CN115511818B - 一种肺结节检出模型的优化方法、装置、设备及存储介质 - Google Patents
一种肺结节检出模型的优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115511818B CN115511818B CN202211149410.3A CN202211149410A CN115511818B CN 115511818 B CN115511818 B CN 115511818B CN 202211149410 A CN202211149410 A CN 202211149410A CN 115511818 B CN115511818 B CN 115511818B
- Authority
- CN
- China
- Prior art keywords
- lung nodule
- lung
- image
- current
- nodule
- 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
- 206010056342 Pulmonary mass Diseases 0.000 title claims abstract description 421
- 238000001514 detection method Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 210000004072 lung Anatomy 0.000 claims description 112
- 238000013507 mapping Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000007689 inspection Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000008034 disappearance Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000036544 posture 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
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 210000000416 exudates and transudate Anatomy 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开提供了一种肺结节检出模型的优化方法、装置、设备及存储介质,通过患者的临近检查历史信息和当前检查影像,确定所述当前检查影像的多个肺结节候选区域;将所述当前检查影像输入肺结节检出模型,获得所述当前检查影像的多个肺结节特征;基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整所述肺结节检出模型检出的各个肺结节特征的概率阈值,优化肺结节检出模型,能够有效提高肺结节检出模型的准确性,降低出错概率。
Description
技术领域
本公开涉及医疗图像处理领域,尤其涉及一种肺结节检出模型的优化方法、装置、设备及存储介质。
背景技术
目前基于CT(Computed Tomography,电子计算机断层扫描)影像的肺结节检出方法均为单例图像检出方法,即只以本次CT扫描得到的影像作为输入图像,再利用肺结节检出技术来识别肺结节。
现有主流的肺结节检出技术均为基于深度学习和神经网络的技术。该类技术的共同特点是,其检出结果会受到输入图像的影响而发生变化。例如,针对同一个明确结节,同一个检出模型,将输入图像中的结节区域像素平移1个像素后,其检出分数就会发生轻微波动。而对于同一个病人、同一次检查、不同次的扫描,由于病人姿态变化造成肺部发生形变,导致CT图像的变化远大于平移一个像素的变化,因此其模型检出分数就会产生更大波动,导致模型检出概率的准确性降低。
发明内容
本公开提供了一种肺结节检测模型的优化方法、装置、设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种肺结节检出模型的优化方法,所述方法包括:
通过患者的临近检查历史信息和当前检查影像,确定所述当前检查影像的多个肺结节候选区域;
将所述当前检查影像输入肺结节检出模型,获得所述当前检查影像的多个肺结节特征;
基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整所述肺结节检出模型检出的各个肺结节特征的概率阈值。
在一可实施方式中,所述临近检查历史信息包括临近检查影像,所述通过患者的临近检查历史信息和当前检查影像,确定所述当前检查影像的多个肺结节候选区域,包括:
将所述临近检查影像作为第一目标临近检查影像;
将所述第一目标临近检查影像和所述当前检查影像输入肺部配准模型,确定所述第一目标临近检查影像和所述当前检查影像的第一肺部坐标映射关系;
将所述第一目标临近检查影像输入所述肺结节检出模型,确定所述第一目标临近检查影像的肺结节特征区域;
根据所述第一目标临近检查影像的肺结节特征区域和所述第一肺部坐标映射关系,确定所述当前检查影像的肺结节候选区域,并将所述肺结节候选区域扩大至第一预设尺寸的范围。
在一可实施方式中,所述临近检查历史信息不包括临近检查影像,所述通过临近检查历史信息和当前检查影像,确定所述当前检查影像的肺结节候选区域,包括:
调取所述临近检查历史信息中的临近检查结果;
通过所述临近检查结果与标准肺影像,确定第二目标临近检查影像的肺结节特征区域;
将所述标准肺影像和所述当前检查影像输入所述肺部配准模型,确定所述标准肺影像和所述当前检查影像的第二肺部坐标映射关系;
根据所述第二目标临近检查影像的肺结节特征区域和所述第二肺部坐标映射关系,确定所述当前检查影像的肺结节候选区域,并将所述肺结节候选区域扩大至第二预设尺寸的范围。
在一可实施方式中,所述基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整所述肺结节检出模型检出的各个肺结节特征的概率阈值,包括:
在同一位置上,若存在有当前肺结节特征位于所述肺结节候选区域外,则判断所述当前肺结节特征为新增结节,增加所述肺结节检出模型检出所述当前肺结节特征的概率阈值;或者,
在同一位置上,若存在有当前肺结节候选区域不存在肺结节特征,则判断所述当前肺结节候选区域内的结节消失,降低所述肺结节检出模型检出所述当前肺结节候选区域内的肺结节特征的概率阈值。
在一可实施方式中,所述调整所述肺结节检出模型检出的各个肺结节特征的概率阈值,包括;
根据所述临近检查历史信息和所述当前检查影像之间的间隔时长,确定所述肺结节检出模型检出的各个肺结节特征的概率阈值计算公式;
当所述间隔时长超过预设时长时,所述概率阈值计算公式为:
y=(1±a)e-d/365x (1)
当所述间隔时长未超过预设时长时,所述概率阈值计算公式为:
y=(1±a)x (2)
其中,y为肺结节特征的概率阈值,a为提升比例,x为肺结节检出模型设定各个肺结节特征的原始阈值,d为所述临近检查历史信息和所述当前检查影像之间的间隔时长。
在一可实施方式中,所述调整所述肺结节检出模型检出的各个肺结节特征的概率阈值,还包括;
若存在有当前肺结节特征为钙化结节类型,则保持所述当前肺结节特征的概率阈值不变。
根据本公开的第二方面,提供了一种肺结节检出模型的优化装置,所述装置包括:
候选区域确定模块,用于通过患者的临近检查历史信息和当前检查影像,确定所述当前检查影像的多个肺结节候选区域;
肺结节特征确定模块,用于将所述当前检查影像输入肺结节检出模型,获得所述当前检查影像的多个肺结节特征;
优化模块,用于基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整所述肺结节检出模型检出的各个肺结节特征的概率阈值。
在一可实施方式中,候选区域确定模块具体用于:
当所述临近检查历史信息包括临近检查影像时,将所述临近检查影像作为第一目标临近检查影像;将所述第一目标临近检查影像和所述当前检查影像输入肺部配准模型,确定所述第一目标临近检查影像和所述当前检查影像的第一肺部坐标映射关系;将所述第一目标临近检查影像输入所述肺结节检出模型,确定所述第一目标临近检查影像的肺结节特征区域;根据所述第一目标临近检查影像的肺结节特征区域和所述第一肺部坐标映射关系,确定所述当前检查影像的肺结节候选区域,并将所述肺结节候选区域扩大至第一预设尺寸的范围。
在一可实施方式中,候选区域确定模块具体还用于:当所述临近检查历史信息不包括临近检查影像时,调取所述临近检查历史信息中的临近检查结果;通过所述临近检查结果与标准肺影像,确定第二目标临近检查影像的肺结节特征区域;将所述标准肺影像和所述当前检查影像输入所述肺部配准模型,确定所述标准肺影像和所述当前检查影像的第二肺部坐标映射关系;根据所述第二目标临近检查影像的肺结节特征区域和所述第二肺部坐标映射关系,确定所述当前检查影像的肺结节候选区域,并将所述肺结节候选区域扩大至第二预设尺寸的范围。
在一可实施方式中,优化模块具体用于:
在同一位置上,若存在有当前肺结节特征位于所述肺结节候选区域外,则判断所述当前肺结节特征为新增结节,增加所述肺结节检出模型检出所述当前肺结节特征的概率阈值;或者,
在同一位置上,若存在有当前肺结节候选区域不存在肺结节特征,则判断所述当前肺结节候选区域内的结节消失,降低所述肺结节检出模型检出所述当前肺结节候选区域内的肺结节特征的概率阈值。
在一可实施方式中,优化模块具体还用于:
根据所述临近检查历史信息和所述当前检查影像之间的间隔时长,确定所述肺结节检出模型检出的各个肺结节特征的概率阈值计算公式;
当所述间隔时长超过预设时长时,所述概率阈值计算公式为:
y=(1±a)e-d/365x (1)
当所述间隔时长未超过预设时长时,所述概率阈值计算公式为:
y=(1±a)x (2)
其中,y为肺结节特征的概率阈值,a为提升比例,x为肺结节检出模型设定各个肺结节特征的原始阈值,d为所述临近检查历史信息和所述当前检查影像之间的间隔时长。
在一可实施方式中,优化模块具体还用于:
若存在有当前肺结节特征为钙化结节类型,则保持所述当前肺结节特征的概率阈值不变。
根据本公开的第三方面,提供了一种电子设备,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能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的肺结节检出模型的优化方法、装置、设备及存储介质,通过患者的临近检查历史信息和当前检查影像,确定所述当前检查影像的多个肺结节候选区域;将所述当前检查影像输入肺结节检出模型,获得所述当前检查影像的多个肺结节特征;基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整所述肺结节检出模型检出的各个肺结节特征的概率阈值,优化所述肺结节检出模型,能够有效提高肺结节检出模型的准确性,降低出错概率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1A示出了本公开实施例一提供的一种示例性的肺结节图像示意图;
图1B示出了本公开实施例一提供的同一患者第一次随访检查的肺部图像示意图;
图1C示出了本公开实施例一提供的同一患者第二次随访检查的肺部图像示意图;
图1D示出了本公开实施例一提供的一种肺结节检出模型的优化方法的实现流程示意图;
图2A示出了本公开实施例二提供的一种肺结节检出模型的优化方法的实现流程示意图;
图2B为本公开实施例二提供的一种含有临近检查影像的肺结节检出模型的优化方法的示意图;
图2C为本公开实施例二提供的一种不含临近检查影像的肺结节检出模型的优化方法的示意图;
图3示出了本公开实施例三提供的一种肺结节检出模型的优化装置的结构示意图;
图4示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图1A示出了本公开实施例一提供的一种示例性的肺结节图像示意图。以图1A所示的肺结节为例进行说明,虽然是同一个明确结节,同一个检出模型,但是在将输入图像平移1个像素后,其检出肺结节概率值就会发生轻微的波动,示例性的检出概率从85.9%变化为84.5%,出现了约1.5%的波动。而现有主流检出技术均无法避免这种波动。
除此之外,CT扫描时患者姿态的变化,以及患者在时隔几个月再次检查时,由于肺内可能发生的炎性病变,例如结节增大、消失或钙化,都会导致肺结节检出模型对其检出结果产生更大的波动性。图1B为本公开实施例一提供的同一患者第一次随访检查的肺部图像示意图;图1C为本公开实施例一提供的同一患者第二次随访检查的肺部图像示意图。如图1B所示,通过肺结节检出模型能够识别出图中方框位置的肺结节,但是在第二次随访检查中,也即图1C中圆圈标出的位置却没有识别出来,出现了结节漏检情况。而出现结节漏检的原因一部分是由于两次扫描的患者位置、姿态和呼吸不同,导致患者肺部状况发生了变化,具体为肺部血管和气管分布不完全一致,且同一结节的周围区域图像也出现明显的差异。另一部分原因是由于患者第二次检查时患有肺炎,因此整个肺部呈现的密度比第一次检查要高很多,图像清晰度差。综上所述,现有技术中肺结节检出模型针对上述特殊情况并没有相应处理办法,导致肺结节识别的稳定性较差,而本公开实施例提供的肺结节检出模型的优化方法能够有效避免上述情况,具体如下详述。
实施例一
图1D为本公开实施例一提供的一种肺结节检出模型的优化方法的流程图,该方法可以由本公开实施例提供的肺结节检出模型的优化装置来执行,该装置可采用软件和/或硬件的方式实现。该方法具体包括:
S110、通过患者的临近检查历史信息和当前检查影像,确定当前检查影像的多个肺结节候选区域。
其中,临近检查历史信息可以是患者最近一次随访检查的临近检查影像和临近检查结果。其中,临近检查结果可以是包含结节检查结果的记录文档,例如包含影像中所有结节的检出概率以及位置信息。其中,当前检查影像可以是患者本次进行CT扫描后获得的CT影像。肺结节候选区域可以是当前检查影像中高概率含有肺结节特征的区域。
在本公开实施例中,当临近检查历史信息包括临近检查影像时,通过患者的临近检查历史信息和当前检查影像,确定当前检查影像的多个肺结节候选区域,包括:临近检查影像作为第一目标临近检查影像;将第一目标临近检查影像和将当前检查影像输入肺部配准模型,确定第一目标临近检查影像和当前检查影像的第一肺部坐标映射关系;将第一目标临近检查影像输入肺结节检出模型,确定第一目标临近检查影像的肺结节特征区域;根据第一目标临近检查影像的肺结节特征区域和第一肺部坐标映射关系,确定当前检查影像的肺结节候选区域,并将肺结节候选区域扩大至第一预设尺寸的范围。
其中,第一目标临近检查影像用于作为当前检查影像的参考影像,由于第一目标临近检查影像包含了患者最近一次检查肺结节的检查情况,因此其影像上的肺结节特征应该跟患者当前检查肺结节的真实情况最为相近。即使患者有可能出现肺结节新增、恶化、减小或者消失等变化,第一目标临近检查影像也是近期最接近患者真实情况的参考影像。
其中,肺部配准模型为现有技术中任一款能够实现肺部配准的神经网络模型,用于将输入的两张影像中的肺部特征进行匹配,建立一一映射的关联关系,本实施例不对其具体类型进行限定。第一肺部坐标映射关系可以是将第一目标临近检查影像中的肺部特征直接配准到最新检查的当前检查影像中的肺部,得到第一目标临近检查影像内的坐标点和当前检查影像内的坐标点之间的一一映射关系。
其中,第一目标临近检查影像的肺结节特征区域可以是将第一目标临近检查影像输入肺结节检出模型后所得到的显示具有肺结节特征的区域。肺结节候选区域可以是将第一目标临近检查影像的肺结节特征区域通过第一肺部坐标映射关系,映射到当前检查影像中的区域,用于作为高概率检出肺结节的候选区域。也即,若之前肺部某个位置检出过肺结节,假设结节未消失,那么在本次检查也会大概率出现在之前肺结节所在的区域范围内,本实施例将上述可能性的区域范围作为肺结节候选区域。第一预设尺寸为根据实际需求而设定的一个扩展尺寸值,用于扩大肺结节候选区域的范围,提高肺结节特征检出的准确性。
具体的,本实施例结合患者的临近检查历史信息,可以获得患者最近一次检查影像中包含肺结节特征的情况。比如在第一目标临近检查影像中某区域检出有肺结节特征,那么在当前检查影像中的同样位置区域大概率也会存在肺结节特征。因此,本实施例通过确定第一目标临近检查影像和当前检查影像的第一肺部坐标映射关系,将第一目标临近检查影像中包含有肺结节特征区域映射到当前检查影像中,作为当前检查影像的肺结节候选区域,用于着重观察是否具有肺结节特征。为了避免漏检,提高肺结节特征检出的准确性,本实施例将肺结节候选区域扩大至第一预设尺寸的范围,由于第一目标临近检查影像和当前检查影像均为同一个人的肺部影像,配准误差较小,本实施例可以在原有肺结节候选区域的基础上略微扩大一点即可,示例性的,本实施例在保持中心点不变的基础上,第一预设尺寸设置为长宽高扩大1.5倍。
在本公开另一实施例中,当临近检查历史信息不包括临近检查影像时,通过临近检查历史信息和当前检查影像,确定当前检查影像的肺结节候选区域,包括:调取临近检查历史信息中的临近检查结果;通过临近检查结果与标准肺影像,确定第二目标临近检查影像的肺结节特征区域;将标准肺影像和当前检查影像输入肺部配准模型,确定标准肺影像和当前检查影像的第二肺部坐标映射关系;根据第二目标临近检查影像的肺结节特征区域和第二肺部坐标映射关系,确定当前检查影像的肺结节候选区域,并将肺结节候选区域扩大至第二预设尺寸的范围。
其中,临近检查结果可以是采用字符方式记录患者临近检查影像的信息。一般来说,临近检查历史信息包含临近检查影像和临近检查结果,但是由于计算机硬件存储空间的限制,没有办法保存较长时间的临近检查影像,所以当患者上一次检查结束后超过一定时长,则会删除临近检查影像,仅保留临近检查结果。
其中,标准肺影像是预先选出来保持不变的肺部影像。第二肺部坐标映射关系可以是以标准肺影像作为中介,当前检查影像中的肺部特征直接配准到标准肺影像中的肺部,得到标准肺影像内的坐标点和当前检查影像内的坐标点之间的一一映射关系。第二目标临近检查影像可以是通过标准肺影像和临近检查结果而还原的一个虚拟临近检查影像,而真实的临近检查影像。
具体的,本实施例的应用场景是临近检查历史信息内不包括临近检查影像的情况。本实施例可以调取临近检查历史信息中保存的临近检查结果,根据临近检查结果中所记录的肺结节特征,借由标准肺影像还原标准肺影像中的肺结节特征,作为第二目标临近检查影像的肺结节特征区域。需要说明的是,本实施例中的临近检查结果包含的肺结节特征,也可以是之前检查后以标准肺影像作为中介,将临近检查影像和标准肺影像输入肺部配准模型,从而将临近检查影像中肺部特征配准到标准肺影像上,得到临近检查影像内坐标与标准肺影像之间的肺部坐标映射关系,从而记录为标准肺影像中的肺结节特征。
具体的,本实施例同时以标准肺影像作为中介,将标准肺影像和当前检查影像输入肺部配准模型,确定标准肺影像和当前检查影像的第二肺部坐标映射关系。如此将标准肺影像作为中间桥梁,可以将患者上次检查保存的标准肺影像中的肺结节特征进行还原作为第二目标临近检查影像的肺结节特征区域,并以第二目标临近检查影像的肺结节特征区域作为当前检查的参考影像。具体为根据第二目标临近检查影像的肺结节特征区域和第二肺部坐标映射关系,确定当前检查影像的肺结节候选区域,用于着重观察是否具有肺结节特征。同样,为了避免漏检,提高肺结节特征检出的准确性,本实施例将肺结节候选区域扩大至第二预设尺寸的范围,由于本实施例并未借助真实存在的临近检查影像,而是借助标准肺影像作为桥梁还原而成,因此存在误差。为了降低误差本实施例可以在第二目标临近检查影像的肺结节特征区域的基础上进行扩大操作,用于尽可能的覆盖真实存在肺结节特征的可能性区域,示例性的,本实施例在保持中心点不变的基础上,第二预设尺寸设置为长宽高扩大2倍。
S120、将当前检查影像输入肺结节检出模型,获得当前检查影像的多个肺结节特征。
其中,肺结节检出模型为现有技术中任一款能够识别肺结节的神经网络模型,用于检出肺结节特征。其中,肺结节特征可以是带有检测框的肺结节区域,每个肺结节都带有位置信息和检测概率值。其中,检测概率值用于表示识别该区域具有肺结节特征的可能性,例如检测概率值越大,判断该区域为肺结节特征的概率越大。
具体的,本实施例按照正常操作步骤,将当前检查影像输入肺结节检出模型,可以通过肺结节检出模型识别出当前检查影像的肺结节特征。
S130、基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整肺结节检出模型检出的各个肺结节特征的概率阈值。
其中,概率阈值可以是跟肺结节检出模型相匹配进行设定的阈值,用于确定肺结节特征是否为真实结节的参考值。例如,当某个位置的肺结节特征的检测概率值大于概率阈值,则判定该位置的肺结节特征为真实结节;当某个位置的肺结节特征的检测概率值不大于概率阈值,则判定该位置的肺结节特征不是真实结节。
具体的,本实施例中当前检查影像的每个肺结节特征都会标有一个检测概率值,通过借助患者上一次检查的临近检查历史信息确定当前检测影像的肺结节候选区域,并将肺结节候选区域作为参考对象,与其同位置上是否检出有肺结节特征进行对比,来动态调整各个肺结节特征的概率阈值。
具体的,相同位置上的肺结节候选区域和肺结节特征之间的关系可以具有三种:第一,若肺结节候选区域上有结节,本次检出也有肺结节特征,则对比结果相一致;第二,若肺结节候选区域上有结节,本次检出无肺结节特征,则对比结果不一致;第三,若本次检出有肺结节特征,却无相对应的肺结节候选区域,则对比结果不一致。本实施例针对对比结果一致的肺结节特征,可以保持其概率阈值不变,而针对对比结果不一致的肺结节特征,根据具体情况动态调整其概率阈值,从而优化肺结节检出模型。
本实施例通过患者的临近检查历史信息和当前检查影像,确定当前检查影像的多个肺结节候选区域;将当前检查影像输入肺结节检出模型,获得当前检查影像的多个肺结节特征;基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整肺结节检出模型检出的各个肺结节特征的概率阈值,优化肺结节检出模型,能够有效提高肺结节检出模型的准确性,降低出错概率。
实施例二
图2A为本公开实施例二提供的一种肺结节检出模型的优化方法的流程图,本公开实施例在上述实施例的基础上,其中,基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整肺结节检出模型检出的各个肺结节特征的概率阈值,包括:在同一位置上,若存在有当前肺结节特征位于肺结节候选区域外,则判断当前肺结节特征为新增结节,增加肺结节检出模型检出当前肺结节特征的概率阈值;在同一位置上,若存在有当前肺结节候选区域不存在肺结节特征,则判断当前肺结节候选区域内的结节消失,降低肺结节检出模型检出当前肺结节候选区域内的肺结节特征的概率阈值。该方法具体包括:
S210、通过患者的临近检查历史信息和当前检查影像,确定当前检查影像的多个肺结节候选区域。
S220、将当前检查影像输入肺结节检出模型,获得当前检查影像的多个肺结节特征。
S230、在同一位置上,若存在有当前肺结节特征位于肺结节候选区域外,则判断当前肺结节特征为新增结节,增加肺结节检出模型检出当前肺结节特征的概率阈值。
其中,当前肺结节特征可以是当前期间进行判断的肺结节特征。新增结节可以是在上次检查影像中无结节,而在当前检查影像中却检查出来的结节。
具体的,若患者之前肺部某个位置没有检出结节,而现在却检查出来新结节,除非它的特征特别明显,否则该新结节很有可能不是一个真实结节,而是假阳性结节,比如伪影或血管淤血造成的假阳性结节。因此,本实施例在这种情况下,就可以增加该位置当前肺结节特征的概率阈值,来避免一些假阳性结节。
S240、在同一位置上,若存在有当前肺结节候选区域不存在肺结节特征,则判断当前肺结节候选区域内的结节消失,降低肺结节检出模型检出当前肺结节候选区域内的肺结节特征的概率阈值。
其中,当前肺结节候选区域可以是当前期间进行判断的肺结节候选区域。
具体的,若患者之前肺部某个位置有检出结节,而现在在同样位置上却未检出结节,则判断当前肺结节候选区域内的结节消失。这种结节消失的情况虽然也有可能真实发生,但是为了避免漏检情况,本实施例将主动降低该位置肺结节特征的概率阈值。
具体的,本实施例对肺结节候选区域与当前检查影像的相同区域同时检测出结节,或者同时未检测出结节的情况,不做处理,保持其位置的概率阈值不变。但是针对肺结节候选区域有结节,当前检查影像的相同区域却没有检测出结节的这种结节消失情况;以及,肺结节候选区域没有结节,当前检查影像的相同区域有检测出结节的这种新增结节的情况,本实施例针对上述对比不一致的情况进行分类调整。
本实施例通过考虑结节假阳性通常为局部增粗血管、渗出物造成的斑片、树芽影、呼吸运动伪影等,其出现位置不固定,利用历史随访对应位置没有出现明确结节的信息,可以有效过滤掉一部分假阳性。对于历史随访检出明确结节时,重点关注当次扫描的对应位置是否存在结节,可以有效避免重要结节的漏检。
在本公开实施例中,调整肺结节检出模型检出的各个肺结节特征的概率阈值,包括;根据临近检查历史信息和当前检查影像之间的间隔时长,确定肺结节检出模型检出的各个肺结节特征的概率阈值计算公式;
当间隔时长超过预设时长时,概率阈值计算公式为:
y=(1±a)e-d/365x (1)
当间隔时长未超过预设时长时,概率阈值计算公式为:
y=(1±a)x (2)
其中,y为肺结节特征的概率阈值;a为提升比例,根据结节检出模型而定;x为肺结节检出模型设定各个肺结节特征的原始阈值;d为临近检查历史信息和当前检查影像之间的间隔时长。
其中,预设时长为设定的一个时间阈值,用于确定临近检查历史信息对当前检查影像的参考价值高低情况。例如,临近检查历史信息和当前检查影像之间的间隔时长较近,如果上次检查有结节,那么这次检查结节消失的可能性不大,需要谨慎做出判断,则可以侧重参考临近检查历史信息。也即,两次检查时间间隔越短,临近检查历史信息的参考价值越高,结节判断一致的可能性越高。又例如,临近检查历史信息和当前检查影像之间的间隔时长较长,本实施例可以认为这次检查跟第一次检查没有什么区别,两次检查关联性较低,因此临近检查历史信息的参加价值越低。
具体的,本实施例可以根据临近检查历史信息和当前检查影像之间的间隔时长,确定肺结节检出模型检出的各个肺结节特征的概率阈值计算公式。
例如,针对新增结节的情况,本实施例可以将检出的各个肺结节特征的概率阈值计算公式设置为:
当间隔时长超过预设时长时,概率阈值计算公式为:
y=(1+a)e-d/365x (3)
当间隔时长未超过预设时长时,概率阈值计算公式为:
y=(1+a)x (4)
又例如,针对结节消失的情况,本实施例可以将检出的各个肺结节特征的概率阈值计算公式设置为:
当间隔时长超过预设时长时,概率阈值计算公式为:
y=(1-a)e-d/365x (5)
当间隔时长未超过预设时长时,概率阈值计算公式为:
y=(1-a)x (6)
本实施例可以以两次检查的间隔时间作为参考依据,结合依次判断当前检查影像中各个位置的肺结节候选区域和肺结节特征的对比情况,设置概率阈值计算公式,未考虑结节性质特征。
在本公开实施例中,调整肺结节检出模型检出的各个肺结节特征的概率阈值,还包括;若存在有当前肺结节特征为钙化结节类型,则保持当前肺结节特征的概率阈值不变。
由于钙化结节类型在不同肺部影像中的形态特点鲜明,肺结节检出模型识别错误的概率性较低。因此,当本实施例判断某一当前肺结节特征为钙化结节类型时,则保持当前肺结节特征的概率阈值不变。
图2B为本公开实施例二提供的一种含有临近检查影像的肺结节检出模型的优化方法的示意图,图2C为本公开实施例二提供的一种不含临近检查影像的肺结节检出模型的优化方法的示意图,其中,“随访检查影像”也即本实施例中所提到的“临近检查影像”;“阈值调整模型”可以是根据上述实施例提到的动态调整概率阈值思路而设定的任一款神经网络模型,根据该阈值调整模型动态调整各个肺结节特征的检测概率值。
如图2C所示,本实施例在最终确定肺结节特征后,可以根据标准肺影像与肺结节特征,结合肺部坐标映射,将最终检出的肺结节特征映射到标准肺影像上,并将此结果保存为标准肺影像下的肺结节特征的检出结果,供下一次检查使用。在另一实施例中,若新患者没有临近检查历史信息,也可以在当次检查结束后,将当前检查影像的肺结节特征和标准肺影像进行配准,保存标准肺影像下的肺结节特征的检出结果。
本实施例也可以无论是否存在临近检查影像,在常规结节检出步骤后,均进行一次标准肺配准,计算得到当前检出的肺结节特征在标准肺影像内相映射的坐标信息,作为标准肺影像下的肺结节特征的检出结果长期保存在数据库中。
本实施例应用于优化现有技术中任意一款肺结节检出模型,解决了基于单次检查的结节检出方案对于同一病灶,易受到肺内情况变化导致检出不稳定的问题,利用临近检查历史信息的特点提升肺结节检出率,同时降低假阳性,且解决了因硬件存储空间有限导致无历史随访影像情况下,如何利用历史检出结果进行优化的问题。
实施例三
图3是本公开实施例提供的一种肺结节检出模型的优化装置的结构示意图,该装置具体包括:
候选区域确定模块310,用于通过患者的临近检查历史信息和当前检查影像,确定当前检查影像的多个肺结节候选区域;
肺结节特征确定模块320,用于将当前检查影像输入肺结节检出模型,获得当前检查影像的多个肺结节特征;
优化模块330,用于基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整肺结节检出模型检出的各个肺结节特征的概率阈值。
在一可实施方式中,候选区域确定模块310具体用于:
当临近检查历史信息包括临近检查影像时,将临近检查影像作为第一目标临近检查影像;将第一目标临近检查影像和当前检查影像输入肺部配准模型,确定第一目标临近检查影像和当前检查影像的第一肺部坐标映射关系;将第一目标临近检查影像输入肺结节检出模型,确定第一目标临近检查影像的肺结节特征区域;根据第一目标临近检查影像的肺结节特征区域和第一肺部坐标映射关系,确定当前检查影像的肺结节候选区域,并将肺结节候选区域扩大至第一预设尺寸的范围。
在一可实施方式中,候选区域确定模块310具体还用于:当临近检查历史信息不包括临近检查影像时,调取临近检查历史信息中的临近检查结果;通过临近检查结果与标准肺影像,确定第二目标临近检查影像的肺结节特征区域;将标准肺影像和当前检查影像输入肺部配准模型,确定标准肺影像和当前检查影像的第二肺部坐标映射关系;根据第二目标临近检查影像的肺结节特征区域和第二肺部坐标映射关系,确定当前检查影像的肺结节候选区域,并将肺结节候选区域扩大至第二预设尺寸的范围。
在一可实施方式中,优化模块330具体用于:
在同一位置上,若存在有当前肺结节特征位于肺结节候选区域外,则判断当前肺结节特征为新增结节,增加肺结节检出模型检出当前肺结节特征的概率阈值;或者,
在同一位置上,若存在有当前肺结节候选区域不存在肺结节特征,则判断当前肺结节候选区域内的结节消失,降低肺结节检出模型检出当前肺结节候选区域内的肺结节特征的概率阈值。
在一可实施方式中,优化模块330具体还用于:
根据临近检查历史信息和当前检查影像之间的间隔时长,确定肺结节检出模型检出的各个肺结节特征的概率阈值计算公式;
当间隔时长超过预设时长时,概率阈值计算公式为:
y=(1±a)e-d/365x (1)
当间隔时长未超过预设时长时,概率阈值计算公式为:
y=(1±a)x (2)
其中,y为肺结节特征的概率阈值,a为提升比例,x为肺结节检出模型设定各个肺结节特征的原始阈值,d为临近检查历史信息和当前检查影像之间的间隔时长。
在一可实施方式中,优化模块330具体还用于:若存在有当前肺结节特征为钙化结节类型,则保持当前肺结节特征的概率阈值不变。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图4示出了可以用来实施本公开的实施例的示例电子设备400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/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理,例如肺结节检出模型的优化方法。例如,在一些实施例中,肺结节检出模型的优化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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的肺结节检出模型的优化方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行肺结节检出模型的优化方法。
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)、片上系统(SOC)、复杂可编程逻辑设备(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。
用于实施本公开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。
在本公开的上下文中,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,本发公开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,只要能够实现本公开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。在本公开的描述中,“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,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种肺结节检出模型的优化方法,其特征在于,所述方法包括:
通过患者的临近检查历史信息和当前检查影像,确定所述当前检查影像的多个肺结节候选区域;
将所述当前检查影像输入肺结节检出模型,获得所述当前检查影像的多个肺结节特征;
基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整所述肺结节检出模型检出的各个肺结节特征的概率阈值;
其中,所述基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整所述肺结节检出模型检出的各个肺结节特征的概率阈值,包括:
在同一位置上,若存在有当前肺结节特征位于所述肺结节候选区域外,则判断所述当前肺结节特征为新增结节,增加所述肺结节检出模型检出所述当前肺结节特征的概率阈值;或者,
在同一位置上,若存在有当前肺结节候选区域不存在肺结节特征,则判断所述当前肺结节候选区域内的结节消失,降低所述肺结节检出模型检出所述当前肺结节候选区域内的肺结节特征的概率阈值。
2.根据权利要求1所述的方法,其特征在于,所述临近检查历史信息包括临近检查影像,所述通过患者的临近检查历史信息和当前检查影像,确定所述当前检查影像的多个肺结节候选区域,包括:
将所述临近检查影像作为第一目标临近检查影像;
将所述第一目标临近检查影像和所述当前检查影像输入肺部配准模型,确定所述第一目标临近检查影像和所述当前检查影像的第一肺部坐标映射关系;
将所述第一目标临近检查影像输入所述肺结节检出模型,确定所述第一目标临近检查影像的肺结节特征区域;
根据所述第一目标临近检查影像的肺结节特征区域和所述第一肺部坐标映射关系,确定所述当前检查影像的肺结节候选区域,并将所述肺结节候选区域扩大至第一预设尺寸的范围。
3.根据权利要求1所述的方法,其特征在于,所述临近检查历史信息不包括临近检查影像,所述通过临近检查历史信息和当前检查影像,确定所述当前检查影像的肺结节候选区域,包括:
调取所述临近检查历史信息中的临近检查结果;
通过所述临近检查结果与标准肺影像,确定第二目标临近检查影像的肺结节特征区域;
将所述标准肺影像和所述当前检查影像输入肺部配准模型,确定所述标准肺影像和所述当前检查影像的第二肺部坐标映射关系;
根据所述第二目标临近检查影像的肺结节特征区域和所述第二肺部坐标映射关系,确定所述当前检查影像的肺结节候选区域,并将所述肺结节候选区域扩大至第二预设尺寸的范围。
4.根据权利要求2或3所述的方法,其特征在于,所述调整所述肺结节检出模型检出的各个肺结节特征的概率阈值,包括;
根据所述临近检查历史信息和所述当前检查影像之间的间隔时长,确定所述肺结节检出模型检出的各个肺结节特征的概率阈值计算公式;
当所述间隔时长超过预设时长时,所述概率阈值计算公式为:
y=(1±a)e-d/365x
当所述间隔时长未超过预设时长时,所述概率阈值计算公式为:
y=(1±a)x
其中,y为肺结节特征的概率阈值,a为提升比例,x为肺结节检出模型设定各个肺结节特征的原始阈值,d为所述临近检查历史信息和所述当前检查影像之间的间隔时长。
5.根据权利要求4所述的方法,其特征在于,所述调整所述肺结节检出模型检出的各个肺结节特征的概率阈值,还包括;
若存在有当前肺结节特征为钙化结节类型,则保持所述当前肺结节特征的概率阈值不变。
6.一种肺结节检出模型的优化装置,其特征在于,所述装置包括:
候选区域确定模块,用于通过患者的临近检查历史信息和当前检查影像,确定所述当前检查影像的多个肺结节候选区域,其中,所述肺结节候选区域为所述当前检查影像中具有可能性含有肺结节特征的区域;
肺结节特征确定模块,用于将当前检查影像输入肺结节检出模型,获得所述当前检查影像的多个肺结节特征;
优化模块,用于基于各个位置上的肺结节候选区域和肺结节特征之间的关系,调整所述肺结节检出模型检出的各个肺结节特征的概率阈值
其中,优化模块具体用于:
在同一位置上,若存在有当前肺结节特征位于所述肺结节候选区域外,则判断所述当前肺结节特征为新增结节,增加所述肺结节检出模型检出所述当前肺结节特征的概率阈值;或者,
在同一位置上,若存在有当前肺结节候选区域不存在肺结节特征,则判断所述当前肺结节候选区域内的结节消失,降低所述肺结节检出模型检出所述当前肺结节候选区域内的肺结节特征的概率阈值。
7.根据权利要求6所述的装置,其特征在于,所述候选区域确定模块,具体用于:
所述临近检查历史信息包括临近检查影像,将所述临近检查影像信息作为第一目标临近检查影像;将所述第一目标临近检查影像和所述当前检查影像输入肺部配准模型,确定所述第一目标临近检查影像和当前检查影像的第一肺部坐标映射关系;将所述第一目标临近检查影像输入所述肺结节检出模型,确定所述第一目标临近检查影像的肺结节特征区域;根据所述第一目标临近检查影像的肺结节特征区域和所述第一肺部坐标映射关系,确定所述当前检查影像的肺结节候选区域,并将所述肺结节候选区域扩大至第一预设尺寸的范围;或者,
所述临近检查历史信息不包括临近检查影像,调取所述临近检查历史信息中的临近检查结果;通过所述临近检查结果与标准肺影像,确定第二目标临近检查影像的肺结节特征区域;将所述标准肺影像和所述当前检查影像输入所述肺部配准模型,确定所述标准肺影像和当前检查影像的第二肺部坐标映射关系;根据所述第二目标临近检查影像的肺结节特征区域和所述第二肺部坐标映射关系,确定所述当前检查影像的肺结节候选区域,并将所述肺结节候选区域扩大至第二预设尺寸的范围。
8.根据权利要求7所述的装置,其特征在于,所述优化模块具体还用于:
根据所述临近检查历史信息和所述当前检查影像之间的间隔时长,确定所述肺结节检出模型检出的各个肺结节特征的概率阈值计算公式;
当所述间隔时长超过预设时长时,所述概率阈值计算公式为:
y=(1±a)e-d/365x (1)
当所述间隔时长未超过预设时长时,所述概率阈值计算公式为:
y=(1±a)x (2)
其中,y为肺结节特征的概率阈值,a为提升比例,x为肺结节检出模型设定各个肺结节特征的原始阈值,d为所述临近检查历史信息和所述当前检查影像之间的间隔时长。
9.一种电子设备,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能够执行权利要求1-5中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211149410.3A CN115511818B (zh) | 2022-09-21 | 2022-09-21 | 一种肺结节检出模型的优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211149410.3A CN115511818B (zh) | 2022-09-21 | 2022-09-21 | 一种肺结节检出模型的优化方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115511818A CN115511818A (zh) | 2022-12-23 |
CN115511818B true CN115511818B (zh) | 2023-06-13 |
Family
ID=84504867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211149410.3A Active CN115511818B (zh) | 2022-09-21 | 2022-09-21 | 一种肺结节检出模型的优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511818B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
WO2019200740A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
CN111369530A (zh) * | 2020-03-04 | 2020-07-03 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
CN113763345A (zh) * | 2021-08-31 | 2021-12-07 | 苏州复颖医疗科技有限公司 | 医学影像病灶位置查看方法、系统、设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7623692B2 (en) * | 2005-07-22 | 2009-11-24 | Carestream Health, Inc. | Pulmonary nodule detection in a chest radiograph |
CN108073864B (zh) * | 2016-11-15 | 2021-03-09 | 北京市商汤科技开发有限公司 | 目标对象检测方法、装置及系统和神经网络结构 |
CN108470353A (zh) * | 2018-03-01 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 一种目标跟踪方法、装置和存储介质 |
CN109583391B (zh) * | 2018-12-04 | 2021-07-16 | 北京字节跳动网络技术有限公司 | 关键点检测方法、装置、设备及可读介质 |
CN109949297B (zh) * | 2019-03-20 | 2023-02-21 | 天津工业大学 | 基于Reception和Faster R-CNN的肺结节检测方法 |
US11605164B2 (en) * | 2019-10-22 | 2023-03-14 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for lung nodule evaluation |
KR20220125741A (ko) * | 2021-03-04 | 2022-09-14 | 주식회사 뷰노 | 의료 영상 기반의 병변 분석 방법 |
-
2022
- 2022-09-21 CN CN202211149410.3A patent/CN115511818B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133476A (zh) * | 2017-12-26 | 2018-06-08 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及系统 |
WO2019200740A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | 肺结节的检测方法、装置、计算机设备和存储介质 |
CN111369530A (zh) * | 2020-03-04 | 2020-07-03 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
CN113763345A (zh) * | 2021-08-31 | 2021-12-07 | 苏州复颖医疗科技有限公司 | 医学影像病灶位置查看方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115511818A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220020175A1 (en) | Method for Training Object Detection Model, Object Detection Method and Related Apparatus | |
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN116844177A (zh) | 一种表格识别方法、装置、设备及存储介质 | |
CN114511661A (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
CN113591683A (zh) | 姿态估计方法、装置、电子设备和存储介质 | |
CN110930386B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113657518B (zh) | 训练方法、目标图像检测方法、装置、电子设备以及介质 | |
CN114445825A (zh) | 文字检测方法、装置、电子设备和存储介质 | |
CN113205090B (zh) | 图片矫正方法、装置、电子设备及计算机可读存储介质 | |
CN115511818B (zh) | 一种肺结节检出模型的优化方法、装置、设备及存储介质 | |
CN115409856B (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
CN114119990B (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN115100179B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN116402820A (zh) | 一种检测方法、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 | |
CN113190150B (zh) | 覆盖物的展示方法、设备和存储介质 | |
CN113032071B (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
CN112559342A (zh) | 一种画面测试图像的获取方法、装置、设备及存储介质 | |
CN114972242B (zh) | 心肌桥检测模型的训练方法、装置及电子设备 | |
CN116029967B (zh) | 一种肺栓塞图像的处理方法、装置、设备及存储介质 | |
CN115994898B (zh) | 一种纵膈占位病变图像检测方法、装置、设备及存储介质 | |
CN115841480A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN115018795B (zh) | 医学影像中的病灶的匹配方法、装置、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 | ||
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. |