CN114897764A - 基于标准化通道注意力的肺结节假阳性排除方法及装置 - Google Patents
基于标准化通道注意力的肺结节假阳性排除方法及装置 Download PDFInfo
- Publication number
- CN114897764A CN114897764A CN202210205052.7A CN202210205052A CN114897764A CN 114897764 A CN114897764 A CN 114897764A CN 202210205052 A CN202210205052 A CN 202210205052A CN 114897764 A CN114897764 A CN 114897764A
- Authority
- CN
- China
- Prior art keywords
- nodule
- candidate
- false positive
- dimensional
- image
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Abstract
本申请实施例公开了一种基于标准化通道注意力的肺结节假阳性排除方法及装置;所述方法包括:获取患者肺部的三维CT影像,对所述三维CT影像进行预处理操作;获取候选结节,以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据;构建基于标准化注意力的特征多尺度候选结节分类网络;将候选结节数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型;利用肺结节假阳性排除模型对待测的候选结节三维CT影像进行预测,输出分类结果;提高排除技术检测效率,基于标准化注意力的特征多尺度候选结节分类网络提高了检测的准确性。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种基于标准化通道注意力的肺结节假阳性排除方法及装置。
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,从而提高肺结节检测的准确率。现有假阳性结节排除技术存在的缺点是:现有的假阳性结节排除技术检测效率低,仍然存在假阳性偏高的问题。同时,现有3D CNN卷积神经网络通常通过堆叠卷积层使得网络按由粗到细的逐层方式来学习多尺度特征,并没有对网络单一层次的感受野进行更细粒度级别的处理来提升网络的多尺度表达能力,从而提升模型准确性。
发明内容
本申请实施例提供一种基于标准化通道注意力的肺结节假阳性排除方法及装置,以解决现有的假阳性结节排除技术检测效率低,准确性差的问题。
在第一方面,本申请实施例提供了一种基于标准化通道注意力的肺结节假阳性排除方法,所述方法包括以下步骤:
获取患者肺部的三维CT影像,对所述三维CT影像进行预处理操作;
获取候选结节,以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据;
构建基于标准化注意力的特征多尺度候选结节分类网络;
将候选结节数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型;
利用肺结节假阳性排除模型对待测的候选结节三维CT影像进行预测,输出分类结果。
进一步的,所述对所述三维CT影像进行预处理操作,包括:
将所述三维CT影像的间隔统一采样调整为预设像素间隔,所述三维CT影像的HU值截取到预设区间,并转换成预设灰度值。
进一步的,所述以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据,包括:
以候选结节的像素坐标位置为中心,裁剪出大小为预设像素的真阳性结节和假阳性结节,得到候选结节三维CT影像数据。
进一步的,所述构建基于标准化注意力的特征多尺度候选结节分类网络,包括:
使用3DResnet-50网络作为骨干网络,提取网络特征,使用改进残差模块对网络单一层次的感受野进行更细粒度级别处理,通过基于标准化注意力机制对显著性特征少于预设数量的通道进行权重抑制。
进一步的,将所述三维CT影像数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型,包括:
将三维CT影像数据输入到候选结节分类网络,使用二元交叉熵损失函数进行训练,输出肺结节假阳性排除模型,其中,二元交叉熵损失函数公式如下:
其中,yi为真实标签,pi为预测值。
在第二方面,本申请实施例还提供一种基于标准化通道注意力的肺结节假阳性排除装置,包括:
影像获取模块,用于获取患者肺部的三维CT影像,对所述三维CT影像进行预处理操作;
结节获取模块,用于获取候选结节,以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据;
网络构建模块,用于构建基于标准化注意力的特征多尺度候选结节分类网络;
模型输出模块,用于将候选结节数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型;
分类输出模块,用于利用肺结节假阳性排除模型对待测的候选结节三维CT影像进行预测,输出分类结果。
进一步的,所述影像获取模块包括:像素处理单元、截取单元和转换单元;
所述像素处理单元用于将所述三维CT影像的间隔统一采样调整为预设像素间隔;所述截取单元用于将所述三维CT影像的HU值截取到预设区间;所述转换单元用于将所述三维CT影像转换成预设灰度值。
进一步的,所述网络构建模块包括:提取处理单元和权重抑制单元;
所述提取处理单元使用3DResnet-50网络作为骨干网络,提取网络特征,使用改进残差模块对网络单一层次的感受野进行更细粒度级别处理;所述权重抑制单元通过基于标准化注意力机制对显著性特征少于预设数量的通道进行权重抑制。
在第三方面,本申请实施例还提供一种计算机设备,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的一种基于标准化通道注意力的肺结节假阳性排除方法。
在第四方面,本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述的一种基于标准化通道注意力的肺结节假阳性排除方法。
本申请实施例通过获取患者肺部的三维CT影像,对所述三维CT影像进行预处理操作;获取候选结节,以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据;构建基于标准化注意力的特征多尺度候选结节分类网络;将候选结节数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型;利用肺结节假阳性排除模型对待测的候选结节三维CT影像进行预测,输出分类结果;提高排除技术检测效率,基于标准化注意力的特征多尺度候选结节分类网络提高了检测的准确性。
附图说明
图1是本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除方法的流程图;
图2是本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除方法的网络整体结构图;
图3是本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除方法的原始残差模块图;
图4是本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除方法的改进的残差模块图;
图5是本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除方法的真阳性结节切片序列图;
图6是本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除方法的假阳性结节切片序列图;
图7是本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除装置的结构示意图;
图8是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
目前,现有的肺结节计算机辅助检测系统,候选结节检测阶段为了获得高的肺结节检出灵敏度,往往导致检出的候选结节中存在大量的假阳性结节,因此需要进行假阳性结节排除。假阳性结节排除通常采用3D CNN模型对候选结节进行特征提取,然后采用二分类对特征进行分类。现有假阳性结节排除技术存在的缺点是:现有的假阳性结节排除技术检测效率低,仍然存在假阳性偏高的问题。同时,现有3D CNN卷积神经网络通常通过堆叠卷积层使得网络按由粗到细的逐层方式来学习多尺度特征,并没有对网络单一层次的感受野进行更细粒度级别的处理来提升网络的多尺度表达能力,从而提升模型准确性。
本申请实施例将对3D ResNet-50模型的残差模块进行改进,可在更细粒度级别利用多个感受野来进一步提升网络的多尺度表达能力,并通过基于标准化通注意力机制对较少显著性特征的通道进行权重抑制,使得在更为有效计算的基础上,获取更高的准确性。相对于原始3D ResNet-50结构的肺结节假阳性排除模型,本申请实施例提出的方法提高阳性结节及假阳性结节分类的准确率。本申请实施例建立一套基于标准化通道注意力的肺结节假阳性排除方法,以解决现有的假阳性结节排除技术检测效率低,准确性差的问题。
实施例中提供的基于标准化通道注意力的肺结节假阳性排除方法可以由基于标准化通道注意力的肺结节假阳性排除装置执行,该基于标准化通道注意力的肺结节假阳性排除装置可以通过软件和/或硬件的方式实现,并集成在基于标准化通道注意力的肺结节假阳性排除设备中。其中,基于标准化通道注意力的肺结节假阳性排除设备可以是计算机等设备。
图1为本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除方法的流程图。参考图1和图2,所述方法包括以下步骤:
步骤110、获取患者肺部的三维CT影像,对所述三维CT影像进行预处理操作。
具体的,将所述三维CT影像的间隔统一采样调整为预设像素间隔,所述三维CT影像的HU值截取到预设区间,并转换成预设灰度值。
示例性的,将三维肺部CT影像数据的间隔统一采样调整为1mm×1mm×1mm的像素间隔,CT影像的HU值截取到区间[-1200,600],并转换成[0,255]之间的灰度值。
步骤120、获取候选结节,以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据。
具体的,以候选结节的像素坐标位置为中心,裁剪出大小为预设像素的真阳性结节和假阳性结节,得到候选结节三维CT影像数据。
示例性的,将候选结节的坐标转成对应的预处理后的像素坐标,按像素坐标为中心,裁剪出大小为42*42*42像素的正样本(真阳性结节)和负样本(假阳性结节),构建训练集、验证集及测试集。
可以理解的是,其中假阳性排除训练数据来自肺部CT公开数据集,其利用多种肺结节系统检测的候选结节对象合并得到,相应的标注信息保存在存储文件中,标注信息包含结节所属的CT的系列号、结节的世界坐标(x,y,z)以及结节的类别(真阳性结节为1,假阳结节为0),将结节的世界坐标转成对应的预处理后的像素坐标,按像素坐标为中心,裁剪出大小为42*42*42像素的正样本(真阳性结节)和负样本(假阳性结节),构建训练集、验证集及测试集。
步骤130、构建基于标准化注意力的特征多尺度候选结节分类网络。
具体的,使用3DResnet-50网络作为骨干网络,提取网络特征,使用改进残差模块对网络单一层次的感受野进行更细粒度级别处理,通过基于标准化注意力机制对显著性特征少于预设数量的通道进行权重抑制。其中,预设数量根据需求进行设置,本申请实施例对此不作限定。
示例性的,网络特征提取使用的骨干网络为改进的3DResnet-50网络,如图2所示,对其中原始的残差模块如图3,使用改进后的残差模块进行替换,如图4所示,改进方法在更细粒度级别利用多个感受野来进一步提升网络的多尺度表达能力,并通过基于标准化通注意力机制对较少显著性特征的通道进行权重抑制,使得在更为有效计算的基础上,获取更高的准确性。
其中,网络输入部分,将42*42*42像素的训练数据,进行数据增强(x轴、y轴、z轴随机翻转,随机剪切36*36*36大小区域,x轴y轴随机旋转90、180、270度),对输入数据进行reshape操作,增加通道维度,使其可使用3D卷积进行处理。
步骤140、将候选结节数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型。
具体的,将三维CT影像数据输入到候选结节分类网络,使用二元交叉熵损失函数进行训练,输出肺结节假阳性排除模型,其中,二元交叉熵损失函数公式如下:
其中,yi为真实标签,pi为预测值。
步骤150、利用肺结节假阳性排除模型对待测的候选结节三维CT影像进行预测,输出分类结果。
具体的,将待测的候选结节三维CT影像输入到肺结节假阳性排除模型进行预测,输出分类结果。
示例性的,通过将3D残差模块中对原有n个特征通道进行3×3×3的卷积操作,替换为一系列有w通道的更小的卷积组n=s×w(其中s表示特征通道均分个数,如s=4),如图2,小卷积组以类似于残差的模式被逐层连接,这样可以增加输出特征能表达的不同尺度的数量。
图2多尺度结构解析:将输入的特征图分为s组,除去第一个分组,为了保留原始感受野大小从而增加感受野多样性,而采用将该组特征图直接作为输出外,其余每一组3×3×3卷积先从各自所在组输入特征图中进行特征提取,然后与先前组生成的特征图和另一组输入的特征图进行拼接,拼接结果被送到下一组3×3×3卷积核进行处理。一直持续到所有特征图都被处理完毕。最终,四个分组的所有特征图将被拼接在一起并被送到1×1×1的卷积核处进行信息融合。在将输入特征图转化为输出特征图的路径上,相等的感受野在经过3×3×3的卷积核后总会增多,最终会因组合效应生成出许多等价的特征尺度。
图3多尺度结构详细描述:特征图分为s个子集,用Xi表示,其中i∈{1,2,...,s}。子集的通道数是原来的1/s,每个特征图子集Xi都和原始特征图的长和宽一致。除X1,每个特征图子集Xi都有其对应的3×3×3卷积层,用Ki()表示对应的卷积操作。定义Ki()的输出为Yi。特征图子集Xi和Ki-1()相加后被一同送入Ki()进行处理。因此Yi可以被表示为:
每一次特征图子集xj通过一个3×3×3的卷积核之后,输出结果有一个比xj更大的感受野。因为组合爆炸效应,模块的输出包含了不同数量的不同大小以及不同尺度的感受野与他们的不同组合。这有利于提取局部和全局的信息。为了让不同尺度的信息融合得更好,将拆分出的部分并联在一起然后通过一个1×1×1的卷积层进行信息融合,输出融合后的特征与输入特征图空间大小及通道数相一致。
图3中,标准化注意力嵌入在多尺度特征融合部分之后,用权重的贡献因子来改善通道注意机制。通过抑制无关紧要的权值来改善神经网络的性能,标准化注意力作为一种高效、轻量级的注意机制。该方法基于下式,将公式中的γ作为每个通道的比例因子,用来测量通道的方差并指出它们的重要性。
其中,μB和σB分别为批处理Bin的均值和标准差;γ和β是可训练的仿射变换参数(尺度和位移),这里γ作为每个通道的比例因子,归一化权重wi的公式如下式所示,
对经1×1×1卷积处理后的融合的特征,利用标准化通道注意模块,对多尺度融合产的特征图进行通道层面的抑制无关紧要的特征来改善性能,记多尺度部分卷积1×1×1得到的特征图为Bin,经下式得到批标准化输出Bout,同时获得批标准化处理中每个通道的γ比例因子,并通过公式计算出对应的归一化权重wi,所有通道的归一化权得用WC表示。Bout的结果通过与WC在通道上加权处理,来抑制抑制无关紧要的特征,得到的结果进行sigmoid激活函数变换到0到1之间,公式表示为:
Mc=sigmoid(WC(BN(Bin)))
其中,对图3改进的残差模块最终的输出结果记为Fo,
Fo=Mc+Xin
其中,结节切片如图5、图6所示,图5为真阳性结节切片序列,图6为假阳性结节切片序列每行列出一个候选结节的部分切片序列。
在上述实施例的基础上,图7为本申请实施例提供的一种基于标准化通道注意力的肺结节假阳性排除装置的结构示意图。参考图7,本实施例提供的基于标准化通道注意力的肺结节假阳性排除装置,所述基于标准化通道注意力的肺结节假阳性排除装置具体包括:影像获取模块101、结节获取模块102、网络构建模块103、模型输出模块104和分类输出模块105。
其中,所述影像获取模块,用于获取患者肺部的三维CT影像,对所述三维CT影像进行预处理操作;
结节获取模块,用于获取候选结节,以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据;
网络构建模块,用于构建基于标准化注意力的特征多尺度候选结节分类网络;
模型输出模块,用于将候选结节数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型;
分类输出模块,用于利用肺结节假阳性排除模型对待测的候选结节三维CT影像进行预测,输出分类结果。
进一步的,所述影像获取模块包括:像素处理单元、截取单元和转换单元;
所述像素处理单元用于将所述三维CT影像的间隔统一采样调整为预设像素间隔;所述截取单元用于将所述三维CT影像的HU值截取到预设区间;所述转换单元用于将所述三维CT影像转换成预设灰度值。
进一步的,所述网络构建模块包括:提取处理单元和权重抑制单元;
所述提取处理单元使用3DResnet-50网络作为骨干网络,提取网络特征,使用改进残差模块对网络单一层次的感受野进行更细粒度级别处理;所述权重抑制单元通过基于标准化注意力机制对显著性特征少于预设数量的通道进行权重抑制。
上述,本申请实施例可在更细粒度级别利用多个感受野来进一步提升网络的多尺度表达能力,并通过基于标准化通注意力机制对较少显著性特征的通道进行权重抑制,使得在更为有效计算的基础上,获取更高的准确性。
本申请实施例提供的基于标准化通道注意力的肺结节假阳性排除装置可以用于执行上述实施例提供的基于标准化通道注意力的肺结节假阳性排除方法,具备相应的功能和有益效果。
本申请实施例还提供了一种计算机设备,该计算机设备可集成本申请实施例提供的基于标准化通道注意力的肺结节假阳性排除装置。图8是本申请实施例提供的一种计算机设备的结构示意图。参考图8,该计算机设备包括:输入装置43、输出装置44、存储器42以及一个或多个处理器41;所述存储器42,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器41执行,使得所述一个或多个处理器41实现如上述实施例提供的基于标准化通道注意力的肺结节假阳性排除方法。其中输入装置43、输出装置44、存储器42和处理器41可以通过总线或者其他方式连接,图8中以通过总线连接为例。
处理器41通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于标准化通道注意力的肺结节假阳性排除方法。
上述提供的计算机设备可用于执行上述实施例提供的基于标准化通道注意力的肺结节假阳性排除方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种基于标准化通道注意力的肺结节假阳性排除方法,该基于标准化通道注意力的肺结节假阳性排除方法包括:通过获取投诉用户的5G上网日志话单信息;根据所述5G上网日志话单信息,获取投诉用户在各个过程的KPI指标,判断KPI指标是否质差;对质差KPI指标进行聚类分析;输出投诉用户溯源定界的分析结论。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机装置存储器或随机存取存储器,诸如DRAM、DDRRAM、SRAM、EDORAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机装置中,或者可以位于不同的第二计算机装置中,第二计算机装置通过网络(诸如因特网)连接到第一计算机装置。第二计算机装置可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机装置中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的基于标准化通道注意力的肺结节假阳性排除方法,还可以执行本申请任意实施例所提供的基于标准化通道注意力的肺结节假阳性排除方法中的相关操作。
上述实施例中提供的基于标准化通道注意力的肺结节假阳性排除装置、存储介质及计算机设备可执行本申请任意实施例所提供的基于标准化通道注意力的肺结节假阳性排除方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的基于标准化通道注意力的肺结节假阳性排除方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种基于标准化通道注意力的肺结节假阳性排除方法,其特征在于,所述方法包括以下步骤:
获取患者肺部的三维CT影像,对所述三维CT影像进行预处理操作;
获取候选结节,以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据;
构建基于标准化注意力的特征多尺度候选结节分类网络;
将候选结节数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型;
利用肺结节假阳性排除模型对待测的候选结节三维CT影像进行预测,输出分类结果。
2.根据权利要求1所述的基于标准化通道注意力的肺结节假阳性排除方法,其特征在于,所述对所述三维CT影像进行预处理操作,包括:
将所述三维CT影像的间隔统一采样调整为预设像素间隔,将所述三维CT影像的HU值截取到预设区间,并转换成预设灰度值。
3.根据权利要求1所述的基于标准化通道注意力的肺结节假阳性排除方法,其特征在于,所述以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据,包括:
以候选结节的像素坐标位置为中心,裁剪出大小为预设像素的真阳性结节和假阳性结节,得到候选结节三维CT影像数据。
4.根据权利要求1所述的基于标准化通道注意力的肺结节假阳性排除方法,其特征在于,所述构建基于标准化注意力的特征多尺度候选结节分类网络,包括:
使用3DResnet-50网络作为骨干网络,提取网络特征,使用改进残差模块对网络单一层次的感受野进行更细粒度级别处理,通过基于标准化注意力机制对显著性特征少于预设数量的通道进行权重抑制。
6.一种基于标准化通道注意力的肺结节假阳性排除装置,其特征在于,包括:
影像获取模块,用于获取患者肺部的三维CT影像,对所述三维CT影像进行预处理操作;
结节获取模块,用于获取候选结节,以候选结节的坐标位置为中心,剪切出候选结节三维CT影像数据;
网络构建模块,用于构建基于标准化注意力的特征多尺度候选结节分类网络;
模型输出模块,用于将候选结节数据输入到候选结节分类网络进行训练,输出肺结节假阳性排除模型;
分类输出模块,用于利用肺结节假阳性排除模型对待测的候选结节三维CT影像进行预测,输出分类结果。
7.根据权利要求1所述的基于标准化通道注意力的肺结节假阳性排除方法,其特征在于,所述影像获取模块包括:像素处理单元、截取单元和转换单元;
所述像素处理单元用于将所述三维CT影像的间隔统一采样调整为预设像素间隔;所述截取单元用于将所述三维CT影像的HU值截取到预设区间;所述转换单元用于将所述三维CT影像转换成预设灰度值。
8.根据权利要求1所述的基于标准化通道注意力的肺结节假阳性排除方法,其特征在于,所述网络构建模块包括:提取处理单元和权重抑制单元;
所述提取处理单元使用3DResnet-50网络作为骨干网络,提取网络特征,使用改进残差模块对网络单一层次的感受野进行更细粒度级别处理;所述权重抑制单元通过基于标准化注意力机制对显著性特征少于预设数量的通道进行权重抑制。
9.一种计算机设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5任一所述的一种基于标准化通道注意力的肺结节假阳性排除方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5任一所述的一种基于标准化通道注意力的肺结节假阳性排除方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210205052.7A CN114897764A (zh) | 2022-03-02 | 2022-03-02 | 基于标准化通道注意力的肺结节假阳性排除方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210205052.7A CN114897764A (zh) | 2022-03-02 | 2022-03-02 | 基于标准化通道注意力的肺结节假阳性排除方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897764A true CN114897764A (zh) | 2022-08-12 |
Family
ID=82715203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210205052.7A Pending CN114897764A (zh) | 2022-03-02 | 2022-03-02 | 基于标准化通道注意力的肺结节假阳性排除方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897764A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012355A (zh) * | 2023-02-07 | 2023-04-25 | 重庆大学 | 一种基于深度学习的自适应假阳性肺结节剔除方法 |
CN116228685A (zh) * | 2023-02-07 | 2023-06-06 | 重庆大学 | 一种基于深度学习的肺结节检测与剔除方法 |
-
2022
- 2022-03-02 CN CN202210205052.7A patent/CN114897764A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116012355A (zh) * | 2023-02-07 | 2023-04-25 | 重庆大学 | 一种基于深度学习的自适应假阳性肺结节剔除方法 |
CN116228685A (zh) * | 2023-02-07 | 2023-06-06 | 重庆大学 | 一种基于深度学习的肺结节检测与剔除方法 |
CN116228685B (zh) * | 2023-02-07 | 2023-08-22 | 重庆大学 | 一种基于深度学习的肺结节检测与剔除方法 |
CN116012355B (zh) * | 2023-02-07 | 2023-11-21 | 重庆大学 | 一种基于深度学习的自适应假阳性肺结节剔除方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN108664971B (zh) | 基于2d卷积神经网络的肺结节检测方法 | |
CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
CN111027576B (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
CN111967480A (zh) | 基于权重共享的多尺度自注意力目标检测方法 | |
CN114897764A (zh) | 基于标准化通道注意力的肺结节假阳性排除方法及装置 | |
CN112017192B (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN111680755B (zh) | 医学图像识别模型构建及医学图像识别方法、装置、介质及终端 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN110163294B (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
US11636575B2 (en) | Method and apparatus for acquiring feature data from low-bit image | |
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
CN114358279A (zh) | 图像识别网络模型剪枝方法、装置、设备及存储介质 | |
Lomanov et al. | Cell detection with deep convolutional networks trained with minimal annotations | |
JP5755810B2 (ja) | 特徴抽出のための技法 | |
Raj J et al. | Lightweight SAR ship detection and 16 class classification using novel deep learning algorithm with a hybrid preprocessing technique | |
CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 | |
KR20230117244A (ko) | 반려동물의 암을 식별하기 위한 시스템 및 방법 | |
Dhar et al. | Fish image classification by XgBoost based on Gist and GLCM Features | |
CN115661828B (zh) | 一种基于动态分层嵌套残差网络的文字方向识别方法 | |
CN111340111B (zh) | 基于小波核极限学习机识别人脸图像集方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 |
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 |