CN116452697B - 继发性肺结核病灶检测方法和系统 - Google Patents
继发性肺结核病灶检测方法和系统 Download PDFInfo
- Publication number
- CN116452697B CN116452697B CN202310712651.2A CN202310712651A CN116452697B CN 116452697 B CN116452697 B CN 116452697B CN 202310712651 A CN202310712651 A CN 202310712651A CN 116452697 B CN116452697 B CN 116452697B
- Authority
- CN
- China
- Prior art keywords
- cost function
- focus
- neural network
- image
- training set
- 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
- 208000008128 pulmonary tuberculosis Diseases 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000002591 computed tomography Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000003902 lesion Effects 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 210000004072 lung Anatomy 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 201000008827 tuberculosis Diseases 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种继发性肺结核病灶检测方法和系统,该方法包括:获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,进行预处理以获取相应的预处理图像;对预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并划分为候选训练集和测试集;采用多尺度数据增强方式对候选训练集进行数据扩充,以获取目标训练集;分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数以获取SIoU损失函数,基于SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构,对其进行训练以获取深度神经网络模型;采用深度网络模型进行继发性肺结核病灶检测,能够准确高效地进行检测。
Description
技术领域
本发明属于病灶检测技术领域,本发明涉及一种继发性肺结核病灶检测方法和系统。
背景技术
相关技术中,针对继发性肺结核病灶的分类检测主要依托于医生以及医学常用的CT图像辅助软件,其主要功能局限于对CT图像进行查看和管理,主要的检测手段还是依托于医生自身的主观评判。然而,在CT图像中,由于肺结核的病灶类型形态多变,难以辨别,且不同种类的肺结核需要使用不同的方法进行治疗,医护人员往往需要耗费大量的时间和精力从肺部CT图像中找出肺结核病灶并判断病灶类型,长时间以及巨大的工作量使医护人员更容易因疲劳而误诊。
发明内容
本发明的目的在于提供一种继发性肺结核病灶检测方法。
本发明的另一个目的是提供一种继发性肺结核病灶检测系统。
实现本发明目的的技术解决方案为:
一种继发性肺结核病灶检测方法,包括以下步骤:获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,并对所述胸部CT扫描图像集中各胸部CT扫描图像进行预处理以获取相应的预处理图像;对所述预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并将所述标注图像集划分为候选训练集和测试集;采用多尺度数据增强方式对所述候选训练集进行数据扩充,以获取目标训练集;分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数,并根据所述角度成本函数、所述距离成本函数、所述形状成本函数和所述IoU成本函数获取SIoU损失函数,以及基于所述SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构;根据所述目标训练集对所述改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型;采用所述深度神经网络模型对待检测的目标检测图像进行继发性肺结核病灶检测。
在本发明的一个实施例中,采用多尺度数据增强方式对所述候选训练集进行数据扩充,以获取目标训练集,包括:提取所述候选训练集中各胸部CT扫描图像包含的继发性肺结核病灶的所述病灶类别,并统计不同所述病灶类别的数量;针对不同数量的所述病灶类别分配不同的增强系数;在不改变病灶生物特征的前提下,根据所述增强系数对包含相应的所述病灶类别的所述胸部CT扫描图像进行数据扩充,以获取所述目标训练集。
在本发明的一个实施例中,通过以下公式构建所述角度成本函数:
,
其中,为真实框和预测框的中心点的高度差,/>为所述真实框和所述预测框的中心点的距离。
在本发明的一个实施例中,通过以下公式生成所述距离成本函数:
,
其中,,/>,/>,/>为所述角度成本函数,为所述真实框的中心点的坐标,/>为所述预测框的中心点的坐标,为所述真实框与预测框所围成的最小外接矩形的宽和高。
在本发明的一个实施例中,通过以下公式构建所述形状成本函数:
,
其中,,/>, />为所述预测框的宽和高,分别为所述真实框的宽和高,/>为形状成本的关注程度。
在本发明的一个实施例中,通过以下公式构建所述IoU成本函数:
,
其中,为预测框,/>为真实框。
在本发明的一个实施例中,通过以下公式获取所述SIoU损失函数:
,
其中, 为所述IoU成本函数,/>为所述距离成本函数,/>为所述形状成本函数。
在本发明的一个实施例中,在根据所述目标训练集对所述改进的YOLOv5神经网络架构进行训练以获取所述深度神经网络模型之后,还包括:将所述测试集与所述改进的YOLOv5神经网络架构的输出结果进行比对,以获取相应的查全率、查准率、平均精度均值和F1分数,并根据所述查全率、所述查准率、所述平均精度均值和所述F1分数对所述深度神经网络模型进行性能评估。
一种继发性肺结核病灶检测系统,包括:第一获取模块,所述第一获取模块用于获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,并对所述胸部CT扫描图像集中各胸部CT扫描图像进行预处理以获取相应的预处理图像;第二获取模块,所述第二获取模块用于对所述预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并将所述标注图像集划分为候选训练集和测试集;第三获取模块,所述第三获取模块用于采用多尺度数据增强方式对所述候选训练集进行数据扩充,以获取目标训练集;构建模块,所述构建模块用于分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数,并根据所述角度成本函数、所述距离成本函数、所述形状成本函数和所述IoU成本函数获取SIoU损失函数,以及基于所述SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构;第四获取模块,所述第四获取模块用于根据所述目标训练集对所述改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型;检测模块,所述检测模块用于采用所述深度神经网络模型对待检测的目标检测图像进行继发性肺结核病灶检测。
本发明与现有技术相比,其显著优点为:
本发明无需人工参与即可高效准确地进行继发性肺结核病灶检测,从而大大提高了检测的准确性和效率,同时节省了大量的人力物力资源。
附图说明
图1为本发明实施例的继发性肺结核病灶检测方法的流程图。
图2为本发明一个实施例的改进的YOLOv5神经网络架构的结构示意图。
图3为本发明实施例的继发性肺结核病灶检测系统的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
图1为本发明实施例的继发性肺结核病灶检测方法的流程图。
如图1所示,本发明实施例的继发性肺结核病灶检测方法可包括以下步骤:
S1,获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,并对胸部CT扫描图像集中各胸部CT扫描图像进行预处理以获取相应的预处理图像。
具体而言,可通过获取患者的胸部CT扫描图像集,预先获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集。该胸部CT扫描图像集中可包括实变影、簇状小结节、厚壁空洞、非簇状结节四个类别的胸部CT扫描图像,当然也可包括其他类别,在此不做限定。CT图像切片厚度固定为1.25mm和5mm,每张图片的大小为512*512。
由于患者的CT扫描图像既包含肺部区域也包含非肺部区域,因此,需要由专业放射科医生对含病灶的肺部正胸位CT图像进行筛选,并将筛选后的DICOM格式图像转换为卷积神经网络要求的JPG格式,从而获取相应的预处理图像。
S2,对预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并将标注图像集划分为候选训练集和测试集。
对预处理图像采用LabelImg工具标注预处理图像中继发性肺结核病灶的位置坐标和类别信息。作为一种可能的实施方式本发明,可由专业放射科医生进行手动标注,用于首批数据库的建立;作为另一种可能的实施方式。可基于首批数据通过YOLOv5网络训练出的最优模型,并结合LabelImg标注工具对新加入的患者的胸部CT扫描图像进行标注,其中,为了保证标注信息的准确性,需由专业放射科医生有监督的进行审核后纳入数据集,审核内容包括删除错误标注的病灶和添加漏标注的数据,得到的数据均按照8:2的比例(也可为其他比例)划分为训练集和验证集。
S3,采用多尺度数据增强方式对候选训练集进行数据扩充,以获取目标训练集。
在本发明的一个实施例中,采用多尺度数据增强方式对候选训练集进行数据扩充,以获取目标训练集,包括:提取候选训练集中各胸部CT扫描图像包含的继发性肺结核病灶的病灶类别,并统计不同病灶类别的数量;针对不同数量的病灶类别分配不同的增强系数;在不改变病灶生物特征的前提下,根据增强系数对包含相应的病灶类别的胸部CT扫描图像进行数据扩充,以获取目标训练集。
具体而言,首先对候选训练集中各胸部CT扫描图像的类别及坐标信息进行提取,提取的信息采用统计学方法将不同类别的病灶进行分组到四个不同的文件夹,并统计各病灶的数量。根据得到的病灶数量信息,将以数量最多的病灶的5倍为基准自动为每个病灶类型分配增强系数。根据增强系数,所有图像将按照随机旋转、平移、镜像、图片亮暗变换、高斯模糊等不改变病灶生物特征的方法进行数据扩充。图像旋转公式为:,其中,/>是原图像中的像素点坐标;/>是对应像素点/>经过旋转变换后输出图像像素点的坐标;/>为图像旋转角度。图像平移公式为:/>,其中,/>为图像沿轴和/>轴方向的平移量。图像水平镜像变换公式为:/>,图像垂直镜像变换公式分别为:/>。图像亮暗变换公式为:/>,其中/>为原图像像素,/>为输出图像像素,/>和/>表示像素位于第/>行和第/>列,参数/>和/>通常称为增益和偏差参数,分别控制对比度和亮度。高斯模糊变换公式为:,其中/>是模糊半径/>,/>是正态分布的标准偏差,最后得到增强后的训练数据集,即目标训练集。
S4,分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数,并根据角度成本函数、距离成本函数、形状成本函数和IoU成本函数获取SIoU损失函数,以及基于SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构。
具体而言,可基于改进的损失函数(SIoU损失函数)以及嵌入注意力机制构建改进的YOLOv5神经网络架构,如图2所示,其主要分为输入端、用于提取特征的主干网络、用于处理特征的头部网络和输出端四个部分。
其中,输入端获取来自多尺度数据增强后的数据(即,CT扫描图像经图像标注,再由多尺度数据增强模块进行多尺度数据增强),经过自适应锚框计算和图片自适应缩放输入主干网络。主干网络采用CSPDarknet53架构和SPPF模块进行搭建,用于对肺结核病灶图像进行特征提取,以得到共享特征图。改进后的头部网络采用PANet和FPNet网络与嵌入的基于归一化的注意力机制进行搭建,用于融合主干网络输出的特征图,获得更高级的语义信息。并进一步提升特征的多样性和鲁棒性。基于归一化的注意力机制通过抑制不太显著的权重,对注意力模块应用权重稀疏惩罚,从而使它们在保持相似性能的同时具有更高的计算效率。其使用CBAM框架进行搭建,主要包含通道注意力子模块和空间注意力子模块。通道注意力子模块使用了批量归一化的比例因子,如下式所示:
(1)
其中,和/>分别为小批次样本/>的平均值和标准差;/>和/>为可训练的仿射变换参数(尺度和移位)。
通道注意力子模块计算公式为:,其中/>为输出特征,为每个通道的比例因子,权值为/>。其中,还可将/>的比例因子应用于空间维度,来衡量像素的重要性,即像素归一化。对应的空间注意力模块计算公式为:,其中输出记为/>,/>为比例因子,权值为/>。
输出端包含非极大值抑制、IoU阈值判定、改进后使用SIoU损失函数评价真实框和预测框的物体类别置信度损失,用于对融合后的高级语义特征进行回归计算,最终得到待检测患者肺结核病灶的预测矩形框和类别信息。SIoU损失函数进一步考虑了真实框和预测框之间的角度关系,有效地减少了损失的总自由度。具体包含四个部分:角度成本函数、距离成本函数/>、形状成本函数/>和IoU成本函数。
其中,可通过以下公式构建角度成本函数:
, (2)
其中,为真实框和预测框的中心点的高度差,/>为真实框和预测框的中心点的距离。/>,/>,/>,当/>为/>或时,角度损失为/>,在训练过程中若/>,则最小化/>,否则最小化/>。
可通过以下公式生成距离成本函数:
, (3)
其中,,/>,/>,/>为角度成本函数,为真实框的中心点的坐标,/>为预测框的中心点的坐标,/>为真实框与预测框所围成的最小外接矩形的宽和高。
可通过以下公式构建形状成本函数:
, (4)
其中,,/>, />为预测框的宽和高, />分别为真实框的宽和高,/>为形状成本的关注程度。其中,/>的参数范围可为/>。
可通过以下公式构建IoU成本函数:
, (5)
其中,为预测框,/>为真实框。
基于上述公式(2)-(5),可通过以下公式获取SIoU损失函数:
, (6)
其中, 为IoU成本函数,/>为距离成本函数,/>为形状成本函数。
S5,根据目标训练集对改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型。
具体而言,在基于上述方式构建改进的YOLOv5神经网络架构,并根据目标训练集对改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型后,还将测试集与改进的YOLOv5神经网络架构的输出结果进行比对,以获取相应的查全率、查准率、平均精度均值和F1分数,并根据查全率、查准率、平均精度均值和F1分数对深度神经网络模型进行性能评估。
S6,采用深度网络模型对待检测的目标检测图像进行继发性肺结核病灶检测。
具体而言,采用上述方式训练出深度网络模型后,可采用深度网络模型对待检测的目标检测图像进行继发性肺结核病灶检测。由此,既提升了病灶的分类检测的速度,又提高了分类检测的准确度,能更好地辅助医生根据病灶类型定制治疗方案,降低了患者延误治疗和误诊的风险,同时也减轻了医务人员的工作强度。
综上所述,根据本发明实施例的继发性肺结核病灶检测方法,获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,并对胸部CT扫描图像集中各胸部CT扫描图像进行预处理以获取相应的预处理图像,以及对预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并将标注图像集划分为候选训练集和测试集,以及采用多尺度数据增强方式对候选训练集进行数据扩充,以获取目标训练集,并分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数,并根据角度成本函数、距离成本函数、形状成本函数和IoU成本函数获取SIoU损失函数,以及基于SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构,并根据目标训练集对改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型,以及采用深度网络模型对待检测的目标检测图像进行继发性肺结核病灶检测。由此,无需人工参与即可高效准确地进行继发性肺结核病灶检测,从而大大提高了检测的准确性和效率,同时节省了大量的人力物力资源。
对应上述实施例的继发性肺结核病灶检测方法,本发明还提出了一种继发性肺结核病灶检测系统。
如图3所示,本发明实施例的继发性肺结核病灶检测系统可包括:第一获取模块100、第二获取模块200、第三获取模块300、构建模块400、第四获取模块500和检测模块600。
其中,第一获取模块100用于获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,并对胸部CT扫描图像集中各胸部CT扫描图像进行预处理以获取相应的预处理图像;第二获取模块200用于对预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并将标注图像集划分为候选训练集和测试集;第三获取模块300用于采用多尺度数据增强方式对候选训练集进行数据扩充,以获取目标训练集;构建模块400用于分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数,并根据角度成本函数、距离成本函数、形状成本函数和IoU成本函数获取SIoU损失函数,以及基于SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构;第四获取模块500用于根据目标训练集对改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型;检测模块600用于采用深度网络模型对待检测的目标检测图像进行继发性肺结核病灶检测。
在本发明的一个实施例中,第三获取模块300具体用于:提取候选训练集中各胸部CT扫描图像包含的继发性肺结核病灶的病灶类别,并统计不同病灶类别的数量;针对不同数量的病灶类别分配不同的增强系数;在不改变病灶生物特征的前提下,根据增强系数对包含相应的病灶类别的胸部CT扫描图像进行数据扩充,以获取目标训练集。
在本发明的一个实施例中,构建模块400具体用于通过以下公式构建角度成本函数:
,
其中,为真实框和预测框的中心点的高度差,/>为真实框和预测框的中心点的距离。
在本发明的一个实施例中,构建模块400具体还用于通过以下公式生成距离成本函数:
,
其中,,/>,/>,/>为角度成本函数,为真实框的中心点的坐标,/>为预测框的中心点的坐标,/>为真实框与预测框所围成的最小外接矩形的宽和高。
在本发明的一个实施例中,构建模块400具体还用于通过以下公式构建形状成本函数:
,
其中,,/>, />为预测框的宽和高, />分别为真实框的宽和高,/>为形状成本的关注程度。
在本发明的一个实施例中,构建模块400具体还用于通过以下公式构建IoU成本函数:
,
其中,为预测框,/>为真实框。
在本发明的一个实施例中,构建模块400具体还用于通过以下公式获取SIoU损失函数:
,
其中, 为IoU成本函数,/>为距离成本函数,/>为形状成本函数。
在本发明的一个实施例中,第四获取模块500在根据目标训练集对改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型之后,还用于:将测试集与改进的YOLOv5神经网络架构的输出结果进行比对,以获取相应的查全率、查准率、平均精度均值和F1分数,并根据查全率、查准率、平均精度均值和F1分数对深度神经网络模型进行性能评估。
需要说明的是,本发明的继发性肺结核病灶检测系统更具体的实施例可参照上述继发性肺结核病灶检测方法的实施例,为避免冗余,在此不再详述。
根据本发明实施例的继发性肺结核病灶检测系统,通过第一获取模块获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,并对胸部CT扫描图像集中各胸部CT扫描图像进行预处理以获取相应的预处理图像,以及通过第二获取模块对预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并将标注图像集划分为候选训练集和测试集,以及通过第三获取模块采用多尺度数据增强方式对候选训练集进行数据扩充,以获取目标训练集,并通过构建模块分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数,并根据角度成本函数、距离成本函数、形状成本函数和IoU成本函数获取SIoU损失函数,以及基于SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构,并通过第四获取模块根据目标训练集对改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型,以及通过检测模块采用深度网络模型对待检测的目标检测图像进行继发性肺结核病灶检测。由此,无需人工参与即可高效准确地进行继发性肺结核病灶检测,从而大大提高了检测的准确性和效率,同时节省了大量的人力物力资源。
上述实施例为本发明优选地实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种继发性肺结核病灶检测方法,其特征在于,包括以下步骤:
获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,并对所述胸部CT扫描图像集中各胸部CT扫描图像进行预处理以获取相应的预处理图像;
对所述预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并将所述标注图像集划分为候选训练集和测试集;
采用多尺度数据增强方式对所述候选训练集进行数据扩充,以获取目标训练集;
分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数,并根据所述角度成本函数、所述距离成本函数、所述形状成本函数和所述IoU成本函数获取SIoU损失函数,以及基于所述SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构;
根据所述目标训练集对所述改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型;
采用深度网络模型对待检测的目标检测图像进行继发性肺结核病灶检测;
通过以下公式构建所述角度成本函数:
,
其中,为真实框和预测框的中心点的高度差,/>为所述真实框和所述预测框的中心点的距离;
通过以下公式生成所述距离成本函数:
,
其中,,/>,
,/>为所述角度成本函数,/>为所述真实框的中心点的坐标,为所述预测框的中心点的坐标,/>为所述真实框与预测框所围成的最小外接矩形的宽和高;
通过以下公式构建所述形状成本函数:
,
其中,,/>,/>为所述预测框的宽和高,/>分别为所述真实框的宽和高,/>为形状成本的关注程度;
通过以下公式构建所述IoU成本函数:
,
其中,为预测框,/>为真实框;
通过以下公式获取所述SIoU损失函数:
,
其中,为所述IoU成本函数,/>为所述距离成本函数,/>为所述形状成本函数。
2.根据权利要求1所述的继发性肺结核病灶检测方法,其特征在于,采用多尺度数据增强方式对所述候选训练集进行数据扩充,以获取目标训练集,包括:
提取所述候选训练集中各胸部CT扫描图像包含的继发性肺结核病灶的所述病灶类别,并统计不同所述病灶类别的数量;
针对不同数量的所述病灶类别分配不同的增强系数;
在不改变病灶生物特征的前提下,根据所述增强系数对包含相应的所述病灶类别的所述胸部CT扫描图像进行数据扩充,以获取所述目标训练集。
3. 根据权利要求1所述的继发性肺结核病灶检测方法,其特征在于, 在根据所述目标训练集对所述改进的YOLOv5神经网络架构进行训练以获取所述深度神经网络模型之后,还包括:将所述测试集与所述改进的YOLOv5神经网络架构的输出结果进行比对,以获取相应的查全率、查准率、平均精度均值和F1分数,并根据所述查全率、所述查准率、所述平均精度均值和所述F1分数对所述深度神经网络模型进行性能评估。
4.一种继发性肺结核病灶检测系统,其特征在于,包括:
第一获取模块,所述第一获取模块用于获取包含多种继发性肺结核病灶类别的胸部CT扫描图像集,并对所述胸部CT扫描图像集中各胸部CT扫描图像进行预处理以获取相应的预处理图像;
第二获取模块,所述第二获取模块用于对所述预处理图像中肺部病灶区域和病灶类别进行标注以获取相应的标注图像集,并将所述标注图像集划分为候选训练集和测试集;
第三获取模块,所述第三获取模块用于采用多尺度数据增强方式对所述候选训练集进行数据扩充,以获取目标训练集;
构建模块,所述构建模块用于分别构建角度成本函数、距离成本函数、形状成本函数和IoU成本函数,并根据所述角度成本函数、所述距离成本函数、所述形状成本函数和所述IoU成本函数获取SIoU损失函数,以及基于所述SIoU损失函数和注意力机制构建改进的YOLOv5神经网络架构;
第四获取模块,所述第四获取模块用于根据所述目标训练集对所述改进的YOLOv5神经网络架构进行训练以获取深度神经网络模型;
检测模块,所述检测模块用于采用深度网络模型对待检测的目标检测图像进行继发性肺结核病灶检测;
通过以下公式构建所述角度成本函数:
,
其中,为真实框和预测框的中心点的高度差,/>为所述真实框和所述预测框的中心点的距离;
通过以下公式生成所述距离成本函数:
,
其中,,/>,
,/>为所述角度成本函数,/>为所述真实框的中心点的坐标,为所述预测框的中心点的坐标,/>为所述真实框与预测框所围成的最小外接矩形的宽和高;
通过以下公式构建所述形状成本函数:
,
其中,,/>,/>为所述预测框的宽和高, />分别为所述真实框的宽和高,/>为形状成本的关注程度;
通过以下公式构建所述IoU成本函数:
,
其中,为预测框,/>为真实框;
通过以下公式获取所述SIoU损失函数:
,
其中, 为所述IoU成本函数,/>为所述距离成本函数,/>为所述形状成本函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712651.2A CN116452697B (zh) | 2023-06-16 | 2023-06-16 | 继发性肺结核病灶检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712651.2A CN116452697B (zh) | 2023-06-16 | 2023-06-16 | 继发性肺结核病灶检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452697A CN116452697A (zh) | 2023-07-18 |
CN116452697B true CN116452697B (zh) | 2023-09-15 |
Family
ID=87134159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310712651.2A Active CN116452697B (zh) | 2023-06-16 | 2023-06-16 | 继发性肺结核病灶检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452697B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911418B (zh) * | 2024-03-20 | 2024-06-21 | 常熟理工学院 | 基于改进yolo算法的病灶检测方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448854A (zh) * | 2018-09-14 | 2019-03-08 | 慧影医疗科技(北京)有限公司 | 一种肺结核检测模型的构建方法及应用 |
CN114708278A (zh) * | 2022-04-02 | 2022-07-05 | 西安邮电大学 | 一种基于cgan的新冠肺炎ct图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10733727B2 (en) * | 2018-11-14 | 2020-08-04 | Qure.Ai Technologies Private Limited | Application of deep learning for medical imaging evaluation |
-
2023
- 2023-06-16 CN CN202310712651.2A patent/CN116452697B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448854A (zh) * | 2018-09-14 | 2019-03-08 | 慧影医疗科技(北京)有限公司 | 一种肺结核检测模型的构建方法及应用 |
CN114708278A (zh) * | 2022-04-02 | 2022-07-05 | 西安邮电大学 | 一种基于cgan的新冠肺炎ct图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116452697A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
CN111047609B (zh) | 肺炎病灶分割方法和装置 | |
CN109493346A (zh) | 一种基于多损失的胃癌病理切片图像分割方法和装置 | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN111340130A (zh) | 一种基于深度学习和影像组学的泌尿结石检测分类方法 | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
CN109949297B (zh) | 基于Reception和Faster R-CNN的肺结节检测方法 | |
CN116452697B (zh) | 继发性肺结核病灶检测方法和系统 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
CN112116603A (zh) | 一种基于多任务学习的肺结节假阳性筛查方法 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN110543912A (zh) | 自动获取胎儿关键切面超声视频中心动周期视频的方法 | |
CN116386902B (zh) | 基于深度学习的大肠癌人工智能辅助病理诊断系统 | |
CN110796661A (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN111275707A (zh) | 肺炎病灶分割方法和装置 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN112529900A (zh) | 匹配乳腺图像中roi的方法、装置、终端与存储介质 | |
CN110717916B (zh) | 一种基于卷积神经网络的肺栓塞检测系统 | |
CN116229236A (zh) | 一种基于改进YOLO v5模型的结核杆菌检测方法 | |
CN114612738B (zh) | 细胞电镜图像分割模型的训练方法和细胞器互作分析方法 | |
CN116597218A (zh) | 一种病理切片图像病变分级分类检测方法 | |
CN114445419A (zh) | 一种基于支气管拓扑结构的肺段分割方法、装置及系统 |
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 |