CN117315378B - 一种尘肺病的分级判定方法及相关设备 - Google Patents
一种尘肺病的分级判定方法及相关设备 Download PDFInfo
- Publication number
- CN117315378B CN117315378B CN202311606795.6A CN202311606795A CN117315378B CN 117315378 B CN117315378 B CN 117315378B CN 202311606795 A CN202311606795 A CN 202311606795A CN 117315378 B CN117315378 B CN 117315378B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- generate
- chest radiography
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 206010035653 pneumoconiosis Diseases 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 174
- 238000002601 radiography Methods 0.000 claims abstract description 163
- 238000012545 processing Methods 0.000 claims abstract description 120
- 238000009792 diffusion process Methods 0.000 claims abstract description 83
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 36
- 210000004072 lung Anatomy 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims description 21
- 230000001575 pathological effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 208000005069 pulmonary fibrosis Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 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
- 208000035939 Alveolitis allergic Diseases 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 208000027445 Farmer Lung Diseases 0.000 description 1
- 201000003838 Idiopathic interstitial pneumonia Diseases 0.000 description 1
- 208000029523 Interstitial Lung disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 208000022195 farmer lung disease Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000037390 scarring Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了尘肺病的分级判定方法及相关设备,应用于数据处理领域。本申请获取训练样本集和原始DR胸片样本图像,对训练样本集进行预处理,生成标注后的训练样本,将标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型,对原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像,基于目标稳定扩散模型对第一DR胸片样本图像进行处理,生成第二DR胸片样本图像,获取第二DR胸片样本图像与标注后的训练样本的顶点变化数据;基于顶点变化数据对第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,将目标DR胸片影像加入训练样本集,基于预设分类模型对目标DR胸片影像进行分类处理,生成分类结果。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种尘肺病的分级判定方法及相关设备。
背景技术
尘肺病的规范名称是尘肺埃沉着病,该病是由于在职业活动中长期吸入生产性粉尘,并在肺内而引起的以肺组织弥漫性纤维化为主的全身性疾病。尘肺病按其吸入粉尘的种类不同,可分为无机尘肺和有机尘肺,在生产劳动中吸入无机粉尘所致的尘肺,称为无机尘肺,尘肺大部分为无机尘肺,吸入有机粉尘所致的尘肺称为有机尘肺,如棉尘肺、农民肺等。
肺纤维化是各种肺部疾病的共同结局,以肺组织疤痕化为主要表现,如果受累范围广泛则导致肺容积缩小,肺功能明显下降,严重影响患者生存质量。尤其是特发性间质性肺炎是最典型的代表,其病理和/或影像表现为寻常性间质性肺炎的慢性进展性肺部疾病。
当前临床识别肺纤维化病灶及评估其严重程度主要依赖于临床医生对肺部DR图片进行肉眼判断并粗略评估,评估准确性完全依赖于医生个人的经验。而且肺部DR影像数据呈现爆炸式增长,极大地增强了医生的工作量,随之在疾病检测过程中容易造成误诊和漏诊。随着计算机硬件技术的发展,深度学习越来越备受瞩目与关注,越来越多的精准医疗项目迫切需要深度学习去替代旧的语义特征识别方法,去解决各种医学影像识别与诊断问题,但现有的方法对肺纤维化识别率较低,且尘肺病等级判定不准确。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种尘肺病的分级判定方法及相关设备,至少在一定程度上克服现有技术存在的问题,通过训练样本对稳定扩散模型进行训练,生成目标稳定扩散模型,并对原始DR胸片样本图像进行预处理,对预处理后的DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,并基于预设分类模型对目标DR胸片影像进行分类处理,从而获取目标DR胸片影像对应的病理周期,通过卷积神经网络的深度学习方法对大批量的尘肺病进行等级判断,使尘肺病等级判定更加快速有效。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本申请的一个方面,提供一种尘肺病的分级判定方法,包括获取训练样本集和原始DR胸片样本图像;对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型;对所述原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像;基于所述目标稳定扩散模型对所述第一DR胸片样本图像进行处理,生成第二DR胸片样本图像;获取所述第二DR胸片样本图像与所述标注后的训练样本的顶点变化数据,其中,所述顶点变化数据包括所述第二DR胸片样本图像对应的二维坐标信息和三维坐标信息;基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像;将所述目标DR胸片影像加入所述训练样本集,以供所述稳定扩散模型进行更新;基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,其中,所述分类结果表征所述目标DR胸片影像对应的病理周期。
在本申请的一个实施例中,所述对所述训练样本集进行预处理,生成标注后的训练样本,包括:对所述训练样本集进行数据增强处理,生成增强后的训练样本;基于预设划分规则对所述增强后的训练样本进行处理,生成病灶区域和非病灶区域。
在本申请的一个实施例中,所述对所述训练样本集进行预处理,生成标注后的训练样本,还包括:对所述训练样本集进行归一化处理,生成目标亮度的训练样本;获取预设分类规则,其中,所述预设分类规则包括若干不同病灶类型的分割数据;基于所述预设分类规则对所述目标亮度的训练样本进行处理,生成分类后的训练样本。
在本申请的一个实施例中,所述基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,包括:基于所述二维坐标和所述三维坐标获取所述第二DR胸片样本图像对应的病灶区域和非病灶区域;对所述非病灶区域进行肺野分割处理,获取包含病灶区域的第二DR胸片样本图像;基于预设图像处理模型对所述病灶区域进行去伪影处理,生成目标DR胸片影像。
在本申请的一个实施例中,所述将所述目标DR胸片影像加入所述训练样本集,以供所述稳定扩散模型进行更新,包括:若所述目标DR胸片影像的指标与所述训练样本集的指标存在不一致,则获取所述目标DR胸片影像对应的图像处理策略;基于所述图像处理策略对所述稳定扩散模型进行优化,生成优化后的稳定扩散模型。
在本申请的一个实施例中,所述基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,包括:对所述目标图像进行灰度化处理,生成初始色彩图像;基于所述初始色彩图像获取初始特征;基于残差神经网络模型对所述初始色彩图像进行归一化处理,生成预设尺寸大小的目标色彩图像;基于所述残差神经网络模型对所述预设尺寸大小的色彩图像进行全局平均池化处理,生成目标特征;基于所述目标特征生成分类结果。
在本申请的一个实施例中,所述基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,还包括:对所述色彩图像进行切片处理,依次生成多张连续的切片图像;对所述切片图片进行处理,生成多通道图像;将所述多通道图像输入所述残差神经网络模型进行处理,生成所述初始色彩图像。
本申请的另一个方面,一种基于残差网络分类算法的尘肺病分级判定装置,其特征在于,所述装置包括:获取模块,用于获取训练样本集和原始DR胸片样本图像;处理模块,用于对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型;对所述原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像;基于所述目标稳定扩散模型对所述第一DR胸片样本图像进行处理,生成第二DR胸片样本图像;获取所述第二DR胸片样本图像与所述标注后的训练样本的顶点变化数据,其中,所述顶点变化数据包括所述第二DR胸片样本图像对应的二维坐标信息和三维坐标信息;基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像;将所述目标DR胸片影像加入所述训练样本集,以供所述稳定扩散模型进行更新;基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,其中,所述分类结果表征所述目标DR胸片影像对应的病理周期。
根据本申请的再一个方面,一种电子设备,其特征在于,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行实现上述的尘肺病的分级判定方法。
根据本申请的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的尘肺病的分级判定方法。
根据本申请的又一个方面,提供一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的尘肺病的分级判定方法。
本申请所提供的一种尘肺病的分级判定方法,获取训练样本集和原始DR胸片样本图像,对训练样本集进行预处理,生成标注后的训练样本,将标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型,对原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像,基于目标稳定扩散模型对第一DR胸片样本图像进行处理,生成第二DR胸片样本图像,获取第二DR胸片样本图像与标注后的训练样本的顶点变化数据,其中,顶点变化数据包括第二DR胸片样本图像对应的二维坐标信息和三维坐标信息,基于顶点变化数据对第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,将目标DR胸片影像加入训练样本集,以供稳定扩散模型进行更新,基于预设分类模型对目标DR胸片影像进行分类处理,生成分类结果,其中,分类结果表征目标DR胸片影像对应的病理周期。通过训练样本对稳定扩散模型进行训练,生成目标稳定扩散模型,并对原始DR胸片样本图像进行预处理,对预处理后的DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,并基于预设分类模型对目标DR胸片影像进行分类处理,从而获取目标DR胸片影像对应的病理周期,通过卷积神经网络的深度学习方法对大批量的尘肺病进行等级判断,使尘肺病等级判定更加快速有效。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种尘肺病的分级判定方法的流程图;
图2示出了本申请一实施例所提供的一种尘肺病的分级判定装置的结构示意图;
图3示出了本申请一实施例所提供的一种电子设备的结构示意图;
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的尘肺病的分级判定方法。需要注意的是,下述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
一种实施方式中,本申请还提出一种尘肺病的分级判定方法。图1示意性地示出了根据本申请实施方式的一种尘肺病的分级判定方法的流程示意图。如图1所示,该方法应用于服务器,包括:
S101,获取训练样本集和原始DR胸片样本图像。
一种实施方式中,获取用于训练、验证和测试的胸片图像数据作为训练样本,以及获取待检测的患者胸片图像数据作为原始DR胸片样本图像。
S102,对所述训练样本集进行预处理,生成标注后的训练样本。
一种实施方式中,对训练样本集进行数据增强处理,生成增强后的训练样本,基于预设划分规则对增强后的训练样本进行处理,生成病灶区域和非病灶区域。数据增强是深度学习训练的一个必不可少的环节,本发明采用了Cutout的数据增强的方式,它在输入图片的分辨率上进行独立重复的均匀分布的采样,再以同等概率选择不同的尺度,最后进行裁剪或者随机变换。这种方式抹除了一些关键点信息,甚至带来一些具有迷惑性的信息,强迫模型不得不通过上下文来推测被抹除的信息和辨别迷惑信息,这极大的提高了模型的鲁棒性,让模型在未知的数据集上具有非常好的泛化能力。
另一种实施方式中,对胸片图像数据进行降噪处理,将图像中有碍确定病灶位置的人工、天然噪声移除,将经过降噪处理的图像进行形变、旋转的方式扩充数据集。此外,对数据集中的每张超声灰阶图像分别进行填充和标准化操作,并对训练集进行数据增广,其中,填充是指在图像周围填充固定像素值,使图像在经过卷积神经网络训练后输出的大小与原图像大小一致,标准化是指对数据的各维度减均值除以标准差,数据增广的方式包括图像平移、旋转或仿射变换。
S103,将所述标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型。
一种实施方式中,由于训练的尘肺病DR数据偏少,训练数据中各分期占比不均匀,使用Stable Diffusion 模型进行尘肺病DR影像数据生成。首先,根据真实影像用作目标分布,即稳定分布,根据稳定扩散模型的原理,构建一个适合尘肺病DR影像生成的稳定扩散模型,该模型由多个反卷积层和其他神经网络层组成,通过反向扩散过程逆向生成图像。训练过程中,从稳定分布(即真实影像分布)出发,使用稳定扩散模型进行反向扩散过程,反向扩散过程会逐步模糊化图像,直到得到稳定分布对应的虚拟DR影像,这样生成的虚拟影像具有尘肺病特征,并且能够逼近真实尘肺DR影像的分布。
另一种实施方式中,在反向扩散过程中,引入噪声来控制所生成胸片样本图像的多样性和随机性,通过调整噪声的强度,可以影响所生成图像的清晰度和样式,从而获得更多样化的虚拟胸片样本图像。此外,对初始噪声进行设置,具体而言,这个初始噪声可以是随机的高斯噪声或均匀分布的噪声,其目的在于在生成图像的早期阶段引入一些随机性,以鼓励模型生成多样性的初始图像。接着,对噪声强度进行调整,在生成过程中逐步递减,可通过控制生成网络中的噪声参数或在训练过程中逐渐减小添加的噪声的标准差来实现,逐步降低噪声的强度有助于模型在生成过程中逐渐提高图像的清晰度和质量。通过引入初始噪声和逐步减小噪声的强度,模型可以生成更多随机性、多样性的图像,有助于生成一系列不同特征或病例的DR胸片样本图像,且有助于稳定扩散模型更全面的学习数据的分布,所训练获得的模型更容易应对噪声或不完整信息的输入,从而提高了模型的鲁棒性,使其更适用于真实世界中各种不确定因素的情况。
S104,对所述原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像。
一种实施方式中,获取原始DR胸片样本图像像素的最大值和最小值,其中,最大值maxdata=max{srcData},最小值mindata=min{srcData}。获取原始DR胸片样本图像的BitsStore值,基于bitsStore值生成Range范围,其中,BitsStore=12-Range=4095,Range=2BitsStore-1。获取Rescale Slope 和 Rescale Intercept值,其中,Rescale Intercept=minData,Rescale Slope=(maxData-minData)/Range;获取窗宽和窗位,其中,窗位等于1/2原始胸片样本图像像素的最大值,窗宽等于原始胸片样本图像像素的最大值,WindowCenter=,Window Width=maxData;将单个原始DR胸片样本图像像素值减去Rescale Intercept值的结果再除以Rescale Slope值,得到第一DR胸片样本图像normalizedData=/>。通过对原始DR胸片样本图像进行预处理,包括图像的标准归一化操作,进而将灰度值范围缩放到一致的区间,有助于消除数据的尺度差异,使得算法能更好地识别数据。
S105,基于所述目标稳定扩散模型对所述第一DR胸片样本图像进行处理,生成第二DR胸片样本图像。
一种实施方式中,使用真实尘肺DR影像数据和生成的虚拟DR影像数据进行训练,通过最小化生成影像与真实影像之间的差异,优化目标稳定扩散模型的参数,训练过程采用梯度下降等优化算法。训练完成后,目标稳定扩散模型可以用于生成具有尘肺病特征的虚拟DR影像,通过输入噪声向量或特征向量,可以产生不同样式和特征的尘肺DR影像。将对应用户的第一DR胸片样本图像输入至目标稳定扩散模型中,从而生成相应的尘肺DR影像,将该尘肺DR影像作为第二DR胸片样本图像。
S106,获取所述第二DR胸片样本图像与所述标注后的训练样本的顶点变化数据。
一种实施方式中,第二DR胸片样本图像包括在预设静态位置时所设置的多个预设顶点,标注后的训练样本也包括在预设静态位置时所设置的多个初始顶点,其中,顶点变化数据包括第二DR胸片样本图像对应的二维坐标信息和三维坐标信息。分别将用于表征二维坐标信息和三维坐标信息的预设顶点与训练样本的多个初始顶点进行匹配,从而获取与第二DR胸片样本图像对应尘肺DR影像,通过同时参考二维坐标信息和三维坐标信息,从而更好的识别出当前DR胸片样本图像的完整信息。
S107,基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像。
一种实施方式中,为了减少训练过程中非肺野部分带来的影响将所有参与训练的DR胸片影像进行肺野分割操作,分割后的DR胸片影像保留原始格式及数据标准。肺野分割采用Unet+网络结构,DR胸片影像(DIOCM文件)中包含Tag信息及影像像素信息,原始格式指的是满足DICOM3.0标准的影像,通常格式为“.dcm”,数据标准为DICOM3.0。
另一种实施方式中,基于二维坐标和三维坐标获取第二DR胸片样本图像对应的病灶区域和非病灶区域,对非病灶区域进行肺野分割处理,获取包含病灶区域的第二DR胸片样本图像,基于预设图像处理模型对病灶区域进行去伪影处理,生成目标DR胸片影像。
S108,将所述目标DR胸片影像加入所述训练样本集,以供所述稳定扩散模型进行更新。
一种实施方式中,若目标DR胸片影像的指标与训练样本集的指标存在不一致,则获取目标DR胸片影像对应的图像处理策略,基于图像处理策略对稳定扩散模型进行优化,生成优化后的稳定扩散模型。
另一种实施方式中,使用真实尘肺DR胸片影像数据和生成的虚拟DR胸片影像数据进行训练,通过最小化生成影像与真实影像之间的差异,优化稳定扩散模型的参数,训练过程采用梯度下降等优化算法。训练完成后,稳定扩散模型可以用于生成具有尘肺病特征的虚拟DR胸片影像,通过输入噪声向量或特征向量,可以产生不同样式和特征的尘肺DR胸片影像。
S109,基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果。
一种实施方式中,对目标图像进行灰度化处理,生成初始色彩图像,基于初始色彩图像获取初始特征,基于残差神经网络模型对初始色彩图像进行归一化处理,生成预设尺寸大小的目标色彩图像,基于残差神经网络模型对预设尺寸大小的色彩图像进行全局平均池化处理,生成目标特征,基于目标特征生成分类结果,分类结果表征目标DR胸片影像对应的病理周期,其中,病例周期可包括无尘肺,壹期,贰期,叁期。
另一种实施方式中,预设分类模型为图像分类模型,其中,图像分类模型包括卷积层、残差块和全连接层,具体如下,卷积层包括输入层,输入层包括接受单通道的2048x2048灰度图像数据作为网络的输入,如包含一个7x7的卷积核,输入通道数为1,输出通道数为64,步幅为2,这个卷积层用于从输入图像中提取低级特征,其中,低级特征指的是边缘特征、纹理特征、角点特征、形状特征等。此外,在卷积层后面添加批量归一化(BatchNormalization),用于加速收敛并提高模型的稳定性,对卷积层输出进行ReLU激活函数处理,增加网络的非线性表达能力。在卷积层的后面是一个最大池化层,使用3x3的池化核和步幅为2,用于减小特征图的尺寸。预设分类模型还包含多个残差块,每个残差块都包含两个卷积层和一个跳过连接,用于学习残差,在最后一个残差模块后面,接一个全局平均池化层,全局平均池化层将特征图转换为一个固定大小的特征向量,用于分类任务。预设分类模型的最后是一个全连接层,将特征向量映射到4个输出类别的概率,以适应DR尘肺病的分类任务。利用图像分类模型对目标DR胸片影像进行处理,得到目标DR胸片影像对应的分类结果,使用训练好的预设分类模型,对新的尘肺病DR影像进行分类预测,即将新的胸部正位DR影像输入到模型中,模型会输出该DR所属的类别,也就是尘肺病的分期。
本申请获取训练样本集和原始DR胸片样本图像,对训练样本集进行预处理,生成标注后的训练样本,将标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型。对原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像,基于目标稳定扩散模型对第一DR胸片样本图像进行处理,生成第二DR胸片样本图像,获取第二DR胸片样本图像与标注后的训练样本的顶点变化数据,其中,顶点变化数据包括第二DR胸片样本图像对应的二维坐标信息和三维坐标信息,基于顶点变化数据对第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像。将目标DR胸片影像加入训练样本集,以供稳定扩散模型进行更新,基于预设分类模型对目标DR胸片影像进行分类处理,生成分类结果,其中,分类结果表征目标DR胸片影像对应的病理周期。通过训练样本对稳定扩散模型进行训练,生成目标稳定扩散模型,并对原始DR胸片样本图像进行预处理,对预处理后的DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,并基于预设分类模型对目标DR胸片影像进行分类处理,从而获取目标DR胸片影像对应的病理周期,通过卷积神经网络的深度学习方法对大批量的尘肺病进行等级判断,使尘肺病等级判定更加快速有效。
可选地,在基于本申请上述方法的另一个实施例中,所述对所述训练样本集进行预处理,生成标注后的训练样本,还包括:
对所述训练样本集进行归一化处理,生成目标亮度的训练样本;
获取预设分类规则,其中,所述预设分类规则包括若干不同病灶类型的分割数据;
基于所述预设分类规则对所述目标亮度的训练样本进行处理,生成分类后的训练样本。
一种实施方式中,归一化预处理具体包括:(1)从训练样本集中获取三维图像灰度矩阵;(2)将三维图像灰度矩阵的像素灰度值归一化在0-1之间;(3)将步骤2归一化后的图像的三维像素间距都归一化至预设值。对DR胸片样本图像进行归一化预处理还可以调节图像的光照以及对比度,避免由于设备不同导致图像光照以及对比度差异很大的影响。获取预设分类规则,其中,预设分类规则包括若干不同病灶类型的分割数据,基于预设分类规则对目标亮度的训练样本进行处理,生成分类后的训练样本。通过搜集多个包含病灶的CT图像上同一个病灶的分割和分类结果,得到专家标注的分割结果和专家标注的分类结果。
可选地,在基于本申请上述方法的另一个实施例中,所述基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,还包括:
对所述色彩图像进行切片处理,依次生成多张连续的切片图像;
对所述切片图片进行处理,生成多通道图像;
将所述多通道图像输入所述残差神经网络模型进行处理,生成所述初始色彩图像。
一种实施方式中,基于预设色彩划分规则对色彩图像进行处理,生成包含不同分类号的第一色彩图像,基于分类号对第一色彩图像进行划分,生成若干初始切片图像,基于目标分割模型对初始切片图像进行预处理,生成预处理后的切片图像,基于预设双线性插值对预处理后的切片图像进行处理,生成若干预设尺寸大小的切片图像。根据目标图像的颜色深浅度对色彩图像进行标注和划分,对所有切片进行预处理,将预处理后的所有切片输入最优分割模型并得到分割结果,对分割结果进行双线性插值上采样以恢复至原始大小,将该待分割的胸部三维CT扫描图像的所有切片的恢复至原始大小的分割结果按照位置关系合并为三维数据,将连续的3张CT切片组合成三通道图像。
通过应用以上技术方案,获取训练样本集和原始DR胸片样本图像,对训练样本集进行数据增强处理,生成增强后的训练样本,基于预设划分规则对增强后的训练样本进行处理,生成病灶区域和非病灶区域;对训练样本集进行归一化处理,生成目标亮度的训练样本。获取预设分类规则,其中,预设分类规则包括若干不同病灶类型的分割数据,基于预设分类规则对目标亮度的训练样本进行处理,生成分类后的训练样本,将标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型。
此外,还将对原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像,基于目标稳定扩散模型对第一DR胸片样本图像进行处理,生成第二DR胸片样本图像,获取第二DR胸片样本图像与标注后的训练样本的顶点变化数据,其中,顶点变化数据包括第二DR胸片样本图像对应的二维坐标信息和三维坐标信息,基于二维坐标和三维坐标获取第二DR胸片样本图像对应的病灶区域和非病灶区域,对非病灶区域进行肺野分割处理,获取包含病灶区域的第二DR胸片样本图像,基于预设图像处理模型对病灶区域进行去伪影处理,生成目标DR胸片影像,若目标DR胸片影像的指标与训练样本集的指标存在不一致,则获取目标DR胸片影像对应的图像处理策略,基于图像处理策略对稳定扩散模型进行优化,生成优化后的稳定扩散模型。
除此之外,还将对目标图像进行灰度化处理,生成初始色彩图像,对色彩图像进行切片处理,依次生成多张连续的切片图像,对切片图片进行处理,生成多通道图像,将多通道图像输入残差神经网络模型进行处理,生成初始色彩图像,基于初始色彩图像获取初始特征,基于残差神经网络模型对初始色彩图像进行归一化处理,生成预设尺寸大小的目标色彩图像,基于残差神经网络模型对预设尺寸大小的色彩图像进行全局平均池化处理,生成目标特征,基于目标特征生成分类结果,其中,分类结果表征目标DR胸片影像对应的病理周期。通过训练样本对稳定扩散模型进行训练,生成目标稳定扩散模型,并对原始DR胸片样本图像进行预处理,对预处理后的DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,并基于预设分类模型对目标DR胸片影像进行分类处理,从而获取目标DR胸片影像对应的病理周期,通过卷积神经网络的深度学习方法对大批量的尘肺病进行等级判断,使尘肺病等级判定更加快速有效。
一种实施方式中,如图2所示,本申请还提供一种尘肺病的分级判定装置,包括:
获取模块201,用于获取训练样本集和原始DR胸片样本图像;
处理模块202,用于对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型;对所述原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像;基于所述目标稳定扩散模型对所述第一DR胸片样本图像进行处理,生成第二DR胸片样本图像;获取所述第二DR胸片样本图像与所述标注后的训练样本的顶点变化数据,其中,所述顶点变化数据包括所述第二DR胸片样本图像对应的二维坐标信息和三维坐标信息;基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像;将所述目标DR胸片影像加入所述训练样本集,以供所述稳定扩散模型进行更新;基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,其中,所述分类结果表征所述目标DR胸片影像对应的病理周期。
本申请获取训练样本集和原始DR胸片样本图像,对训练样本集进行预处理,生成标注后的训练样本,将标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型。对原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像,基于目标稳定扩散模型对第一DR胸片样本图像进行处理,生成第二DR胸片样本图像,获取第二DR胸片样本图像与标注后的训练样本的顶点变化数据,其中,顶点变化数据包括第二DR胸片样本图像对应的二维坐标信息和三维坐标信息,基于顶点变化数据对第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像。将目标DR胸片影像加入训练样本集,以供稳定扩散模型进行更新,基于预设分类模型对目标DR胸片影像进行分类处理,生成分类结果,其中,分类结果表征目标DR胸片影像对应的病理周期。通过训练样本对稳定扩散模型进行训练,生成目标稳定扩散模型,并对原始DR胸片样本图像进行预处理,对预处理后的DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,并基于预设分类模型对目标DR胸片影像进行分类处理,从而获取目标DR胸片影像对应的病理周期,通过卷积神经网络的深度学习方法对大批量的尘肺病进行等级判断,使尘肺病等级判定更加快速有效。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述对所述训练样本集进行预处理,生成标注后的训练样本,包括:对所述训练样本集进行数据增强处理,生成增强后的训练样本;基于预设划分规则对所述增强后的训练样本进行处理,生成病灶区域和非病灶区域。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述对所述训练样本集进行预处理,生成标注后的训练样本,还包括:对所述训练样本集进行归一化处理,生成目标亮度的训练样本;获取预设分类规则,其中,所述预设分类规则包括若干不同病灶类型的分割数据;基于所述预设分类规则对所述目标亮度的训练样本进行处理,生成分类后的训练样本。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,包括:基于所述二维坐标和所述三维坐标获取所述第二DR胸片样本图像对应的病灶区域和非病灶区域;对所述非病灶区域进行肺野分割处理,获取包含病灶区域的第二DR胸片样本图像;基于预设图像处理模型对所述病灶区域进行去伪影处理,生成目标DR胸片影像。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述将所述目标DR胸片影像加入所述训练样本集,以供所述稳定扩散模型进行更新,包括:若所述目标DR胸片影像的指标与所述训练样本集的指标存在不一致,则获取所述目标DR胸片影像对应的图像处理策略;基于所述图像处理策略对所述稳定扩散模型进行优化,生成优化后的稳定扩散模型。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,包括:对所述目标图像进行灰度化处理,生成初始色彩图像;基于所述初始色彩图像获取初始特征;基于残差神经网络模型对所述初始色彩图像进行归一化处理,生成预设尺寸大小的目标色彩图像;基于所述残差神经网络模型对所述预设尺寸大小的色彩图像进行全局平均池化处理,生成目标特征;基于所述目标特征生成分类结果。
在本申请的另外一种实施方式中,所述处理模块202,被配置为所述基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,还包括:对所述色彩图像进行切片处理,依次生成多张连续的切片图像;对所述切片图片进行处理,生成多通道图像;将所述多通道图像输入所述残差神经网络模型进行处理,生成所述初始色彩图像。
本申请获取训练样本集和原始DR胸片样本图像,对训练样本集进行数据增强处理,生成增强后的训练样本,基于预设划分规则对增强后的训练样本进行处理,生成病灶区域和非病灶区域;对训练样本集进行归一化处理,生成目标亮度的训练样本。获取预设分类规则,其中,预设分类规则包括若干不同病灶类型的分割数据,基于预设分类规则对目标亮度的训练样本进行处理,生成分类后的训练样本,将标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型。
此外,还将对原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像,基于目标稳定扩散模型对第一DR胸片样本图像进行处理,生成第二DR胸片样本图像,获取第二DR胸片样本图像与标注后的训练样本的顶点变化数据,其中,顶点变化数据包括第二DR胸片样本图像对应的二维坐标信息和三维坐标信息,基于二维坐标和三维坐标获取第二DR胸片样本图像对应的病灶区域和非病灶区域,对非病灶区域进行肺野分割处理,获取包含病灶区域的第二DR胸片样本图像,基于预设图像处理模型对病灶区域进行去伪影处理,生成目标DR胸片影像,若目标DR胸片影像的指标与训练样本集的指标存在不一致,则获取目标DR胸片影像对应的图像处理策略,基于图像处理策略对稳定扩散模型进行优化,生成优化后的稳定扩散模型。
除此之外,还将对目标图像进行灰度化处理,生成初始色彩图像,对色彩图像进行切片处理,依次生成多张连续的切片图像,对切片图片进行处理,生成多通道图像,将多通道图像输入残差神经网络模型进行处理,生成初始色彩图像,基于初始色彩图像获取初始特征,基于残差神经网络模型对初始色彩图像进行归一化处理,生成预设尺寸大小的目标色彩图像,基于残差神经网络模型对预设尺寸大小的色彩图像进行全局平均池化处理,生成目标特征,基于目标特征生成分类结果,其中,分类结果表征目标DR胸片影像对应的病理周期。通过训练样本对稳定扩散模型进行训练,生成目标稳定扩散模型,并对原始DR胸片样本图像进行预处理,对预处理后的DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,并基于预设分类模型对目标DR胸片影像进行分类处理,从而获取目标DR胸片影像对应的病理周期,通过卷积神经网络的深度学习方法对大批量的尘肺病进行等级判断,使尘肺病等级判定更加快速有效。
本申请实施例提供了一种电子设备3,如图3所示,其包括处理器300,存储器301,总线302和通信接口303,所述处理器300、通信接口303和存储器301通过总线302连接;所述存储器301中存储有可在所述处理器300上运行的计算机程序,所述处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述尘肺病的分级判定方法。
其中,存储器301可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口303(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器301用于存储程序,所述处理器300在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述尘肺病的分级判定方法可以应用于处理器300中,或者由处理器300实现。
处理器300可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器300可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301,处理器300读取存储器301中的信息,结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备3与本申请实施例提供的尘肺病的分级判定方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质,如图4所示,所述计算机可读存储介质存储401有计算机程序,所述计算机程序被处理器402读取并运行时,实现如前述的尘肺病的分级判定方法。
本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是空调器,制冷装置,个人计算机,服务器,或者网络设备等)或processor(处理器)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的尘肺病的分级判定方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的尘肺病的分级判定方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是,在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者还是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于尘肺病的分级判定方法、电子装置、电子设备、以及可读存储介质实施例而言,由于其基本相似于上述所述的尘肺病的分级判定方法实施例,所以描述的比较简单,相关之处参见上述所述的尘肺病的分级判定方法实施例的部分说明即可。
虽然本申请披露如上,但本申请并非限定于此。任何本领域技术人员,在不脱离本申请的精神和范围内,均可作各种更动与修改,因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (7)
1.一种尘肺病的分级判定方法,其特征在于,包括:
获取训练样本集和原始DR胸片样本图像;
对所述训练样本集进行预处理,生成标注后的训练样本;
将所述标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型;
对所述原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像;
基于所述目标稳定扩散模型对所述第一DR胸片样本图像进行处理,生成第二DR胸片样本图像;
获取所述第二DR胸片样本图像与所述标注后的训练样本的顶点变化数据,其中,所述顶点变化数据包括所述第二DR胸片样本图像对应的二维坐标信息和三维坐标信息;
基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像;
将所述目标DR胸片影像加入所述训练样本集,以供所述稳定扩散模型进行更新;
基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,其中,所述分类结果表征所述目标DR胸片影像对应的病理周期;
所述基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,包括:
对所述目标DR胸片影像进行灰度化处理,生成初始色彩图像;
对所述初始色彩图像进行切片处理,依次生成多张连续的切片图像;
对所述切片图像进行处理,生成多通道图像;
将所述多通道图像输入残差神经网络模型进行处理,生成初始色彩图像;
基于所述初始色彩图像获取初始特征;
基于所述残差神经网络模型对所述初始色彩图像进行归一化处理,生成预设尺寸大小的目标色彩图像;
基于所述残差神经网络模型对所述预设尺寸大小的目标色彩图像进行全局平均池化处理,生成目标特征;
基于所述目标特征生成分类结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述训练样本集进行预处理,生成标注后的训练样本,包括:
对所述训练样本集进行数据增强处理,生成增强后的训练样本;
基于预设划分规则对所述增强后的训练样本进行处理,生成病灶区域和非病灶区域。
3.如权利要求1所述的方法,其特征在于,所述对所述训练样本集进行预处理,生成标注后的训练样本,还包括:
对所述训练样本集进行归一化处理,生成目标亮度的训练样本;
获取预设分类规则,其中,所述预设分类规则包括若干不同病灶类型的分割数据;
基于所述预设分类规则对所述目标亮度的训练样本进行处理,生成分类后的训练样本。
4.如权利要求2或3任一所述的方法,其特征在于,所述基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像,包括:
基于所述二维坐标和所述三维坐标获取所述第二DR胸片样本图像对应的病灶区域和非病灶区域;
基于预设图像处理模型对所述病灶区域进行去伪影处理,生成目标DR胸片影像。
5.一种尘肺病的分级判定装置,其特征在于,所述装置包括:
获取模块,用于获取训练样本集和原始DR胸片样本图像;
处理模块,用于对所述训练样本集进行预处理,生成标注后的训练样本;将所述标注后的训练样本输入至初始稳定扩散模型进行训练,生成目标稳定扩散模型;对所述原始DR胸片样本图像进行归一化处理,生成第一DR胸片样本图像;基于所述目标稳定扩散模型对所述第一DR胸片样本图像进行处理,生成第二DR胸片样本图像;获取所述第二DR胸片样本图像与所述标注后的训练样本的顶点变化数据,其中,所述顶点变化数据包括所述第二DR胸片样本图像对应的二维坐标信息和三维坐标信息;基于所述顶点变化数据对所述第二DR胸片样本图像进行肺野分割处理,生成目标DR胸片影像;将所述目标DR胸片影像加入所述训练样本集,以供所述稳定扩散模型进行更新;基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,其中,所述分类结果表征所述目标DR胸片影像对应的病理周期;所述基于预设分类模型对所述目标DR胸片影像进行分类处理,生成分类结果,包括:对所述目标DR胸片影像进行灰度化处理,生成初始色彩图像;对所述初始色彩图像进行切片处理,依次生成多张连续的切片图像;对所述切片图像进行处理,生成多通道图像;将所述多通道图像输入残差神经网络模型进行处理,生成初始色彩图像;基于所述初始色彩图像获取初始特征;基于所述残差神经网络模型对所述初始色彩图像进行归一化处理,生成预设尺寸大小的目标色彩图像;基于所述残差神经网络模型对所述预设尺寸大小的目标色彩图像进行全局平均池化处理,生成目标特征;基于所述目标特征生成分类结果。
6.一种电子设备,其特征在于,包括:
处理器;以及存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求 1~4中任意一项所述的尘肺病的分级判定方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~4中任意一项所述的尘肺病的分级判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606795.6A CN117315378B (zh) | 2023-11-29 | 2023-11-29 | 一种尘肺病的分级判定方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311606795.6A CN117315378B (zh) | 2023-11-29 | 2023-11-29 | 一种尘肺病的分级判定方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117315378A CN117315378A (zh) | 2023-12-29 |
CN117315378B true CN117315378B (zh) | 2024-03-12 |
Family
ID=89285176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311606795.6A Active CN117315378B (zh) | 2023-11-29 | 2023-11-29 | 一种尘肺病的分级判定方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315378B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009629A (zh) * | 2019-04-12 | 2019-07-12 | 北京天明创新数据科技有限公司 | 一种尘肺病筛查系统及其数据训练方法 |
CN110680326A (zh) * | 2019-10-11 | 2020-01-14 | 北京大学第三医院(北京大学第三临床医学院) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
CN112132800A (zh) * | 2020-09-18 | 2020-12-25 | 上海市肺科医院 | 基于深度学习的肺纤维化检测与严重度评估方法及系统 |
CN112259199A (zh) * | 2020-10-29 | 2021-01-22 | 西交利物浦大学 | 医疗图像分类模型的训练方法、系统、存储介质及医疗图像处理装置 |
CN114098779A (zh) * | 2021-11-08 | 2022-03-01 | 安徽医学高等专科学校 | 尘肺病等级智能判别方法 |
CN114140395A (zh) * | 2021-11-09 | 2022-03-04 | 安徽医学高等专科学校 | 肺部纤维化智能判定方法 |
WO2022170203A1 (en) * | 2021-02-05 | 2022-08-11 | The Regents Of The University Of California | System and method for automatic diagnosis of idiopathic pulmonary fibrosis (ipf) using neural networks |
CN114998203A (zh) * | 2022-04-27 | 2022-09-02 | 四川大学华西第四医院 | 一种基于人工智能的职业性尘肺病精准诊断系统及方法 |
CN116109824A (zh) * | 2023-02-10 | 2023-05-12 | 清华大学 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
CN117036386A (zh) * | 2023-09-14 | 2023-11-10 | 西南石油大学 | 一种使用扩散模型生成数据的颈椎mri图像自监督分割方法 |
CN117115291A (zh) * | 2023-09-08 | 2023-11-24 | 深圳市深光粟科技有限公司 | 基于大模型的ct图像生成方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220180514A1 (en) * | 2020-12-09 | 2022-06-09 | Imidex, Inc. | Methods of assessing lung disease in chest x-rays |
CN114530224A (zh) * | 2022-01-18 | 2022-05-24 | 深圳市智影医疗科技有限公司 | 基于医学影像的诊断报告辅助生成方法及系统 |
-
2023
- 2023-11-29 CN CN202311606795.6A patent/CN117315378B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009629A (zh) * | 2019-04-12 | 2019-07-12 | 北京天明创新数据科技有限公司 | 一种尘肺病筛查系统及其数据训练方法 |
CN110680326A (zh) * | 2019-10-11 | 2020-01-14 | 北京大学第三医院(北京大学第三临床医学院) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
CN112132800A (zh) * | 2020-09-18 | 2020-12-25 | 上海市肺科医院 | 基于深度学习的肺纤维化检测与严重度评估方法及系统 |
CN112259199A (zh) * | 2020-10-29 | 2021-01-22 | 西交利物浦大学 | 医疗图像分类模型的训练方法、系统、存储介质及医疗图像处理装置 |
WO2022170203A1 (en) * | 2021-02-05 | 2022-08-11 | The Regents Of The University Of California | System and method for automatic diagnosis of idiopathic pulmonary fibrosis (ipf) using neural networks |
CN114098779A (zh) * | 2021-11-08 | 2022-03-01 | 安徽医学高等专科学校 | 尘肺病等级智能判别方法 |
CN114140395A (zh) * | 2021-11-09 | 2022-03-04 | 安徽医学高等专科学校 | 肺部纤维化智能判定方法 |
CN114998203A (zh) * | 2022-04-27 | 2022-09-02 | 四川大学华西第四医院 | 一种基于人工智能的职业性尘肺病精准诊断系统及方法 |
CN116109824A (zh) * | 2023-02-10 | 2023-05-12 | 清华大学 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
CN117115291A (zh) * | 2023-09-08 | 2023-11-24 | 深圳市深光粟科技有限公司 | 基于大模型的ct图像生成方法及装置 |
CN117036386A (zh) * | 2023-09-14 | 2023-11-10 | 西南石油大学 | 一种使用扩散模型生成数据的颈椎mri图像自监督分割方法 |
Non-Patent Citations (2)
Title |
---|
《Review of Intelligent Image Processing Method of Pulmonary CT Images》;Wenjun Tan et al.;《2019 IEEE International Conference on Bioinformatics and Biomedicine》;20191231;全文 * |
《机器学习辅助诊断肺间质纤维化的研究》;张凯 等;《中国医学装备》;20220430;第19卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117315378A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102581685B1 (ko) | 딥 러닝을 이용한 3d 구강 악안면 구조의 분류 및 3d 모델링 | |
US11568533B2 (en) | Automated classification and taxonomy of 3D teeth data using deep learning methods | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
CN110599528A (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN109363697B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN110675464A (zh) | 一种医疗影像的处理方法、装置、服务器及存储介质 | |
CN110766659A (zh) | 医学图像识别方法、装置、设备和介质 | |
WO2020168647A1 (zh) | 图像识别方法及相关设备 | |
CN113781488A (zh) | 舌象图像的分割方法、装置及介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
US11842275B2 (en) | Improving segmentations of a deep neural network | |
CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
CN111047559A (zh) | 一种数字病理切片异常区域快速检测的方法 | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
CN117315378B (zh) | 一种尘肺病的分级判定方法及相关设备 | |
CN116883994A (zh) | 基于自监督学习识别非小细胞肺癌周组织病理类型的方法、装置及存储介质 | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 | |
CN115761226A (zh) | 一种口腔影像分割识别方法、装置、电子设备和存储介质 | |
CN115880358A (zh) | 定位模型的构建方法、影像标志点的定位方法及电子设备 | |
CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
CN113570619B (zh) | 基于人工智能的计算机辅助胰腺病理图像诊断系统 | |
CN116311262B (zh) | 一种仪器仪表信息的识别方法、系统、设备和存储介质 | |
CN116344001B (zh) | 一种基于人工智能的医疗信息可视化管理系统及方法 |
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 |