CN117635519A - 基于ct图像的病灶检测方法、装置及计算机可读存储介质 - Google Patents
基于ct图像的病灶检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117635519A CN117635519A CN202310017296.7A CN202310017296A CN117635519A CN 117635519 A CN117635519 A CN 117635519A CN 202310017296 A CN202310017296 A CN 202310017296A CN 117635519 A CN117635519 A CN 117635519A
- Authority
- CN
- China
- Prior art keywords
- focus
- dimensional
- image
- segmentation
- lung
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 160
- 210000004072 lung Anatomy 0.000 claims abstract description 251
- 230000011218 segmentation Effects 0.000 claims abstract description 212
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000003902 lesion Effects 0.000 claims description 120
- 230000004927 fusion Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (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)
- Image Processing (AREA)
Abstract
一种基于CT图像的病灶检测方法、装置及计算机可读存储介质,其中该方法包括:对胸部CT图像进行处理得到肺部图像,对肺部图像进行病灶分割,得到对应于肺部图像内的各个病灶区域的分割结果,并同步获取肺部图像的多个二维切片所包含的预测病灶区域的边缘点位置信息,根据该边缘点位置信息,得到对应的三维边缘点位置信息,并按照该三维边缘点位置信息对预测病灶区域进行三维重建,得到多个三维预测病灶区域并据此确定出肺部图像内的各个病灶区域的检测结果,对分割结果和检测结果进行融合,得到各个病灶区域在胸部CT图像中的位置和尺寸。该方法可提高病灶检测的速度和准确度。
Description
技术领域
本申请实施例涉及图像处理技术领域,尤其涉及一种基于CT图像的病灶检测方法、装置及计算机可读存储介质。
背景技术
基于胸部CT(Computed Tomography,电子计算机断层扫描)图像,对肺结节进行数量、位置和大小的检测是推断肺部病灶病变特性的重要手段。
现有技术中,通常通过深度学习算法或者分割模型,先检测结节位置,再进行分割处理,这种检测方法通常检测精度不高。
发明内容
本申请实施例提供一种基于CT图像的病灶检测方法、装置、电子装置及计算机可读存储介质,可同时对肺部病灶进行检测和分割,得到病灶的精确位置和包含病灶的分割图像,解决检测病灶精度不高的问题。
本申请实施例一方面提供了一种基于CT图像的病灶检测方法,包括:
对胸部CT图像进行处理得到肺部图像;
对所述肺部图像进行病灶分割,得到对应于所述肺部图像内的各个病灶区域的分割结果,并同步对所述肺部图像进行病灶检测,得到各个病灶区域的检测结果;
对所述分割结果和所述检测结果进行融合,得到各个病灶区域在所述胸部CT图像中的位置和尺寸;
其中,所述对所述肺部图像进行病灶检测,得到各个病灶区域的检测结果包括:
将所述肺部图像处理为多个二维切片,并通过预设的二维检测模型对所述多个二维切片进行病灶检测,得到各个二维切片所包含的预测病灶区域的边缘点位置信息;
根据所述预测病灶区域的边缘点位置信息,按照预设的三维重建算法,得到所述边缘点位置信息对应的三维边缘点位置信息,并按照所述三维边缘点位置信息对所述预测病灶区域进行三维重建,得到多个三维预测病灶区域;
根据各个三维预测病灶区域,确定出所述肺部图像内的各个病灶区域的检测结果。
本申请实施例一方面还提供了一种基于CT图像的病灶检测装置,包括:
处理模块,用于对胸部CT图像进行处理得到肺部图像;
分割模块,用于对所述肺部图像上的病灶进行分割,得到对应于所述肺部图像内的各个病灶区域的分割结果;
检测模块,用于同步基于所述肺部图像进行病灶检测,得到各个病灶区域的检测结果;
融合模块,用于对所述分割结果和所述检测结果进行融合,得到各个病灶区域在所述胸部CT图像中的位置和尺寸;
其中所述检测模块,还用于将所述肺部图像处理为多个二维切片,并通过预设的二维检测模型对所述多个二维切片进行病灶检测,得到各个二维切片所包含的预测病灶区域的边缘点位置信息,根据所述预测病灶区域的边缘点位置信息,按照预设的三维重建算法,得到所述边缘点位置信息对应的三维边缘点位置信息,并按照所述三维边缘点位置信息对所述预测病灶区域进行三维重建,得到多个三维预测病灶区域,以及根据各个三维预测病灶区域,确定出所述肺部图像内的各个病灶区域的检测结果。
本申请实施例一方面还提供了一种电子装置,包括:
存储器和处理器;
所述存储器存储有可执行计算机程序;
与所述存储器耦合的所述处理器,调用所述存储器中存储的所述可执行计算机程序,执行如上述基于CT图像的病灶检测方法中的各步骤。
本申请实施例一方面还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时,实现如上述实施例提供的基于CT图像的病灶检测方法。
从上述本申请各实施例可知,本发明一方面通过基于将胸部CT图像进行处理得到的肺部图像,对该肺部图像进行病灶分割,得到对应于该肺部图像内的各个病灶区域的分割结果,并同步对该肺部图像进行病灶检测,得到各个病灶区域的检测结果,可提高病灶检测的速度,另一方面通过将病灶的分割结果和检测结果进行融合,得到各个病灶区域在该胸部CT图像上的位置和尺寸,由于最终输出的病灶区域的位置和尺寸是通过融合同步获取的病灶分割结果和病灶检测结果得到,两种处理结果互补,因此可以提高病灶检测的精准度和检测效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请一实施例提供的基于CT图像的病灶检测方法的流程示意图;
图2为本申请另一实施例提供的基于CT图像的病灶检测方法的流程示意图;
图3为图1中的步骤S101在其他实施例中的一实现流程示意图;
图4为图3中的步骤S301在其他实施例中的一实现流程示意图;
图5为本申请实施例提供的基于CT图像的病灶检测方法中的包括左肺区域和右肺区域的外接包围盒的一示意图;
图6为图3中的步骤S301和步骤S302的整体实现过程示意图;
图7为图2所示实施例中对该肺部图像上的病灶进行分割的一具体实现流程示意图;
图8为图2所示实施例中对该肺部图像上的病灶进行分割的整体实现过程示意图;
图9为图2所示实施例中对该病灶的位置进行检测的一具体实现流程示意图;
图10为图2所示实施例中对该病灶的位置进行检测的整体实现过程示意图;
图11为图2中的步骤S203在其他实施例中的一实现流程示意图;
图12为本申请实施例提供的基于CT图像的病灶检测方法中病灶融合的整体实现过程示意图;
图13为本申请一实施例提供的基于CT图像的病灶检测装置中的结构示意图;
图14为本申请一实施例提供的电子装置的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在现有的图像检测方案中,通常利用图像分割技术先进行图像分割,根据分割结果进行检测目标的定位,再通过图像识别技术确定检测目标的类型,存在检测速度慢,且容易遗漏形态不规则的检测目标的问题。
本申请通过同时对肺部图像上的病灶进行分割以及对病灶的位置进行检测,提高对病灶的检测速度,并分割结果和检测结果进行融合,得到该病灶在胸部CT图像中的位置和尺寸,提高对病灶的检测精度。
参见图1,本申请一实施例提供一种基于CT图像的病灶检测方法。该方法可以应用于计算机装置,如:台式计算机、服务器等非可在移动中进行数据处理的计算机装置,或者,智能手机、平板电脑、手提电脑、机器人等可在移动中进行数据处理的计算机装置。如图1所示,该方法包括:
S101、对胸部CT图像进行处理得到肺部图像;
具体的,可通过CT拍摄得到拍摄对象的胸部CT,从胸部CT图像中提取包括左右肺的肺部图像。
S102、对该肺部图像进行病灶分割,得到对应于该肺部图像内的各个病灶区域的分割结果,并同步对该肺部图像进行病灶检测,得到各个病灶区域的检测结果;
该分割结果包括肺部图像内的各个病灶区域所含的分割点的第一位置信息以及各个病灶区域的第一尺寸数据。检测结果可以包括肺部图像内的各个病灶区域所含的检测点的第二位置信息和各个病灶区域的第二尺寸数据。
于本步骤中,对病灶的分割操作和对该病灶的位置检测操作是基于上述肺部图像同步进行的,因此可提高处理速度。
S103、对分割结果和检测结果进行融合,得到各个病灶区域在胸部CT图像中的位置和尺寸。
具体的,可通过预设的病灶判别模型和病灶分割模型,将对该肺部图像进行的病灶分割结果和病灶检测结果进行病灶融合,融合结果是得到每个病灶区域在该胸部CT图像中的位置和尺寸。
本实施例中,一方面通过基于将胸部CT图像进行处理得到的肺部图像,对该肺部图像进行病灶分割,得到对应于该肺部图像内的各个病灶区域的分割结果,并同步对该肺部图像进行病灶检测,得到各个病灶区域的检测结果,可提高病灶检测的速度,另一方面通过将病灶的分割结果和检测结果进行融合,得到各个病灶区域在该胸部CT图像上的位置和尺寸,由于最终输出的病灶区域的位置和尺寸是通过融合同步获取的病灶分割结果和病灶检测结果得到,两种处理结果互补,因此可以提高病灶检测的精准度和检测效率。
参见图2,本申请另一实施例提供一种基于CT图像的病灶检测方法。该方法可以应用于计算机装置,如:台式计算机、服务器等非可在移动中进行数据处理的计算机装置,或者,智能手机、平板电脑、手提电脑、机器人等可在移动中进行数据处理的计算机装置。如图2所示,该方法包括:
S201、通过预设的肺实质提取模型,从胸部CT图像中提取出特定图像,并将该特定图像作为肺部图像,其中该特定图像匹配于包含左肺区域和右肺区域的外接包围盒;
具体的,通过CT拍摄得到拍摄对象的胸部CT,然后通过预设的肺实质提取模型,从该CT图像中提取得到特定图像,该特定图像作为肺部图像,该特定图像匹配于包含左肺区域和右肺区域的外接包围盒(Bounding Box)。
可选的,为进一步提高病灶分割和病灶检测结果的精准度,于本申请其他一实施方式中,如图3所示,还可将步骤S201替换为:
S301、通过预设的肺实质提取模型,从胸部CT图像中提取出该特定图像,该特定图像匹配于包括左肺区域和右肺区域的外接包围盒;
S302、将该特定图像输入预设的肺叶分割模型进行处理,获得由该肺叶分割模型输出的肺部图像。
于本申请其他一实施方式中,如图4所示,步骤S201或S301具体可包括以下步骤:
S401、通过预先训练得到的三维卷积神经网络,提取该胸部CT图像中的肺实质,得到左肺类别体素和右肺类别体素;
S402、计算得到该左肺类别体素和该右肺类别体素的最大连通域,并基于该最大连通区域外扩预设像素区域,得到该包含左肺区域和右肺区域的外接包围盒;
S403、将该外接包围盒的坐标系映射到该胸部CT图像的空间坐标系,得到去除背景噪声的匹配于该外接包围盒的该特定图像。
可以理解的,体素是“体积元素”,每个体素代表一个三维网格中的空间体积,通常是一个单位立方体。
具体地,首先,将拍摄得到的肺部的CT图像(即,原始CT数据)进行预处理,其中该预处理包括:为该CT图像设置HU(hounsfield unit)窗,例如HU窗的范围可以为[-1200,600],其中HU窗的数值范围可以按照实际需求进行设置,本说明书并不对此进行限制。并基于该HU窗将该CT图像的HU值归一化为像素值。其中,HU是CT中普遍使用的无量纲单位,用于标准、便捷地表达CT数值,具体可通过对测量得到的衰减系数进行线性变换得到。
然后,将经过上述预处理的CT图像进行下采样(Resize↓)至第一数值128px3,其中,px表示像素,第一数值还可以按照实际需求进行设置,并通过预先训练得到的肺实质提取模型提取肺实质,得到左肺类别体素、右肺类别体素和背景(即除去左肺和右肺的部分)类别体素。该肺实质提取模型优选为一个轻量化的三维卷积神经网络,例如3D CNN(Convolutional Neural Network)网络模型。具体的,将下采样后的CT图像输入3D CNN网络,通过该3D CNN网络将体素分割为左肺类别、右肺类别和背景类别,以此可剔除背景类别的体素。
进一步地,计算该左肺类别体素和该右肺类别体素的连通域,并保留所有连通域中的最大连通域,将该最大连通域外扩预设像素区域,得到包含左肺区域和右肺区域的外接包围盒,从而粗略提取出如图5所示的左肺区域和右肺区域,预设像素区域的大小可以按照实际需求进行设置,或者,也可以不对最大连通域进行外扩,本说明书并不对此进行限制。其中外接包围盒如图5中的3D长方体。
再进一步地,将该外接包围盒的坐标系转换为该CT图像的空间坐标系,即可得到去除背景噪声的匹配于该外接包围盒的特定图像。具体地,可将该外接包围盒的坐标映射至该CT图像(原始图像)的空间坐标系,从而得到该CT图像中对应于该外接包围盒的图像,也即,得到该CT图像中去除了背景噪声的该特定图像。
可以理解的,在CT图像中,肺的外围部分(即,外围背景部分)由于与肺内均是黑色和白色相互交接,因此容易被误判为肺叶或者肺结节等肺内病灶,从而容易干扰肺叶分割和病灶检测的过程。于本申请中,在经过上述肺实质提取模型的处理后,从CT图像中提取对应于外接包围盒的区域,由于此时提取得到的外接包围盒的区域只包含肺实质部分,因此可以有效避免该CT图像的外围部分的干扰。
再进一步地,在步骤S302中,通过预先训练得到的肺叶分割模型,将该去除背景噪声的该特定图像进行分割,并得到该肺叶分割模型输出的肺部图像。
可以理解的,可以将上述去除了背景噪声的特定图像输入肺叶分割模型进行处理,由肺叶分割模型对特定图像进行肺叶分割,获得肺叶分割模型输出的包含肺叶分割结果的特定图像,并可以将该包含肺叶分割结果的特定图像作为对CT图像进行处理得到的肺部图像。其中,肺叶分割结果用于指示特定图像中分别对应于右肺上叶、右肺中叶、右肺下叶、左肺上叶以及左肺下叶的肺叶类别的区域。当然,还可以将去除背景噪声的特定图像先划分为左肺图像和右肺图像,然后再分别将左肺图像和右肺图像输入肺叶分割模型进行处理,通过划分为左肺图像和右肺图像,减小输入肺叶分割模型的图像尺寸,提升肺叶分割模型的处理速度,本说明书并不对此进行限制。
具体的,可先从该去除了背景噪声的特定图像中划分出左肺图像和右肺图像,并将该左肺图像和该右肺图像各自进行下采样至该第一数值后,输入预先训练得到的肺叶分割模型,以通过该肺叶分割模型对左肺图像和该右肺图像进行肺叶分割,并得到分割后的左肺图像和右肺图像。接着,将分割后的左肺图像和右肺图像各自反向上采样(Resize↑)以恢复到下采样之前的图像尺寸,并将上采样后的左肺图像和右肺图像粘贴(paste into)至与该CT图像相同尺寸的全0矩阵上,从而得到最终肺叶分割结果,即该肺部图像,此时得到的肺部图像上被划分有相应的肺叶类别。其中,通过对左肺图像和右肺图像进行下采样,可以减小左肺图像和右肺图像的尺寸,从而降低肺叶分割模型的计算量,提升肺叶分割模型的处理效率。当然,还可以不对左肺图像和右肺图像进行下采样和上采样的操作,本说明书并不对此进行限制。
上述步骤S301和步骤S302的整体实现过程还可参见图6。其中,该肺叶分割模型例如可以是3D深度卷积网络。上述肺叶分割模型与肺实质提取模型的区别在于,肺实质提取模型是浅度的卷积网络模型,其结构大约为5~6层,肺叶分割模型是深度的卷积网络模型,其结构可以为十几层。此外,上述肺实质提取模型与肺叶分割模型的目标不一样,前者是二类别分割(如:背景和肺实质类别)或三类别分割(如:左肺类别、右肺类别和背景类别),后者是多类别分割(如:5个肺叶类别以及背景分类)。
本申请实施例中,后续在步骤S202和S203中执行的病灶分割、病灶检测以及对病灶分割结果和病灶检测结果进行融合等操作的处理基础既可以是基于步骤S201得到的肺部图像,也可以是基于步骤S302得到的划分了各个肺叶类别的肺部图像,为便于描述,以下各实施例以基于步骤S201得到的肺部图像进行病灶分割和病灶检测的处理基础为例,以步骤S302得到的肺部图像为基础进行病灶分割、病灶检测以及对病灶分割结果和病灶检测结果进行融合等操作的具体过程可参照以下各实施例,此处不再赘述。
而若是基于步骤S302得到的划分了各个肺叶类别的肺部图像执行病灶分割、病灶检测等后续操作,在确定出各个病灶区域在胸部CT图像中的位置和尺寸之后,还可以结合步骤S302得到的肺叶分割结果,确定出各个病灶区域所属的肺叶类别,其中,该肺叶类别可以包括右肺的上叶、右肺的中叶、右肺的下叶、左肺的上叶或者左肺的下叶等,从而无需医生等操作人员按照经验确定各个病灶区域所属的肺叶类别,有利于医生等操作人员准确判断患者的病情,提升诊断的准确性和效率。
S202、对该肺部图像进行病灶分割,得到对应于该肺部图像内的各个病灶区域的分割结果,并同步对该肺部图像进行病灶检测,得到各个病灶区域的检测结果;
其中,对该肺部图像上的病灶进行分割,得到对应于该肺部图像内的各个病灶区域的分割结果可以包括:通过预先训练得到的病灶分割模型对该肺部图像进行病灶分割,获得该分割结果,该分割结果包括该肺部图像内的各个病灶区域所含的分割点的第一位置信息以及各个病灶区域的第一尺寸数据。分割点是确定病灶区域位置的点。分割点可以按照实际需求进行设置,例如,在病灶区域为圆形时,该分割点可以是该病灶区域的圆心,而第一尺寸数据可以是病灶区域的半径或者直径等。各病灶区域可以为圆形、四边形、三角形等规则的形状,该分割点可以是该病灶区域的中心点。
具体地,按照预设的三维重叠滑动提取算法,从该肺部图像中提取多个立方体子区域;
对该肺部图像按照预设滑窗尺寸和预设步长进行三维重叠滑动提取,得到多个该立方体子区域;
可以按照预设滑窗尺寸和预设步长对该肺部图像进行分块,获得若干立方体子区域,其中,预设滑窗尺寸和预设步长可以按照需求进行设置,本说明书并不对此进行限制。
具体地,如图8所示,获取从胸部CT图像中提取到的肺部图像,该肺部图像即为感兴趣区域(region of interest,ROI)图像。将该肺部图像下采样至第二数值,例如:1mm3,其中mm为毫米。然后,利用滑窗分块预测(shift window)算法对下采样后的肺部图像进行分块,具体地,按照预设的滑窗尺寸(window size)和步长,从下采样后的肺部图像中提取立方体子区域(cube),其中该滑窗尺寸优选为128px3,步长优选为64px3,提取的立方体子区域的尺寸为128px3。
将各该立方体子区域输入到预先训练得到的病灶分割模型中进行病灶分割,获得该分割结果,该分割结果包括该肺部图像内的各个病灶区域所含的分割点的第一位置信息以及各个病灶区域的第一尺寸数据。
具体地,参见图7,将各该立方体子区域输入到预先训练得到的病灶分割模型中进行病灶分割,获得该分割结果可以包括以下步骤:
S2021A、将各立方体子区域通过该病灶分割模型进行分割,输出各该立方体子区域对应的概率图;
将提取的各立方体子区域按顺序依次输入预先训练得到的病灶分割模型,该顺序可以是各立方体子区域的提取顺序,也可以是设置的编号顺序。
本实施例中的病灶分割模型以肺结节分割模型为例,该肺结节分割模型例如3D-UNet,3D-VNet,或者3D nn-UNet,该病灶分割模型输出每个立方体子区域(也即每个滑窗)的概率图,该概率图为包含概率值的分割图像,该概率值是指单个立方体子区域属于病灶区域的概率值。
S2021B、对各该立方体子区域对应的概率图进行拼接,得到该肺部图像对应的概率图;
将各立方体子区域对应的概率图按该顺序重新拼接,得到该肺部图像对应的概率图。
若拼接时相邻立方体子区域之间存在重叠部分,则将相邻立方体子区域中重叠部分的概率值进行平均值或者加权计算,得到该重叠部分的概率值。
S2021C、按照第一预设概率阈值对该肺部图像对应的概率图进行处理,确定出该分割结果。
将概率图中对应的概率值高于第一预设概率阈值的区域确定为病灶区域,并得到各病灶区域所含的分割点的第一位置信息以及各个病灶区域的第一尺寸数据。
具体的,如图8所示,将肺部图像所对应的概率图中对应的概率值超出该第一预设概率阈值的立方体子区域和重叠的区域确认为病灶区域,输出包含各个病灶区域的图像,将该病灶区域对应的图像反向上采样恢复到该肺部图像大小,从而确定出各个病灶区域所含的分割点在肺部图像中的第一位置信息以及各个病灶区域的第一尺寸数据。
进一步地,对该肺部图像进行病灶检测,得到各个病灶区域的检测结果可以包括:
将该肺部图像处理为多个三维预测病灶区域,并根据各个三维预测病灶区域,确定出该肺部图像内的各个病灶区域的检测结果。
其中,该肺部图像处理为多个三维预测病灶区域包括:
将该肺部图像处理为多个二维切片,并通过预设的二维检测模型对该多个二维切片进行病灶检测,得到各个二维切片所包含的预测病灶区域的信息;
根据该预测病灶区域的信息进行三维重建,得到相应的该三维预测病灶区域。
具体地,参见图9,对该肺部图像进行病灶检测,得到各个病灶区域的检测结果主要包括如下步骤:
S2022A、将该肺部图像处理为多个二维切片;
S2022B、通过预设的二维检测模型对该多个二维切片进行病灶检测,得到各个二维切片所包含的预测病灶区域的信息;
将多个该二维切片合成为多张输入图片,其中,每相邻预设层数的该二维切片合成为一张输入图片,将各该输入图片输入该二维检测模型。
具体地,将该二维切片合成为多通道的多张输入图片,多通道优选三通道。该二维检测模型可以但不限于是yolov5模型或者fasterRcnn模型。
该预测病灶区域的信息包括该预测病灶区域的边缘点位置信息,具体为该预测病灶区域的各顶点的位置坐标,该预测病灶区域为一2D(二维)方形区域,该2D方形区域边缘上每个像素点的坐标位置或者该2D方形区域对应的坐标位置为已知量。当然,该预测病灶区域的信息还可以包括预测病灶区域内部点的位置信息或者预测病灶区域的尺寸数据等,本说明书并不对此进行限制。
S2022C、根据该预测病灶区域的信息进行三维重建,得到相应的该三维预测病灶区域;
根据输入图片得到的多个二维切片所含的预测病灶区域的信息,按照预设的三维重建算法,得到相应的三维预测病灶区域,具体地,根据预测病灶区域的边缘点位置信息,计算得到该边缘点位置信息对应的三维边缘点位置信息,并按照该三维边缘点位置信息对该预测病灶区域进行三维重建,得到多个该三维预测病灶区域。
S2022D、根据各个三维预测病灶区域,确定出该肺部图像内的各个病灶区域的检测结果。
具体地,筛选出属于真阳类别的概率值不小于第二预设概率阈值的三维预测病灶区域,并将筛选出的三维预测病灶区域确定为目标病灶区域;
或者,筛选出属于真阳类别的概率值不小于第二预设概率阈值的三维预测病灶区域,并根据筛选出的各个三维预测病灶区域的概率值确定第三预设概率阈值,将筛选出的且属于真阳类别的概率值不小于第三预设概率阈值的三维预测病灶区域确定为目标病灶区域。
在一实施例中,通过将该三维预测病灶区域输入预先训练得到的三维分类模型,可以得到各个三维预测病灶区域属于真阳类别的概率值,然后以第二预设概率阈值为依据,将对应的属于真阳类别的概率值不小于第二预设概率阈值的三维预测病灶区域作为目标病灶区域,将对应的属于真阳类别的概率值小于第二预设概率阈值的三维预测病灶区域划分为假阳类别,从而排除属于假阳类别的三维预测病灶区域,并将该目标病灶区域的位置坐标作为肺部图像内相应的病灶区域的位置坐标,得到检测结果,该三维分类模型优选Efficient-Net网络模型。而第二预设概率阈值是基于三维分类模型的训练过程而确定的。其中,可以利用三维分类模型直接获得各个三维预测病灶区域属于真阳类别的概率值;或者,可以利用三维分类模型获得各个三维预测病灶区域属于假阳类别的概率值,然后根据属于假阳类别的概率值,求解出各个三维预测病灶区域属于真阳类别的概率值,本说明书并不对此进行限制。
在另一实施例中,通过将该三维预测病灶区域输入预先训练得到的三维分类模型,可以得到各个三维预测病灶区域属于真阳类别的概率值,那么先以第二预设概率阈值为依据,筛选出对应的概率值不小于第二预设概率阈值的三维预测病灶区域,然后可以根据筛选出的各个三维预测病灶区域的对应的概率值确定出第三预设概率阈值,再以第三预设概率阈值为依据,将前述筛选出的且属于真阳类别的概率值不小于第三预设概率阈值的三维预测病灶区域确定为目标病灶区域。其中,第三预设概率阈值可以是基于筛选出的各个三维预测病灶区域对应的概率值的平均值或者加权求和值而确定的。对基于第二预设概率阈值筛选出的三维预测病灶区域再次进行处理,可以提升确定出的目标病灶区域的准确性,显著降低误判或者误分类的可能性,也可以进一步减少确定出的目标病灶区域的数量。具体地,如图10所示,三维分类模型为“3D版分类模型Efficient-Net”,那么可以获得该“3D版分类模型Efficient-Net”输出的各个三维预测病灶区域属于真阳类别的概率值,可以先以第二预设概率阈值为依据,筛选出对应的概率值不小于第二预设概率阈值的三维预测病灶区域,过滤大量属于假阳类别的三维预测病灶区域,然后计算筛选出的三维预测病灶区域对应的概率值的平均值,并根据计算出来的平均值确定出第三预设概率阈值,再以第三预设概率阈值为依据,将前述筛选出的且属于真阳类别的概率值不小于第三预设概率阈值的三维预测病灶区域确定为目标病灶区域。
一方面通过利用二维检测模型可以对二维切片进行病灶检测,因此具有速度快的优点,另一方面同时通过利用三维分类模型排除属于假阳类别的三维预测病灶区域,又可获得较好的假阳排除效果,并且可以根据各个三维预测病灶区域,确定出三维的肺部图像内的各个病灶区域的检测结果。
S203、对分割结果和检测结果进行融合,得到各个病灶区域在该胸部CT图像中的位置和尺寸。
具体的,结合图11和图12,步骤S203具体可包括以下步骤:
S2031、基于该分割结果,得到该肺部图像内的各个病灶区域的分割点的第一位置信息和各个病灶区域的第一尺寸数据;
本实施例中的病灶区域以圆形为例,其他形状的病灶区域可参照执行。该分割点可以是圆形病灶区域的中心点;
分割点的第一位置信息是指分割后得到的该肺部图像中的各病灶区域的中心点的坐标,第一尺寸数据是指分割得到的各病灶区域的直径。
结合图12,首先,基于上述病灶分割得到的分割结果,求取该肺部图像中的各连通域的外接包围盒,每一连通域对应一个病灶区域,那么可以根据任一连通域的外接包围盒计算相应的病灶区域的参数,该参数包括病灶区域的分割点的位置的坐标和病灶区域的直径,其中,各病灶区域的坐标可以用分割点的位置的三维坐标表示,直径用d表示,具体可以是第一分割病灶区域(z1,y1,x1,d1),第二分割病灶区域(z2,y2,x2,d2)和第三分割病灶区域(z3,y3,x3,d3)等。
S2032、基于该检测结果,得到各个病灶区域的检测点的第二位置信息和各个病灶区域的第二尺寸数据;
检测点的第二位置信息是指检测后得到的该肺部图像中的各病灶区域的中心点的坐标,第二尺寸数据是指检测得到的各病灶区域的直径。
基于上述病灶检测结果得到的病灶的坐标位置区域,计算各检测的病灶的中心点坐标作为各检测病灶区域的位置,中心点的坐标用三维坐标表示,各检测病灶区域的直径用d’表示,具体如:第一检测病灶区域(z1’,y1’,x1’,d1’),第二检测病灶区域(z2’,y2’,x2’,d2’)和第三检测病灶区域(z3’,y3’,x3’,d3’)等。
S2033、根据该第一位置信息和该第二位置信息,将该分割点和该检测点进行融合以得到点组,并得到该点组内各个位置点的融合位置信息和融合尺寸数据;
该融合位置信息是指该点组中各个位置点的坐标,融合尺寸数据为点组的直径。
计算各分割点和各检测点的欧氏距离,将欧氏距离小于预设距离的分割点和检测点融合为一个点组内的一个位置点,该预设距离优选5mm(毫米),并将融合为一个点组内的一个位置点的若干分割点和若干检测点的平均坐标作为该点组的该位置点的坐标,若干分割点和若干检测点所属病灶区域的平均直径作为该点组的该位置点所对应的直径。当然,还可以将若干分割点和若干检测点的坐标的加权求和值作为该位置点的坐标,将若干分割点和若干检测点所属病灶区域的直径的加权求和值作为该位置点所对应的直径,本说明书并不对此进行限制。具体地,假设上述第一分割病灶区域的分割点的位置与第一检测病灶区域的检测点之间的欧氏距离小于预设距离,则需要将第一分割病灶区域和第一检测病灶区域进行融合,得到的融合位置信息和融合尺寸数据为(z1”,y1”,x1”,d1”),其中z1”为z1和z1’的平均值、y1”为y1和y1’的平均值、x1”为x1和x1’的平均值、d1”为d1和d1’的平均值;假设上述第二分割病灶区域的分割点的位置与第二检测病灶区域的检测点之间的欧氏距离小于预设距离,则需要将第二分割病灶区域和第二检测病灶区域进行融合,得到的融合位置信息和融合尺寸数据为(z2”,y2”,x2”,d2”),其中,z2”,y2”,x2”,d2”的计算过程与前述类似,此处不再赘述。
S2034、根据该点组内各个位置点的融合位置信息和融合尺寸数据,从该病灶的图像中提取对应于各个位置点的三维子区域,并将提取的三维子区域通过预设的病灶判别模型进行假阳性识别;
预设的病灶判别模型,可以是训练好的3D efficientNet模型。
按照融合尺寸数据提取对应于各个位置点的三维子区域,例如该三维子区域可以为立体块(cube),并将该三维子区域通过预先训练得到的病灶判别模型进行病灶判别,获得各个三维子区域属于病灶区域的概率值。该三维子区域可以是立方体,以点组的各个位置点的直径为边长,位置点为中心点计算得到的。当然,三维子区域还可以是其他形状,本说明书并不对此进行限制。
S2035、根据排除假阳性的三维子区域,得到各个病灶区域在该胸部CT图像中的位置和尺寸。
可选的,将属于病灶区域的概率值小于预设阈值的三维子区域划分为假阳性,并将被划分为假阳性的三维子区域排除,保留属于病灶区域的概率值大于该预设阈值的三维子区域,并将保留下来的三维子区域直接输入预设的精细病灶分割模型,例如3D-Unet,得到各个三维子区域对应的精细分割后的病灶区域,精细分割后的病灶区域可以呈现出各个病灶区域的具体轮廓,其中,精细病灶分割模型相较于上述的病灶分割模型,区别在于模型的参数设置,精细病灶分割模型可以得到更细粒度,分割效果更好。由精细病灶分割模型对保留下来的各个三维子区域进行处理,可以得到各个病灶区域的准确轮廓,有利于最终得到的各个病灶区域在胸部CT图像中的位置和尺寸的准确性。
可以获取上述精细分割后的病灶区域所对应的掩膜图像,并将获取到的掩膜图像映射至胸部CT图像中,即将掩膜图像贴回(pad)到原胸部CT图像大小,从而可以根据映射结果确定出胸部CT图像的最终的病灶分割图像中的各最终病灶的参数,包括各最终病灶的中心位置坐标和病灶直径。当然,还可以对映射结果中所含的相邻的连通域进行融合,使得获得的最终的病灶区域更加准确。
可选的,将保留下来的三维子区域直接输入预设的精细病灶分割模型,得到各个三维子区域对应的精细分割后的病灶区域具体可以包括:通过精细病灶分割模型确定最终病灶的直径,并根据确定出的最终病灶的直径得到各个三维子区域对应的精细分割后的病灶区域的具体轮廓。
可选的,为进一步提高检测结果的精准度,于本申请其他一实施方式中,可不直接将保留的三维子区域输入预设的精细病灶分割模型,而是根据该排除假阳性的三维子区域的分割掩膜以及该排除假阳性的三维子区域中的该点组的直径,判断是否将该排除假阳性的三维子区域输入到该精细病灶分割模型进行分割,从而可以降低精细病灶分割模型的训练难度,提升精细病灶分割模型的处理效率;若该排除假阳性的三维子区域包含该分割掩膜,且该排除假阳性的三维子区域中的该点组的直径小于第一直径,或者,若该排除假阳性的三维子区域不包含该分割掩膜,且该排除假阳性的三维子区域中的该点组的直径大于第二直径,则将该排除假阳性的三维子区域输入到该精细病灶分割模型进行分割。
具体的,先判断保留的三维子区域是否包含分割掩膜,该分割掩膜为基于上述病灶区域的分割结果得到的该病灶区域的分割图像中的掩膜。其中,若三维子区域内的位置点是基于分割点和检测点融合得到的,那么该三维子区域包含对应的分割掩膜;若三维子区域内的位置点是仅基于分割点融合得到的,那么该三维子区域包含对应的分割掩膜;而若三维子区域内的位置点是仅基于检测点融合得到的,那么该三维子区域则不存在对应的分割掩膜。
如图12所示,若保留的三维子区域包含分割掩膜,则判断相应的点组的直径是否小于预设的第一直径(如,16mm),若不小于预设的第一直径,则使用该分割掩膜,得到第一病灶区域,无需经过精细病灶分割模型的处理,简化处理过程;若小于预设的第一直径,则将保留的三维子区域输入上述预设的精细病灶分割模型,得到第二病灶区域。
若保留的三维子区域不包含分割掩膜,则判断相应的点组的直径是否大于预设的第二直径(如,8mm),其中该第二直径小于该第一直径。于本实施方式中,精细病灶分割模型也可以只用于得到各个三维子区域对应的精细分割后的病灶区域。此时,若点组的直径不大于预设的第二直径,则按照该三维子区域的大小构建新的掩膜,并基于构建的掩模得到第三病灶区域。若点组的直径大于预设的第二直径,可以将保留的三维子区域输入上述预设的精细病灶分割模型,得到第四病灶区域。
那么获取上述第一病灶区域、第二病灶区域、第三病灶区域以及第四病灶区域所对应的掩膜图像,并将获取到的掩膜图像映射至胸部CT图像中,即将掩膜图像贴回(pad)到原胸部CT图像大小,从而可以根据映射结果确定出胸部CT图像的最终的病灶分割图像中的各最终病灶的参数,包括各最终病灶的中心位置坐标和病灶直径。当然,还可以对映射结果中所含的相邻的连通域进行融合,使得获得的最终的病灶区域更加准确。其中,第一病灶区域所对应的掩膜图像即为上述分割掩膜,第三病灶区域所对应的掩膜图像即为上述构建的新的掩膜。
那么前述处理过程,无需将每一保留下来的三维子区域均输入精细病灶分割模型进行处理,可以简化处理过程,显著提升获取掩膜图像的效率,并且针对是否包含分割掩膜以及相应点组的直径大小不同的三维子区域采用不同的获取病灶区域的方式,可以实现针对不同的保留下来的三维子区域进行个性化处理,提升获取到的最终病灶的精准度。
可选的,如图12右下角所示,在保留的三维子区域不包含分割掩膜,且相应的点组的直径大于预设的第二直径(如,8mm)的情况下,还可以进一步进行细化处理,而非直接将保留的三维子区域输入预设的精细病灶分割模型进行处理。其中,细化处理的过程如下:若点组的直径小于第三直径(如,32mm),则将保留的三维子区域中的点组的直径调整为该第三直径;若点组的直径不小于该第三直径,且小于第四直径(如,64mm),则将保留的三维子区域中的点组的直径调整为该第四直径;若点组的直径大于该第四直径,则仍然不对保留的三维子区域中的点组的直径进行调整。其中该第三直径小于该第四直径。后续,可以基于上述调整后的直径重新提取更新后的三维子区域,再将更新后的三维子区域输入上述预设的精细病灶分割模型,输入预设的精细病灶分割模型进行处理。实际上,在细化处理的过程中,可以按照原来的点组的直径大小对不同的三维子区域进行再次更新,有利于后续根据更新后的三维子区域确定出的最终病灶的位置和尺寸的准确性,提升确定出的病灶区域在胸部CT图像中的位置和尺寸的可靠性。当然,上述第一直径、第二直径、第三直径和第四直径可以按照实际需求进行调整,本说明书并不对此进行限制。在任一保留的三维子区域中的点组的直径与特定直径相同的情况下,可以采用相应的点组直径小于特定直径的方式或者相应的点组直径大于特定直径的方式对该保留的三维子区域进行处理,本说明书并不对此进行限制,其中,特定直径可以是第一直径、第二直径、第三直径或者第四直径。
进一步的,在得到该病灶在该胸部CT图像中的位置和尺寸,还可按照预设的输出方式输出该病灶在该胸部CT图像中的位置和尺寸,例如,生成包含该病灶在该胸部CT图像中的位置和尺寸的文字信息和/或图像信息的检测报告并在屏幕中进行展示,或者,根据该病灶在该胸部CT图像中的位置和尺寸生成导航信息并保存等等。
本实施例中,一方面通过基于将胸部CT图像进行处理得到的肺部图像,对该肺部图像进行病灶分割,得到对应于该肺部图像内的各个病灶区域的分割结果,并同步对该肺部图像进行病灶检测,得到各个病灶区域的检测结果,可提高病灶检测的速度,另一方面通过将病灶的分割结果和检测结果进行融合,得到各个病灶区域在该胸部CT图像上的位置和尺寸,由于最终输出的病灶区域的位置和尺寸是通过融合同步获取的病灶分割结果和病灶检测结果得到,两种处理结果互补,因此可以提高病灶检测的精准度和检测效率。
参见图13,本申请一实施例提供的基于CT图像的病灶检测装置中的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。该装置可以是具有数据处理功能的计算机装置,或者,可以作为虚拟模块配置在具有数据处理功能的计算机装置中。如图13所示,该装置包括:
处理模块501,用于对胸部CT图像进行处理得到肺部图像;
分割模块502,用于对所述肺部图像上的病灶进行分割,得到对应于所述肺部图像内的各个病灶区域的分割结果;
检测模块503,用于同步基于所述肺部图像进行病灶检测,得到各个病灶区域的检测结果;
融合模块504,用于对所述分割结果和所述检测结果进行融合,得到各个病灶区域在所述胸部CT图像中的位置和尺寸。
上述各模块实现各自功能的具体过程可参考上述各实施例中的相关内容,此处不再赘述。
本实施例中,一方面通过基于将胸部CT图像进行处理得到的肺部图像,对该肺部图像进行病灶分割,得到对应于该肺部图像内的各个病灶区域的分割结果,并同步对该肺部图像进行病灶检测,得到各个病灶区域的检测结果,可提高病灶检测的速度,另一方面通过将病灶的分割结果和检测结果进行融合,得到各个病灶区域在该胸部CT图像上的位置和尺寸,由于最终输出的病灶区域的位置和尺寸是通过融合同步获取的病灶分割结果和病灶检测结果得到,两种处理结果互补,因此可以提高病灶检测的精准度和检测效率。
进一步地,分割模块502,还用于通过预先训练得到的病灶分割模型对所述肺部图像进行病灶分割,获得所述分割结果,所述分割结果包括所述肺部图像内的各个病灶区域所含的分割点的第一位置信息以及各个病灶区域的第一尺寸数据。
分割模块502,还用于按照预设的三维重叠滑动提取算法,从所述肺部图像中提取多个立方体子区域;
将各所述立方体子区域输入到预先训练得到的病灶分割模型中进行病灶分割,获得所述分割结果。
分割模块502,还用于将各所述立方体子区域通过所述病灶分割模型进行分割,输出各所述立方体子区域对应的概率图;
对各所述立方体子区域对应的概率图进行拼接,得到所述肺部图像对应的概率图;
按照第一预设概率阈值对所述肺部图像对应的概率图进行处理,确定出所述分割结果。
检测模块503,还用于将所述肺部图像处理为多个三维预测病灶区域,并根据各个三维预测病灶区域,确定出所述肺部图像内的各个病灶区域的检测结果。
检测模块503,还用于将所述肺部图像处理为多个二维切片,并通过预设的二维检测模型对所述多个二维切片进行病灶检测,得到各个二维切片所包含的预测病灶区域的信息;
根据所述预测病灶区域的信息进行三维重建,得到相应的所述三维预测病灶区域。
所述预测病灶区域的信息包括所述预测病灶区域的边缘点位置信息;
检测模块503,还用于根据所述预测病灶区域的边缘点位置信息,按照预设的三维重建算法,得到所述边缘点位置信息对应的三维边缘点位置信息,并按照所述三维边缘点位置信息对所述预测病灶区域进行三维重建,得到多个所述三维预测病灶区域。
检测模块503,还用于通过将所述三维预测病灶区域输入预先训练得到的三维分类模型,获得各个三维预测病灶区域属于真阳类别的概率值;
根据所述各个三维预测病灶区域属于真阳类别的概率值,确定目标病灶区域,将所述目标病灶区域中病灶的位置坐标作为所述肺部图像内的相应病灶区域的位置坐标,得到所述检测结果。
检测模块503,还用于筛选出属于真阳类别的概率值不小于第二预设概率阈值的三维预测病灶区域,并将筛选出的三维预测病灶区域确定为所述目标病灶区域;
或者,筛选出属于真阳类别的概率值不小于所述第二预设概率阈值的三维预测病灶区域,并根据筛选出的各个三维预测病灶区域的概率值确定第三预设概率阈值,将筛选出的且属于真阳类别的概率值不小于所述第三预设概率阈值的三维预测病灶区域确定为目标病灶区域。
融合模块504,还用于基于所述分割结果,得到所述肺部图像内的各个病灶区域的分割点的第一位置信息和各个病灶区域的第一尺寸数据;
基于所述检测结果,得到各个病灶区域的检测点的第二位置信息和各个病灶区域的第二尺寸数据;
根据所述第一位置信息和所述第二位置信息,将所述分割点和所述检测点进行融合以得到点组,并得到所述点组内各个位置点的融合位置信息和融合尺寸数据;
根据所述点组内各个位置点的融合位置信息和融合尺寸数据,从所述病灶的图像中提取对应于各个位置点的三维子区域,并将提取的三维子区域通过预设的病灶判别模型进行假阳性识别;
根据排除假阳性的三维子区域,得到各个病灶区域在所述胸部CT图像中的位置和尺寸。
融合模块504,还用于将欧式距离小于预设距离的所述分割点和所述检测点融合为所述点组内的一个位置点,将所述分割点和所述检测点的平均坐标作为所述点组的坐标,平均直径作为所述点组的直径。
所述分割结果包括对应于各个病灶区域的分割掩膜;
融合模块504,还用于根据所述排除假阳性的三维子区域的分割掩膜以及所述排除假阳性的三维子区域中的所述点组的直径,判断是否将所述排除假阳性的三维子区域输入到精细病灶分割模型进行分割;
若所述排除假阳性的三维子区域包含所述分割掩膜,且所述排除假阳性的三维子区域中的所述点组的直径小于第一直径,或者,若所述排除假阳性的三维子区域不包含所述分割掩膜,且所述排除假阳性的三维子区域中的所述点组的直径大于第二直径,则将所述排除假阳性的三维子区域输入到所述精细病灶分割模型进行分割;
基于精细病灶分割模型输出的分割结果得到各个病灶区域在所述胸部CT图像中的位置和尺寸。
处理模块501,还用于通过预设的肺实质提取模型,从所述胸部CT图像中提取出特定图像,并将所述特定图像作为所述肺部图像,其中所述特定图像匹配于包含左肺区域和右肺区域的外接包围盒。
处理模块501,还用于通过预设的肺实质提取模型,从所述胸部CT图像中提取出特定图像,其中所述特定图像匹配于包含左肺区域和右肺区域的外接包围盒;
将所述特定图像输入预设的肺叶分割模型进行处理,获得由所述肺叶分割模型输出的肺部图像。
上述各模块实现各自功能的具体过程可参考上述各实施例中的相关内容,此处不再赘述。
参见图14,本申请一实施例提供的电子装置的硬件结构示意图。如图14所示,电子装置10包括:存储器11和处理器12。
其中,存储器11存储有可执行计算机程序13。与存储器11耦合的处理器12,调用存储器中存储的可执行计算机程序13,执行如图1至图12所示上述各实施例提供的基于CT图像的病灶检测方法。
示例性的,该计算机程序13可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在存储器11中,并由处理器12执行,以完成本发明。所述一个或多个模块/单元可以包括上述实施例中的基于CT图像的病灶检测装置中的各个模块,如:处理模块501、分割模块502、检测模块503以及融合模块504。
进一步地,该装置还包括:
至少一个输入设备以及至少一个输出设备。
上述处理器12、存储器11、输入设备和输出设备可通过总线连接。
其中,该输入设备具体可为摄像头、触控面板、物理按键或者鼠标等等。该输出设备具体可为显示屏。
进一步的,该装置还可包括比图示更多的部件,或者组合某些部件,或者不同的部件,例如网络接入设备、传感器等。
处理器12可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器11可以是例如硬盘驱动存储器,非易失性存储器(例如闪存或用于形成固态驱动器的其它电子可编程限制删除的存储器等),易失性存储器(例如静态或动态随机存取存储器等)等,本申请实施例不作限制。具体的,存储器11可以是该电子装置的内部存储单元,例如:该电子装置的硬盘或内存。存储器11也可以是该电子装置的外部存储设备,例如该电子装置上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括该电子装置的内部存储单元也包括外部存储设备。存储器11用于存储计算机程序以及终端所需的其他程序和数据。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述图14所示实施例中的存储器11,具体例如可以是非暂时性计算机可读存储介质。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现如前述图1至图12所示各实施例中描述的基于CT图像的病灶检测方法。进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括: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。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述,意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任意一个或者多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
以上为对本申请所提供的基于CT图像的病灶检测方法、装置、电子装置及计算机可读存储介质的描述,对于本领域的技术人员,依据本申请实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种基于CT图像的病灶检测方法,其特征在于,包括:
对胸部CT图像进行处理得到肺部图像;
对所述肺部图像进行病灶分割,得到对应于所述肺部图像内的各个病灶区域的分割结果,并同步对所述肺部图像进行病灶检测,得到各个病灶区域的检测结果;
对所述分割结果和所述检测结果进行融合,得到各个病灶区域在所述胸部CT图像中的位置和尺寸;
其中,所述对所述肺部图像进行病灶检测,得到各个病灶区域的检测结果包括:
将所述肺部图像处理为多个二维切片,并通过预设的二维检测模型对所述多个二维切片进行病灶检测,得到各个二维切片所包含的预测病灶区域的边缘点位置信息;
根据所述预测病灶区域的边缘点位置信息,按照预设的三维重建算法,得到所述边缘点位置信息对应的三维边缘点位置信息,并按照所述三维边缘点位置信息对所述预测病灶区域进行三维重建,得到多个三维预测病灶区域;
根据各个三维预测病灶区域,确定出所述肺部图像内的各个病灶区域的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述肺部图像进行病灶分割,得到对应于所述肺部图像内的各个病灶区域的分割结果包括:
通过预先训练得到的病灶分割模型对所述肺部图像进行病灶分割,获得所述分割结果,所述分割结果包括所述肺部图像内的各个病灶区域所含的分割点的第一位置信息以及各个病灶区域的第一尺寸数据。
3.根据权利要求2所述的方法,其特征在于,所述通过预先训练得到的病灶分割模型对所述肺部图像进行病灶分割,获得所述分割结果包括:
按照预设的三维重叠滑动提取算法,从所述肺部图像中提取多个立方体子区域;
将各所述立方体子区域输入到预先训练得到的病灶分割模型中进行病灶分割,获得所述分割结果。
4.根据权利要求3所述的方法,其特征在于,所述将各所述立方体子区域输入到预先训练得到的病灶分割模型中进行病灶分割,获得所述分割结果包括:
将各所述立方体子区域通过所述病灶分割模型进行分割,输出各所述立方体子区域对应的概率图;
对各所述立方体子区域对应的概率图进行拼接,得到所述肺部图像对应的概率图;
按照第一预设概率阈值对所述肺部图像对应的概率图进行处理,确定出所述分割结果。
5.根据权利要求1所述的方法,其特征在于,所述根据各个三维预测病灶区域,确定出所述肺部图像内的各个病灶区域的检测结果包括:
通过将所述三维预测病灶区域输入预先训练得到的三维分类模型,获得各个三维预测病灶区域属于真阳类别的概率值;
根据所述各个三维预测病灶区域属于真阳类别的概率值,确定目标病灶区域,将所述目标病灶区域的位置坐标作为所述肺部图像内的相应病灶区域的位置坐标,得到所述检测结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述各个三维预测病灶区域属于真阳类别的概率值,确定目标病灶区域,包括:
筛选出属于真阳类别的概率值不小于第二预设概率阈值的三维预测病灶区域,并将筛选出的三维预测病灶区域确定为所述目标病灶区域;
或者,筛选出属于真阳类别的概率值不小于所述第二预设概率阈值的三维预测病灶区域,并根据筛选出的各个三维预测病灶区域的概率值确定第三预设概率阈值,将筛选出的且属于真阳类别的概率值不小于所述第三预设概率阈值的三维预测病灶区域确定为目标病灶区域。
7.根据权利要求1所述的方法,其特征在于,所述对所述分割结果和所述检测结果进行融合,得到所述各个病灶区域在胸部CT图像中的位置和尺寸包括:
基于所述分割结果,得到所述肺部图像内的各个病灶区域的分割点的第一位置信息和各个病灶区域的第一尺寸数据;
基于所述检测结果,得到各个病灶区域的检测点的第二位置信息和各个病灶区域的第二尺寸数据;
根据所述第一位置信息和所述第二位置信息,将所述分割点和所述检测点进行融合以得到点组,并得到所述点组内各个位置点的融合位置信息和融合尺寸数据;
根据所述点组内各个位置点的融合位置信息和融合尺寸数据,从所述病灶的图像中提取对应于各个位置点的三维子区域,并将提取的三维子区域通过预设的病灶判别模型进行假阳性识别;
根据排除假阳性的三维子区域,得到各个病灶区域在所述胸部CT图像中的位置和尺寸。
8.根据权利要求7所述的方法,其特征在于,所述根据所述第一位置信息和所述第二位置信息,将所述分割点和所述检测点进行融合以得到点组,并得到所述点组内各个位置点的融合位置信息和融合尺寸数据,包括:
将欧式距离小于预设距离的所述分割点和所述检测点融合为所述点组内的一个位置点,将所述分割点和所述检测点的平均坐标作为所述点组的坐标,平均直径作为所述点组的直径。
9.根据权利要求7所述的方法,其特征在于,所述根据排除假阳性的三维子区域,得到各个病灶区域在所述胸部CT图像中的位置和尺寸包括:
根据所述排除假阳性的三维子区域的分割掩膜以及所述排除假阳性的三维子区域中的所述点组的直径,判断是否将所述排除假阳性的三维子区域输入到精细病灶分割模型进行分割;
若所述排除假阳性的三维子区域包含所述分割掩膜,且所述排除假阳性的三维子区域中的所述点组的直径小于第一直径,或者,若所述排除假阳性的三维子区域不包含所述分割掩膜,且所述排除假阳性的三维子区域中的所述点组的直径大于第二直径,则将所述排除假阳性的三维子区域输入到所述精细病灶分割模型进行分割;
基于所述精细病灶分割模型输出的分割结果得到各个病灶区域在所述胸部CT图像中的位置和尺寸。
10.根据权利要求1所述的方法,其特征在于,所述对胸部CT图像进行处理得到肺部图像包括:
通过预设的肺实质提取模型,从所述胸部CT图像中提取出特定图像,并将所述特定图像作为所述肺部图像,其中所述特定图像匹配于包含左肺区域和右肺区域的外接包围盒。
11.根据权利要求1所述的方法,其特征在于,所述对胸部CT图像进行处理得到肺部图像包括:
通过预设的肺实质提取模型,从所述胸部CT图像中提取出特定图像,其中所述特定图像匹配于包含左肺区域和右肺区域的外接包围盒;
将所述特定图像输入预设的肺叶分割模型进行处理,获得由所述肺叶分割模型输出的肺部图像。
12.一种基于CT图像的病灶检测装置,其特征在于,包括:
处理模块,用于对胸部CT图像进行处理得到肺部图像;
分割模块,用于对所述肺部图像进行病灶分割,得到对应于所述肺部图像内的各个病灶区域的分割结果;
检测模块,用于同步对所述肺部图像进行病灶检测,得到各个病灶区域的检测结果;
融合模块,用于对所述分割结果和所述检测结果进行融合,得到各个病灶区域在所述胸部CT图像中的位置和尺寸;
其中所述检测模块,还用于将所述肺部图像处理为多个二维切片,并通过预设的二维检测模型对所述多个二维切片进行病灶检测,得到各个二维切片所包含的预测病灶区域的边缘点位置信息,根据所述预测病灶区域的边缘点位置信息,按照预设的三维重建算法,得到所述边缘点位置信息对应的三维边缘点位置信息,并按照所述三维边缘点位置信息对所述预测病灶区域进行三维重建,得到多个三维预测病灶区域,以及根据各个三维预测病灶区域,确定出所述肺部图像内的各个病灶区域的检测结果。
13.一种电子装置,其特征在于,包括:
存储器和处理器;
所述存储器存储有可执行计算机程序;
与所述存储器耦合的所述处理器,调用所述存储器中存储的所述可执行计算机程序,执行如权利要求1-11任一项所述的基于CT图像的病灶检测方法中的各步骤。
14.一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,实现如权利要求1-11任一项所述的基于CT图像的病灶检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310017296.7A CN117635519A (zh) | 2022-08-29 | 2022-08-29 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211037404.9A CN115131345B (zh) | 2022-08-29 | 2022-08-29 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
CN202310017296.7A CN117635519A (zh) | 2022-08-29 | 2022-08-29 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211037404.9A Division CN115131345B (zh) | 2022-08-29 | 2022-08-29 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635519A true CN117635519A (zh) | 2024-03-01 |
Family
ID=83387667
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310017296.7A Pending CN117635519A (zh) | 2022-08-29 | 2022-08-29 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
CN202211037404.9A Active CN115131345B (zh) | 2022-08-29 | 2022-08-29 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211037404.9A Active CN115131345B (zh) | 2022-08-29 | 2022-08-29 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN117635519A (zh) |
WO (1) | WO2024045395A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635519A (zh) * | 2022-08-29 | 2024-03-01 | 杭州堃博生物科技有限公司 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446730B (zh) * | 2018-03-16 | 2021-05-28 | 推想医疗科技股份有限公司 | 一种基于深度学习的ct肺结节检测装置 |
CN112102221A (zh) * | 2019-05-31 | 2020-12-18 | 深圳市前海安测信息技术有限公司 | 用于检测肿瘤的3D UNet网络模型构建方法、装置及存储介质 |
CN110807788B (zh) * | 2019-10-21 | 2023-07-21 | 腾讯科技(深圳)有限公司 | 医学图像处理方法、装置、电子设备及计算机存储介质 |
CN111340825B (zh) * | 2020-03-05 | 2023-05-09 | 上海市肺科医院(上海市职业病防治院) | 一种纵膈淋巴结分割模型的生成方法及系统 |
CN111275707B (zh) * | 2020-03-13 | 2023-08-25 | 北京深睿博联科技有限责任公司 | 肺炎病灶分割方法和装置 |
CN111738992B (zh) * | 2020-06-04 | 2023-12-22 | 讯飞医疗科技股份有限公司 | 肺部病灶区域提取方法、装置、电子设备和存储介质 |
CN112465754B (zh) * | 2020-11-17 | 2021-09-03 | 云润大数据服务有限公司 | 基于分层感知融合的3d医疗图像分割方法、装置及存储介质 |
CN114283165A (zh) * | 2021-12-17 | 2022-04-05 | 上海交通大学 | 肺结节的智能影像处理系统 |
CN114332128B (zh) * | 2021-12-30 | 2022-07-26 | 推想医疗科技股份有限公司 | 医学图像处理方法及其装置、电子设备和计算机存储介质 |
CN114612710A (zh) * | 2022-03-01 | 2022-06-10 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN117635519A (zh) * | 2022-08-29 | 2024-03-01 | 杭州堃博生物科技有限公司 | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 |
-
2022
- 2022-08-29 CN CN202310017296.7A patent/CN117635519A/zh active Pending
- 2022-08-29 CN CN202211037404.9A patent/CN115131345B/zh active Active
- 2022-12-05 WO PCT/CN2022/136628 patent/WO2024045395A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CN115131345A (zh) | 2022-09-30 |
WO2024045395A1 (zh) | 2024-03-07 |
CN115131345B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108010021B (zh) | 一种医学图像处理系统和方法 | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
KR102475826B1 (ko) | 영상 분할 방법 및 그 전자 장치 | |
Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
WO2022063198A1 (zh) | 一种肺部图像处理方法、装置及设备 | |
Gu et al. | Automatic lung nodule detection using multi-scale dot nodule-enhancement filter and weighted support vector machines in chest computed tomography | |
CN110276408B (zh) | 3d图像的分类方法、装置、设备及存储介质 | |
Mouton et al. | Materials-based 3D segmentation of unknown objects from dual-energy computed tomography imagery in baggage security screening | |
US10706534B2 (en) | Method and apparatus for classifying a data point in imaging data | |
Palma et al. | Detection of masses and architectural distortions in digital breast tomosynthesis images using fuzzy and a contrario approaches | |
Darmanayagam et al. | A novel supervised approach for segmentation of lung parenchyma from chest CT for computer-aided diagnosis | |
AU2019430369B2 (en) | VRDS 4D medical image-based vein Ai endoscopic analysis method and product | |
CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
CN111899850A (zh) | 医学影像的信息处理方法、显示方法及可读存储介质 | |
CN115131345B (zh) | 基于ct图像的病灶检测方法、装置及计算机可读存储介质 | |
CN111784646A (zh) | 图像处理装置及电子设备 | |
CN114332128B (zh) | 医学图像处理方法及其装置、电子设备和计算机存储介质 | |
CN113408595B (zh) | 病理图像处理的方法、装置、电子设备及可读存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN112541909B (zh) | 基于切片感知的三维神经网络的肺结节探测方法及系统 | |
JP2016146132A (ja) | 形状特徴抽出方法、形状特徴抽出処理装置、形状記述方法及び形状分類方法 | |
KR101494975B1 (ko) | 3차원 자동 유방 초음파 영상의 유두 자동 검출 시스템 및 그 검출 방법 | |
Cao et al. | A new method for false-positive reduction in detection of lung nodules in CT images |
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 |