CN107103187B - 基于深度学习的肺结节检测分级与管理的方法及*** - Google Patents
基于深度学习的肺结节检测分级与管理的方法及*** Download PDFInfo
- Publication number
- CN107103187B CN107103187B CN201710230623.1A CN201710230623A CN107103187B CN 107103187 B CN107103187 B CN 107103187B CN 201710230623 A CN201710230623 A CN 201710230623A CN 107103187 B CN107103187 B CN 107103187B
- Authority
- CN
- China
- Prior art keywords
- lung
- nodule
- network
- nodules
- pulmonary
- 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
Images
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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开基于深度学习的肺结节检测分级与管理的方法,其特征在于:包括以下步骤:S100:采集胸部超低剂量螺旋CT薄层图像,勾画出CT图像中的肺区域,并标注出肺区域中的所有肺结节;S200:训练肺区域分割网络、疑似肺结节检测网络和肺结节筛选分级网络;S300:获取图像集中所有病人的肺结节时序序列和其所对应的分级信息标注,构造肺结节管理数据库;S400:训练基于三维卷积神经网络和长短期记忆网络的肺癌诊断网络。本发明基于深度学习,训练肺区域分割网络、疑似肺结节检测网络、肺结节筛选分级网络和肺癌诊断网络,准确的检测到肺结节,并结合后续的跟踪随访,得到更精准的诊断信息及临床策略。
Description
技术领域
本发明涉及医学影像诊断、数据库管理、计算机图像处理、深度学习等技术在肺结节筛查及管理中的应用,尤其是一种基于深度学习的肺结节检测分级与管理的方法及***。
背景技术
肺癌是我国最主要的恶性肿瘤之一,在2015年中国癌症统计年报中,肺癌新发病例73.3万例(占整体17.1%)、死亡病例61万例(占整体21.1%),居我国肿瘤发病率及死亡率首位,给人民群众健康及国家带来巨大的损失。目前肺癌的5年生存率仅12%至17%,而其中I期肺癌术后的5年生存率可以达到60%以上,所以肺结节的早期发现是提高肺癌患者生存率的关键。肺结节的发现是目前早期肺癌防治中的第一步。早期肺癌大多数表现为孤立性肺结节。研究结果表明,因为CT具有显著高于传统胸部X光片的敏感性,对高危人群进行低剂量螺旋CT肺结节筛查相比胸部X光片筛查可以降低肺癌死亡率。采用低剂量螺旋CT作为高危人群的肺结节筛查手段已经得到广泛认可并应用。在低剂量螺旋CT图像中,肺结节可以表现为不同大小、密度及形态;在大部分肺结节筛查中,认为单一径线大于5mm即可作为阳性结节进行随访观察;不同密度的结节其意义也存在区别,其中实性结节存在多种可能性,包括小***、局部纤维化结节、结核及早期肿瘤等,而非实性结节(磨玻璃密度结节)及部分实性结节亦存在多种可能性,如局部感染引起的渗出改变、原位腺癌或微浸润腺癌等。肺结节常在直径大于5mm时即可被发现,但因为放射科医师在人工阅片中存在大量的主观性,且难以实现精确测量,这类早期结节易出现漏诊或误诊。
计算机辅助诊断是近年来逐渐应用于肺结节筛查中的重要手段,其具有测量数据客观、精确、一致性等特点,同时对肺结节的检出率高于单纯人工阅片。依托计算机辅助诊断,可以提高肺结节的发现率,客观获得结节大小、倍增时间等参数,数据具有良好的一致性。采用计算机辅助诊断***可以更好地发现微小结节,避免可疑结节的遗漏。目前肺结节计算机辅助诊断技术在结节检出阶段的流程主要包括:图像采集、预处理、肺实质分割、感兴趣区域提取、主动特征提取与优化、检测与分析等阶段,每一个阶段的性能高低都影响着整个***总体的检测性能。其中,预处理阶段主要进行图像的滤波、增强等处理,滤除采集过程中存在的噪声,并采用增强算法等使肺结节区域突出显示;肺实质分割阶段主要是去除图像中的脂肪、骨骼等组织;提取肺实质区域,多采用阈值法,模板匹配等图像处理方法;感兴趣区域提取阶段则针对肺实质中疑似结节区域进行提取,获得候选结节;特征提取与优化阶段主要通过分析候选结节的特点,提取其特征并进行优化筛选,参与筛选的特征除了传统的医学特征,还包括纹理、形态、灰度特征等等,再通过主成分分析、接受特征分析、粗糙集分析等方法来进行特征集优化;检测分析阶段主要是对候选结节特征进行真伪性判断,鉴别是否为结节,并进一步降低检测的假阳性,这是一个典型的两分类或者多分类问题,常采用的分类器包括基于知识和规则的分类器,模板匹配,线性判别分析和支持向量机。目前所用的计算机辅助诊断肺结节工具在自行分割提取肺结节中仍存在假阳性率较高、对非实性结节辨识困难、难以分割胸膜下或近纵隔区域等位置结节,在实践中需要医师人工介入进行结节筛选与提取,结果缺乏客观性、一致性。
而深度学习提供了一种利用大量临床样本训练来提高计算机辅助诊断肺结节工具的敏感性、特异性及一致性的途径,可以用于解决目前肺结节中易出现的漏诊、误诊等情况。
在发现肺结节后,对结节的分类管理是目前各种方案中的不足之处。因为肺结节性质多样、特征繁多,不同医师的经验与认识有较大的差距,所以不同医疗机构在对肺结节的后续管理上存在极大的差异,进而对后续医疗行为的质量产生重大的影响,降低肺结节筛查的实用价值。
中国发明专利申请号201610651299.6公开了一种涉及一种计算机软件***中实现肺结节危险程度分类的***和方法,包括图像CT值密度分布计算模块,用于根据无监督聚类计算CT值密度分布特征;肺结节危险程度分类模块,用以根据有监督机器学习模型使用肺结节CT值密度分布特征实现肺结节危险程度的训练和分类,还包括一种用于实现上述方法的***。
上述发明中公开的肺结节计算机软件辅助诊断及分类***仅将人为定义的CT值密度分布作为肺结节的特征作为分类标准,未能考虑到肺结节中一些人工量化却对诊断极其重要的特征。故对结节的分类有部分帮助,但无法实现完整、科学的分级模式。
中国发明专利申请号201610734382.X公开一种基于深度卷积神经网络的预防肺癌自助健康云服务***,包括用于深度学***台。
上述发明中公开的用于肺癌诊断分类的深度神经卷积网络采用无监督训练的方式对肺结节进行诊断,其在临床使用中存在一定的辅助诊断作用,但对临床医生阅片经验(如对病人进行随访以及对肺结节进行追踪管理)参考较少,未进行分级而采用简单分类诊断的模式,其诊断效果无法达到临床医师的诊断效能,对结节的进一步临床处理缺乏指导价值。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于深度学习,利用大量临床样本进行训练,提高肺结节检测的精准性和完整性,同时建立肺结节管理数据库,进行训练,对检出结节进行分类管理,实现自动、科学的结节分级管理与诊断的肺结节检测分级与管理的方法及***,克服现有技术中存在的诊断效能不足、分类方式简单和对临床处理缺乏指导价值等不足等问题。
本发明采用的技术方案如下:
本发明基于深度学习的肺结节检测分级与管理的方法,包括以下步骤:
S100:采集若干个病人的胸部超低剂量螺旋CT薄层图像,形成CT图像集,勾画出每张CT图像中的肺区域,并标注出肺区域中的所有肺结节,将肺结节划分为1-4级;
S200:基于采集的CT图像集,以及CT图像集中勾画的肺区域、标记的肺结节和分级信息,依次训练肺区域分割网络、疑似肺结节检测网络和肺结节筛选分级网络;检出所有含有肺结节的CT图像,得到肺结节CT图像集;
S300:对肺结节CT图像集所对应的病人进行跟踪随访,分别获取病人的CT图像序列,并重复S100进行标注和分级,获取所有病人的肺结节时序序列和肺结节的分级信息标注,构造肺结节管理数据库;
S400:对肺结节管理数据库进行数据增强,训练基于三维卷积神经网络和长短期记忆网络的肺癌诊断网络;
S500:依次采用训练的肺区域分割网络、疑似肺结节检测网络、肺结节筛选分级网络和肺癌诊断网络,对患者的CT图像进行检测分级与管理。
本发明基于深度学习的肺结节检测分级与管理的方法,所述S100中分级对应的处理方法为:1级为无需复查或一年后复查,2级为3个月后复查,3级为抗感染治疗后1个月复查,4级为临床多科室会诊处理或疑似肺癌。
本发明基于深度学习的肺结节检测分级与管理的方法,所述S200包括以下步骤:
S201:提取采集的CT图像集中每个CT图像的每一层图像组成二维图像训练集,将每个CT图像对应的肺区域标注作为真值;训练基于全卷积神经网络的肺区域分割网络;
S202:采用训练好的肺区域分割网络分割出CT图像中的所有肺区域,将肺区域中被标记有肺结节的区域作为正样本,选取没有标记肺结节的区域作为负样本,构建疑似肺结节检测训练集;对疑似肺结节检测训练集进行数据增强,训练基于三维卷积神经网络的疑似肺结节检测网络;
S203:采用训练好的疑似肺结节检测网络检测出CT图像集中的所有疑似肺结节;根据CT图像集中肺结节的标注信息将所有这些疑似肺结节标记为非肺结节与1-4级肺结节;将上述已划分级别的疑似肺结节作为训练集,并采用数据增强,训练基于三维卷积神经网络的肺结节筛选分级网络。
本发明基于深度学习的肺结节检测分级与管理的方法,所述S300中获取的病人的肺结节时序序列为肺结节的分级信息标注为其中m∈{1,2,...,M},i∈{1,2,...,Im},t∈{0,2,...,Tm},M为数据库中总病人数,Im为第m个病人的CT图像中的总肺结节数,Tm为第m个病人被跟踪寻访的时长,表示肺结节被标注的级别;所述肺结节管理数据库为
本发明基于深度学习的肺结节检测分级与管理的方法,所述S400中训练基于三维卷积神经网络和长短期记忆网络的肺癌诊断网络的方法:三维卷积神经网络提取肺结节时序序列中的每个肺结节的特征,组成特征序,输入长短期记忆网络,长短期记忆网络提取肺结节直接的时序关系。
本发明基于深度学习的肺结节检测分级与管理的方法,所述S500包括以下步骤:
S501:采用训练好的肺区域分割网络分割出待诊患者CT图像的肺区域;
S503:采用训练好的肺结节筛选分级网络对所有的疑似肺结节进行分类,筛选出所有的肺结节,确定肺结节级别;若病人CT图像中检测到肺结节,对病人进行跟踪寻访,获得肺结节时序序列若病人CT图像中检测不到肺结节,则给出无肺结节的诊断;
基于深度学习的肺结节检测分级与管理的***,包括肺结节检测分级模块和肺结节管理模块;
所述肺结节检测分级模块包括肺区域分割网络、疑似肺结节检测网络和肺结节筛选分级网络,用于精准地从图像中检测出所有肺结节;
所述肺区域分割网络,用于从胸部低剂量螺旋CT影像中分割肺区域;
所述疑似肺结节检测网络,用于在肺区域中检测疑似肺结节;
所述肺结节筛选分级网络,用于对疑似肺结节进行筛选与分级;
所述肺结节管理模块包括肺结节管理数据库和肺癌诊断网络,用于对检出肺结节的患者进行诊断与分级管理;
所述肺结节管理数据库,对检测出肺结节的病人寻访跟踪得到的肺结节时序序列和分级信息进行管理;
所述肺癌诊断网络,从肺结节管理数据库中学习肺结节时序序列的模式,用于实现病人层次的诊断。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明在分级过程中采用有监督的机器学习算法,准确标注肺内所有结节,并描述肺结节的大小、密度、体积等特征;建立数据库管理,利用标注的结节数据对深度学习算法进行训练,实现自动、科学的结节分级管理与诊断。
在发现肺结节后,对肺结节进行分级处置:(1)无需复查或1年后复查;(2)3个月后复查;(3)抗感染治疗1个月后复查;(4)临床多科室会诊处理或疑似肺癌;肺结节进行分级处置之后,对患者进行跟踪寻访,观察肺结节尺寸、大小、密度以及结构等的变化,实现最终诊断分级;通过规范的分类处理避免人为因素导致的不必要检查、有创检查或延误治疗窗口。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1.基于深度学习的肺结节检测分级与管理的方法流程图。
图2.本发明中根据肺结节分级与寻访追踪并建立肺结节管理数据库的方法流程图。
图3.基于深度学习的胸部低剂量螺旋CT图像肺结节序列的肺癌诊断网络。
图4.本发明中用于肺结节危险程度分级管理的方法流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
实施例一:
如图1,本发明一种基于深度学习的肺结节检测分级与管理的方法,包括以下步骤:
S100:采集若干个病人的胸部超低剂量螺旋CT薄层图像,形成CT图像集,勾画出每张CT图像中的肺区域,并标注出肺区域中的所有肺结节,将肺结节划分为1-4级;
S200:基于采集的CT图像集,以及CT图像集中勾画的肺区域、标记的肺结节和分级信息,依次训练肺区域分割网络、疑似肺结节检测网络和肺结节筛选分级网络;检出所有含有肺结节的CT图像,得到肺结节CT图像集;
S300:对肺结节CT图像集所对应的病人进行跟踪寻访,分别获取病人的CT图像序列,并重复S100进行标注和分级,获取所有病人的肺结节时序序列和肺结节的分级信息标注,构造肺结节管理数据库;
S400:对肺结节管理数据库进行数据增强,训练基于三维卷积神经网络和长短期记忆网络的肺癌诊断网络;
S500:依次采用训练的肺区域分割网络、疑似肺结节检测网络、肺结节筛选分级网络和肺癌诊断网络,对患者的CT图像进行检测分级与管理。
所述S200包括以下步骤:
S201:提取采集的CT图像集中每个CT图像的每一层图像组成二维图像训练集,将每个CT图像对应的肺区域标注作为真值;训练基于全卷积神经网络的肺区域分割网络;
S202:采用训练好的肺区域分割网络分割出CT图像中的所有肺区域,将肺区域中被标记有肺结节的区域作为正样本,选取没有标记肺结节的区域作为负样本,构建疑似肺结节检测训练集;对疑似肺结节检测训练集进行数据增强,训练基于三维卷积神经网络的疑似肺结节检测网络;
S203:采用训练好的疑似肺结节检测网络检测出CT图像集中的所有疑似肺结节;根据CT图像集中肺结节的标注信息将所有这些疑似肺结节标记为非肺结节与1-4级肺结节;将上述已划分级别的疑似肺结节作为训练集,并采用数据增强,训练基于三维卷积神经网络的肺结节筛选分级网络。
所述S300中获取的病人的肺结节时序序列为肺结节的分级信息标注为其中m∈{1,2,...,M},i∈{1,2,...,Im},t∈{0,2,...,Tm},M为数据库中总病人数,Im为第m个病人的CT图像中的总肺结节数,Tm为第m个病人被跟踪寻访的时长,表示肺结节被标注的级别;所述肺结节管理数据库为
如图2,所述S500包括以下步骤:
S501:采用训练好的肺区域分割网络分割出待诊患者CT图像的肺区域;
S503:采用训练好的肺结节筛选分级网络对所有的疑似肺结节进行分类,筛选出所有的肺结节,确定肺结节级别;若病人CT图像中检测到肺结节,对病人进行跟踪寻访,获得肺结节时序序列若病人CT图像中检测不到肺结节,则给出无肺结节的诊断;
如图3,检测到的肺结节进入肺癌诊断深度网络中的三维卷积神经网络,三维卷积神经网络提取肺结节时序序列中的每个肺结节的特征,三维卷积神经网络提取肺结节特征的函数为Φ,用于将每个肺结节映射成为固定长度的特征向量其中,R为实数空间,d为长短期网络输入向量的维度;三维卷积神经网络提取的特征组成特征序,输入长短期记忆网络,长短期记忆网络提取肺结节直接的时序关系;通过长短期网络循环时序展开,肺癌诊断网络不仅可以提取到单个肺结节的空间信息,还能够得到肺结节随着时间的变化信息(尺寸、形状、拓扑结构等随时间的变化)特征;最后通过综合所有长短期记忆单元的输出信息,得到病人肺癌的预测信息。
实施例二:
一种基于深度学习的肺结节检测分级与管理的***,包括肺结节检测分级模块和肺结节管理模块;
所述肺结节检测分级模块包括肺区域分割网络、疑似肺结节检测网络和肺结节筛选分级网络,用于精准地从图像中检测出所有肺结节;
所述肺区域分割网络,用于从胸部低剂量螺旋CT影像中分割肺区域;
所述疑似肺结节检测网络,用于在肺区域中检测疑似肺结节;
所述肺结节筛选分级网络,用于对疑似肺结节进行筛选与分级;
所述肺结节管理模块包括肺结节管理数据库和肺癌诊断网络,用于对检出肺结节的患者进行诊断与分级管理;
所述肺结节管理数据库,对检测出肺结节的病人寻访跟踪得到的肺结节时序序列和分级信息进行管理;
所述肺癌诊断网络,从肺结节管理数据库中学习肺结节时序序列的模式,用于实现病人层次的诊断。
实施例三:
如图4,对于检测到的肺结节,根据结节临床危险程度进行分级,将肺结节划分为1-4级;若S/PS<5mm,且NS<8mm,划分为1级;若S/PS》5mm,且NS》8mm,划分为2级;若S/PS》15mm或NS》15mm,划分为3级;其中S:实性结节;PS:部分实性结节;NS:非实性结节;
所述2级结节经过3个月后复查,若没有变化,划分为1级,若结节增大,则经过多学科高年资医师会诊,决定是否进入临床干预,若无需干预,划分为1级,若需要干预,划分为4级;
所述3级结节经过临床治疗后1个月复查,若完全吸收,划分为1级,若未吸收,则经过多学科高年资医师会诊,决定是否进入临床干预,若部分吸收,划分为2级,3个月后继续复查,若结节无变化或增大,划分为4级,若结节缩小或完全吸收,划分为1级;
其中1级为无需复查或一年后复查;2级为3个月后复查;3级为抗感染治疗后1个月复查;4级为临床多科室会诊处理或疑似肺癌。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (6)
1.基于深度学习的肺结节检测分级与管理***,其特征在于:包括肺结节检测分级模块和肺结节管理模块;
所述肺结节检测分级模块包括肺区域分割网络、疑似肺结节检测网络和肺结节筛选分级网络,用于精准地从图像中检测出所有肺结节;
所述肺区域分割网络,用于从胸部低剂量螺旋CT影像中分割肺区域;
所述疑似肺结节检测网络,用于在肺区域中检测疑似肺结节;
所述肺结节筛选分级网络,用于对疑似肺结节进行筛选与分级;
所述肺结节管理模块包括肺结节管理数据库和肺癌诊断网络,用于对检出肺结节的患者进行诊断分级与管理;
所述肺结节管理数据库,对检测出肺结节的病人寻访跟踪得到的肺结节时序序列和分级信息进行管理;
所述肺癌诊断网络,从肺结节管理数据库中学习肺结节时序序列的模式,用于实现病人层次的诊断;
还包括基于深度学习的肺结节检测分级与管理的方法,包括以下步骤:
S100:采集若干个病人的胸部超低剂量螺旋CT薄层图像,形成CT图像集,勾画出每张CT图像中的肺区域,并标注出肺区域中的所有肺结节,将肺结节划分为1-4级;
S200:基于采集的CT图像集,以及CT图像集中勾画的肺区域、标记的肺结节和分级信息,依次训练肺区域分割网络、疑似肺结节检测网络和肺结节筛选分级网络;检出所有含有肺结节的CT图像,得到肺结节CT图像集;
S300:对肺结节CT图像集所对应的病人进行跟踪随访,分别获取不同时间病人的CT图像序列,并重复S100进行标注和分级,获取所有病人的肺结节时序序列和肺结节的分级信息标注,构造肺结节管理数据库;
S400:对肺结节管理数据库进行数据增强,训练基于三维卷积神经网络和长短期记忆网络的肺癌诊断网络;
2.根据权利要求1所述的基于深度学习的肺结节检测分级与管理***,其特征在于:所述S200包括以下步骤:
S201:提取采集的CT图像集中每个CT图像的每一层图像组成二维图像训练集,将每个CT图像对应的肺区域标注作为真值;训练基于全卷积神经网络的肺区域分割网络;
S202:采用训练好的肺区域分割网络分割出CT图像中的所有肺区域,将肺区域中被标记有肺结节的区域作为正样本,选取没有标记肺结节的区域作为负样本,构建疑似肺结节检测训练集;对疑似肺结节检测训练集进行数据增强,训练基于三维卷积神经网络的疑似肺结节检测网络;
S203:采用训练好的疑似肺结节检测网络检测出CT图像集中的所有疑似肺结节;根据CT图像集中肺结节的标注信息将所有这些疑似肺结节标记为非肺结节与1-4级肺结节;将上述已划分级别的疑似肺结节作为训练集,并采用数据增强,训练基于三维卷积神经网络的肺结节筛选分级网络。
4.根据权利要求1所述的基于深度学习的肺结节检测分级与管理***,其特征在于:所述S400中训练基于三维卷积神经网络和长短期记忆网络的肺癌诊断网络的方法:三维卷积神经网络提取肺结节时序序列中的每个肺结节的特征,组成特征序,输入长短期记忆网络,长短期记忆网络提取肺结节直接的时序关系。
6.根据权利要求1所述的基于深度学习的肺结节检测分级与管理***,其特征在于:所述S500包括以下步骤:
S501:采用训练好的肺区域分割网络分割出待诊患者CT图像的肺区域;
S503:采用训练好的肺结节筛选分级网络对所有的疑似肺结节进行分类,筛选出所有的肺结节,确定肺结节级别;若病人CT图像中检测到肺结节,对病人进行跟踪随访,获得肺结节时序序列i为病人的CT图像中的总肺结节数,t为病人被跟踪寻访的时长;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710230623.1A CN107103187B (zh) | 2017-04-10 | 2017-04-10 | 基于深度学习的肺结节检测分级与管理的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710230623.1A CN107103187B (zh) | 2017-04-10 | 2017-04-10 | 基于深度学习的肺结节检测分级与管理的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107103187A CN107103187A (zh) | 2017-08-29 |
CN107103187B true CN107103187B (zh) | 2020-12-29 |
Family
ID=59675259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710230623.1A Active CN107103187B (zh) | 2017-04-10 | 2017-04-10 | 基于深度学习的肺结节检测分级与管理的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107103187B (zh) |
Families Citing this family (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101900200B1 (ko) * | 2017-08-30 | 2018-11-05 | (주)인스페이스 | 딥러닝 기반 결핵 검사 방법 |
CN107563123A (zh) | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN109583440B (zh) * | 2017-09-28 | 2021-12-17 | 北京西格码列顿信息技术有限公司 | 结合影像识别与报告编辑的医学影像辅助诊断方法及*** |
CN107665736B (zh) * | 2017-09-30 | 2021-05-25 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN107862249B (zh) * | 2017-10-18 | 2021-08-17 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN107705305A (zh) * | 2017-10-20 | 2018-02-16 | 上海联影医疗科技有限公司 | 一种医学图像处理的方法及装置 |
CN109615636B (zh) * | 2017-11-03 | 2020-06-12 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割中的血管树构造方法、装置 |
EP3489861A1 (en) * | 2017-11-24 | 2019-05-29 | Siemens Healthcare GmbH | Computer-based diagnostic system |
CN108171694B (zh) * | 2017-12-28 | 2021-05-14 | 开立生物医疗科技(武汉)有限公司 | 基于卷积神经网络的结节检测方法、***及设备 |
CN108389190B (zh) * | 2018-02-08 | 2022-12-16 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
CN108334909B (zh) * | 2018-03-09 | 2020-06-16 | 上海天数智芯半导体有限公司 | 基于ResNet的***TCT数字切片数据分析*** |
CN108389201B (zh) * | 2018-03-16 | 2020-06-30 | 北京推想科技有限公司 | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 |
CN110197474B (zh) * | 2018-03-27 | 2023-08-25 | 腾讯科技(深圳)有限公司 | 图像处理方法和装置及神经网络模型的训练方法 |
CN108875734B (zh) * | 2018-05-23 | 2021-07-23 | 平安科技(深圳)有限公司 | 肝脏癌变定位方法、装置及存储介质 |
CN108921195A (zh) * | 2018-05-31 | 2018-11-30 | 沈阳东软医疗***有限公司 | 一种基于神经网络的肺结节图像识别方法及装置 |
CN108805209B (zh) * | 2018-06-14 | 2021-11-19 | 清华大学深圳研究生院 | 一种基于深度学习的肺结节筛查方法 |
CN108921300A (zh) * | 2018-06-21 | 2018-11-30 | 第四范式(北京)技术有限公司 | 执行自动机器学习的方法和装置 |
CN109003299A (zh) * | 2018-07-05 | 2018-12-14 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
CN109285142B (zh) * | 2018-08-07 | 2023-01-06 | 广州智能装备研究院有限公司 | 一种头颈部肿瘤检测方法、装置及计算机可读存储介质 |
DE102018214325A1 (de) * | 2018-08-24 | 2020-02-27 | Siemens Healthcare Gmbh | Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes |
CN110866923B (zh) * | 2018-08-27 | 2022-11-01 | 詹宝珠 | 纤维化的计算机辅助分析方法、电子装置 |
TWI714200B (zh) * | 2018-08-27 | 2020-12-21 | 國立成功大學 | 纖維化的電腦輔助分析方法、電子裝置、電腦程式產品 |
TWI727237B (zh) * | 2018-12-14 | 2021-05-11 | 財團法人工業技術研究院 | 神經網路模型融合方法及應用其之電子裝置 |
CN109801262A (zh) * | 2018-12-21 | 2019-05-24 | 杭州依图医疗技术有限公司 | 一种肺结节分析的方法及装置 |
CN109686444A (zh) | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的***和方法 |
CN110047075A (zh) * | 2019-03-15 | 2019-07-23 | 天津大学 | 一种基于对抗网络的ct图像分割方法 |
CN110070113B (zh) * | 2019-03-29 | 2021-03-30 | 广州思德医疗科技有限公司 | 一种训练集的训练方法及装置 |
CN110148112A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种采集并标注断层扫描图数据进行数据集建立的方法 |
CN109993740A (zh) * | 2019-04-02 | 2019-07-09 | 广州中医药大学(广州中医药研究院) | 一种细胞癌图像分级方法及装置 |
CN110415206B (zh) * | 2019-04-08 | 2023-12-15 | 上海墩庐生物医学科技有限公司 | 一种识别肺腺癌浸润分型的方法 |
CN110021430A (zh) * | 2019-04-09 | 2019-07-16 | 科大讯飞股份有限公司 | 一种病灶的属性信息预测方法及装置 |
CN110232686A (zh) * | 2019-06-19 | 2019-09-13 | 东软医疗***股份有限公司 | 肺结节随访图像的获取方法、装置、ct设备和存储介质 |
CN112233058A (zh) * | 2019-07-15 | 2021-01-15 | 上海交通大学医学院附属第九人民医院 | 一种头颈部ct影像中***检测的方法 |
CN110517759B (zh) * | 2019-08-29 | 2022-03-25 | 腾讯医疗健康(深圳)有限公司 | 一种待标注图像确定的方法、模型训练的方法及装置 |
CN110570943B (zh) * | 2019-09-04 | 2021-03-12 | 医渡云(北京)技术有限公司 | 智能推荐mdt入组的方法及装置、电子设备、存储介质 |
CN110706207A (zh) * | 2019-09-12 | 2020-01-17 | 上海联影智能医疗科技有限公司 | 图像量化方法、装置、计算机设备和存储介质 |
US11417424B2 (en) | 2019-10-11 | 2022-08-16 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning |
US11195273B2 (en) | 2019-10-11 | 2021-12-07 | International Business Machines Corporation | Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory |
CN110706225B (zh) * | 2019-10-14 | 2020-09-04 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别*** |
CN111261284A (zh) * | 2020-02-05 | 2020-06-09 | 杭州依图医疗技术有限公司 | 一种基于医学影像的诊断信息处理方法、装置及存储介质 |
CN112349425A (zh) * | 2020-02-10 | 2021-02-09 | 胡秋明 | 新型冠状病毒感染肺炎人工智能快速筛查*** |
CN111383767A (zh) * | 2020-03-05 | 2020-07-07 | 上海市肺科医院(上海市职业病防治院) | 一种基于深度学习的肺内小结节进展评估***及方法 |
CN111507964B (zh) * | 2020-04-17 | 2021-03-19 | 中山仰视科技有限公司 | 新冠肺炎的集成学习定级方法、电子设备及存储介质 |
CN111539930B (zh) * | 2020-04-21 | 2022-06-21 | 浙江德尚韵兴医疗科技有限公司 | 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 |
CN111539944B (zh) * | 2020-04-28 | 2024-04-09 | 讯飞医疗科技股份有限公司 | 肺部病灶统计属性获取方法、装置、电子设备和存储介质 |
CN111696660B (zh) * | 2020-05-13 | 2023-07-25 | 平安科技(深圳)有限公司 | 基于人工智能的患者分群方法、装置、设备及存储介质 |
CN111709950B (zh) * | 2020-08-20 | 2020-11-06 | 成都金盘电子科大多媒体技术有限公司 | 一种乳腺钼靶ai辅助筛查方法 |
CN112508884A (zh) | 2020-11-24 | 2021-03-16 | 江苏大学 | 一种癌变区域综合检测装置及方法 |
CN112700867A (zh) * | 2021-01-13 | 2021-04-23 | 浙江大学医学院附属第一医院 | 一种基于迁移学习的covid-19患者的分级诊断*** |
CN112669314B (zh) * | 2021-01-18 | 2022-02-11 | 四川大学 | 肺癌全周期智能管理影像数据平台 |
US11276173B1 (en) | 2021-05-24 | 2022-03-15 | Qure.Ai Technologies Private Limited | Predicting lung cancer risk |
CN113178257A (zh) * | 2021-05-31 | 2021-07-27 | 深圳市海普洛斯生物科技有限公司 | 肺结节的分类模型的训练方法 |
CN113449777B (zh) * | 2021-06-08 | 2022-12-30 | 上海深至信息科技有限公司 | 一种甲状腺结节自动分级方法和*** |
CN113658657A (zh) * | 2021-08-24 | 2021-11-16 | 中山仰视科技有限公司 | 一种深度网络和光流机制结合的肺结节检测方法及装置 |
CN113628226A (zh) * | 2021-08-31 | 2021-11-09 | 平安医疗健康管理股份有限公司 | 基于多标签分割模型的图像数据处理方法及装置 |
CN115116590B (zh) * | 2022-06-29 | 2023-04-07 | 中国医学科学院基础医学研究所 | 深度强化学习方法、装置、肺结节患者随诊流程规划方法、***、介质和设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW514513B (en) * | 1996-02-06 | 2002-12-21 | Deus Technologies Inc | Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
US7272251B2 (en) * | 2002-09-30 | 2007-09-18 | The Board Of Trustees Of The Leland Stanford Junior University | Method for detecting and classifying a structure of interest in medical images |
US20040086161A1 (en) * | 2002-11-05 | 2004-05-06 | Radhika Sivaramakrishna | Automated detection of lung nodules from multi-slice CT image data |
CN101071506A (zh) * | 2006-01-25 | 2007-11-14 | 美国西门子医疗解决公司 | 用于局部肺结构分类以进行计算机辅助结节检测的***和方法 |
CN104751178B (zh) * | 2015-03-31 | 2018-04-03 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
CN106097340A (zh) * | 2016-06-12 | 2016-11-09 | 山东大学 | 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法 |
-
2017
- 2017-04-10 CN CN201710230623.1A patent/CN107103187B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469419A (zh) * | 2016-01-07 | 2016-04-06 | 于翠妮 | 一种基于ct影像的肺结节检测方法 |
Non-Patent Citations (3)
Title |
---|
A Homocentric Squares Filter for pulmonary nodule enhancement based on the CT images;Wen-Jing Zhang等;《IEEE》;20160218;第408-412页 * |
一种基于CT影像的肺癌病灶检测新方法;贾同等;《电子学报》;20101130;第2545-2549页 * |
基于稀疏组Lasso与支持向量机的肺结节CT征象自动标注;巩萍等;《西南师范大学学报(自然科学版)》;20161130;第41卷(第11期);第73-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107103187A (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107103187B (zh) | 基于深度学习的肺结节检测分级与管理的方法及*** | |
Kasinathan et al. | Automated 3-D lung tumor detection and classification by an active contour model and CNN classifier | |
CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
US10176408B2 (en) | Systems and methods for analyzing pathologies utilizing quantitative imaging | |
Ge et al. | Computer‐aided detection of lung nodules: false positive reduction using a 3D gradient field method and 3D ellipsoid fitting | |
CN101517614A (zh) | 肺结节的高级计算机辅助诊断 | |
CN109146854A (zh) | 一种肺结节与肺部血管伴生关系的分析方法 | |
CN111340128A (zh) | 一种肺癌转移性***病理图像识别***及方法 | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
Pöllänen et al. | Computer-aided breast cancer histopathological diagnosis: Comparative analysis of three DTOCS-based features: SW-DTOCS, SW-WDTOCS and SW-3-4-DTOCS | |
CN111539918B (zh) | 基于深度学习的磨玻璃肺结节风险分层预测*** | |
CN113850328A (zh) | 基于多视角深度学习的非小细胞肺癌亚型分类*** | |
Gunasekaran | Leveraging object detection for the identification of lung cancer | |
CN111027548A (zh) | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测*** | |
CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
Taher et al. | Identification of lung cancer based on shape and color | |
CN117711615A (zh) | 基于影像组学的***转移状态分类预测方法及设备 | |
CN111265234A (zh) | 一种肺部纵膈***的性质判定方法及*** | |
CN116504406A (zh) | 基于影像组合病理的肺癌术后风险模型构建方法和*** | |
CN115132275B (zh) | 基于端到端三维卷积神经网络预测egfr基因突变状态方法 | |
da Silva et al. | Diagnosis of lung nodule using Moran’s index and Geary’s coefficient in computerized tomography images | |
Beram et al. | A machine learning based framework for preprocessing and classification of medical images | |
CN115101150A (zh) | 一种普外科临床用肿瘤手术的标本收集方法 | |
CN115457069A (zh) | 一种基于图像的特征提取和预后模型建立方法及装置 | |
Taher et al. | Morphology analysis of sputum color images for early lung cancer diagnosis |
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 |