CN107665736A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN107665736A CN107665736A CN201710914487.8A CN201710914487A CN107665736A CN 107665736 A CN107665736 A CN 107665736A CN 201710914487 A CN201710914487 A CN 201710914487A CN 107665736 A CN107665736 A CN 107665736A
- Authority
- CN
- China
- Prior art keywords
- information
- lung
- targeted customer
- tubercle
- pulmonary nodule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:接收目标用户的肺部图像和用户记录信息;将所述肺部图像输入预先训练的检测模型,得到所述目标用户的肺部结节描述信息;基于得到的肺部结节描述信息确定所述目标用户的肺部是否有结节;响应于确定所述目标用户的肺部有结节,将所述目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到所述目标用户的肺部结节预测信息。该实施方式有效利用了目标用户的肺部图像和用户记录信息,提高了肺部结节预测信息的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及信息技术领域,尤其涉及用于生成信息的方法和装置。
背景技术
随着信息技术的不断发展和成熟,计算机的应用也越来越广泛。现阶段可以通过计算机对医学图像进行处理,以尽快生成图像信息。
肺癌是世界上发病率及死亡率最高的恶性肿瘤之一,目前可以采用低剂量CT(Computed Tomography,电子计算机断层扫描)筛查。但是人工检查,存在不同级别、地区医院之间的水平差异,以及医师经验的不同,导致给出的肺部结节预测信息的准确性较低。
发明内容
本申请实施例的目的在于提出一种改进的用于生成信息的方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种用于生成信息的方法,该方法包括:接收目标用户的肺部图像和用户记录信息;将上述肺部图像输入预先训练的检测模型,得到上述目标用户的肺部结节描述信息,其中,上述检测模型用于表征肺部图像与肺部结节描述信息的对应关系;基于得到的肺部结节描述信息确定上述目标用户的肺部是否有结节;响应于确定上述目标用户的肺部有结节,将上述目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到上述目标用户的肺部结节预测信息,其中,上述预测模型用于表征上述目标用户在不同时间的肺部图像、肺部结节描述信息和记录信息与肺部结节预测信息的对应关系。
在一些实施例中,上述检测模型是通过以下方式训练得到的:利用三维卷积神经网络,将肺部样本图像作为输入,将上述肺部样本图像的肺部结节描述信息作为输出,训练得到检测模型。
在一些实施例中,上述方法还包括:响应于确定上述目标用户的肺部结节描述信息中包括的结节类型为部分实性结节时,在上述目标用户的肺部图像的结节边界范围内,使用预先设定的灰度阈值进行图像分割,得到上述目标用户的肺部图像所包含结节的实性部分和非实性部分;对上述目标用户在不同时间的肺部图像进行配准和分析,从而得到同一位置结节大小变化信息和结节成分变化信息,并将得到的同一位置结节大小变化信息和结节成分变化信息作为用户记录信息进行记录,其中,结节成分包括实性成分和非实性成分。
在一些实施例中,上述预测模型是通过以下方式训练得到的:利用多元线性回归法,对样本用户在不同时间的肺部图像中所包含结节的肺部结节描述信息、用户记录信息以及基于深度神经网络提取的图像特征进行分析处理,得到预测模型。
在一些实施例中,上述预测模型是通过以下方式训练得到的:利用长短期记忆网络,分别将样本用户在不同时间的肺部样本图像、肺部结节描述信息、用户记录信息作为输入,训练得到至少一个子模型;将上述至少一个子模型的输出向量进行合并,得到合并后的总向量;利用全卷积神经网络,将上述总向量作为输入,将样本用户的结节信息作为输出,训练得到预测模型。
第二方面,本申请实施例提供了一种用于生成信息的装置,该装置包括:接收单元,用于接收目标用户的肺部图像和用户记录信息;第一生成单元,用于将上述肺部图像输入预先训练的检测模型,得到上述目标用户的肺部结节描述信息,其中,上述检测模型用于表征肺部图像与肺部结节描述信息的对应关系;确定单元,用于基于得到的肺部结节描述信息确定上述目标用户的肺部是否有结节;第二生成单元,用于响应于确定上述目标用户的肺部有结节,将上述目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到上述目标用户的肺部结节预测信息,其中,上述预测模型用于表征上述目标用户在不同时间的肺部图像、肺部结节描述信息和记录信息与肺部结节预测信息的对应关系。
在一些实施例中,上述检测模型是通过以下方式训练得到的:利用三维卷积神经网络,将肺部样本图像作为输入,将上述肺部样本图像的肺部结节描述信息作为输出,训练得到检测模型。
在一些实施例中,上述装置还包括:分割单元,用于响应于确定上述目标用户的肺部结节描述信息中包括的结节类型为部分实性结节时,在上述目标用户的肺部图像的结节边界范围内,使用预先设定的灰度阈值进行图像分割,得到上述目标用户的肺部图像所包含结节的实性部分和非实性部分;分析单元,用于对上述目标用户在不同时间的肺部图像进行配准和分析,从而得到同一位置结节大小变化信息和结节成分变化信息,并将得到的同一位置结节大小变化信息和结节成分变化信息作为用户记录信息进行记录,其中,结节成分包括实性成分和非实性成分。
在一些实施例中,上述预测模型是通过以下方式训练得到的:利用多元线性回归法,对样本用户在不同时间的肺部图像中所包含结节的肺部结节描述信息、用户记录信息以及基于深度神经网络提取的图像特征进行分析处理,得到预测模型。
在一些实施例中,上述预测模型是通过以下方式训练得到的:利用长短期记忆网络,分别将样本用户在不同时间的肺部样本图像、肺部结节描述信息、用户记录信息作为输入,训练得到至少一个子模型;将上述至少一个子模型的输出向量进行合并,得到合并后的总向量;利用全卷积神经网络,将上述总向量作为输入,将样本用户的结节信息作为输出,训练得到预测模型。
第三方面,本申请实施例提供了一种终端,该终端包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了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,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成信息的方法和装置,首先接收目标用户的肺部图像和用户记录信息,之后将上述肺部图像输入检测模型,得到上述目标用户的肺部结节描述信息,然后基于得到的肺部结节描述信息确定上述目标用户的肺部是否有结节,最后响应于确定上述目标用户的肺部有结节,将上述目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预测模型,得到上述目标用户的肺部结节预测信息,从而有效利用了目标用户的肺部图像和用户记录信息,自动生成肺部结节预测信息,提高了肺部结节预测信息的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于生成信息的方法的一个实施例的流程图;
图3是根据本申请的用于生成信息的方法的一个应用场景的示意图;
图4是根据本申请的用于生成信息的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的终端设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成信息的方法或用于生成信息的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如网页浏览器应用、医疗类应用等。
终端设备101、102、103可以是具有显示屏并且支持信息输入的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的网页提供支持的后台服务器。后台服务器可以对接收到的肺部图像和用户记录信息等数据进行分析等处理,并将处理结果(例如肺部结节预测信息)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于生成信息的方法可以通过终端设备101、102、103执行,也可以通过服务器105执行,还可以通过服务器105和终端设备101、102、103共同执行。相应地,用于生成信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中,还可以部分单元设置于服务器105中并将其他单元设置于终端设备101、102、103中。本申请对此不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,接收目标用户的肺部图像和用户记录信息。
在本实施例中,用于生成信息的方法运行于其上的电子设备(例如图1所示的终端设备101、102、103或服务器105)可以直接或间接接收目标用户的肺部图像和用户记录信息,其中,上述目标用户可以是指肺结节患者或者疑似肺结节患者。目标用户的肺部图像可以是指目标用户通过CT扫描得到的至少一张肺部图像。用户记录信息可以是指与目标用户相关的各种信息,例如,医生的诊断信息、病理信息、结节大小变化信息、结节成分变化信息、肺癌基因信息、病历信息(例如,年龄、性别、疾病史、是否吸烟、家族病史等等)等等。在这里,针对上述目标用户可以预先建立一个信息集合,该信息集合可以用于存储上述目标用户不同随访时间的肺部图像和用户记录信息。
步骤202,将肺部图像输入预先训练的检测模型,得到目标用户的肺部结节描述信息。
在本实施例中,上述电子设备可以将肺部图像输入预先训练的检测模型,得到上述目标用户的肺部结节描述信息,其中,上述检测模型可以用于表征肺部图像与肺部结节描述信息的对应关系,其中,上述肺部结节描述信息可以包括以下至少一项:结节位置、结节大小、结节边界和结节类型。上述结节类型可以包括实性结节、非实性结节、部分实性结节、毛玻璃状结节、良性结节、恶性结节、钙化结节等等。作为示例,上述检测模型可以是研究人员基于对大量的肺部图像和肺部结节描述信息的统计而预先制定的、存储有多个肺部图像与肺部结节描述信息的对应关系的对应关系表。
在本实施例的一些可选的实现方式中,上述用于生成信息的方法还可以包括:首先,响应于确定上述目标用户的肺部结节描述信息中包括的结节类型为部分实性结节时,上述电子设备可以在上述目标用户的肺部图像的结节边界范围内,使用预先设定的灰度阈值进行图像分割,得到上述目标用户的肺部图像所包含结节的实性部分和非实性部分,在这里,上述灰度阈值可以是通过各种方式获得的,例如,可以是研究人员基于对大量包含部分实性结节的肺部图像的研究而预先制定的;然后,上述电子设备可以对上述目标用户在不同时间的肺部图像进行配准和分析,从而得到同一位置结节大小变化信息和结节成分变化信息,并将得到的同一位置结节大小变化信息和结节成分变化信息作为用户记录信息进行记录,其中,结节成分可以包括实性成分和非实性成分。作为示例,上述电子设备可以采用现有的配准方法(例如,基于灰度信息法、变换域法和基于特征法等等)对上述目标用户在不同时间的肺部图像进行配准,并对同一位置的结节在不同时间的变化进行对比等分析,从而得到同一位置结节大小变化信息(例如,体积倍增时间等)和结节成分变化信息。
在本实施例的一些可选的实现方式中,上述电子设备或者其他用于训练上述检测模型的电子设备可以通过以下方式训练得到上述检测模型:利用三维卷积神经网络,将肺部样本图像作为输入,将上述肺部样本图像的肺部结节描述信息作为输出,训练得到检测模型,其中,上述肺部样本图像的肺部结节描述信息可以包括以下至少一项:结节位置、结节大小、结节边界和结节类型。上述肺部样本图像可以是从现有的肺癌数据库,例如LIDC(Lung Image Database Consortium,肺部图像数据库联盟)数据库等,或者医院获取的CT扫描图像,经影像科或临床科室专家标注结节位置、结节大小、结节边界、结节类型等信息,可以得到上述肺部样本图像的肺部图像描述信息。作为示例,上述电子设备可以使用包含10个卷积层(其中,5个向下卷积层和5个向上卷积层)的三维卷积神经网络,该三维卷积神经网络的损失函数可以包含以下几类:肺部结节的结节类型、结节位置、结节半径大小、结节边界等等。将肺部样本图像作为输入,将影像科或临床科室专家标注的肺部样本图像中结节的结节位置、结节大小、结节边界、结节类型信息作为输出。训练时,将肺部样本图像作为输入,确定该三维卷积神经网络的输出结果和经影像科或临床科室专家标注的结节位置、结节大小、结节边界、结节类型之间的损失值,并基于损失值优化调整该三维卷积神经网络的网络参数,从而得到训练后的三维卷积神经网络,即检测模型。
步骤203,基于得到的肺部结节描述信息确定目标用户的肺部是否有结节。
在本实施例中,上述电子设备可以根据步骤202得到的肺部结节描述信息确定上述目标用户的肺部是否有结节。
步骤204,响应于确定目标用户的肺部有结节,将目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到目标用户的肺部结节预测信息。
在本实施例中,响应于确定上述目标用户的肺部有结节,上述电子设备可以将目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,从而得到上述目标用户的肺部结节预测信息。其中,上述预测模型用于表征上述目标用户在不同时间的肺部图像、肺部结节描述信息和记录信息与肺部结节预测信息的对应关系。上述肺部结节预测信息可以包括结节内部结构的变化、结节成分的变化、结节大小的变化等等。得到上述目标用户的肺部结节预测信息之后,上述电子设备还可以根据肺部结节预测信息输出提示信息,例如,上述电子设备可以基于肺部结节预测信息,确定出如下信息:基线直径≤15mm(毫米)的结节,与基线相比直径增大2mm;基线直径>15mm的结节,与基线相比直径增大15%以上;原纯磨玻璃影密度增加或其中出现实性成分,或原混杂密度结节中实性成分增多;新出现的肺部结节;发现气管、支气管壁增厚、管腔狭窄或管腔内结节者。
上述电子设备还可以使用注意力模型给出肺部图像特征及对应的报告信息,注意力模型在产生输出的时候,还会产生一个“注意力范围”表示接下来输出的时候要重点关注输入中的哪些部分,然后根据关注的区域来产生输出。例如,注意力模型可以将上述三维卷积神经网络的各层提取得到的图像特征通过编码-解码模型得到肺部图像中的各个结节类型的权重向量。当检测到上述目标用户的肺部结节为某一结节类型是,提取该结节类型的权重向量,并通过解卷积的过程得到注意力图或热力图,该注意力图或热力图可以体现病变相应的位置信息。
在本实施例的一些可选的实现方式中,上述电子设备或其他用于训练上述预测模型的电子设备可以通过以下方式训练得到上述预测模型:利用多元线性回归法,对上述样本用户在不同时间的肺部图像中所包含结节的肺部结节描述信息、用户记录信息以及基于深度神经网络提取的图像特征进行分析处理,得到预测模型。基于深度神经网络提取的图像特征可以是指基于上述训练后的三维卷积神经网络的各个层提取得到的图像特征。作为示例,上述电子设备可以以肺部结节描述信息、用户记录信息以及基于深度神经网络提取的图像特征等为自变量,以结节变化为因变量,建立每个结节的时间特征曲线,通过分析大量样本用户的结节曲线的变化趋势和肺部结节描述信息、用户记录信息以及基于深度神经网络提取的图像特征的相应变化,使用多元线性回归法建立结节随时间变化的预测模型。
在本实施例的一些可选的实现方式中,上述电子设备或其他用于训练上述预测模型的电子设备可以通过以下方式训练得到上述预测模型:首先,可以利用长短期记忆网络(Long-Short Term Memory,LSTM),分别将样本用户在不同时间的肺部样本图像、肺部结节描述信息、用户记录信息作为输入,训练得到至少一个子模型;然后,将上述至少一个子模型的输出向量进行合并,得到合并后的总向量;最后,利用全卷积神经网络,将上述总向量作为输入,将样本用户的结节信息作为输出,上述样本用户的结节信息可以是指样本用户肺结节的各种信息,例如,诊断获得的肺结节的位置、大小、边界、类型等等,训练得到预测模型。作为示例,上述电子设备可以将样本用户在不同时间的肺部样本图像作为输入,利用长短期记忆网络,训练得到一个子模型,还可以将样本用户在不同时间的病理信息作为输入,利用长短期记忆网络,训练得到一个子模型,根据上述方式可以得到多个子模型。将得到的多个子模型输出的特征向量进行合并,从而可以得到一个总向量。
继续参见图3,图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中,终端首先接收目标用户的肺部图像和用户记录信息;之后,上述终端将肺部图像输入检测模型,得到目标用户的肺部结节描述信息;然后,上述终端基于得到的肺部结节描述信息确定目标用户的肺部有结节;最后,上述终端将目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到目标用户的肺部结节预测信息,并根据肺部结节预测信息输出提示信息“结节直径≤15mm(毫米),与基线相比直径增大2mm;新出现的肺部结节;需要特别关注!”,就会如图3所示。需要说明的是,图3仅仅用于示例性的说明终端对提示信息输出,而非对所输出内容的限定,使用中,可以根据实际需要输出各种信息。
本申请的上述实施例提供的方法有效利用了目标用户的肺部图像和用户记录信息,自动生成肺部结节预测信息,提高了肺部结节预测信息的准确性,且满足了目标用户个性化的需求。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于生成信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于生成信息的装置400包括:接收单元401、第一生成单元402、确定单元403和第二生成单元404。其中,接收单元401用于接收目标用户的肺部图像和用户记录信息;第一生成单元402用于将上述肺部图像输入预先训练的检测模型,得到上述目标用户的肺部结节描述信息,其中,上述检测模型用于表征肺部图像与肺部结节描述信息的对应关系,其中,上述肺部结节描述信息包括以下至少一项:结节位置、结节大小、结节边界和结节类型;确定单元403用于基于得到的肺部结节描述信息确定上述目标用户的肺部是否有结节;第二生成单元404用于响应于确定上述目标用户的肺部有结节,将上述目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到上述目标用户的肺部结节预测信息,其中,上述预测模型用于表征上述目标用户在不同时间的肺部图像、肺部结节描述信息和记录信息与肺部结节预测信息的对应关系。
在本实施例中,用于生成信息的装置400的接收单元401、第一生成单元402、确定单元403和第二生成单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述检测模型可以是通过以下方式训练得到的:利用三维卷积神经网络,将肺部样本图像作为输入,将上述肺部样本图像的肺部结节描述信息作为输出,训练得到检测模型,其中,上述肺部样本图像的肺部结节描述信息包括以下至少一项:结节位置、结节大小、结节边界和结节类型。
在本实施例的一些可选的实现方式中,上述装置还可以包括:分割单元(图中未示出),用于响应于确定上述目标用户的肺部结节描述信息中包括的结节类型为部分实性结节时,在上述目标用户的肺部图像的结节边界范围内,使用预先设定的灰度阈值进行图像分割,得到上述目标用户的肺部图像所包含结节的实性部分和非实性部分;分析单元(图中未示出),用于对上述目标用户在不同时间的肺部图像进行配准和分析,从而得到同一位置结节大小变化信息和结节成分变化信息,并将得到的同一位置结节大小变化信息和结节成分变化信息作为用户记录信息进行记录,其中,结节成分包括实性成分和非实性成分。
在本实施例的一些可选的实现方式中,上述预测模型可以是通过以下方式训练得到的:利用多元线性回归法,对样本用户在不同时间的肺部图像中所包含结节的肺部结节描述信息、用户记录信息以及基于深度神经网络提取的图像特征进行分析处理,得到预测模型。
在本实施例的一些可选的实现方式中,上述预测模型可以是通过以下方式训练得到的:利用长短期记忆网络,分别将样本用户在不同时间的肺部样本图像、肺部结节描述信息、用户记录信息作为输入,训练得到至少一个子模型;将上述至少一个子模型的输出向量进行合并,得到合并后的总向量;利用全卷积神经网络,将上述总向量作为输入,将样本用户的结节信息作为输出,训练得到预测模型。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备的计算机***500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、第一生成单元、确定单元和第二生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收目标用户的肺部图像和用户记录信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:接收目标用户的肺部图像和用户记录信息;将上述肺部图像输入预先训练的检测模型,得到上述目标用户的肺部结节描述信息,其中,上述检测模型用于表征肺部图像与肺部结节描述信息的对应关系,其中,上述肺部结节描述信息包括以下至少一项:结节位置、结节大小、结节边界和结节类型;基于得到的肺部结节描述信息确定上述目标用户的肺部是否有结节;响应于确定上述目标用户的肺部有结节,将上述目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到上述目标用户的肺部结节预测信息,其中,上述预测模型用于表征上述目标用户在不同时间的肺部图像、肺部结节描述信息和记录信息与肺部结节预测信息的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于生成信息的方法,其特征在于,所述方法包括:
接收目标用户的肺部图像和用户记录信息;
将所述肺部图像输入预先训练的检测模型,得到所述目标用户的肺部结节描述信息,其中,所述检测模型用于表征肺部图像与肺部结节描述信息的对应关系;
基于得到的肺部结节描述信息确定所述目标用户的肺部是否有结节;
响应于确定所述目标用户的肺部有结节,将所述目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到所述目标用户的肺部结节预测信息,其中,所述预测模型用于表征所述目标用户在不同时间的肺部图像、肺部结节描述信息和记录信息与肺部结节预测信息的对应关系。
2.根据权利要求1所述的方法,其特征在于,所述检测模型是通过以下方式训练得到的:
利用三维卷积神经网络,将肺部样本图像作为输入,将所述肺部样本图像的肺部结节描述信息作为输出,训练得到检测模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于确定所述目标用户的肺部结节描述信息中包括的结节类型为部分实性结节时,在所述目标用户的肺部图像的结节边界范围内,使用预先设定的灰度阈值进行图像分割,得到所述目标用户的肺部图像所包含结节的实性部分和非实性部分;
对所述目标用户在不同时间的肺部图像进行配准和分析,从而得到同一位置结节大小变化信息和结节成分变化信息,并将得到的同一位置结节大小变化信息和结节成分变化信息作为用户记录信息进行记录,其中,结节成分包括实性成分和非实性成分。
4.根据权利要求1所述的方法,其特征在于,所述预测模型是通过以下方式训练得到的:
利用多元线性回归法,对样本用户在不同时间的肺部图像中所包含结节的肺部结节描述信息、用户记录信息以及基于深度神经网络提取的图像特征进行分析处理,得到预测模型。
5.根据权利要求1所述的方法,其特征在于,所述预测模型是通过以下方式训练得到的:
利用长短期记忆网络,分别将样本用户在不同时间的肺部样本图像、肺部结节描述信息、用户记录信息作为输入,训练得到至少一个子模型;
将所述至少一个子模型的输出向量进行合并,得到合并后的总向量;
利用全卷积神经网络,将所述总向量作为输入,将样本用户的结节信息作为输出,训练得到预测模型。
6.一种用于生成信息的装置,其特征在于,所述装置包括:
接收单元,用于接收目标用户的肺部图像和用户记录信息;
第一生成单元,用于将所述肺部图像输入预先训练的检测模型,得到所述目标用户的肺部结节描述信息,其中,所述检测模型用于表征肺部图像与肺部结节描述信息的对应关系;
确定单元,用于基于得到的肺部结节描述信息确定所述目标用户的肺部是否有结节;
第二生成单元,用于响应于确定所述目标用户的肺部有结节,将所述目标用户在不同时间的肺部图像、肺部结节描述信息、用户记录信息输入预先训练的预测模型,得到所述目标用户的肺部结节预测信息,其中,所述预测模型用于表征所述目标用户在不同时间的肺部图像、肺部结节描述信息和记录信息与肺部结节预测信息的对应关系。
7.根据权利要求6所述的装置,其特征在于,所述检测模型是通过以下方式训练得到的:
利用三维卷积神经网络,将肺部样本图像作为输入,将所述肺部样本图像的肺部结节描述信息作为输出,训练得到检测模型。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
分割单元,用于响应于确定所述目标用户的肺部结节描述信息中包括的结节类型为部分实性结节时,在所述目标用户的肺部图像的结节边界范围内,使用预先设定的灰度阈值进行图像分割,得到所述目标用户的肺部图像所包含结节的实性部分和非实性部分;
分析单元,用于对所述目标用户在不同时间的肺部图像进行配准和分析,从而得到同一位置结节大小变化信息和结节成分变化信息,并将得到的同一位置结节大小变化信息和结节成分变化信息作为用户记录信息进行记录,其中,结节成分包括实性成分和非实性成分。
9.根据权利要求6所述的装置,其特征在于,所述预测模型是通过以下方式训练得到的:
利用多元线性回归法,对样本用户在不同时间的肺部图像中所包含结节的肺部结节描述信息、用户记录信息以及基于深度神经网络提取的图像特征进行分析处理,得到预测模型。
10.根据权利要求6所述的方法,其特征在于,所述预测模型是通过以下方式训练得到的:
利用长短期记忆网络,分别将样本用户在不同时间的肺部样本图像、肺部结节描述信息、用户记录信息作为输入,训练得到至少一个子模型;
将所述至少一个子模型的输出向量进行合并,得到合并后的总向量;
利用全卷积神经网络,将所述总向量作为输入,将样本用户的结节信息作为输出,训练得到预测模型。
11.一种终端,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一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,该计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710914487.8A CN107665736B (zh) | 2017-09-30 | 2017-09-30 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710914487.8A CN107665736B (zh) | 2017-09-30 | 2017-09-30 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107665736A true CN107665736A (zh) | 2018-02-06 |
CN107665736B CN107665736B (zh) | 2021-05-25 |
Family
ID=61097596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710914487.8A Active CN107665736B (zh) | 2017-09-30 | 2017-09-30 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107665736B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549850A (zh) * | 2018-03-27 | 2018-09-18 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN108899087A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于深度学习的x光片智能诊断方法 |
CN109411080A (zh) * | 2018-09-18 | 2019-03-01 | 北京大学 | 一种基于超声数据的人机协同结节风险评级*** |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
CN109948671A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、存储介质以及内窥镜成像设备 |
CN110033019A (zh) * | 2019-03-06 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN110097580A (zh) * | 2019-03-18 | 2019-08-06 | 山东师范大学 | 一种超声图像标志物运动追踪方法 |
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 |
CN110858399A (zh) * | 2018-08-24 | 2020-03-03 | 西门子医疗有限公司 | 用于提供虚拟断层扫描中风后续检测图像的方法和装置 |
CN111062876A (zh) * | 2018-10-17 | 2020-04-24 | 北京地平线机器人技术研发有限公司 | 用于校正模型训练和图像校正的方法和装置及电子设备 |
CN111832581A (zh) * | 2020-09-21 | 2020-10-27 | 平安科技(深圳)有限公司 | 肺部特征识别方法、装置、计算机设备及存储介质 |
CN111860076A (zh) * | 2019-04-30 | 2020-10-30 | 百度时代网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN111932482A (zh) * | 2020-09-25 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像中目标物的检测方法、装置、电子设备及存储介质 |
CN112581522A (zh) * | 2020-11-30 | 2021-03-30 | 平安科技(深圳)有限公司 | 图像中目标物位置检测方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10255525A1 (de) * | 2001-11-29 | 2003-07-17 | Siemens Corp Res Inc | Automatisierte Lungenknotensegmentierung mittels dynamischer Programmierung und auf EM basierender Klassifizierung |
CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和*** |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及*** |
-
2017
- 2017-09-30 CN CN201710914487.8A patent/CN107665736B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10255525A1 (de) * | 2001-11-29 | 2003-07-17 | Siemens Corp Res Inc | Automatisierte Lungenknotensegmentierung mittels dynamischer Programmierung und auf EM basierender Klassifizierung |
CN104700118A (zh) * | 2015-03-18 | 2015-06-10 | 中国科学院自动化研究所 | 基于卷积神经网络的肺结节良恶性预测方法 |
CN106156484A (zh) * | 2016-06-08 | 2016-11-23 | 中国科学院自动化研究所 | 基于磁共振影像的脑疾病个体化预测方法和*** |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107103187A (zh) * | 2017-04-10 | 2017-08-29 | 四川省肿瘤医院 | 基于深度学习的肺结节检测分级与管理的方法及*** |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549850A (zh) * | 2018-03-27 | 2018-09-18 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN108549850B (zh) * | 2018-03-27 | 2021-07-16 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN108899087A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于深度学习的x光片智能诊断方法 |
CN110858399A (zh) * | 2018-08-24 | 2020-03-03 | 西门子医疗有限公司 | 用于提供虚拟断层扫描中风后续检测图像的方法和装置 |
CN110858399B (zh) * | 2018-08-24 | 2023-11-17 | 西门子医疗有限公司 | 用于提供虚拟断层扫描中风后续检查图像的方法和装置 |
CN109411080A (zh) * | 2018-09-18 | 2019-03-01 | 北京大学 | 一种基于超声数据的人机协同结节风险评级*** |
CN109411080B (zh) * | 2018-09-18 | 2022-05-20 | 北京大学 | 一种基于超声数据的人机协同结节风险评级*** |
CN111062876A (zh) * | 2018-10-17 | 2020-04-24 | 北京地平线机器人技术研发有限公司 | 用于校正模型训练和图像校正的方法和装置及电子设备 |
CN111062876B (zh) * | 2018-10-17 | 2023-08-08 | 北京地平线机器人技术研发有限公司 | 用于校正模型训练和图像校正的方法和装置及电子设备 |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
CN109948671A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、存储介质以及内窥镜成像设备 |
CN109948671B (zh) * | 2019-03-04 | 2021-11-30 | 腾讯医疗健康(深圳)有限公司 | 图像分类方法、装置、存储介质以及内窥镜成像设备 |
CN110033019A (zh) * | 2019-03-06 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN110033019B (zh) * | 2019-03-06 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN110097580B (zh) * | 2019-03-18 | 2021-10-19 | 山东师范大学 | 一种超声图像标志物运动追踪方法 |
CN110097580A (zh) * | 2019-03-18 | 2019-08-06 | 山东师范大学 | 一种超声图像标志物运动追踪方法 |
CN111860076A (zh) * | 2019-04-30 | 2020-10-30 | 百度时代网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
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 |
CN111832581B (zh) * | 2020-09-21 | 2021-01-29 | 平安科技(深圳)有限公司 | 肺部特征识别方法、装置、计算机设备及存储介质 |
CN111832581A (zh) * | 2020-09-21 | 2020-10-27 | 平安科技(深圳)有限公司 | 肺部特征识别方法、装置、计算机设备及存储介质 |
WO2021189912A1 (zh) * | 2020-09-25 | 2021-09-30 | 平安科技(深圳)有限公司 | 图像中目标物的检测方法、装置、电子设备及存储介质 |
CN111932482A (zh) * | 2020-09-25 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像中目标物的检测方法、装置、电子设备及存储介质 |
CN112581522A (zh) * | 2020-11-30 | 2021-03-30 | 平安科技(深圳)有限公司 | 图像中目标物位置检测方法、装置、电子设备及存储介质 |
CN112581522B (zh) * | 2020-11-30 | 2024-05-07 | 平安科技(深圳)有限公司 | 图像中目标物位置检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107665736B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107665736A (zh) | 用于生成信息的方法和装置 | |
CN107563123A (zh) | 用于标注医学图像的方法和装置 | |
US11937962B2 (en) | Systems and methods for automated and interactive analysis of bone scan images for detection of metastases | |
CN111161275B (zh) | 医学图像中目标对象的分割方法、装置和电子设备 | |
Tang et al. | E 2 Net: An edge enhanced network for accurate liver and tumor segmentation on CT scans | |
CN107680088A (zh) | 用于分析医学影像的方法和装置 | |
Narayan et al. | [Retracted] Enhance‐Net: An Approach to Boost the Performance of Deep Learning Model Based on Real‐Time Medical Images | |
EP3926537A1 (en) | Medical image segmentation method, image segmentation method, related device and system | |
Gatta et al. | Towards a modular decision support system for radiomics: A case study on rectal cancer | |
US9031306B2 (en) | Diagnostic and prognostic histopathology system using morphometric indices | |
CN109308469A (zh) | 用于生成信息的方法和装置 | |
Marsh et al. | Development and validation of a deep learning model to quantify glomerulosclerosis in kidney biopsy specimens | |
CN107658023A (zh) | 疾病预测方法、装置、介质和电子设备 | |
CN107910060A (zh) | 用于生成信息的方法和装置 | |
US20220130525A1 (en) | Artificial intelligence orchestration engine for medical studies | |
Lavdas et al. | Machine learning in whole-body MRI: experiences and challenges from an applied study using multicentre data | |
KR20130029576A (ko) | 클라우드 기반의 건강 관련 정보 및 poi정보를 제공하는 방법 및 시스템 | |
He et al. | Deep metric attention learning for skin lesion classification in dermoscopy images | |
CN108171167B (zh) | 用于输出图像的方法和装置 | |
CN113240661A (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
Bogowicz et al. | Perfusion CT radiomics as potential prognostic biomarker in head and neck squamous cell carcinoma | |
CN116797554A (zh) | 图像处理方法以及装置 | |
Kuker et al. | A deep learning-aided automated method for calculating metabolic tumor volume in diffuse large B-cell lymphoma | |
Wang et al. | Domain-ensemble learning with cross-domain mixup for thoracic disease classification in unseen domains | |
Li et al. | An Integrated Clinical‐MR Radiomics Model to Estimate Survival Time in Patients With Endometrial Cancer |
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 |