CN117635612A - 一种肺部ct图像的识别方法 - Google Patents
一种肺部ct图像的识别方法 Download PDFInfo
- Publication number
- CN117635612A CN117635612A CN202410104967.8A CN202410104967A CN117635612A CN 117635612 A CN117635612 A CN 117635612A CN 202410104967 A CN202410104967 A CN 202410104967A CN 117635612 A CN117635612 A CN 117635612A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- identifying
- focus area
- image according
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 18
- 230000001575 pathological effect Effects 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 208000009956 adenocarcinoma Diseases 0.000 claims abstract description 5
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 12
- 206010056342 Pulmonary mass Diseases 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000002591 computed tomography Methods 0.000 description 45
- 230000000007 visual effect Effects 0.000 description 5
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 230000008901 benefit 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
- 230000003902 lesion Effects 0.000 description 3
- 201000005249 lung adenocarcinoma Diseases 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000011282 treatment Methods 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
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/70—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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肺部CT图像的识别方法，属于计算机图像处理领域，提出了获取肺部CT图像，增强肺部CT图像后，根据U‑Net全卷积神经网络模型对所述增强肺部CT图像的肿瘤病灶区域进行分割；在肺部CT图像肿瘤病灶区域中对腺癌的病理亚型进行伪彩标注，根据偏最小二乘回归PLS映射模型将分类模型中的数据映射到CT图像中，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果；对所述IASLC分级结果进行校验，生成带有伪彩标注肿瘤病灶区域的肺部CT图像。通过对图像增强处理，获得病灶区域的粗定位，通过‑Net全卷积神经网络模型对病灶区域的精准定位分割，提高了病灶区域的识别效率与识别精确性，降低了医生工作强度。
Description
技术领域
本发明属于计算机图像处理领域，尤其涉及一种肺部CT图像的识别方法。
背景技术
癌症仍然是严重危害人类生命安全的疾病之一，肺癌的一般表现为肺部组织中的病变细胞不受抑制的无限扩散，形成位于肺部的恶性肿瘤，导致人体肺功能异常。如果不能及时发现并采取相应的治疗手段，病变细胞便不停的增殖并扩散至肺部以外的人体组织中，有着极高的致死率。肺癌中，虽然肺腺癌患者的病变细胞增殖分裂速度相对其他肺癌类型来说较为缓慢，但是其病变前中期的症状发展不太明显比较难以察觉，导致患者当被确诊后通常会错过最佳的治疗时机。
随着计算机断层扫描（CT）的应用和发展，较以往相比，更多的肺腺癌病人能够在发病早期就能发现并进行相对应的治疗。由于CT图像中所蕴含的信息比较丰富，阅片诊断都是以人工方式进行，导致人的主观性和人眼视觉局限性会对诊断结果有着较大的影响，只通过观察CT图像很难对患者肿瘤进行性质鉴别和肿瘤分化程度的确定。因此，如何实现计算机识别病灶区域，进而辅助医生进行快速诊断成为亟待解决的技术问题。
发明内容
针对人工阅片速度慢的不足，人眼视觉局限性会对诊断结果有着较大的影响的问题。本发明提出了获取肺部CT图像，对所述肺部CT图像进行预处理；将预处理后的肺部CT图像与原图像进行哈达玛积运算，获得增强肺部CT图像；
根据U-Net 全卷积神经网络模型对所述增强肺部 CT 图像的肿瘤病灶区域进行分割；所述病灶区包括一个或多个肺结节；在肺部CT图像肿瘤病灶区域中对腺癌的病理亚型进行伪彩标注，根据偏最小二乘回归PLS映射模型将分类模型中的数据映射到CT图像中，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果；对所述IASLC分级结果进行校验，生成带有伪彩标注肿瘤病灶区域的肺部CT图像。通过对图像增强处理，获得病灶区域的粗定位，通过U-Net 全卷积神经网络模型对病灶区域的精准定位分割，提高了病灶区域的识别效率与识别精确性，降低了医生工作强度；同时，采用PLS映射模型对病灶区域进行伪彩标注，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果，医生根据分级结果可以结合其他体征指标，病灶区域的其他参数，对病灶区域进行综合判断，降低了人眼视觉局限性的影响，实现了更高精度的判断。
本发明为解决以上技术问题所采取的技术方案是：
一种肺部CT图像的识别方法，该方法包括：
S1、获取肺部CT图像，对所述肺部CT图像进行预处理；
S2、将预处理后的肺部CT图像与原图像进行哈达玛积运算，将所述运算结果与原图像叠加，获得增强肺部CT图像；
S3、根据U-Net 全卷积神经网络模型对所述增强肺部 CT 图像的肿瘤病灶区域进行分割；所述病灶区包括一个或多个肺结节；
S4、在肺部CT图像肿瘤病灶区域中对腺癌的病理亚型进行伪彩标注，根据偏最小二乘回归PLS映射模型将分类模型中的数据映射到CT图像中，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果；
S5、对所述IASLC分级结果进行校验，生成带有伪彩标注肿瘤病灶区域的肺部CT图像。
进一步地，所述预处理包括对所述肺部CT图像进行灰度处理后，根据最大类间方差法自动生成二值化阈值，根据所述二值化阈值重构灰度化的肺部CT图像去除背景，并去除边界或毛细血管信息，经过闭运算填充结界内空点，得到肺结节的ROI形状。
进一步地，所述分割操作包括，U-Net 全卷积神经网络模型对所述增强肺部 CT图像进行卷积操作，使用非线性激活函数进行非线性映射以强化病灶区域；使用池化层对所述增强肺部 CT 图像进行降采样以去除正常组织的图像。
进一步地，U-Net 全卷积神经网络模型包括编码部分、解码部分和为编解码之间信息传递提供通路的跳跃连接部分。
进一步地，编码部分包括五个子模块，每个子模块包含两个4X4的卷积层，每个子模块之后是通过最大池化实现的下采样层，依次采集到更深层次的语义信息；解码部分包括五层，每层包含一个子模块，每个子模块由上采样和反卷积组成，解码时通过上采样恢复分辨率，直到与输入图像的分辨率一致；跳跃连接的引入将编码部分特征提取每一层得到的语义信息及时传递给对应的解码层，完整的保留了前四层编码获取到的图像特征。
进一步地，所述映射模型建立包括：将基于训练组数据构建的分类模型在优化组和验证组数据中进行迁移学习，采用PLS建立映射模型。
进一步地，该方法还包括S6，将病理医师标注好的病理亚型分割图和IASLC分级结果与映射模型结果进行比较，计算映射模型的诊断一致性。
进一步地，U-Net 全卷积神经网络模型的损失函数为：
，
其中和/>分别表示 U-Net 分割出的病灶图像和标准病灶图像，N为训练样本数量。
计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，处理器执行所述计算机程序实施肺部CT图像的识别方法。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序实施肺部CT图像的识别方法。
本发明的有益效果如下：
1）通过对图像增强处理，获得病灶区域的粗定位，通过U-Net 全卷积神经网络模型对病灶区域的精准定位分割，提高了病灶区域的识别效率与识别精确性，降低了医生工作强度；
同时，采用PLS映射模型对病灶区域进行伪彩标注，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果，医生根据分级结果可以结合其他体征指标，病灶区域的其他参数，对病灶区域进行综合判断，降低了人眼视觉局限性的影响，实现了更高精度的判断。
上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
图1为肺部CT图像的识别方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例1
一种肺部CT图像的识别方法，该方法包括：
S1、获取肺部CT图像，对所述肺部CT图像进行预处理；
S2、将预处理后的肺部CT图像与原图像进行哈达玛积运算，将所述运算结果与原图像叠加，获得增强肺部CT图像；
S3、根据U-Net 全卷积神经网络模型对所述增强肺部 CT 图像的肿瘤病灶区域进行分割；所述病灶区包括一个或多个肺结节；
S4、在肺部CT图像肿瘤病灶区域中对腺癌的病理亚型进行伪彩标注，根据偏最小二乘回归PLS映射模型将分类模型中的数据映射到CT图像中，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果；
S5、对所述IASLC分级结果进行校验，生成带有伪彩标注肿瘤病灶区域的肺部CT图像。
进一步地，所述预处理包括对所述肺部CT图像进行灰度处理后，根据最大类间方差法自动生成二值化阈值，根据所述二值化阈值重构灰度化的肺部CT图像去除背景，并去除边界或毛细血管信息，经过闭运算填充结界内空点，得到肺结节的ROI形状。
进一步地，所述分割操作包括，U-Net 全卷积神经网络模型对所述增强肺部 CT图像进行卷积操作，使用非线性激活函数进行非线性映射以强化病灶区域；使用池化层对所述增强肺部 CT 图像进行降采样以去除正常组织的图像。
进一步地，U-Net 全卷积神经网络模型包括编码部分、解码部分和为编解码之间信息传递提供通路的跳跃连接部分。
进一步地，编码部分包括五个子模块，每个子模块包含两个4X4的卷积层，每个子模块之后是通过最大池化实现的下采样层，依次采集到更深层次的语义信息；解码部分包括五层，每层包含一个子模块，每个子模块由上采样和反卷积组成，解码时通过上采样恢复分辨率，直到与输入图像的分辨率一致；跳跃连接的引入将编码部分特征提取每一层得到的语义信息及时传递给对应的解码层，完整的保留了前四层编码获取到的图像特征。
进一步地，所述映射模型建立包括：将基于训练组数据构建的分类模型在优化组和验证组数据中进行迁移学习，采用PLS建立映射模型。
进一步地，该方法还包括S6、将病理医师标注好的病理亚型分割图和IASLC分级结果与映射模型结果进行比较， 计算映射模型的诊断一致性。
进一步地，U-Net 全卷积神经网络模型的损失函数为：
，
其中和/>分别表示 U-Net 分割出的病灶图像和标准病灶图像，N为训练样本数量。
计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，处理器执行所述计算机程序实施肺部CT图像的识别方法。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序实施肺部CT图像的识别方法。
本发明的有益效果如下：
通过对图像增强处理，获得病灶区域的粗定位，通过-Net 全卷积神经网络模型对病灶区域的精准定位分割，提高了病灶区域的识别效率与识别精确性，降低了医生工作强度；
同时，采用PLS映射模型对病灶区域进行伪彩标注，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果，医生根据分级结果可以结合其他体征指标，病灶区域的其他参数，对病灶区域进行综合判断，降低了人眼视觉局限性的影响，实现了更高精度的判断。
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，可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，例如所述单元的划分，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，例如多个单元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，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序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器中。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存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、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。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种肺部CT图像的识别方法，其特征在于，该方法包括：
S1、获取肺部CT图像，对所述肺部CT图像进行预处理；
S2、将预处理后的肺部CT图像与原图像进行哈达玛积运算，将所述运算结果与原图像叠加，获得增强肺部CT图像；
S3、根据U-Net 全卷积神经网络模型对所述增强肺部 CT 图像的肿瘤病灶区域进行分割；所述病灶区包括一个或多个肺结节；
S4、在肺部CT图像肿瘤病灶区域中对腺癌的病理亚型进行伪彩标注，根据偏最小二乘回归PLS映射模型将分类模型中的数据映射到CT图像中，获得病理亚型的预测区域，定量计算每种预测亚型的比例从而得到IASLC分级结果；
S5、对所述IASLC分级结果进行校验，生成带有伪彩标注肿瘤病灶区域的肺部CT图像。
2.根据权利要求1所述肺部CT图像的识别方法，其特征在于：所述预处理包括对所述肺部CT图像进行灰度处理后，根据最大类间方差法自动生成二值化阈值，根据所述二值化阈值重构灰度化的肺部CT图像去除背景，并去除边界或毛细血管信息，经过闭运算填充结界内空点，得到肺结节的ROI形状。
3.根据权利要求1所述肺部CT图像的识别方法，其特征在于：所述分割操作包括，U-Net全卷积神经网络模型对所述增强肺部 CT 图像进行卷积操作，使用非线性激活函数进行非线性映射以强化病灶区域；使用池化层对所述增强肺部 CT 图像进行降采样以去除正常组织的图像。
4.根据权利要求1所述肺部CT图像的识别方法，其特征在于：U-Net 全卷积神经网络模型包括编码部分、解码部分和为编解码之间信息传递提供通路的跳跃连接部分。
5.根据权利要求4所述肺部CT图像的识别方法，其特征在于：编码部分包括五个子模块，每个子模块包含两个4X4的卷积层，每个子模块之后是通过最大池化实现的下采样层，依次采集到更深层次的语义信息；解码部分包括五层，每层包含一个子模块，每个子模块由上采样和反卷积组成，解码时通过上采样恢复分辨率，直到与输入图像的分辨率一致；跳跃连接的引入将编码部分特征提取每一层得到的语义信息及时传递给对应的解码层，完整的保留了前四层编码获取到的图像特征。
6.根据权利要求1所述肺部CT图像的识别方法，其特征在于：所述映射模型建立包括：将基于训练组数据构建的分类模型在优化组和验证组数据中进行迁移学习，采用PLS建立映射模型。
7.根据权利要求1所述肺部CT图像的识别方法，其特征在于：该方法还包括S6，将病理医师标注好的病理亚型分割图和IASLC分级结果与映射模型结果进行比较，计算映射模型的诊断一致性。
8.根据权利要求1所述肺部CT图像的识别方法，其特征在于：U-Net 全卷积神经网络模型的损失函数为：
，
其中和/>分别表示 U-Net 分割出的病灶图像和标准病灶图像，N为训练样本数量。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，处理器执行所述计算机程序实施如权利要求1-8任一项所述肺部CT图像的识别方法。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实施如权利要求1-8任一项所述肺部CT图像的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410104967.8A CN117635612A (zh) | 2024-01-25 | 2024-01-25 | 一种肺部ct图像的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410104967.8A CN117635612A (zh) | 2024-01-25 | 2024-01-25 | 一种肺部ct图像的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117635612A true CN117635612A (zh) | 2024-03-01 |
Family
ID=90027293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410104967.8A Pending CN117635612A (zh) | 2024-01-25 | 2024-01-25 | 一种肺部ct图像的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635612A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111524170A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 一种基于无监督深度学习的肺部ct图像配准方法 |
| CN115715363A (zh) * | 2020-05-15 | 2023-02-24 | 化学影像公司 | 使用分子化学成像进行肿瘤分型的系统和方法 |
| CN116987790A (zh) * | 2016-05-17 | 2023-11-03 | 基因中心治疗公司 | 对肺腺癌亚型分型的方法 |
| CN117078930A (zh) * | 2023-08-11 | 2023-11-17 | 河南大学 | 基于边界感知和注意力机制的医学图像分割方法 |
-
2024
- 2024-01-25 CN CN202410104967.8A patent/CN117635612A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116987790A (zh) * | 2016-05-17 | 2023-11-03 | 基因中心治疗公司 | 对肺腺癌亚型分型的方法 |
| CN111524170A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 一种基于无监督深度学习的肺部ct图像配准方法 |
| CN115715363A (zh) * | 2020-05-15 | 2023-02-24 | 化学影像公司 | 使用分子化学成像进行肿瘤分型的系统和方法 |
| CN117078930A (zh) * | 2023-08-11 | 2023-11-17 | 河南大学 | 基于边界感知和注意力机制的医学图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 来永超: "基于3D U-Net底层特征和边缘检测的肺结节可视化研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, 15 January 2024 (2024-01-15), pages 10 - 48 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Automatic liver segmentation on volumetric CT images using supervoxel‐based graph cuts | |
| CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
| Fernandes et al. | A novel fusion approach for early lung cancer detection using computer aided diagnosis techniques | |
| Zhang et al. | Design of automatic lung nodule detection system based on multi-scene deep learning framework | |
| Dutande et al. | Deep residual separable convolutional neural network for lung tumor segmentation | |
| CN112200763B (zh) | 一种基于肝脏ct影像的肝功能分级方法 | |
| CN110123453B (zh) | 一种基于无标记增强现实的手术导航系统 | |
| Yar et al. | Lung nodule detection and classification using 2D and 3D convolution neural networks (CNNs) | |
| Aslam et al. | Liver-tumor detection using CNN ResUNet | |
| CN113643279A (zh) | 基于ct影像的肺结节检测设备、装置及存储介质 | |
| Chen et al. | A deep residual attention-based U-Net with a biplane joint method for liver segmentation from CT scans | |
| Hakim et al. | Microcalcification detection in mammography image using computer-aided detection based on convolutional neural network | |
| Ragab et al. | Early and accurate detection of melanoma skin cancer using hybrid level set approach | |
| Affane et al. | Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation | |
| CN117427286A (zh) | 一种基于能谱ct的肿瘤放疗靶区识别方法、系统及设备 | |
| Duan et al. | Segmentation of pulmonary vascular tree by incorporating vessel enhancement filter and variational region-growing | |
| Suchithra et al. | Skin cancer prediction using machine learning | |
| Dickson et al. | A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images | |
| JP2019513449A (ja) | 光干渉断層撮影イメージから３ｄ網膜血管形態を得る方法及びこれらを分析する方法 | |
| CN117635612A (zh) | 一种肺部ct图像的识别方法 | |
| Ji et al. | ResDSda_U-Net: A novel U-Net based residual network for segmentation of pulmonary nodules in lung CT images | |
| Abdullah et al. | Geometrical feature of lung lesion identification using computed tomography scan images | |
| Miao et al. | Visual quantification of the circle of willis: An automated identification and standardized representation | |
| Zair et al. | An automated segmentation of coronary artery calcification using deep learning in specific region limitation | |
| Allgöwer et al. | Liver Tumor Segmentation Using Classical Algorithms & Deep Learning |
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 |