CN116912258A - 一种肺部ct图像病灶参数自效估计方法 - Google Patents
一种肺部ct图像病灶参数自效估计方法 Download PDFInfo
- Publication number
- CN116912258A CN116912258A CN202311182000.3A CN202311182000A CN116912258A CN 116912258 A CN116912258 A CN 116912258A CN 202311182000 A CN202311182000 A CN 202311182000A CN 116912258 A CN116912258 A CN 116912258A
- Authority
- CN
- China
- Prior art keywords
- image
- focus
- lung
- parameters
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 210000004072 lung Anatomy 0.000 title claims abstract description 35
- 230000001537 neural effect Effects 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 230000003902 lesion Effects 0.000 claims description 34
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 241001085205 Prenanthella exigua Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20212—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
- G06T2207/30061—Lung
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种肺部CT图像病灶参数自效估计方法,涉及图像处理技术领域，调取肺部CT图像数据集，将CT图像数据集中的病灶参数和特征图像输入网络神经模型，输出加权特征集；构建效能预测模型，将加权特征集输入效能预测模型，与效能目标值比较，以得到效能误差；基于效能预测模型输出的效能误差，对每个病灶参数进行排序，并为每个病灶参数赋予自效权重。采用病灶参数和特征图像融合结果判断病灶参数效能，提高检测速率，有利于快速获取病灶信息和病灶严重程度。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种肺部CT图像病灶参数自效估计方法。
背景技术
随着CT检查技术的广泛应用，医生可以发现如肺结节等肺部早期病变，而判断早期病变的性质对于疾病的诊治有着重要的临床意义。但由于早期病变具有病灶体积小，与周围正常组织分界不清晰，病灶形态难以准确划定，病变内部密度测量困难等特点，故应用传统方法对于肺部早期病灶的性质判定存在着一定难度。因此医生急需一种有效的肺部CT图像处理方法，帮助提高肺部早期病变诊断的准确性。
医学图像分析是包括了医学影像、数字图像处理和数值算法等学科的交叉领域。对于患者的CT图像分析,第一步必须做到的就是感兴趣区域的分割研究,这是医学图像分析中的重要基础。早期的研究主要是直接采用经典方法(区域増长算法等),发展到后期则是根据不同的观察部位和成像机理,设计对应的图像分析算法,例如采用决策树、统计聚类技术分割脑组织的白质和灰质,采用腐蚀膨胀的方法分割出目标区域和背景图像,同时分割出肺部区域的空腔和软组织范围。
在上述的肺部CT图像中主要包含了背景图和肺部图片,在进行肺部分析之前需要对图像进行预处理,其中最重要的部分便是图像分割。图像分割主要有三个问题需要解决。第一,图像的噪声会造成原有像素值的改变,从而使得对像素点的分类不够准确；第二,同一组织存在密度值相同但灰度值分布不均匀的情况；第三,在同一扫描层如果含有多种不同密度不同的组织时,图像反应的是这一区域的平均值而不能将这些组织分开。
发明内容
为了解决上述技术问题，本发明提出了一种肺部CT图像病灶参数自效估计方法，包括如下步骤：
S1、调取肺部CT图像数据集，将CT图像数据集中的病灶参数和特征图像输入网络神经模型，输出加权特征集；
S2、构建效能预测模型，将加权特征集输入所述效能预测模型，与效能目标值比较，以得到病灶参数的效能误差；
S3、基于效能预测模型输出的所述病灶参数的效能误差，为每个病灶参数赋予自效权重，并按照所述自效权重大小排序病灶参数。
进一步地，步骤S1中：
第c个病灶参数的特征图像uc的压缩向量zc为：
；
式中,uc为特征图像集U中第c个病灶参数的特征图像,zc为压缩向量集Z中的第c个压缩向量，(i,j)为特征图像uc的像素坐标，特征图像集U的长宽分别为H、W。
进一步地，将所述压缩向量集Z经过两个全连接层,通过自适应学习，得到新的1×1×C更新向量集S,即：
；
式中,代表Sigmoid激活函数,/>代表RcLU激活函数,W1为维度调整参数,W2为维度增加参数。
进一步地，将更新向量集S的C个向量因子sc，对C个病灶参数的特征图像集U进行逐个特征图像加权,得到加权特征集；
第c个加权特征值：
；
式中,c=1,2,…,C，为加权特征集/>中第c个加权特征值,函数/>表示将向量因子sc与特征图像uc相乘。
进一步地，步骤S2中，构建效能预测模型，效能预测模型的输出为效能误差：
；
式中，为第c个病灶参数加权特征值的效能目标值。
进一步地，步骤S3中，利用如下公式基于效能预测模型输出的病灶参数的效能误差，为每个病灶参数赋予自效权重Kc：
；
式中，为每个病灶参数输出的效能误差。
相比于现有技术，本发明具有如下有益技术效果：
调取肺部CT图像数据集，将CT图像数据集中的病灶参数和特征图像输入网络神经模型，输出加权特征集；构建效能预测模型，将加权特征集输入效能预测模型，与效能目标值比较，以得到效能误差；基于效能预测模型输出的效能误差，对每个病灶参数进行排序，并为每个病灶参数赋予自效权重。采用病灶参数和特征图像融合结果判断病灶参数效能，提高检测速率，有利于快速获取病灶信息和病灶严重程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的肺部CT图像病灶参数自效估计方法流程图。
图2为本发明的肺部CT图像病灶参数自效估计系统结构示意图。
图3为本发明的包含有多个病灶位置的特征图像的CT图像示意图。
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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示，为本发明的一种肺部CT图像病灶参数自效估计方法流程图，包括如下步骤：
S1，调取肺部CT图像数据集，将CT图像数据集中的病灶参数和特征图像输入网络神经模型，输出加权特征集。
首先，由于计算机断层扫描CT在运用时采用的是等间距移动，将整个肺部以横截面的形式展现，所以需要对CT图像采取预处理操作。肺部CT 图像主要包括黑色阴影和亮白两块区域，亮白区域为肺部的软组织部分即密度较高区域，而黑色阴影则表示了肺部气体容积，在初期为了避免背景噪声等对分析区域的影响，需进行预处理。优选地，可采用二值化操作，将CT图像变为灰度值为1或者0的图像，根据CT图像中的灰度阈值范围对其中的非气体容积区域和其余密度较高区域区分，由于需要分析的是图像中心肺部两块肺叶区域，所以针对背景部分通过取反操作对CT图像进行进一步操作。寻找出图像中的明显极大值或者极小值区域，分割出独立的图像元素区域，同时在图像中连接相邻的元素值区域，作为代表多个病灶参数的特征图像集。
对C个病灶参数的特征图像集U进行全局平均池化,将H×W×C的特征图像集U压缩为1×1×C的压缩向量集Z。
第c个病灶参数的特征图像uc的压缩向量zc为：
；
式中,uc(c=1,2,…,C)为特征图像集U中第c个病灶参数的特征图,zc(c=1,2,…,C)为压缩向量集Z中的第c个压缩向量。压缩向量集Z整合了特征图像集U的全局信息,其维度等于特征图像集U的病灶参数总个数C。
将具有全局信息的压缩向量集Z经过两个全连接层,通过自适应学习，得到新的1×1×C更新向量集S,即：
；
式中,代表 Sigmoid激活函数,/>代表RcLU激活函数, W1为维度调整参数, W2为维度增加参数。
依据更新向量集S进行特征重标定,将1×1×C的更新向量集S的C个向量因子sc(c=1,2,…,C)对C个病灶参数的特征图像集U进行逐个特征图像加权,得到加权特征集。
第c个加权特征值：
；
式中,(c=1,2,…,C)为加权特征集/>中第c个加权特征值,函数/>将向量因子sc与特征图像uc在第c个维度上相乘,乘积即为/>。最后得到的加权特征集/>的每个维度被赋予不同权重,以表达特征信息的重要程度,在网络中増强有用信息而抑制无用信息传递。
S2，构建效能预测模型，将加权特征集输入效能预测模型，与效能目标值比较，以得到效能误差。
加权特征集作为输入数据，加权特征集/>包括向量因子和特征图像。
将用于输入数据中的向量因子和特征图像输入至效能预测模型，与效能目标值比较，以得到效能误差。
构建效能预测模型，效能预测模型的输出为效能误差：
；
式中，为第c个病灶参数的特征图像特征值的效能目标值,C为病灶参数总数。
对任一个病灶参数c的特征图像(c=1,2,…,C),以该病灶参数输出的效能误差为分配效能的参考。
S3，基于效能预测模型输出的病灶参数的效能误差，为每个病灶参数赋予自效权重，并按照病灶参数的自效权重大小进行排序。
利用如下公式基于效能预测模型输出的病灶参数的效能误差，为每个病灶参数赋予自效权重Kc：
；
式中，为每个病灶参数输出的效能误差。
最后按照病灶参数的自效权重大小进行排序。提高检测速率，有利于医生快速获取病灶信息和病灶严重程度。
在优选实施例中，利用训练好的分类器对含有病灶参数的病灶区域的特征图像进行最终分类。根据分类结果，通过预设映射关系返回原CT图像。
预设映射关系具体步骤包括：根据特征图像的左上角(x0，y0)和右下角(x1，y1)坐标，得到检测框的宽w、高h及中心点坐标(x，y)，根据采样倍数M对特征图像检测框映射回原CT图像尺寸，得到原CT图像尺寸对应的目标框的左上角(x0’，y0’)和右下角(x1’，y1’)坐标，公式如下：
w=x1-x0；h=y1-y0；x=y0+h/2；
x0’=2M×x-2M×w/2；y0’=2M×y-2M×h/2；
x1’=2M×x-2M×w/2；y1’=2M×x-2M×h/2。
通过以上步骤完成了特征图像到原CT图像的映射。
如图2所示，本发明还公开了一种用于实现上述肺部CT图像病灶参数自效估计方法的系统，包括如下单元：数据获取单元、网络神经模型处理单元、效能预测模型构建单元和自效估计单元。
数据获取单元，用于调取肺部CT图像数据集。如图3所示，为包含有多个病灶位置的特征图像的CT图像示意图。
网络神经模型处理单元，用于将CT图像数据集中的病灶参数和特征图像输入网络神经模型，输出加权特征集。
效能预测模型构建单元，用于构建效能预测模型，将加权特征集输入所述效能预测模型，与效能目标值比较，以得到病灶参数的效能误差。
自效估计单元，用于基于效能预测模型输出的病灶参数的效能误差，为每个病灶参数赋予自效权重，并按照自效权重大小排序病灶参数。
本申请还公开一种电子设备，包括存储器和处理器，存储器用于存储一条或多条计算机指令，其中，一条或多条计算机指令被处理器执行以实现前述的一种肺部CT图像病灶参数自效估计方法。
具体而言，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，并由输入接口和输出接口完成数据的I/0接口传输，以完成肺部CT图像病灶参数自效估计方法，一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
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，可轻易想到各种等效的修改或替换，这些修改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权利要求的保护范围为准。
Claims (6)
1.一种肺部CT图像病灶参数自效估计方法，其特征在于，包括如下步骤：
S1、调取肺部CT图像数据集，将CT图像数据集中的病灶参数和特征图像输入网络神经模型，输出加权特征集；
S2、构建效能预测模型，将加权特征集输入所述效能预测模型，与效能目标值比较，以得到病灶参数的效能误差；
S3、基于效能预测模型输出的所述病灶参数的效能误差，为每个病灶参数赋予自效权重，并按照所述自效权重大小排序病灶参数。
2.根据权利要求1所述的肺部CT图像病灶参数自效估计方法，其特征在于，步骤S1中：
第c个病灶参数的特征图像uc的压缩向量zc为：
；
式中,uc为特征图像集U中第c个病灶参数的特征图像,zc为压缩向量集Z中的第c个压缩向量，(i,j)为特征图像uc的像素坐标，特征图像集U的长宽分别为H、W。
3.根据权利要求2所述的肺部CT图像病灶参数自效估计方法，其特征在于，将所述压缩向量集Z经过两个全连接层,通过自适应学习，得到新的1×1×C更新向量集S：
；
式中，病灶参数总数为C,代表Sigmoid激活函数,/>代表RcLU激活函数,W1为维度调整参数,W2为维度增加参数。
4.根据权利要求3所述的肺部CT图像病灶参数自效估计方法，其特征在于，
将更新向量集S的向量因子sc，对C个病灶参数的特征图像集U进行逐个特征图像加权,得到加权特征集中的第c个加权特征值/>：
；
式中,c=1,2,…,C，函数表示将向量因子sc与特征图像uc相乘。
5.根据权利要求4所述的肺部CT图像病灶参数自效估计方法，其特征在于，步骤S2中，构建效能预测模型，所述效能预测模型的输出为效能误差：
；
式中，为第c个病灶参数加权特征值的效能目标值。
6.根据权利要求5所述的肺部CT图像病灶参数自效估计方法，其特征在于，步骤S3中，利用如下公式，为每个病灶参数赋予自效权重Kc：
；
式中，为每个病灶参数输出的效能误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311182000.3A CN116912258B (zh) | 2023-09-14 | 2023-09-14 | 一种肺部ct图像病灶参数自效估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311182000.3A CN116912258B (zh) | 2023-09-14 | 2023-09-14 | 一种肺部ct图像病灶参数自效估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116912258A true CN116912258A (zh) | 2023-10-20 |
| CN116912258B CN116912258B (zh) | 2023-12-08 |
Family
ID=88363350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311182000.3A Active CN116912258B (zh) | 2023-09-14 | 2023-09-14 | 一种肺部ct图像病灶参数自效估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912258B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110706232A (zh) * | 2019-09-29 | 2020-01-17 | 五邑大学 | 纹理图像分割方法、电子装置及计算机存储介质 |
| CN111325739A (zh) * | 2020-02-28 | 2020-06-23 | 北京推想科技有限公司 | 肺部病灶检测的方法及装置，和图像检测模型的训练方法 |
| CN112233117A (zh) * | 2020-12-14 | 2021-01-15 | 浙江卡易智慧医疗科技有限公司 | 一种新冠肺炎ct检测识别定位系统及计算设备 |
| CN113095382A (zh) * | 2021-03-30 | 2021-07-09 | 浙江大学 | 基于ct图像的可解释性肺结核分类网络识别方法 |
-
2023
- 2023-09-14 CN CN202311182000.3A patent/CN116912258B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110706232A (zh) * | 2019-09-29 | 2020-01-17 | 五邑大学 | 纹理图像分割方法、电子装置及计算机存储介质 |
| CN111325739A (zh) * | 2020-02-28 | 2020-06-23 | 北京推想科技有限公司 | 肺部病灶检测的方法及装置，和图像检测模型的训练方法 |
| CN112233117A (zh) * | 2020-12-14 | 2021-01-15 | 浙江卡易智慧医疗科技有限公司 | 一种新冠肺炎ct检测识别定位系统及计算设备 |
| CN113095382A (zh) * | 2021-03-30 | 2021-07-09 | 浙江大学 | 基于ct图像的可解释性肺结核分类网络识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| MISSLEMONH: "（深度学习）yolo坐标形式数据的扩充、与普通图片坐标系的转换、在原图上绘制目标框", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/MissLemonh/article/details/120641798?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-120641798-blog-104443573.235%5Ev38%5Epc_relevant_sort_base3&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-120641798-blog-104443573.235%5Ev38%5Epc_relevant_sort_base3&utm_relevant_index=1> * |
| 巩丽: "肺结节智能检测关键技术研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 01, pages 2 - 3 * |
| 张昆鹏: "基于深度学习的新冠肺炎CT图像感染区域分割方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 03, pages 3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116912258B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3770850B1 (en) | Medical image identifying method, model training method, and computer device | |
| CN110321920B (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
| CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
| EP3852054A1 (en) | Method and system for automatically detecting anatomical structures in a medical image | |
| CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
| Hussein et al. | Fully‐automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG) | |
| CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
| JP2013542046A (ja) | 超音波画像処理のシステムおよび方法 | |
| CN111666966B (zh) | 医学成像中基于人工智能的材料分解 | |
| CN111815643A (zh) | 基于人工智能的copd评估 | |
| CN113066090A (zh) | 血管分割模型的训练方法及装置、应用方法及装置 | |
| CN113449791B (zh) | 基于深度学习的肺炎图像分类方法及系统 | |
| US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
| US20210166382A1 (en) | Similarity determination apparatus, similarity determination method, and similarity determination program | |
| CN110197472B (zh) | 一种用于超声造影图像稳定定量分析的方法和系统 | |
| CN114037651A (zh) | 根据x射线图像的与covid-19相关联的异常模式的评估 | |
| WO2015078980A2 (en) | Method and system for determining the prognosis of a patient suffering from pulmonary embolism | |
| CN116309640A (zh) | 一种基于多层级多注意力MLMA-UNet网络的图像自动分割方法 | |
| Rebouças Filho et al. | 3D segmentation and visualization of lung and its structures using CT images of the thorax | |
| CN116580819B (zh) | 用于自动化地确定图像序列中的检查结果的方法和系统 | |
| CN116912258B (zh) | 一种肺部ct图像病灶参数自效估计方法 | |
| CN110992312A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN113222985B (zh) | 一种图像处理方法、装置、计算机设备和介质 | |
| CN114820483A (zh) | 图像检测方法、装置及计算机设备 | |
| CN115546089A (zh) | 医学图像分割方法、病理图像处理方法、装置、设备 |
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 |