图像切割成大小为64×64×64的数据块,并输入到肺结节检测分割网络中进行训练。具体网络结构如图1所示。本发明设计的肺结节检测分割网络整体上包含四个模块,分别是:特征提取、肺结节候选区域选取、肺结节假阳性去除、肺结节分割模块。为了解决肺结节候选区域选取模块和假阳性去除模块之间的特征耦合问题,所设计的网络的假阳性去除模块选取特征提取网络早期阶段的特征,而不是和肺结节候选区域选取模块使用相同的特征。网络的肺结节候选区域选取、肺结节假阳性去除、肺结节分割三个模块共享同一个特征提取框架,且整个网络是端到端的,网络的损失函数为三个模块的损失函数之和。
(1)特征提取模块
特征提取模块采用U型结构网络,包含编码器和解码器两部分,对任意一张输入图像,经过特征提取网络得到大小为原始输入图像1/4的特征图像,将用于后续任务。
(2)肺结节候选区域选取模块
为了从特征图像中得到所需要的肺结节候选区域,首先使用一个卷积核大小为3×3×3、填充量为1、步长为1的卷积层对特征图像进行卷积,接着使用两个并行的大小为1×1×1的卷积核来生成分类概率(表示属于肺结节的概率)和检测框位置预测值(即肺结节候选区域),每个检测框位置为一个6元组(z,x,y,d,h,w),其中,(z,x,y)分别表示预测得到的三维边界框的中心点坐标,d表示厚度,h表示高度,w表示宽度。
(3)肺结节假阳性去除模块
首先采用3D ROI Align从早期的特征图中选取感兴趣区域,即根据肺结节候选区域选取模块输出的检测框,从编码器输出的特征图像提取感兴趣区域,然后将提取到的感兴趣区域缩放到同一尺度,再用一个3×3×3大小的卷积核对缩放后的感兴趣区域进行卷积操作,并将卷积后得到的特征图像输入到三个串行的全连接网络中,得到修正后的分类概率和位置预测值,共同构成肺结节检测结果。
(4)肺结节分割模块
肺结节分割是在原始输入图像尺度上进行的,先依据检测框位置坐标对解码器输出的特征图像进行裁剪,再对得到的特征图像进行上采样,得到大小为32×32×32大小的特征图像,然后与编码器输出的特征图像进行拼接,并执行卷积、池化以及激活操作,再进行上采样,得到与输入图像大小相同的特征图像,将其与输入图像分别根据检测框位置坐标裁剪,对裁剪后得到的同样大小的数据块进行拼接,再使用1×1×1大小的卷积核进行卷积操作,经过激活函数,得到最终的肺结节分割结果图像,分割结果图像大小为64×64×64。
整个网络采用端到端的方式进行训练。对于肺结节检测分割网络来说,当预测的检测框(肺结节预测位置)和真实的标注框(肺结节真实位置)之间的交并比大于等于0.5时,认为网络检测到的是一个真的肺结节,当和真实标注之间的交并比值小于0.1时,认为不是肺结节。进一步地,为了保证尽可能多地检测出肺结节,对于任何一个真实标注框来说,当不存在预测值和真实值之间的交并比大于等于0.5时,可以认为和真实标注有最大交并比的预测框为候选肺结节,再采用非极大值抑制来去除多余的候选框。
对于任意输入图像,同样将其切块后输入到训练好的模型中,从而预测得到其中是否包含肺结节、肺结节的位置和置信度以及肺结节的边界等信息。
Claims (2)
1.一种基于多任务学习的肺结节检测分割方法,其特征在于步骤如下:
步骤1:对肺结节CT图像进行预处理;
步骤2:将预处理后的图像切割成大小为64×64×64的图像块,并输入到肺结节检测分割网络中进行训练,采用端对端的训练方式,得到训练好的网络,网络输出肺结节检测结果和肺结节分割结果;
所述的肺结节检测分割网络包括特征提取、肺结节候选区域选取、肺结节假阳性去除和肺结节分割四个模块,特征提取模块采用U型结构网络,包含编码器和解码器两部分,对任意一张输入图像,经过特征提取网络得到大小为原始输入图像1/4的特征图像;肺结节候选区域选取模块首先使用一个卷积核大小为3×3×3、填充量为1、步长为1的卷积层对特征图像进行卷积,接着使用两个并行的大小为1×1×1的卷积核来生成分类概率和检测框位置预测值,分别作为属于肺结节的概率和候选肺结节的预测位置;肺结节假阳性去除模块首先采用3D ROI Align根据肺结节候选区域模块输出的检测框,从编码器输出的特征图像提取感兴趣区域,然后将提取到的感兴趣区域缩放到同一尺度,再用一个3×3×3大小的卷积核对缩放后的感兴趣区域进行卷积操作,并将卷积后得到的特征图像输入到三个串行的全连接网络中,得到修正后的分类概率和位置预测值,共同构成肺结节检测结果;肺结节分割模块依据检测框位置坐标对解码器输出的特征图像进行裁剪,再对得到的特征图像进行上采样,得到大小为32×32×32大小的特征图像,然后与编码器输出的特征图像进行拼接,并执行卷积、池化以及激活操作,再进行上采样,得到与输入图像大小相同的特征图像,将其与输入图像分别根据检测框位置坐标裁剪,对裁剪后得到的同样大小的数据块进行拼接,再使用1×1×1大小的卷积核进行卷积操作,经过激活函数,得到最终的肺结节分割结果图像,分割结果图像大小为64×64×64;
当肺结节预测位置和数据集给定的真实位置之间交并比大于等于0.5时,判定网络检测到的是一个真实的肺结节,当肺结节预测位置和数据集给定的真实位置之间的交并比小于0.1时,判定网络检测到的不是肺结节。
2.如权利要求1所述的一种基于多任务学习的肺结节检测分割方法,其特征在于:步骤1所述的肺结节CT图像预处理过程具体如下:
步骤a:通过线性插值将CT图像重采样为空间分辨率为1mm×1mm×1mm的图像;
步骤b:使用阈值法对重采样后的CT图像进行二值化处理,将像素值小于400的记为1,反之记为0;
步骤c:将肺部以外区域的像素置为0;
步骤d:分别标记肺部两个最大连通区域;
步骤e:对标记后的两个连通区域采用半径为10的圆形结构进行形态学闭操作,再进行形态学膨胀操作,得到左右肺部的掩码图像;
步骤f:将原始CT影像与步骤e中得到的肺部掩码图像相乘,得到肺实质的分割结果图像;
步骤g:将肺实质的分割结果图像中像素值小于600或大于1000的像素置为0,然后按照下式进行归一化处理,得到像素值在[0-1]范围内的肺实质图像:
其中,v表示归一化之前的图像像素值,vt表示归一化之后的图像像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218396.1A CN114677383B (zh) | 2022-03-03 | 2022-03-03 | 基于多任务学习的肺结节检测分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218396.1A CN114677383B (zh) | 2022-03-03 | 2022-03-03 | 基于多任务学习的肺结节检测分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114677383A CN114677383A (zh) | 2022-06-28 |
CN114677383B true CN114677383B (zh) | 2024-03-15 |
Family
ID=82072208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210218396.1A Active CN114677383B (zh) | 2022-03-03 | 2022-03-03 | 基于多任务学习的肺结节检测分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114677383B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110827310A (zh) * | 2019-11-01 | 2020-02-21 | 北京航空航天大学 | Ct图像自动检测方法与系统 |
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 |
CN111767952A (zh) * | 2020-06-30 | 2020-10-13 | 重庆大学 | 一种可解释的肺结节良恶性分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446730B (zh) * | 2018-03-16 | 2021-05-28 | 推想医疗科技股份有限公司 | 一种基于深度学习的ct肺结节检测装置 |
CN109003260B (zh) * | 2018-06-28 | 2021-02-09 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
-
2022
- 2022-03-03 CN CN202210218396.1A patent/CN114677383B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110827310A (zh) * | 2019-11-01 | 2020-02-21 | 北京航空航天大学 | Ct图像自动检测方法与系统 |
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 |
CN111767952A (zh) * | 2020-06-30 | 2020-10-13 | 重庆大学 | 一种可解释的肺结节良恶性分类方法 |
Non-Patent Citations (2)
Title |
---|
基于改进的VGG-16卷积神经网络的肺结节检测;曹宇;邢素霞;逄键梁;王孝义;王瑜;潘子妍;申楠;;中国医学物理学杂志;20200725(第07期);全文 * |
融合位置尺度信息的胸部X光肺结节检测;焦庆磊;陈宇彤;朱明;;小型微型计算机系统;20190614(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114677383A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537784B (zh) | 一种基于深度学习的ct图肺结节检测方法 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
Gu et al. | Automated delineation of lung tumors from CT images using a single click ensemble segmentation approach | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
US9147239B2 (en) | Computing the mass of an object | |
CN105719295B (zh) | 一种基于三维超体素的颅内出血区域分割方法及系统 | |
CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
Tan et al. | Analysis of segmentation of lung parenchyma based on deep learning methods | |
CN112446892A (zh) | 一种基于注意力学习的细胞核分割方法 | |
Tan et al. | Automated vessel segmentation in lung CT and CTA images via deep neural networks | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
CN113744183A (zh) | 肺结节检测方法及系统 | |
CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及系统 | |
Zhao et al. | D2a u-net: Automatic segmentation of covid-19 lesions from ct slices with dilated convolution and dual attention mechanism | |
CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
CN110992310A (zh) | 一种确定纵隔淋巴结所在分区的方法及装置 | |
CN111724356B (zh) | 一种用于ct影像肺炎识别的图像处理方法和系统 | |
US20060120585A1 (en) | Method and system for ground glass nodule (GGN) segmentation with shape analysis | |
CN112967254A (zh) | 基于胸部ct影像肺部疾病识别和检测方法 | |
CN112801992A (zh) | 基于3d残差网络的肺结节图像分类方法 | |
CN117152173A (zh) | 一种基于DUNetR模型的冠状动脉分割方法和系统 | |
CN114677383B (zh) | 基于多任务学习的肺结节检测分割方法 | |
Chethan et al. | Segementation and Prediction from CT Images for Detecting Lung Cancer |
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 |