CN115170510B - 一种病灶检测方法、装置、电子设备及可读存储介质 - Google Patents
一种病灶检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115170510B CN115170510B CN202210786683.2A CN202210786683A CN115170510B CN 115170510 B CN115170510 B CN 115170510B CN 202210786683 A CN202210786683 A CN 202210786683A CN 115170510 B CN115170510 B CN 115170510B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- dimensional feature
- feature map
- network
- sequence
- 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 97
- 238000010586 diagram Methods 0.000 claims abstract description 87
- 238000000605 extraction Methods 0.000 claims abstract description 80
- 210000004072 lung Anatomy 0.000 claims abstract description 50
- 230000007246 mechanism Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000003902 lesion Effects 0.000 claims description 36
- 238000005215 recombination Methods 0.000 claims description 22
- 230000006798 recombination Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 11
- 230000008521 reorganization Effects 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 description 39
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 210000004704 glottis Anatomy 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010054107 Nodule Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000027790 Rib fracture Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种病灶检测方法、装置、电子设备及可读存储介质,该方法包括:获取肺门区CT图像;采用三维特征提取网络提取肺门区CT图像的特征,得到对应的三维特征图;采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果。如此,可以获取到三维特征图中不同层的二维特征,并将不同层的二维特征关联起来,最终形成具有丰富空间信息的新的三维特征图,大大增加了肺门区特征的感受野,从而可以实现更加精准的病灶预测,尤其对于跨越层面众多,需要丰富空间信息才能准确预测的病灶,从而提高肺门区的病灶检出度和检出准确度。
Description
技术领域
本申请涉及医学图像处理技术领域,尤其涉及一种病灶检测方法、装置、电子设备及可读存储介质。
背景技术
基于胸部电子计算机断层扫描(Computed Tomography,CT)图像对肺部的分析,是诊断肺部疾病,如肺炎、肿块结节、气胸、肋骨骨折等的主要手段。肺门区血管丰富、结构复杂,是胸部CT图像中较难分析的一个区域,且一些肺门区的病灶,如图1所示,由于其密度与血管组织接近,容易隐匿于血管组织中。因此,提高肺门区病灶的检出度及准确度是亟需解决的问题。
发明内容
有鉴于此,本申请实施例通过提供一种病灶检测方法、装置、电子设备及可读存储介质,用以至少解决现有技术中存在的上述技术问题。
根据本申请第一方面,本申请实施例提供了一种病灶检测方法,包括:获取肺门区CT图像;采用三维特征提取网络提取肺门区CT图像的特征,得到对应的三维特征图;采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果。
可选地,采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图,包括:采用二维特征提取网络将三维特征图进行维度重组变换,得到对应的二维特征图序列;采用二维特征提取网络提取二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列;采用二维特征提取网络将融合特征图序列还原为三维的图像,得到新的三维特征图。
可选地,采用二维特征提取网络将三维特征图进行维度重组变换,得到对应的二维特征图序列,包括:采用二维特征提取网络将三维特征图按照图像序列沿第一方向排列的方式转换为二维特征图序列,第一方向包括高度方向、深度方向、宽度方向中的任一种。
可选地,二维特征提取网络包括二维卷积网络、维度重组网络和自注意力机制网络,
采用二维特征提取网络提取二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列,包括:采用二维卷积网络提取二维特征图序列的特征,得到新的二维特征图序列;采用维度重组网络将新的二维特征图序列进行维度重组变换,得到对应的一维特征图序列;针对一维特征图序列中的每个一维特征图,采用自注意力机制网络对该一维特征图及该一维特征图对应的其他一维特征图进行融合处理,得到对应的融合特征图序列。
可选地,采用维度重组网络将新的二维特征图序列进行维度重组变换,得到对应的一维特征图序列,包括:采用维度重组网络将新的二维特征图序列按照图像序列平行于深度方向的方式转换为一维特征图序列。
可选地,获取肺门区CT图像,包括:获取胸部CT图像;对胸部CT图像进行分割,得到肺门区CT图像。
可选地,检测网络包括分类网络和回归网络,
采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果,包括:采用分类网络对新的三维特征图进行病灶检测,得到病灶类型结果;采用回归网络对新的三维特征图进行病灶检测,得到病灶位置结果。
根据本申请第二方面,本申请实施例提供了一种病灶检测装置,包括:获取单元,用于获取肺门区CT图像;第一提取单元,用于采用三维特征提取网络提取肺门区CT图像的特征,得到对应的三维特征图;第二提取单元,用于采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;检测单元,用于采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果。
根据本申请第三方面,本申请实施例提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如第一方面或第一方面任意实施方式中的病灶检测方法。
根据本申请第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的病灶检测方法。
本申请实施例提供的病灶检测方法、装置、电子设备及可读存储介质,通过获取肺门区CT图像;采用三维特征提取网络提取肺门区CT图像的特征,得到对应的三维特征图;采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果;如此,可以获取到三维特征图中不同层的二维特征,并将不同层的二维特征关联起来,最终形成具有丰富空间信息的新的三维特征图,大大增加了肺门区特征的感受野,从而基于新的三维特征图进行肺门区病灶检测时,可以实现更加精准的病灶预测,尤其对于跨越层面众多,需要丰富空间信息才能准确预测的病灶,可以实现精准预测,从而提高肺门区的病灶检出度和检出准确度。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为淋巴结肿大患者的肺门区CT图像;
图2为本申请实施例中一种病灶检测方法的结构示意图;
图3为本申请实施例中采用特征金字塔网络提取肺门区CT图像的特征的流程示意图;
图4为本申请实施例中采用二维特征提取网络提取三维特征图的特征的流程示意图;
图5为采用本申请实施例的病灶检测方法检测出的肺门肿块及位置示意图;
图6为本申请实施例中将深度方向的每个像素当成一个一维特征图的示意图;
图7为本申请实施例中一种病灶检测装置的结构示意图;
图8为本申请实施例中一种电子设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前胸部CT影像上的肺门占位检测,大都通过三维卷积的方法,例如RetinaNet或者FCOS检测算法,使用三维卷积进行空间信息捕捉,然后进行病灶检测。但这种方法,由于三维卷积采用的一般都是简单的卷积与池化的方式,因此,很难将肺门区CT图像中多层之间的信息准确的关联,因此,肺门区病灶检出度不高,检测准确性不高,容易产生假阳性病灶和漏检真正的病灶。
为此,本申请实施例提供了一种病灶检测方法,如图2所示,包括:
S101,获取肺门区CT图像。
在本实施例中,肺门区CT图像为胸部CT图像的一部分。肺门区CT图像为肺部的肺门对应的CT图像。胸部CT图像和肺门区CT图像均为三维图像。
在一些实施例中,获取肺门CT图像时,可通过如下步骤进行:
a,获取胸部CT图像。
b,对胸部CT图像进行分割,得到肺门区CT图像。
S102,采用三维特征提取网络提取肺门区CT图像的特征,得到对应的三维特征图。
在本实施例中,三维特征提取网络包括但不限于ResNet,DenseNet,EfficientNet,Inception以及上述网络与特征金字塔网络(FPN)的结合体。三维特征提取网络用于初步的特征提取。
例如,如图3所示,将肺门区CT图像输入到特征金字塔网络,可以得到对应的多组三维(3D)特征图。每组三维特征图包括多张三维特征图。在图3中,由于三维特征提取网络选取的是特征金字塔网络,因此,得到的是多组三维特征图,而对于其他三维特征提取网络,则对应得到的是一张三维特征图。
S103,采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图。
在本实施例中,二维特征提取网络用于对三维特征图进行进一步的特征提取与融合。如图4所示,将所有的三维特征图输入到二维特征提取网络(例如包括2D卷积网络和自注意力机制网络),输出新的三维特征图。
在本实施例中,三维特征图相当于是多层的二维特征图,通过二维特征提取网络提取三维特征图的特征,并基于自注意力机制对提取到的特征进行融合,可以使得每层二维特征图的特征结合三维空间中其他二维特征层的特征,使得每层二维特征图的特征具有更多的特征信息,具有更大的感受野,然后将多层二维特征图的特征还原为三维特征,就可以得到新的三维特征图。
S104,采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果。
在本实施例中,检测网络包括但不限于1×1的卷积核。
在一些实施例中,检测网络包括分类网络和回归网络。
具体实施时,步骤S104采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果,包括:采用分类网络对新的三维特征图进行病灶检测,得到病灶类型结果;采用回归网络对新的三维特征图进行病灶检测,得到病灶位置结果。
图5示出了采用本申请实施例的病灶检测方法检测出的肺门肿块及位置示意图,该肺门肿块在采用现有技术中的RetinaNet检测算法进行病灶检测时,被漏检。从而,本申请实施例提供的病灶检测方法相比于经典的检测算法RetinaNet或者FCOS,能够提高肺门区病灶的检出度和准确度。
在本实施例中,病灶检测模型包括三维特征提取网络、二维特征提取网络和检测网络。三维特征提取网络、二维特征提取网络和检测网络的训练步骤包括:
1、获取训练样本。
2、对训练样本进行标注。
3、将标注后的训练样本输入到第一神经网络、第二神经网络和第三神经网络,以训练第一神经网络、第二神经网络和第三神经网络,得到对应的三维特征提取网络、二维特征提取网络和检测网络。
本申请实施例提供的病灶检测方法,通过获取肺门区CT图像;采用三维特征提取网络提取肺门区CT图像的特征,得到对应的三维特征图;采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果;如此,可以获取到三维特征图中不同层的二维特征,并将不同层的二维特征关联起来,最终形成具有丰富空间信息的新的三维特征图,大大增加了肺门区特征的感受野,从而基于新的三维特征图进行肺门区病灶检测时,可以实现更加精准的病灶预测,尤其对于跨越层面众多,需要丰富空间信息才能准确预测的病灶,可以实现精准预测,从而提高肺门区的病灶检出度和检出准确度。
在一个可选的实施例中,步骤S103,采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图,包括:
S1031,采用二维特征提取网络将三维特征图进行维度重组变换,得到对应的二维特征图序列。
S1032,采用二维特征提取网络提取二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列。
S1033,采用二维特征提取网络将融合特征图序列还原为三维的图像,得到新的三维特征图。
针对步骤S1031,采用二维特征提取网络将三维特征图进行维度重组变换,得到对应的二维特征图序列,具体实施时,包括:采用二维特征提取网络将三维特征图按照图像序列沿第一方向排列的方式转换为二维特征图序列,第一方向包括高度方向、深度方向、宽度方向中的任一种。
在本实施例中,优选地,第一方向为深度方向。例如对于三维特征图(B,C,H,W,D),其中B代表一次训练所选取的样本数(BatchSize);C代表特征图的通道数;H代表特征图的高度,对应Y方向;W代表特征图的宽度,对应X方向;D代表特征图的深度,对应Z方向,如果按照图像序列沿深度方向,也即Z方向排列的方式,三维特征图(B,C,H,W,D)可以转换为二维特征图序列(B*D,C,H,W),其中,B*D代表一次训练所选取的样本数,通道为C,二维特征图大小为H*W。
在本实施例中,由于三维特征图具有高度、深度和宽度三个维度,因此,按照其中的一个维度的方向将三维特征图转换为二维特征图序列,可以得到数量有限且相同大小的多层二维特征图,便于对二维特征图的特征进行提取,及对二维特征图的特征进行融合,且避免由于二维特征图序列过多而造成显存泄露的问题。
针对步骤S1032,具体实施时,可设置二维特征提取网络包括二维卷积网络、维度重组网络和自注意力机制网络。则步骤S1032,具体包括:采用二维卷积网络提取二维特征图序列的特征,得到新的二维特征图序列;采用维度重组网络将新的二维特征图序列进行维度重组变换,得到对应的一维特征图序列;针对一维特征图序列中的每个一维特征图,采用自注意力机制网络对该一维特征图及该一维特征图对应的其他一维特征图进行融合处理,得到对应的融合特征图序列。
在本实施例中,将新的二维特征图序列变换为一维特征图序列,是为了使得二维特征图序列可以应用自注意力机制进行特征融合。
在一种实现方式中,采用维度重组网络将新的二维特征图序列进行维度重组变换,得到对应的一维特征图序列,包括:采用维度重组网络将新的二维特征图序列按照图像序列平行于深度方向的方式转换为一维特征图序列。
通过将新的二维特征图序列按照图像序列平行于深度方向的方式转换为一维特征图序列,可以使得自注意力机制仅作用在深度方向,可以使得沿深度方向不同层的二维特征图的特征更好的结合起来。由于自注意力机制具有全局的感受野,因此,可以把上下多层的信息进行有效的融合。
例如,可以采用C'组二维卷积网络对二维特征图序列(B*D,C,H,W)进行特征提取,得到新的二维特征图序列(B*D,C',H,W),然后将新的二维特征图序列进行维度重组变换,将新的二维特征图序列(B*D,C',H,W)变换为一维特征图序列(B*H*W,D,C')。如图6所示,将深度方向的每个像素当成一个一维特征图。然后基于自注意力机制对提取到的特征进行融合,使得每层二维特征图的特征结合三维空间中其他二维特征层的特征,使得每层二维特征图的特征具有更多的特征信息,具有更大的感受野,然后将多层二维特征图的特征还原为三维的特征,就可以得到新的三维特征图。在本实施例中,自注意力机制网络的维度为C'。
在一些其他实施例中,自注意力机制也可以是图像注意力机制。
在本实施例中,通过将三维特征图进行维度重组变换,得到对应的二维特征图序列,提取二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列,将融合特征图序列还原为三维的图像,得到新的三维特征图,既可以得到具有丰富空间信息的肺门区特征,大大增加肺门区特征的感受野,又可以将肺门区特征还原成原本的三维的形式,便于后续的计算。本申请实施例的病灶检测方法可适用于现有的多种检测框架,例如,3D-RetinaNet,3D-FCOS等。
本申请实施例还提供了一种病灶检测装置,如图7所示,包括:
获取单元61,用于获取肺门区CT图像;
第一提取单元62,用于采用三维特征提取网络提取肺门区CT图像的特征,得到对应的三维特征图;
第二提取单元63,用于采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;
检测单元64,用于采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果。
本申请实施例提供的病灶检测装置,通过获取肺门区CT图像;采用三维特征提取网络提取肺门区CT图像的特征,得到对应的三维特征图;采用二维特征提取网络提取三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;采用检测网络对新的三维特征图进行病灶检测,得到病灶检测结果;如此,可以获取到三维特征图中不同层的二维特征,并将不同层的二维特征关联起来,最终形成具有丰富空间信息的新的三维特征图,大大增加了肺门区特征的感受野,从而基于新的三维特征图进行肺门区病灶检测时,可以实现更加精准的病灶预测,尤其对于跨越层面众多,需要丰富空间信息才能准确预测的病灶,可以实现精准预测,从而提高肺门区的病灶检出度和检出准确度。
在一些实施例中,第二提取单元63,用于采用二维特征提取网络将三维特征图进行维度重组变换,得到对应的二维特征图序列;采用二维特征提取网络提取二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列;采用二维特征提取网络将融合特征图序列还原为三维的图像,得到新的三维特征图。
在一些实施例中,第二提取单元63,用于采用二维特征提取网络将三维特征图按照图像序列沿第一方向排列的方式转换为二维特征图序列,第一方向包括高度方向、深度方向、宽度方向中的任一种。
在一些实施例中,二维特征提取网络包括二维卷积网络、维度重组网络和自注意力机制网络,
第二提取单元63,用于采用二维卷积网络提取二维特征图序列的特征,得到新的二维特征图序列;采用维度重组网络将新的二维特征图序列进行维度重组变换,得到对应的一维特征图序列;针对一维特征图序列中的每个一维特征图,采用自注意力机制网络对该一维特征图及该一维特征图对应的其他一维特征图进行融合处理,得到对应的融合特征图序列。
在一些实施例中,第二提取单元63,用于采用维度重组网络将新的二维特征图序列按照图像序列平行于深度方向的方式转换为一维特征图序列。
在一些实施例中,获取单元61,用于获取胸部CT图像;对胸部CT图像进行分割,得到肺门区CT图像。
在一些实施例中,检测网络包括分类网络和回归网络,
检测单元64,用于采用分类网络对新的三维特征图进行病灶检测,得到病灶类型结果;采用回归网络对新的三维特征图进行病灶检测,得到病灶位置结果。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如病灶检测方法。例如,在一些实施例中,病灶检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的病灶检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行病灶检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种病灶检测方法,其特征在于,包括:
获取肺门区CT图像;
采用三维特征提取网络提取所述肺门区CT图像的特征,得到对应的三维特征图;
采用二维特征提取网络提取所述三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;所述采用二维特征提取网络提取所述三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图,包括:采用所述二维特征提取网络将所述三维特征图进行维度重组变换,得到对应的二维特征图序列;采用所述二维特征提取网络提取所述二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列;采用所述二维特征提取网络将所述融合特征图序列还原为三维的图像,得到新的三维特征图;所述二维特征提取网络包括二维卷积网络、维度重组网络和自注意力机制网络,所述采用所述二维特征提取网络提取所述二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列,包括:采用所述二维卷积网络提取所述二维特征图序列的特征,得到新的二维特征图序列;采用所述维度重组网络将所述新的二维特征图序列进行维度重组变换,得到对应的一维特征图序列;针对所述一维特征图序列中的每个一维特征图,采用所述自注意力机制网络对该一维特征图及该一维特征图对应的其他一维特征图进行融合处理,得到对应的融合特征图序列;
采用检测网络对所述新的三维特征图进行病灶检测,得到病灶检测结果。
2.根据权利要求1所述的病灶检测方法,其特征在于,所述采用所述二维特征提取网络将所述三维特征图进行维度重组变换,得到对应的二维特征图序列,包括:
采用所述二维特征提取网络将所述三维特征图按照图像序列沿第一方向排列的方式转换为二维特征图序列,所述第一方向包括高度方向、深度方向、宽度方向中的任一种。
3.根据权利要求1所述的病灶检测方法,其特征在于,所述采用所述维度重组网络将所述新的二维特征图序列进行维度重组变换,得到对应的一维特征图序列,包括:
采用所述维度重组网络将所述新的二维特征图序列按照图像序列平行于深度方向的方式转换为一维特征图序列。
4.根据权利要求1所述的病灶检测方法,其特征在于,所述获取肺门区CT图像,包括:
获取胸部CT图像;
对所述胸部CT图像进行分割,得到所述肺门区CT图像。
5.根据权利要求1所述的病灶检测方法,其特征在于,所述检测网络包括分类网络和回归网络,
所述采用检测网络对所述新的三维特征图进行病灶检测,得到病灶检测结果,包括:
采用所述分类网络对所述新的三维特征图进行病灶检测,得到病灶类型结果;
采用所述回归网络对所述新的三维特征图进行病灶检测,得到病灶位置结果。
6.一种病灶检测装置,其特征在于,包括:
获取单元,用于获取肺门区CT图像;
第一提取单元,用于采用三维特征提取网络提取所述肺门区CT图像的特征,得到对应的三维特征图;
第二提取单元,用于采用二维特征提取网络提取所述三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图;所述采用二维特征提取网络提取所述三维特征图的特征,并基于自注意力机制融合提取到的特征,得到新的三维特征图,包括:采用所述二维特征提取网络将所述三维特征图进行维度重组变换,得到对应的二维特征图序列;采用所述二维特征提取网络提取所述二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列;采用所述二维特征提取网络将所述融合特征图序列还原为三维的图像,得到新的三维特征图;所述二维特征提取网络包括二维卷积网络、维度重组网络和自注意力机制网络,所述采用所述二维特征提取网络提取所述二维特征图序列的特征,并基于自注意力机制融合提取到的特征,得到对应的融合特征图序列,包括:采用所述二维卷积网络提取所述二维特征图序列的特征,得到新的二维特征图序列;采用所述维度重组网络将所述新的二维特征图序列进行维度重组变换,得到对应的一维特征图序列;针对所述一维特征图序列中的每个一维特征图,采用所述自注意力机制网络对该一维特征图及该一维特征图对应的其他一维特征图进行融合处理,得到对应的融合特征图序列;
检测单元,用于采用检测网络对所述新的三维特征图进行病灶检测,得到病灶检测结果。
7.一种电子设备,其特征在于,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-5任意一项所述的病灶检测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行如权利要求1-5任意一项所述的病灶检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786683.2A CN115170510B (zh) | 2022-07-04 | 2022-07-04 | 一种病灶检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786683.2A CN115170510B (zh) | 2022-07-04 | 2022-07-04 | 一种病灶检测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170510A CN115170510A (zh) | 2022-10-11 |
CN115170510B true CN115170510B (zh) | 2023-04-07 |
Family
ID=83490837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210786683.2A Active CN115170510B (zh) | 2022-07-04 | 2022-07-04 | 一种病灶检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170510B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128940B (zh) * | 2023-01-13 | 2023-08-15 | 北京医准智能科技有限公司 | 一种肋骨骨折检出假阳性的抑制方法、装置及设备 |
CN117685881B (zh) * | 2024-01-31 | 2024-06-04 | 成都建工第七建筑工程有限公司 | 一种混凝土结构实体位置与尺寸偏差的感知与检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754389A (zh) * | 2018-12-07 | 2019-05-14 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置及设备 |
CN111507965A (zh) * | 2020-04-17 | 2020-08-07 | 中山仰视科技有限公司 | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369567B (zh) * | 2018-12-26 | 2022-12-16 | 腾讯科技(深圳)有限公司 | 三维图像中目标对象的分割方法、装置及电子设备 |
CN110969245B (zh) * | 2020-02-28 | 2020-07-24 | 北京深睿博联科技有限责任公司 | 医学图像的目标检测模型训练方法和装置 |
CN111415342B (zh) * | 2020-03-18 | 2023-12-26 | 北京工业大学 | 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法 |
CN111784706B (zh) * | 2020-06-28 | 2021-06-04 | 广州柏视医疗科技有限公司 | 鼻咽癌原发肿瘤图像自动识别方法及系统 |
CN112116562A (zh) * | 2020-08-26 | 2020-12-22 | 重庆市中迪医疗信息科技股份有限公司 | 基于肺部影像数据检测病灶的方法、装置、设备及介质 |
CN113192085A (zh) * | 2021-05-11 | 2021-07-30 | 联想(北京)有限公司 | 三维器官图像分割方法、装置及计算机设备 |
CN114494442A (zh) * | 2022-04-02 | 2022-05-13 | 深圳市海清视讯科技有限公司 | 图像处理方法、装置及设备 |
-
2022
- 2022-07-04 CN CN202210786683.2A patent/CN115170510B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754389A (zh) * | 2018-12-07 | 2019-05-14 | 北京市商汤科技开发有限公司 | 一种病灶检测方法、装置及设备 |
CN111507965A (zh) * | 2020-04-17 | 2020-08-07 | 中山仰视科技有限公司 | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115170510A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210158533A1 (en) | Image processing method and apparatus, and storage medium | |
CN115170510B (zh) | 一种病灶检测方法、装置、电子设备及可读存储介质 | |
CN114565763B (zh) | 图像分割方法、装置、设备、介质及程序产品 | |
CN114842123B (zh) | 三维人脸重建模型训练和三维人脸形象生成方法及装置 | |
CN109272543B (zh) | 用于生成模型的方法和装置 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN115409990B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN115018992B (zh) | 发型模型的生成方法、装置、电子设备及存储介质 | |
CN112528858A (zh) | 人体姿态估计模型的训练方法、装置、设备、介质及产品 | |
CN116245832B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN113971728B (zh) | 图像识别方法、模型的训练方法、装置、设备及介质 | |
CN115330940A (zh) | 一种三维重建方法、装置、设备和介质 | |
CN115439453A (zh) | 一种脊椎椎体定位方法、装置、电子设备及存储介质 | |
CN115409951B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115147360B (zh) | 一种斑块分割方法、装置、电子设备及可读存储介质 | |
CN115409856B (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
CN114693642B (zh) | 一种结节匹配方法、装置、电子设备及存储介质 | |
CN116091702A (zh) | 血管结构重建方法、装置、设备和存储介质 | |
CN115861189A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN114998273A (zh) | 血管图像处理方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083 Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |