CN115170464A - 肺图像的处理方法、装置、电子设备和存储介质 - Google Patents

肺图像的处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN115170464A
CN115170464A CN202210507864.7A CN202210507864A CN115170464A CN 115170464 A CN115170464 A CN 115170464A CN 202210507864 A CN202210507864 A CN 202210507864A CN 115170464 A CN115170464 A CN 115170464A
Authority
CN
China
Prior art keywords
image
lung
classification result
classification
airway
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
CN202210507864.7A
Other languages
English (en)
Inventor
齐守良
吴雅楠
杨英健
庞浩文
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202210507864.7A priority Critical patent/CN115170464A/zh
Publication of CN115170464A publication Critical patent/CN115170464A/zh
Pending legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • 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)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开涉及一种肺图像的处理方法、装置、电子设备和存储介质，涉及慢阻肺识别技术领域。其中，所述的肺图像的处理方法，包括：获取预设分类模型、待处理的肺图像及其对应的肺区域图像及气道图像；分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果；基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。本公开实施例可实现慢阻肺的识别。

Description

肺图像的处理方法、装置、电子设备和存储介质
技术领域
本公开涉及慢阻肺识别技术领域，尤其涉及一种肺图像的处理方法、装置、电子设备和存储介质。
背景技术
慢性阻塞性肺疾病(简称慢阻肺)是一种异质性的多系统疾病，它是由于持续暴露于有害颗粒、气体或吸烟而引起的。根据临床特征，慢阻肺可分为不同的特征，如肺气肿和慢性支气管炎。严重的慢阻肺可引起慢性发病并最终导致死亡，2030年它将成为世界上第三大死亡因素。
慢阻肺的诊断主要依赖于肺功能检查(PFT)，利用肺活量测定法评估气流阻塞情况。根据慢阻肺全球倡议(GOLD)，慢阻肺的诊断标准如下：吸入支气管扩张剂后FEV1与FVC的比率<0.7。PFT结果只提供整体的呼吸功能参数，因此，PFT不能用来评估慢阻肺的区域病态和形态异常。此外，PFT的测量准确性受限于患者的合作程度；测量过程非常复杂，患者难以理解和遵守医生提出的要求。此外，PFT不能直观地提供详细的解剖学信息和形态学变化，如肺气肿的亚型和支气管壁增厚。
计算机断层扫描(CT)能以较高的空间分辨率定量描述慢阻肺的特征，但其对诊断的贡献还没有得到充分的发挥。最近，CT成像取得了重大进展，尤其是高分辨率CT(HRCT)，它已成为慢阻肺定量分析的有效方法，如测量气体潴留、肺气肿的严重程度、气流阻塞和小气道疾病等。此外，关于肺区分割和气道分割的研究阐明了利用CT成像清晰描述肺部解剖结构的潜在优势。然而，气道和肺区的分割是否能有利于识别慢阻肺并提高其性能还未报道。
综上，目前急需为早期检测慢阻肺提供有效的工具。
发明内容
本公开提出了一种肺图像的处理方法、装置、电子设备和存储介质技术方案。
根据本公开的一方面，提供了一种肺图像的处理方法，包括：
获取预设分类模型、待处理的肺图像及其对应的肺区域图像及气道图像；
分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果；
基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。
优选地，在所述获取待处理的肺图像对应的肺区域图像及气道图像之前，包括：
获取待处理的肺图像；
分别对所述待处理的肺图像进行肺区域分割及气道提取，得到肺区域图像及气道图像。
优选地，所述分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果的方法，包括：
分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征；
分别计算所述第一组特征、第二组特征及第三组特征对应的权重矩阵；
分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵进行融合，得到第一分类特征、第二分类特征及第三分类特征；
分别基于所述第一分类特征、所述第二分类特征及所述第三分类特征，得到对应的第一分类结果、第二分类结果及第三分类结果。
优选地，所述分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵进行融合，得到第一分类特征、第二分类特征及第三分类特征的方法，包括：
分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵执行矩阵乘法操作，得到第一分类特征、第二分类特征及第三分类特征。
优选地，在所述分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征之前，分别确定进行特征提取的所述待处理的肺图像、以及/或所述肺区域图像、以及/或所述气道图像对应的第一图像，以及/或第二图像、以及/或第三图像，其确定方法，包括：
删除所述待处理的肺图像中非肺图像，得到包含肺的图像；根据获取的设定数目，对包含肺的图像进行提取，得到待特征提取对应的第一图像；
对所述肺区域图像进行三维重建，得到三维肺区域图像；按照多个第一设定角度，对所述三维肺区域图像进行拍照，得到多个第一二维快照对应的第二图像；
对所述气道图像进行三维重建，得到三维气道图像；按照多个第二设定角度，对所述三维气道图像进行拍照，得到多个第二二维快照对应的第三图像。
优选地，所述分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征的方法，包括：
获取预设特征提取模型，对所述预设特征提取模型进行训练，得到训练的特征提取模型；
基于所述训练的特征提取模型，分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征。
优选地，所述基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别的方法，包括：
分别确定所述第一分类结果、所述第二分类结果及所述第三分类结果对应的第一概率值、第二概率值及第三概率值；
对所述第一概率值、所述第二概率值及所述第三概率值进行回归分析，进行慢阻肺的识别；
或，
对所述第一分类结果、所述第二分类结果及所述第三分类结果进行统计，得到确定为慢阻肺对应的第一数值及确定为非慢阻肺对应的第二数值；
若所述第一数值大于所述第二数值，则确定为慢阻肺；否则，确定为非慢阻肺。
根据本公开的一方面，提供了一种肺图像的处理装置，包括：
获取单元，用于获取预设分类模型、待处理的肺图像及其对应的肺区域图像及气道图像；
分类单元，用于分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果；
识别单元，用于基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述肺图像的处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述肺图像的处理方法。
在本公开实施例中，分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果；基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。充分融合了肺图像强度信息及肺形态信息，解决了慢阻肺识别准确率的问题，为早期检测慢阻肺提供有效的工具。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的肺图像的处理方法的流程图；
图2示出根据本公开实施例的预设分类模型对应的网络结构示意图；
图3示出根据本公开实施例的肺区域图像以及气道图像对应的第二图像及第三图像的示意图；
图4示出根据本公开实施例的肺图像的处理方法的具体实现示意图；
图5示出根据本公开实施例的肺图像的处理装置的框图；
图6是根据一示例性实施例示出的一种电子设备800的框图；
图7是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了肺图像的处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种肺图像的处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
在本公开的实施例及其他可能的实施例中，从沈阳医学院附属中心医院(数据集1，慢阻肺：170；HC(健康人或未患慢阻肺)：190)和大连医科大学附属第二医院(数据集2，慢阻肺：101；HC：100)获得的总共561名受试者(271名慢阻肺和290名HC)。本研究得到了两家医院的医学伦理委员会的批准。根据《赫尔辛基宣言》(2000)，所有受试者都获得了知情同意。所有慢阻肺受试者的诊断都是由经验丰富的临床医生并基于PFT诊断的，其中PFT诊断标准是吸入式支气管扩张剂后FEV1/FVC<0.7。数据集2还提供了慢阻肺受试者的分级数据(Ⅰ期：25，Ⅱ期，43；Ⅲ期：27；Ⅳ期：6)。
图1示出根据本公开实施例的肺图像的处理方法的流程图，如图1所示，所述肺图像的处理方法，包括：步骤S101：获取预设分类模型、待处理的肺图像及其对应的肺区域图像及气道图像；步骤S102：分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果；步骤S103：基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。其中，慢阻肺识别的结果为患有慢阻肺或未患有慢阻肺。本公开的实施例充分融合了肺图像强度信息及肺形态信息，解决了慢阻肺识别准确率的问题，为早期检测慢阻肺提供有效的工具。
步骤S101：获取预设分类模型、待处理的肺图像及其对应的肺区域图像及气道图像。
在本公开的实施例及其他可能的实施例中，所述肺图像可以为CT图像或者MR图像或者DR图像的一种或几种。又例如，在本公开的实施例及其他可能实施例中，首先获取待处理的肺图像，此处的待处理的肺图像可以从影像设备，如CT机，得到的层扫描数据。所述待处理的肺图像可为CT图像。同时，所述待处理的肺图像还可以为MRI肺图像或CT-PET肺图像等，本领域人员可根据需要选择合适的肺图像。
在本公开中，在所述获取待处理的肺图像对应的肺区域图像及气道图像之前，包括：获取待处理的肺图像；分别对所述待处理的肺图像进行肺区域分割及气道提取，得到肺区域图像及气道图像。
在本公开的实施例及其他可能的实施例中，对所述待处理的肺图像进行气道提取(气道分割)可采用Mimics软件(Materialise公司，比利时)的“深层气道分割”模块，以半自动方式从所述待处理的肺图像中提取三维气道树，得到气道图像。
在本公开的实施例及其他可能的实施例中，对所述待处理的肺图像进行肺区域分割，可使用nnU-Net模型对所述待处理的肺图像的肺部区域进行分割。Isensee等人提出了用于生物医学图像分割的nnU-Net模型，它在BraTS2020挑战的分割任务中提供了最好性能。该模型可以自动配置，包括预处理、网络结构、训练和后处理。本公开在LOLA11挑战赛的数据集上对nnU-Net模型进行了预训练，并在本公开的数据集上对其进行了微调，以完成肺部区域分割任务，得到肺区域图像。对于本领域人员来说，对预训练的模型进行微调以完成肺部区域分割任务是本领域人员惯用的技术手段，不存在任何技术障碍，在此本公开的实施例中不再进行详细描述。
步骤S102：分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果。
在本公开的实施例及其他可能的实施例中，所述的预设分类模型可为基于深度学习的分类模型。例如，VGG16、VGG19、InceptionV3、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet18、ResNet34、ResNet50、ResNet_101、ResNet_152等分类模型是一种或几种。
例如，可将所述待处理的肺图像输入已训练的VGG16得到对应的第一分类结果，可将所述肺区域图像输入已训练的ResNet18得到对应的第二分类结果，可将所述气道图像输入已训练的AlexNet得到对应的第三分类结果。
同时，本公开提出了一种基于图像的分类方法，可充分将基于图像提取的特征及对应的权重进行融合，得到出色的分类特征。具体地说，在本公开中，所述分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果的方法，包括：基于所述预设分类模型，分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征；分别计算所述第一组特征、第二组特征及第三组特征对应的权重矩阵；分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵进行融合，得到第一分类特征、第二分类特征及第三分类特征；分别基于所述第一分类特征、所述第二分类特征及所述第三分类特征，得到对应的第一分类结果、第二分类结果及第三分类结果。其中，所述第一分类结果、第二分类结果及第三分类结果为患有慢阻肺或未患有慢阻肺。
例如，所述预设分类模型选择VGG16，基于VGG16，分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征；分别将所述第一组特征、第二组特征及第三组特征输入全连接层(FC)，得到所述第一组特征、第二组特征及第三组特征对应的第一权重矩阵、第二权重矩阵及第三权重矩阵；所述第一组特征、第二组特征及第三组特征分别乘以对应的第一权重矩阵、第二权重矩阵及第三权重矩阵，得到第一分类特征、第二分类特征及第三分类特征。进一步地，分别基于所述第一分类特征、所述第二分类特征及所述第三分类特征，得到对应的第一分类结果、第二分类结果及第三分类结果。
在本公开的实施例及其他可能的实施例中，用于产生所述第一分类结果、第二分类结果及第三分类结果的分类模型，可以为基于机器学习的分类模型，例如支持向量机(SVM)、多层感知机(MLP)、随机森林(RF)、K近邻(KNN)、逻辑回归(LR)、决策树(DT)、梯度提升(GB)、线性判别分析(LDA)等的一种或几种；可以为深度学习的分类模型。
例如，分别将所述第一分类特征、所述第二分类特征及所述第三分类特征输入多层感知机(MLP)，得到所述第一分类特征、所述第二分类特征及所述第三分类特征对应的第一分类结果、第二分类结果及第三分类结果。
在本公开中，所述分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵进行融合，得到第一分类特征、第二分类特征及第三分类特征的方法，包括：分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵执行矩阵乘法操作，得到第一分类特征、第二分类特征及第三分类特征。
例如，所述第一组特征、第二组特征及第三组特征的维度分别为k1×N1、k2×N2、k3×N3，所述第一组特征、第二组特征及第三组特征及对应的第一权重矩阵、第二权重矩阵、第三权重矩阵的维度分别为k1×1、k2×1、k3×1，分别将所述第一组特征、第二组特征及第三组特征及对应的第一权重矩阵、第二权重矩阵、第三权重矩阵执行矩阵乘法操作，得到第一分类特征、第二分类特征及第三分类特征的维度为1×N1、1×N2、1×N3。
图2示出根据本公开实施例的预设分类模型对应的网络结构示意图。如图2所示，提出的预设分类模型实质上为一种注意力机制的多实例(MIL)方法对应的模型，图2仅显示了待处理的肺图像对应的第一分类结果，将待处理的肺图像替换为肺区域图像及气道图像，即可得到肺区域图像及气道图像对应的第二分类结果及第三分类结果。
在本公开的实施例及其他可能的实施例中，多示例学习(MIL)的一些特征适用于医学应用。作为一种弱监督学习方法，MIL大致包括实例级和个体级方法。在实例级方法中，所有的实例都被认为对个体标签的预测有同样的贡献，实例的预测通过集合和投票进行个体预测，而个体方法被设计为直接对个体进行分类。个体方法可以减少注释的工作量，因为没有必要进行像素和实例的标注。
在本公开的实施例及其他可能的实施例中，本公开提出的一种基于注意力的MIL方法，例如，所述的待处理的肺图像如CT图像，将CT图像的强度与气道和肺区的形态结合起来，以识别慢阻肺。本研究的主要贡献如下。首先，构建了一个注意力机制的MIL模型，对受试者(个体)进行分类，并对每个受试者使用注意力机制对选定的切片(实例)进行加权。其次，利用三维气道树和肺区的多视角快照作为形态学信息来提高慢阻肺的识别性能。最后，采用逻辑回归(LR)模型来整合待处理的肺图像、肺区域图像和气道图像预分类，以产生最终输出。作为一种弱监督的学习方法，注意力机制引导的MIL方法有可能为早期检测慢阻肺提供有效的工具。
在图2中，利用特征提取模块，将待处理的肺图像的实例转化为k维的嵌入向量(第一分类特征)
Figure BDA0003638117750000091
然后，利用多层感知器uTtanh(WHT)和softmax层从具有k维的嵌入向量H中产生一个注意力权重矩阵α。最后，通过对聚合的k个实例级特征向量应用一个函数f(·)，产生一个联合包层表示(第一分类特征)z′，该方程定义如下。
α＝Softmax[uTtanh(WHT) (1)
Figure BDA0003638117750000092
其中，
Figure BDA0003638117750000093
包括k个实例特征向量，
Figure BDA0003638117750000094
和
Figure BDA0003638117750000095
是MIL模块的学习参数，h是隐含层的维度。
最后，全连接层FC是输出层，划分为两个类别。使用交叉熵损失作为模型中的损失函数。
Figure BDA0003638117750000096
其中，yi表示样本i的标签，pi表示预测正面输出(患有慢阻肺)的概率。
同时，在本公开的实施例及其他可能的实施例中，肺区域图像或气道图像也可通过上述方法或模型，得到第二分类特征及第三分类特征，再次本公开不再进行详述。
在本公开的实施例及其他可能的实施例中，所述分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征的方法，包括：获取设定的特征提取模型；基于所述设定的特征提取模型，分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征。
在本公开的实施例及其他可能的实施例中，所述设定的特征提取模型可为基于深度学习的特征提取模型。例如，VGG16、VGG19、InceptionV3、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet18、ResNet34、ResNet50、ResNet_101、ResNet_152等分类模型是一种或几种。具体地说，上述特征提取在分类之前，保存对应的特征为对应的第一组特征、第二组特征及第三组特征。
例如，可将所述待处理的肺图像输入已训练的VGG16(删除分类层)得到对应的第一组特征，可将所述肺区域图像输入已训练的ResNet18(删除分类层)得到对应的第二组特征，可将所述气道图像输入已训练的AlexNet(删除分类层)得到对应的第三组特征。
又例如，可将所述待处理的肺图像、所述肺区域图像、所述气道图像分别输入已训练的VGG16(删除分类层)得到对应的第一组特征、第二组特征及第三组特征。
在本公开的实施例及其他可能的实施例中，所述分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征的方法，包括：获取预设特征提取模型，对所述预设特征提取模型进行训练，得到训练的特征提取模型；基于所述训练的特征提取模型，分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征。
在本公开的实施例及其他可能的实施例中，上述CNN模型需要大量的标注数据来训练其权重和偏差。然而，在医学图像任务中，满足这一条件是困难的。迁移学习已被证明是一种比从头开始训练更好的方法。在此，修改后的VGG-16(删除分类层)特征提取模块在ImageNet数据集(1.2M训练数据)上进行了预训练，并在我们的数据集上进行了微调。本公开同时将所有其他比较网络也采用了与VGG-16相同的迁移学习策略。
例如，特征提取部分采用的是预训练的VGG-16模型。本公开的实施例中，只保留了VGG-16的卷积层部分，在我们的模型中用注意力MIL池化模块取代了最后三个全连接(FC)层，得到修改后保留的VGG-16的结构。它包括13个卷积层和5个最大池化层。13个卷积层构成四个卷积块。conv1块依次有两个卷积层，其结果特征图的大小与输入图像相同，其维度为64，每个卷积层中使用的卷积核的数量也是64。conv2块也有两个依次排列的卷积层，其输出尺寸为128。conv3、conv4和conv5区块在每个块中依次有三个卷积层，分别有256、512和512个卷积核。每个conv块都进行了最大池化，这使得特征图的大小减少了一半。
表1为修改后保留的VGG-16的结构的详细参数信息
Figure BDA0003638117750000111
在本公开中，在所述分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征之前，分别确定进行特征提取的所述待处理的肺图像、以及/或所述肺区域图像、以及/或所述气道图像对应的第一图像，以及/或第二图像、以及/或第三图像，其确定方法，包括：删除所述待处理的肺图像中非肺图像，得到包含肺的图像；根据获取的设定数目，对包含肺的图像进行提取，得到待特征提取对应的第一图像；对所述肺区域图像进行三维重建，得到三维肺区域图像；按照多个第一设定角度，对所述三维肺区域图像进行拍照，得到多个第一二维快照对应的第二图像；对所述气道图像进行三维重建，得到三维气道图像；按照多个第二设定角度，对所述三维气道图像进行拍照，得到多个第二二维快照对应的第三图像。其中，所述的第一设定角度可为三维气道(树)图像的正视图、背视图和斜45度视图或者其他可能的视图的一种或几种；所述的第二设定角度可为前、后、左、右、上和下视图或其他角度的视图的一种或几种。
在本公开的实施例及其他可能的实施例中，根据获取的设定数目，对包含肺的图像进行提取，得到待特征提取对应的第一图像的方法，包括：对包含肺的图像沿纵向平均分成所述设定数目的子部分；从每个子部分中随机选择(提取)一个切片，得待特征提取对应的第一图像。
例如，所述待处理的肺图像可为待处理的肺图像，删除了CT图像序列的肺外部分，只保留了包含肺部区域的部分。然后，将预处理过的CT图像沿纵向进一步平均分成k个(设定数目)子部分。从每个子部分中随机选择一个CT切片，定义为一个实例。这k个实例构成了一个新的个体，用于作为MIL模型(注意力机制的多实例模型)的输入。然后，将k个实例图像缩放为224×224像素，用Python(3.9版)、SimpleITK(2.1.1版)和NumPy(1.22.1版)转换为.npy格式。每个.npy文件对应于一个个体。
图3示出根据本公开实施例的肺区域(肺野)图像以及气道(气道树)图像对应的第二图像及第三图像的示意图，如图3所示，在上述分割的基础上截取快照。获得三维气道树的正视图、背视图和斜45度视图(即F、B和I视图)的快照。此外，还获得了肺区的前、后、左、右、上和下视图(即分别为A、P、L、R、S和D视图)中的二维快照。采用Slicer的三维显示模块(https://www.slicer.org/)，用Python脚本程序生成多视图快照。对所有慢阻肺患者和HC受试者进行自动批量处理。本公开中采用的二维快照是灰度图像，其大小在所有快照中被设置为224×224。其中，(a)-(c)分别为三维气道树的正视图、背视图和斜45度视图(d)-(i)分别为肺区域的前、后、左、右、上和下视图。
步骤S103：基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。
图4示出根据本公开实施例的肺图像的处理方法的具体实现示意图。在本公开的图4中，所述基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别的方法，包括：分别确定所述第一分类结果、所述第二分类结果及所述第三分类结果对应的第一概率值、第二概率值及第三概率值；对所述第一概率值、所述第二概率值及所述第三概率值进行回归分析，进行慢阻肺的识别。
例如，将所述第一概率值、所述第二概率值及所述第三概率值输入逻辑回归模型，利用逻辑回归模型，进行慢阻肺的识别。其中，逻辑回归(LR)可以被看作是线性回归的延伸，它反映了多因变量X和结果Y之间的关系，通过sigmoid函数限制在区间[0,1]内。
在本公开中，对所述第一分类结果、所述第二分类结果及所述第三分类结果进行统计，得到确定为慢阻肺对应的第一数值及确定为非慢阻肺对应的第二数值；若所述第一数值大于所述第二数值，则确定为慢阻肺；否则，确定为非慢阻肺。
例如，确定为慢阻肺对应的第一数值为2，确定为非慢阻肺对应的第二数值为1，则确定为慢阻肺。
肺图像的处理方法的执行主体可以是肺图像的处理装置，例如，肺图像的处理方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该肺图像的处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图5示出根据本公开实施例的肺图像的处理装置的框图，如图5所示，所述肺图像的处理装置，包括：获取单元101，用于获取预设分类模型、待处理的肺图像及其对应的肺区域图像及气道图像；分类单元102，用于分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果；识别单元103，用于基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的肺图像的处理方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述肺图像的处理方法。电子设备可以被提供为终端、服务器或其它形态的设备。
本公开实施例通过准确度(ACC)、敏感度(SEN)、特异度(SPE)、阳性预测值(PPV)、阴性预测值(NPV)、受试者操作特征(ROC)曲线和曲线下面积(AUC)(包括95％置信区间(CI))进行评估分类性能。
本公开实施例进行了四个对比实验，研究了每个个体不同的实例数、不同的特征提取网络、增加气道和肺区快照作为形态信息、以及slice-CT模型(待处理的肺图像对应的预设分类模型),snapshot-airway模型(气道图像对应的预设分类模型)和snapshot-lung-field模型(肺区域图像对应的预设分类模型)的不同融合方法的性能。
首先，为了确定每个个体的最佳实例数，研究了数据集1中10、15、20和25的不同实例数。这些不同的设置使我们能够了解实例数量对注意力引导的MIL模型性能的影响。
其次，我们采用了四个常用的网络，如AlexNet、VGG、ResNet18、ResNet26和Mobilenet_v2，作为特征提取的网络，与VGG-16进行比较。所有的网络都在ImageNet数据集(1.2M训练数据)上进行了预训练。
第三，我们研究了气道和肺区信息对所提方法的贡献。以前研究证明，气道的多视角快照是识别慢阻肺的有效方法。因此，这里进行了三个实验，分别是仅有气道快照、仅有肺区快照，以及CT图像与气道和肺区快照的组合。
第四，在融合方法方面，采用了LR方法和多数投票法。多数投票法是一种方便、快速、高效的方法，它整合了多个MIL模型的预测，并得出最终的分类结果。在这里，MIL模型的每个模型都是单独训练的，最后的预测是使用单个输出预测的多数得到的。具体来说，在lice-CT,snapshot-airway和snapshot-lung-field模型中，如果有两个模型预测标签为"慢阻肺"，则最终投票预测结果为"慢阻肺"；否则，将为"HC"。
采用十折交叉验证法来评估所提出的模型。在每个折中，分别有80％、10％和10％的个体被用于训练、验证和测试。由于交叉验证的策略，数据集1中的所有案例都是测试案例，数据集2(201个受试者，包括101个慢阻肺和100个HC)作为外部独立数据集用于测试。批量大小为16，初始学习率为0.001，动量参数为0.9。训练中的数据集通过水平和垂直方向上的翻转、剪切和随机旋转进行数据增强。此外，为了进一步缓解过拟合，当ACC在五次迭代中没有增加时，就采用早期停止方法。
表2数据集1上不同数量实例的性能
Figure BDA0003638117750000141
Figure BDA0003638117750000151
如表2所示，每个个体20个实例比每个个体10、15和25个实例取得了更好的性能(ACC：88.1％，SEN：85.3％，SPE：91.2％，PPV：91.5％，NPV：84.7％)。因此，每个受试者的CT序列被分为20个子部分，从每个子部分中随机选择一个切片作为MIL方法的每个个体(一个受试者)的实例。
表3数据集1上不同预设特征提取模型(Backbones)的性能
Figure BDA0003638117750000152
如表3所示，比较了五个网络在注意力引导的MIL模型中的特征提取性能。对于数据集1，修改后的VGG-16获得了更好的性能，其准确率为88.1％，高于Alexnet(84.2％)、Resnet18(81.7％)、Resnet26(69.2％)和Mobilenet_v2(73.3％)。在SPE、PPV和NPV方面，修改后的VGG-16产生的性能与其他网络相当或更高(表4)。此外，Resnet26的灵敏度达到92.6％，高于改良的VGG-16(85.3％)、Alexnet(86.8％)、Resnet18(90.0％)和Mobilenet_v2(64.7％)。
在本公开的实施例中，所有考虑的网络在特征提取方面的ROC。我们的方法(VGG-16)比Alexnet(0.92±0.02，95％CI：0.88-0.94)、Resnet18(0.91±0.02，95％CI：0.88-0.94)、Resnet26(0.85±0.02，95％CI：0.70-0.88)和Mobilenet_v2(0.82±0.03，95％CI：0.77-0.86)获得更高的AUC。
在本公开的实施例中，数据集1的三个模型和融合方法的性能显示在表4中。在三个单一的MIL模型中，snapshot-lung-field MIL模型的表现优于其他两个模型(ACC＝90.0％，SEN：89.5％，SPE：90.6％，PPV：91.4％，NPV：88.5％)，slice-CT MIL模型的表现最差(ACC：88.1％，SEN：85.3％，SPE：91.2％，PPV：91.5％，NPV：84.7％)。
在本公开的实施例中，当三个MIL模型被融合时，性能得到了极大的改善。LR模型获得的准确率(95.8％)高于多数投票法(95.0％)。因此，在强度信息的CT图像上增加气道和肺区的快照作为形态学信息，有利于慢阻肺的识别。
表4数据集1的三个模型和融合方法的性能
Figure BDA0003638117750000161
在本公开的实施例中，使用外部独立的数据集2对所提出的方法进行了验证，该数据集来自不同的中心，有不同质量的CT图像。对于数据集2，选择VGG-16作为特征提取方法，并使用LR模型来结合lice-CT,snapshot-airway和snapshot-lung-field模型。如表5所示，本公开提出的方法取得了83.1％的高ACC，77.2％的SEN，89.0％的SPE，87.6％的PPV和79.5％的NPV。此外，101例慢阻肺中的78例和100例HC中的89例被正确识别，显示了很好的泛化能力。
表5本公开提出的方法在数据集2的性能
Figure BDA0003638117750000162
综上，本公开提出的MIL方法，通过融合CT图像强度信息和气道及肺区的多视角快照作为形态学信息来识别慢阻肺患者。使用所提出的新方法，在作为内部测试的数据集1上取得了95.8％的ACC，在作为外部验证的数据集2上取得了83.1％的ACC。在不同的中心和CT设备上，MIL指导的方法表现出了出色的鲁棒性和泛化能力。
计算机视觉中深度学习的发展在医学图像分析中的应用越来越多。此外，由于容易获得弱标签，MIL在医疗应用中很受欢迎，如病变的诊断和检测及分割。与我们的研究类似，使用MIL方法对慢阻肺患者进行整体诊断可能只需要受试者的标签，这比每个实例(CT切片)的标签更容易获得。在实验中，受限于GPU的内存和加快训练的速度，从每个CT扫描中随机选择了k个切片，整个CT扫描没有被选择。实例数量的增加并没有提高分类性能，可能是因为同一个体实例之间共享相似性。因此，20个实例的数量达到了88.1％的高准确率。
使用所提出的注意力引导的MIL方法识别慢阻肺的良好性能归功于两个方法上的优势。首先，基于迁移学习的CNN模块是检测、分类和分割任务中特征提取的有力工具。使用所提出的模型在ImageNet上进行预训练，并在我们的数据集上进行微调，所生成的特征就获得了辨别力。以前的研究强调了卷积层的深度对特征判别的潜在优势。浅层网络层的神经元学习简单的特征，如角落或条纹，中间层则学习检测物体的一部分。此外，更深的层学习检测高级语义特征(概念)。不同深度和架构的深度CNN具有不同的表示能力。因此，我们考虑了有关网络和转移学习技术的各种情况，目的是为了找到合适的特征提取模块。我们采用了五个深度CNN(AlexNet、VGG、ResNet18、ResNet26和Mobilenet_v2)并进行了比较，修改后的VGG-16模块帮助我们的模型达到了88.1％的较好准确率。
其次是基于注意力的池化模块。MIL模型通常利用最大池化或平均池化。上述池化方法是不可训练的，可能会限制其适用性。在此，我们提出使用两层神经网络进行MIL池化。在我们的网络中，实例的加权平均数被确定，权重之和必须等于1。这种操作使模型能够代表个体中实例之间的相似性或不相似性。
由于之前的研究确定了从CT图像中提取的气道树的快照在使用深度CNN进行慢阻肺识别中的可行性，因此我们使用从CT图像中提取的气道和肺区的快照作为形态学信息进行了实验。根据以往的研究，慢阻肺是一种复杂的、多系统的疾病，可以对应气道的功能损伤。因此，气道重塑和肺实质的破坏在慢阻肺患者中非常常见。在Du等的研究中，仅在深度CNN方法中利用了气道信息，他们的CNN模型所提取的特征对慢阻肺分类具有鉴别作用。他们的模型达到了88.6％的准确率。此外，Sun等人建立了一个基于注意力的MIL模型，只使用CT图像进行慢阻肺检测，得到的AUC为0.934。在我们的研究中，我们结合了CT图像和气道信息在慢阻肺识别中的优势，并更新了肺区作为形态学信息。研究结果表明，增加气道和肺区信息有利于从HC中识别慢阻肺，因为它有助于大大提升准确性。
本研究提出的注意力引导的MIL集合模块可以提供良好的可解释性。每个实例的注意权重表明其对最终预测的重要性。在预测慢阻肺或HC的同时，提出的注意力引导的MIL模型还输出每个实例的注意力权重。这个注意权重表示这个实例对最终预测的重要性。注意权重的分布在慢阻肺组和HC组之间是不同的。对于慢阻肺组，注意力权重随着实例的位置而变化。从实例1到20(从前部到后部)，它在实例1是最大的，在实例5下降到最小，开始增加并在实例16达到第二个高峰，然后下降。对于HC组来说，注意力权重通常沿着实例的位置保持不变。实例前部位置的注意权重值较高，这可能与肺气肿的上部区域为主有关，这是慢阻肺的共同特征。后部实例的注意权重较低，可能是由于这些实例的肺部区域较低。HC受试者中均匀分布的实例值代表了对最终袋子预测的大致同等贡献。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种肺图像的处理方法，其特征在于，包括：
获取预设分类模型、待处理的肺图像及其对应的肺区域图像及气道图像；
分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果；
基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。
2.根据权利要求1所述的肺图像的处理方法，其特征在于，在所述获取待处理的肺图像对应的肺区域图像及气道图像之前，包括：
获取待处理的肺图像；
分别对所述待处理的肺图像进行肺区域分割及气道提取，得到肺区域图像及气道图像。
3.根据权利要求1-2任一项所述的肺图像的处理方法，其特征在于，所述分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果的方法，包括：
分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征；
分别计算所述第一组特征、第二组特征及第三组特征对应的权重矩阵；
分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵进行融合，得到第一分类特征、第二分类特征及第三分类特征；
分别基于所述第一分类特征、所述第二分类特征及所述第三分类特征，得到对应的第一分类结果、第二分类结果及第三分类结果。
4.根据权利要求3所述的肺图像的处理方法，其特征在于，所述分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵进行融合，得到第一分类特征、第二分类特征及第三分类特征的方法，包括：
分别将所述第一组特征、第二组特征及第三组特征及对应的权重矩阵执行矩阵乘法操作，得到第一分类特征、第二分类特征及第三分类特征。
5.根据权利要求3-4任一项所述的肺图像的处理方法，其特征在于，在所述分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征之前，分别确定进行特征提取的所述待处理的肺图像、以及/或所述肺区域图像、以及/或所述气道图像对应的第一图像，以及/或第二图像、以及/或第三图像，其确定方法，包括：
删除所述待处理的肺图像中非肺图像，得到包含肺的图像；根据获取的设定数目，对包含肺的图像进行提取，得到待特征提取对应的第一图像；
对所述肺区域图像进行三维重建，得到三维肺区域图像；按照多个第一设定角度，对所述三维肺区域图像进行拍照，得到多个第一二维快照对应的第二图像；
对所述气道图像进行三维重建，得到三维气道图像；按照多个第二设定角度，对所述三维气道图像进行拍照，得到多个第二二维快照对应的第三图像。
6.根据权利要求3-5任一项所述的肺图像的处理方法，其特征在于，所述分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征的方法，包括：
获取预设特征提取模型，对所述预设特征提取模型进行训练，得到训练的特征提取模型；
基于所述训练的特征提取模型，分别对所述待处理的肺图像、所述肺区域图像及所述气道图像进行特征提取，得到对应的第一组特征、第二组特征及第三组特征。
7.根据权利要求1-6任一项所述的肺图像的处理方法，其特征在于，所述基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别的方法，包括：
分别确定所述第一分类结果、所述第二分类结果及所述第三分类结果对应的第一概率值、第二概率值及第三概率值；
对所述第一概率值、所述第二概率值及所述第三概率值进行回归分析，进行慢阻肺的识别；
或，
对所述第一分类结果、所述第二分类结果及所述第三分类结果进行统计，得到确定为慢阻肺对应的第一数值及确定为非慢阻肺对应的第二数值；
若所述第一数值大于所述第二数值，则确定为慢阻肺；否则，确定为非慢阻肺。
8.一种肺图像的处理装置，其特征在于，包括：
获取单元，用于获取预设分类模型、待处理的肺图像及其对应的肺区域图像及气道图像；
分类单元，用于分别基于所述预设分类模型，利用所述待处理的肺图像、所述肺区域图像及所述气道图像得到对应的第一分类结果、第二分类结果及第三分类结果；
识别单元，用于基于所述第一分类结果、所述第二分类结果及所述第三分类结果，进行慢阻肺的识别。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的肺图像的处理方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的肺图像的处理方法。
CN202210507864.7A 2022-05-11 2022-05-11 肺图像的处理方法、装置、电子设备和存储介质 Pending CN115170464A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210507864.7A CN115170464A (zh) 2022-05-11 2022-05-11 肺图像的处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210507864.7A CN115170464A (zh) 2022-05-11 2022-05-11 肺图像的处理方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN115170464A true CN115170464A (zh) 2022-10-11

Family

ID=83482933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210507864.7A Pending CN115170464A (zh) 2022-05-11 2022-05-11 肺图像的处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115170464A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186593A (zh) * 2023-03-10 2023-05-30 山东省人工智能研究院 一种基于可分离卷积和注意力机制的心电信号检测方法
CN117038023A (zh) * 2023-10-08 2023-11-10 中国医学科学院北京协和医院 基于结直肠癌病理图像的dMMR胚系突变亚型分类方法及系统
CN117808975A (zh) * 2024-02-27 2024-04-02 天津市肿瘤医院（天津医科大学肿瘤医院） 一种基于深度学习的肺部图像手术规划三维重建方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186593A (zh) * 2023-03-10 2023-05-30 山东省人工智能研究院 一种基于可分离卷积和注意力机制的心电信号检测方法
CN116186593B (zh) * 2023-03-10 2023-10-03 山东省人工智能研究院 一种基于可分离卷积和注意力机制的心电信号检测方法
CN117038023A (zh) * 2023-10-08 2023-11-10 中国医学科学院北京协和医院 基于结直肠癌病理图像的dMMR胚系突变亚型分类方法及系统
CN117808975A (zh) * 2024-02-27 2024-04-02 天津市肿瘤医院（天津医科大学肿瘤医院） 一种基于深度学习的肺部图像手术规划三维重建方法
CN117808975B (zh) * 2024-02-27 2024-05-03 天津市肿瘤医院（天津医科大学肿瘤医院） 一种基于深度学习的肺部图像手术规划三维重建方法

Similar Documents

Publication Publication Date Title
TWI755853B (zh) 圖像處理方法、電子設備和電腦可讀儲存介質
CN112767329B (zh) 图像处理方法及装置、电子设备
Zhou et al. Salient region detection via integrating diffusion-based compactness and local contrast
TWI713054B (zh) 圖像分割方法及裝置、電子設備和儲存媒體
JP2022537974A (ja) ニューラルネットワーク訓練方法及び装置、電子機器並びに記憶媒体
WO2022151755A1 (zh) 目标检测方法及装置、电子设备、存储介质、计算机程序产品和计算机程序
CN115170464A (zh) 肺图像的处理方法、装置、电子设备和存储介质
CN111462036A (zh) 基于深度学习的病理图像处理方法、模型训练方法及装置
WO2022036972A1 (zh) 图像分割方法及装置、电子设备和存储介质
CN114820584B (zh) 肺部病灶定位装置
JP2015041383A (ja) 対象追跡方法及び対象追跡装置
CN113222038B (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
WO2021259390A2 (zh) 一种冠脉钙化斑块检测方法及装置
US20210407637A1 (en) Method to display lesion readings result
CN117218133A (zh) 肺图像处理方法及装置、电子设备和存储介质
CN115565666A (zh) 脑梗死评估方法及装置、电子设备和存储介质
KR102427395B1 (ko) 인공지능 기반 피부암 판단을 위한 제어 방법, 장치 및 프로그램
WO2022012038A1 (zh) 图像处理方法及装置、电子设备、存储介质和程序产品
CN115115826A (zh) 特征选择、提取方法及装置、异常检测模型及其构建方法
CN114418931B (zh) 术后剩余肺叶的提取方法及装置、电子设备和存储介质
Vinta et al. Segmentation and Classification of Interstitial Lung Diseases Based on Hybrid Deep Learning Network Model
Aquilina et al. Deep Learning Diagnostic Classification of Cervical Images to Augment Colposcopic Impression
TWI836394B (zh) 醫療影像處理之方法、裝置及電腦程式
Belgaum et al. Development of IoT-Healthcare Model for Gastric Cancer from Pathological Images
CN115099293B (zh) 一种模型训练方法及装置、电子设备和存储介质

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