CN108765369A - 肺结节的检测方法、装置、计算机设备和存储介质 - Google Patents
肺结节的检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108765369A CN108765369A CN201810362199.0A CN201810362199A CN108765369A CN 108765369 A CN108765369 A CN 108765369A CN 201810362199 A CN201810362199 A CN 201810362199A CN 108765369 A CN108765369 A CN 108765369A
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- dimensional
- suspicious
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 128
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 108
- 210000004072 lung Anatomy 0.000 claims abstract description 217
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000010606 normalization Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 38
- 230000000694 effects Effects 0.000 description 16
- 230000001225 therapeutic effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 201000003651 pulmonary sarcoidosis Diseases 0.000 description 2
- 206010018691 Granuloma Diseases 0.000 description 1
- 229910017435 S2 In Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000005265 lung cell Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 201000000306 sarcoidosis Diseases 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请中提供了一种肺结节的检测方法、装置、计算机设备和存储介质,其中方法包括以下步骤:通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;通过三维的U‑Net检测模型从所述肺部区域图像中检测出可疑结节;通过三维的二分类网络对所述可疑结节进行分类,去除假结节。本申请中提供的肺结节的检测方法、装置、计算机设备和存储介质,通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像,分割速度快,使得后续检测出肺结节的速度加快;同时,可适用于对所有肺部CT图像进行肺部区域的分割。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种肺结节的检测方法、装置、计算机设备和存储介质。
背景技术
肺结节病(sarcoidosis)是一种病因未明的多***多器官的肉芽肿性疾病,近来已引起国内广泛注意。肺结节病常侵犯肺、双侧肺门***、眼、皮肤等器官。肺部细胞增生或异物都会导致肺结节的产生,在日益变差的环境中,越来越多的人肺部产生了肺结节。现如今,肺结节已经是非常常见的一种症状,很多年轻人都需要去医院尽早摘除肺结节。
肺结节摘除之前需要从肺部CT图像中分离出肺结节部分,目前通常是依靠医生的临床经验进行分离,或者一些现有的图像分割算法进行分离,其诊断速度较慢,需要花费医生较多时间,而且准确率较低;同时,现有的检测方法不能对一些较为特殊的肺部CT分割出肺部区域,严重阻碍了后续的检测。
发明内容
本申请的主要目的为提供一种肺结节的检测方法、装置、计算机设备和存储介质,适用于对所有肺部CT图像进行肺部区域的分割,并克服了现有技术中检测速度慢的缺陷。
为实现上述目的,本申请提供了一种肺结节的检测方法,包括以下步骤:
通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;
通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节;
通过三维的二分类网络对所述可疑结节进行分类,去除假结节。
进一步地,所述通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像的步骤之前,包括:
对所述肺部CT图像进行预处理,以去除图像噪音。
进一步地,所述通过三维的卷积神经网络分割模型对肺部CT图像进行分割的步骤,包括:
使用多组卷积层提取所述肺部CT图像中的肺部区域特征,并在每组卷积层中加入批规范化方法对每组卷积层进行卷积,以及对卷积结果进行上采样处理以获得与所述肺部CT图像原始尺寸大小一致的肺部区域图像。
进一步地,所述三维的U-Net检测模型使用的损失函数为focal loss函数以及回归损失函数。
进一步地,所述通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节的步骤,包括:
对所述肺部区域图像依次经过四次convolution和max pooling,以及两次deconvolution计算得到第一概率图;并在所述肺部区域图像经过两次deconvolution计算之前分别加入一个分支,两个所述分支分别经过对应的deconvolution计算得到一个相应的第二概率图;
将两个所述第二概率图以及第一概率图同时输入至反向传播算法中进行迭代计算,得出最终概率图,所述最终概率图表示所述肺部区域图像中肺结节的概率;
根据所述最终概率图,从所述肺部区域图像中检测出可疑结节。
进一步地,所述通过三维的二分类网络对所述可疑结节进行分类,去除假结节的步骤,包括:
将所述可疑结节输入至三维的二分类网络的输入层,依次经过五个卷积层得到特征图;
将所述特征图依次输入至三个全连接层,再经所述全连接层输入至softmax层,最后经过所述softmax层输出得到所述可疑结节分类的概率,所述可疑结节分类的概率为可疑结节检测为肺结节的置信度;
去除假结节,所述假结节为置信度低于设定值的可疑结节。
进一步地,所述将所述特征图依次输入至三个全连接层的步骤,具体包括:
将所述特征图输入至batch normalization层,并经所述batch normalization层依次输入至三个全连接层。
本申请还提供了一种肺结节的检测装置,包括:
分割单元,用于通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;
检测单元,用于通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节;
分类单元,用于通过三维的二分类网络对所述可疑结节进行分类,去除假结节。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请中提供的肺结节的检测方法、装置、计算机设备和存储介质,具有以下有益效果:
本申请中提供的肺结节的检测方法、装置、计算机设备和存储介质,通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像,分割速度快,使得后续检测出肺结节的速度加快;同时,可适用于对所有肺部CT图像进行肺部区域的分割;通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节,以及通过三维的二分类网络对所述可疑结节进行分类,去除假结节,提高检测肺结节的效果,以及提升检测准确率。
附图说明
图1是本申请一实施例中肺结节的检测方法步骤示意图;
图2是本申请另一实施例中肺结节的检测方法步骤示意图;
图3是本申请一实施例中肺结节的检测装置结构示意图;
图4是本申请一实施例中的检测单元结构框图;
图5是本申请另一实施例中的分类单元结构框图;
图6为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例中提供了一种肺结节的检测方法,包括以下步骤:
步骤S1,通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;
步骤S2,通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节;
步骤S3,通过三维的二分类网络对所述可疑结节进行分类,去除假结节。
在本实施例中,医院使用医疗设备拍摄病人肺部的CT图像,该肺部CT图像为三维图像。肺部CT图像中不仅包括肺部区域图像,还包括肺部周围的一些其它组织或者医疗设备图像等,其都可能对后续肺结节的检测过程造成干扰,同时也容易增大检测肺结节时的搜索区域。
因此,如上述步骤S1所述,在从病人的肺部CT图像中检测肺结节时,为了减少其它组织的干扰和不必要的搜索区域,通常需要先对肺部CT图像进行分割,从中分割出肺部区域图像。现有技术中通常使用图像分割算法(例如阈值分割、区域分割、边缘分割、直方图法等)从肺部CT图像中分割出肺部区域图像,但是,图像分割算法不仅分割速度慢,而且无法适用于对所有的肺部CT图像进行分割。
通过二维的分割模型也可以实现肺部区域图像的分割,但是分割效果不理想。因此,本实施例的步骤S1中使用了三维的全卷积神经网络的分割模型对肺部CT图像进行分割来实现三维分割,从肺部CT图像中分割出肺部区域图像,减少其它组织的干扰和不必要的搜索区域。三维的卷积神经网络分割模型相对于二维的分割模型,其区别在于,二维分割模型将三维的肺部CT图像分割我二维图像,必然造成数据表达不全面,影响分割效果,且二维分割时需要从多个维度进行分割,造成分割速度较慢;而使用三维的卷积神经网络分割模型直接实现三维分割,分割出来的肺部区域图像还是三维图像,数据表达全面,分割效果好,分割速度快。
因此,在本步骤的S1中,使用三维的卷积神经网络分割模型进行肺部区域图像的分割,相比于使用现有图像分割算法来分割具有两大优势:
①、分割速度更快,传统图像算法对每一个肺部CT图像进行分割需要使用2-8分钟的时间,而使用三维的卷积神经网络分割模型只需要5-10秒。
②、传统图像分割算法不能对所有的肺部CT图像分割出肺部区域(例如一些较为特殊的肺部CT图像则无法进行分割),严重阻碍了后续的检测过程,而使用三维的卷积神经网络分割模型则能保证对所有肺部CT图像进行分割处理。
在经过上述步骤S1之后,则从肺部CT图像中分割出肺部区域图像;如步骤S2中所述则通过三维的U-Net检测模型从上述肺部区域图像中检测出可疑结节,可疑结节指的是疑似为肺结节的特征。二维U-Net是一种现有的针对二维图像的分割模型,其为基于FCN的一个语义分割网络,适合用来做医学图像的分割,其也可以对三维图像进行分割,只是分割效果不好,因此,本实施例中使用了三维的U-Net检测模型用于检测可疑结节。当前还有一些其它二维的检测模型,比如faster-rcnn,ssd等也可以用于检测出可疑结节;由于上述肺部区域图像是三维数据,显然,使用三维的检测模型检测可疑结节的效果最好;因此,本实施例中使用三维的U-Net检测模型从中检测可疑结节。经过试验对比,本申请中使用三维的U-Net检测模型进行可疑结节的检测想对于其它检测模型的效果更好。
上述步骤S2中检测出的可疑结节中包括有许多假结节(假阳性),若不去除这些假结节,将对医生带来大量不必要的工作,因此,为了保证较高的肺结节检出率,则需要对可疑结节进行进一步地筛选。
本实施例的步骤S3中,使用三维的二分类网络对所述可疑结节进行进一步地分类,得到每个可疑结节的置信度,去掉置信度较低的作为假结节(即去除假结节),只保留置信度较高的作为真结节,以此达到抑制假阳性的目的,提高肺结节检出率。在步骤S3中,也可以使用其它二维的分类模型进行分类,但是分类效果不好,使用三维的二分类网络进行分类效果较好。
参照图2,在一实施例中,上述通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像的步骤S1之前,包括:
步骤S101,对所述肺部CT图像进行预处理,以去除图像噪音。
由于医院使用医疗设备拍摄的病人肺部CT图像,具有较多的噪音,例如骨头的亮斑,CT床的金属线条等,因此,在对肺部CT图像进行分割之前,需要去除肺部CT图像中的噪音。该预处理的过程为传统方法,例如,在一具体实施例中,上述预处理过程可以是:使用-600HU作为阈值对肺部CT图像进行二值化处理,由于肺部CT图像的上下区域一般会有些切片与外界连接,需要去除;因此,将最终的图像像素值裁剪至[-1200,600],再缩放至[0,255];其中非肺部区域的像素点设置为170。
在其它实施例中,上述预处理过程还可以对肺部CT图像的像素间隔、图像对比度等进行调整。
在一实施例中,所述通过三维的卷积神经网络分割模型对肺部CT图像进行分割的步骤S1,包括:
使用多组卷积层提取所述肺部CT图像中的肺部区域特征,并在每组卷积层中加入批规范化方法对每组卷积层进行卷积,以及对卷积结果进行上采样处理以获得与所述肺部CT图像原始尺寸大小一致的肺部区域图像。
在本实施例中,上述三维的卷积神经网络的分割模型,其结构上具有类似于VGG网络(一种卷积神经网络)的多组卷积层,并加入了batch normalization(批规范化)层对每个卷积层进行卷积和上采样。其中,上采样是下采样的逆过程,上采样和下采样都是对数字信号进行重采,重采的采样率与原来获得该数字信号(比如从模拟信号采样而来)的采样率比较,大于原信号的称为上采样,小于的则称为下采样,上采样的实质也就是内插或插值。
在一具体实施例中,使用5组卷积层提取所述肺部CT图像中的肺部区域特征,并在每组卷积层中加入批规范化方法对每组卷积层进行1X1X1的卷积,以及对卷积结果进行上采样处理之后,获得与所述肺部CT图像原始尺寸大小一致的肺部区域图像。
在一实施例中,上述步骤S2中的三维的U-Net检测模型使用的损失函数为focalloss函数以及回归损失函数。使用focal loss函数的目的是解决检测模型训练过程中正负样本严重不均衡的问题。简单的负样本与难例的负样本对模型的贡献相同,focal loss可以使模型把注意力放在难例的负样本区分上面,使模型结果在FROC曲线上有更好的表现。
在一实施例中,上述通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节的步骤S2,包括:
a、对所述肺部区域图像依次经过四次convolution和max pooling(卷积和池化),以及两次deconvolution(逆卷积)计算得到第一概率图;并在所述肺部区域图像经过两次deconvolution计算之前分别加入一个分支,两个所述分支分别经过对应的deconvolution计算得到一个相应的第二概率图;
b、将两个所述第二概率图以及第一概率图同时输入至反向传播算法中进行迭代计算,得出最终概率图,所述最终概率图表示所述肺部区域图像中肺结节的概率;
c、根据所述最终概率图,从所述肺部区域图像中检测出可疑结节。
本实施例中使用的是三维的U-Net检测模型,限于GPU(图形处理器)存储大小,需要对上述分割出的肺部区域图像进行样本处理,具体地,输入图像时选择输入128*128*128的正方体,此时,70%的输入正方体中拥有一个结节,剩下的30%采取随机裁剪,使样本中包含背景样本。大型肺结节相较于小型肺结节而言数量较少,所以在去样本的时候,对于直径大于30mm,40mm的结节样本扩充2-6倍。同时,上述的所有样本都需要按概率翻转缩放以消除过拟合问题。
如上述步骤a所述,在本实施例中,将上述进行过样本处理的128*128*128正方体图像输入至三维的U-Net检测模型中,经过4次convolution和max pooling计算之后,再经过2次deconvolution计算得到32*32*32的第一概率图;同时在每个deconvolution计算之前加入新的分支,每个分支分别经过相应的deconvolution层计算输出32*32*32的第二概率图;如步骤b所述,将两个32*32*32的第二概率图以及32*32*32的第一概率图同时输入至反向传播算法中进行迭代计算,得出最终概率图,所述最终概率图表示所述肺部区域图像中肺结节的概率;根据所述最终概率图,从所述肺部区域图像中检测出可疑结节;概率超出预设值,则将其作为可疑结节。
具体地,检测可疑结节时,需要识别前景与背景,在本实施例中,使用IOU(Intersection-over-Union,交并比)指标决定前景与背景,IOU是对分割模型的一种评价指标,是检测区域和真实区域的交集与并集的比值,所得的值越大代表分割模型的分割结果与真实值越接近。这里前景是指目标,即肺结节,IOU大于0.5的为前景,小于0.02的是背景。训练分割模型时,我们使用IOU这个指标来确定当前检测窗口是否包含肺结节,即当前检测窗口与真实肺结节的IOU,大于0.5时认为当前检测窗口包含肺结节,小于0.02的被当做负样本,即背景,在这0.02-0.5之间的样本被舍去。由于肺结节的大小分布在3mm-30mm这个较大的区间,需要使用不同大小的检测窗口大小来检测肺结节。因此,本实施例中,检测模型中使用了5种anchor(锚点):4、6、12、20、30。anchor的值用来定义检测窗口的大小,比如anchor=4则是以4x4x4的检测窗口大小来检测可疑结节。
在一实施例中,上述通过三维的二分类网络对所述可疑结节进行分类,去除假结节的步骤S3,具体包括:
S301,将所述可疑结节输入至三维的二分类网络的输入层,依次经过五个卷积层得到特征图;
S302,将所述特征图依次输入至三个全连接层,经所述全连接层输入至softmax层,经过所述softmax层输出得到所述可疑结节分类的概率,所述可疑结节分类的概率为可疑结节检测为肺结节的置信度;
S303,去除假结节,所述假结节为置信度低于设定值的可疑结节。
具体地,所述将所述特征图依次输入至三个全连接层的步骤,具体包括:
将所述特征图输入至batch normalization层,并经所述batch normalization层依次输入至三个全连接层。
在本实施例中,所述三维的二分类网络的网络结构中包括5个卷积层,三个全连接层,以及一个batch normalization层以及softmax层。本实施例中,如S301所述,将步骤S2中检测出的可疑结节以36X36X20大小的立方体输入至三维的二分类网络中,经过5个卷积层得到特征图,如S302所述,将特征图输入至batch normalization层之后,再依次输入至三个全连接层,最后经过softmax输出得到所述可疑结节分类的概率,该可疑结节分类的概率作为可疑结节检测为肺结节的置信度。预先设置有一个设定值,当置信度高于该设定值,则判断其为肺结节;若置信度低于上述设定值,则判断其为假结节,即假阳性,需要去除,以达到抑制假阳性的目的,从而保证本实施例中检测肺结节的检出率,降低医生工作量。
在另一实施例中,经过上述实施例的检测过程检测出肺部CT图像中的肺结节之后,则可以确定肺结节位置,并在三维图像中描绘出肺结节的三维形状,计算出肺结节的大小,将上述监测出的信息发送至医用电脑设备上进行显示,以便医生根据上述信息作出合理的治疗方案。由于肺结节的大小、形状、位置等信息的不同,医生对其的治疗方案将有所不同,因此,获取上述信息,有利于医生作出合理的治疗方案。最终,还可以将病人的上述病症以及对应的治疗方案记录在数据库中进行保存。
在又一实施例中,检测出肺结节之后,确定肺结节位置、肺结节形状及大小,根据上述信息去历史诊断的数据库中匹配出相似/相近的案例,以便参考便于医生进行准确的诊断,对相似案例进行分析,还可以方便对该肺结节疾病进行分析。
综上所述,为本申请实施例中提供的肺结节的检测方法,通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像,分割速度快,使得后续检测出肺结节的速度加快;同时,可适用于对所有肺部CT图像进行肺部区域的分割;通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节,以及通过三维的二分类网络对所述可疑结节进行分类,去除假结节,提高检测肺结节的效果,以及提升检测准确率。
参照图3,本申请实施例中还提供了一种肺结节的检测装置,包括:
分割单元10,用于通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;
检测单元20,用于通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节;
分类单元30,用于通过三维的二分类网络对所述可疑结节进行分类,去除假结节。
在本实施例中,医院使用医疗设备拍摄病人肺部的CT图像,该肺部CT图像为三维图像。肺部CT图像中不仅包括肺部区域图像,还包括肺部周围的一些其它组织或者医疗设备图像等,其都可能对后续肺结节的检测过程造成干扰,同时也容易增大检测肺结节时的搜索区域。因此,在从病人的肺部CT图像中检测肺结节时,为了减少其它组织的干扰和不必要的搜索区域,通常分割单元10需要先对肺部CT图像进行分割,从中分割出肺部区域图像。现有技术中通常使用图像分割算法(例如阈值分割、区域分割、边缘分割、直方图法等)从肺部CT图像中分割出肺部区域图像,但是,图像分割算法不仅分割速度慢,而且无法适用于对所有的肺部CT图像进行分割。
通过二维的分割模型也可以实现肺部区域图像的分割,但是分割效果不理想。因此,本实施例的分割单元10中使用了三维的全卷积神经网络的分割模型对肺部CT图像进行分割来实现三维分割,从肺部CT图像中分割出肺部区域图像,减少其它组织的干扰和不必要的搜索区域。三维的卷积神经网络分割模型相对于二维的分割模型,其区别在于,二维分割模型将三维的肺部CT图像分割我二维图像,必然造成数据表达不全面,影响分割效果,且二维分割时需要从多个维度进行分割,造成分割速度较慢;而使用三维的卷积神经网络分割模型直接实现三维分割,分割出来的肺部区域图像还是三维图像,数据表达全面,分割效果好,分割速度快。
因此,在分割单元10中使用三维的卷积神经网络分割模型进行肺部区域图像的分割,相比于使用现有图像分割算法来分割具有两大优势:
①、分割速度更快,传统图像算法对每一个肺部CT图像进行分割需要使用2-8分钟的时间,而使用三维的卷积神经网络分割模型只需要5-10秒。
②、传统图像分割算法不能对所有的肺部CT图像分割出肺部区域(例如一些较为特殊的肺部CT图像则无法进行分割),严重阻碍了后续的检测过程,而使用三维的卷积神经网络分割模型则能保证对所有肺部CT图像进行分割处理。
在经过上述分割单元10的分割之后,则从肺部CT图像中分割出肺部区域图像;检测单元20则通过三维的U-Net检测模型从上述肺部区域图像中检测出可疑结节,可疑结节指的是疑似为肺结节的特征。U-Net是一种现有的针对二维图像的分割模型,当前还有一些其它二维的检测模型,比如faster-rcnn,ssd等也可以用于检测出可疑结节;由于上述肺部区域图像是三维数据,显然,使用三维的检测模型检测可疑结节的效果最好;因此,本实施例中使用三维的U-Net检测模型从中检测可疑结节。经过试验对比,本申请中使用三维的U-Net检测模型进行可疑结节的检测想对于其它检测模型的效果更好。
上述检测单元20检测出的可疑结节中包括有许多假结节(假阳性),若不去除这些假结节,将对医生带来大量不必要的工作,因此,为了保证较高的肺结节检出率,则需要对可疑结节进行进一步地筛选。
本实施例的分类单元30使用三维的二分类网络对所述可疑结节进行进一步地分类,得到每个可疑结节的置信度,去掉置信度较低的作为假结节(即去除假结节),只保留置信度较高的作为真结节,以此达到抑制假阳性的目的,提高肺结节检出率。在步骤S3中,也可以使用其它二维的分类模型进行分类,但是分类效果不好,使用三维的二分类网络进行分类效果较好。
在一实施例中,上述肺结节的检测装置还包括:
预处理单元101,用于对所述肺部CT图像进行预处理,以去除图像噪音。
由于医院使用医疗设备拍摄的病人肺部CT图像,具有较多的噪音,例如骨头的亮斑,CT床的金属线条等,因此,在对肺部CT图像进行分割之前,需要去除肺部CT图像中的噪音。该预处理的过程为传统方法,例如,在一具体实施例中,上述预处理过程可以是:使用-600HU作为阈值对肺部CT图像进行二值化处理,由于肺部CT图像的上下区域一般会有些切片与外界连接,需要去除;因此,将最终的图像像素值裁剪至[-1200,600],再缩放至[0,255];其中非肺部区域的像素点设置为170。
在其它实施例中,上述预处理单元101的预处理过程中还可以对肺部CT图像的像素间隔、图像对比度等进行调整。
在一实施例中,上述分割单元10具体用于:
使用多组卷积层提取所述肺部CT图像中的肺部区域特征,并在每组卷积层中加入批规范化方法对每组卷积层进行卷积,以及对卷积结果进行上采样处理以获得与所述肺部CT图像原始尺寸大小一致的肺部区域图像。
在本实施例中,上述三维的卷积神经网络的分割模型,其结构上具有类似于VGG网络的多组卷积层,并加入了batch normalization(批规范化)层对每个卷积层进行卷积和上采样。其中,上采样是下采样的逆过程,上采样和下采样都是对数字信号进行重采,重采的采样率与原来获得该数字信号(比如从模拟信号采样而来)的采样率比较,大于原信号的称为上采样,小于的则称为下采样,上采样的实质也就是内插或插值。
在一具体实施例中,使用5组卷积层提取所述肺部CT图像中的肺部区域特征,并在每组卷积层中加入批规范化方法对每组卷积层进行1X1X1的卷积,以及对卷积结果进行上采样处理之后,获得与所述肺部CT图像原始尺寸大小一致的肺部区域图像。
在一实施例中,所述检测单元20中的三维的U-Net检测模型使用的损失函数为focal loss函数以及回归损失函数。使用focal loss函数的目的是解决检测模型训练过程中正负样本严重不均衡的问题。简单的负样本与难例的负样本对模型的贡献相同,focalloss可以使模型把注意力放在难例的负样本区分上面,使模型结果在FROC曲线上有更好的表现。
参照图4,在一实施例中,上述检测单元20包括:
第一计算模块201,用于对所述肺部区域图像依次经过四次convolution和maxpooling,以及两次deconvolution计算得到第一概率图;并在所述肺部区域图像经过两次deconvolution计算之前分别加入一个分支,两个所述分支分别经过对应的deconvolution计算得到一个相应的第二概率图;
第二计算模块202,用于将两个所述第二概率图以及第一概率图同时输入至反向传播算法中进行迭代计算,得出最终概率图,所述最终概率图表示所述肺部区域图像中肺结节的概率;
检测模块203,用于根据所述最终概率图,从所述肺部区域图像中检测出可疑结节。
本实施例中使用的是三维的U-Net检测模型,限于GPU存储大小,需要对上述分割出的肺部区域图像进行样本处理,具体地,输入图像时选择输入128*128*128的正方体,此时,70%的输入正方体中拥有一个结节,剩下的30%采取随机裁剪,使样本中包含背景样本。大型肺结节相较于小型肺结节而言数量较少,所以在去样本的时候,对于直径大于30mm,40mm的结节样本扩充2-6倍。同时,上述的所有样本都需要按概率翻转缩放以消除过拟合问题。
在本实施例中,第一计算模块201将上述进行过样本处理的128*128*128正方体图像输入至三维的U-Net检测模型中,经过4次convolution和max pooling计算之后再经过2次deconvolution计算得到32*32*32的第一概率图;同时在每个deconvolution计算之前加入新的分支,每个分支分别经过相应的deconvolution层计算输出32*32*32的第二概率图;第二计算模块202将两个32*32*32的第二概率图以及32*32*32的第一概率图同时输入至反向传播算法中进行迭代计算,得出最终概率图,所述最终概率图表示所述肺部区域图像中肺结节的概率;根据所述最终概率图,从所述肺部区域图像中检测出可疑结节。
具体地,检测模块203检测可疑结节时,需要识别前景与背景,在本实施例中,使用IOU指标决定前景与背景,IOU是对分割模型的一种评价指标,是检测区域和真实区域的交集与并集的比值,所得的值越大代表分割模型的分割结果与真实值越接近。这里前景是指目标,即肺结节,IOU大于0.5的为前景,小于0.02的是背景。训练分割模型时,我们使用IOU这个指标来确定当前检测窗口是否包含肺结节,即当前检测窗口与真实肺结节的IOU,大于0.5时认为当前检测窗口包含肺结节,小于0.02的被当做负样本,即背景,在这0.02-0.5之间的样本被舍去。由于肺结节的大小分布在3mm-30mm这个较大的区间,需要使用不同大小的检测窗口大小来检测肺结节。因此,本实施例中,检测模型中使用了5种anchor(锚点):4、6、12、20、30。anchor的值用来定义检测窗口的大小,比如anchor=4则是以4x4x4的检测窗口大小来检测可疑结节。
参照图5,在一实施例中,上述分类单元30包括:
卷积模块301,用于将所述可疑结节输入至三维的二分类网络的输入层,依次经过五个卷积层得到特征图;
输出模块302,用于将所述特征图依次输入至三个全连接层,再经所述全连接层输入至softmax层,最后经过所述softmax层输出得到所述可疑结节分类的概率,所述可疑结节分类的概率为可疑结节检测为肺结节的置信度;
去除模块303,用于去除假结节,所述假结节为置信度低于设定值的可疑结节。
具体中,所述输出模块302将所述特征图依次输入至三个全连接层具体包括:
将所述特征图输入至batch normalization层,并经所述batch normalization层依次输入至三个全连接层。
在本实施例中,所述三维的二分类网络的网络结构中包括5个卷积层,三个全连接层,以及一个batch normalization层以及softmax层。本实施例中,卷积模块301将检测出的可疑结节以36X36X20大小的立方体输入至三维的二分类网络中,经过5个卷积层得到特征图,输出模块302将特征图输入至batch normalization层之后,再依次输入至三个全连接层,最后经过softmax输出得到所述可疑结节分类的概率,该可疑结节分类的概率作为可疑结节检测为肺结节的置信度。预先设置有一个设定值,当置信度高于该设定值,则判断其为肺结节;若置信度低于上述设定值,则判断其为假结节,即假阳性,需要通过去除模块303将其去除,以达到抑制假阳性的目的,从而保证本实施例中检测肺结节的检出率,降低医生工作量。
在另一实施例中,经过上述实施例的检测过程检测出肺部CT图像中的肺结节之后,则可以确定肺结节位置,并在三维图像中描绘出肺结节的三维形状,计算出肺结节的大小,将上述监测出的信息发送至医用电脑设备上进行显示,以便医生根据上述信息作出合理的治疗方案。由于肺结节的大小、形状、位置等信息的不同,医生对其的治疗方案将有所不同,因此,获取上述信息,有利于医生作出合理的治疗方案。最终,还可以将病人的上述病症以及对应的治疗方案记录在数据库中进行保存。
在又一实施例中,检测出肺结节之后,确定肺结节位置、肺结节形状及大小,根据上述信息去历史诊断的数据库中匹配出相似/相近的案例,以便参考便于医生进行准确的诊断,对相似案例进行分析,还可以方便对该肺结节疾病进行分析。
综上所述,为本申请实施例中提供的肺结节的检测装置,分割单元10通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像,分割速度快,使得后续检测出肺结节的速度加快;同时,可适用于对所有肺部CT图像进行肺部区域的分割;检测单元20通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节,以及分类单元30通过三维的二分类网络对所述可疑结节进行分类,去除假结节,提高检测肺结节的效果,以及提升检测准确率。
参照图6,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储三维卷积神经网络分割模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种肺结节的检测方法。
上述处理器执行上述肺结节的检测方法的步骤:通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节;通过三维的二分类网络对所述可疑结节进行分类,去除假结节。
在一实施例中,所述处理器通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像的步骤之前,包括:
对所述肺部CT图像进行预处理,以去除图像噪音。
在一实施例中,所述处理器通过三维的卷积神经网络分割模型对肺部CT图像进行分割的步骤,包括:
使用多组卷积层提取所述肺部CT图像中的肺部区域特征,并在每组卷积层中加入批规范化方法对每组卷积层进行卷积,以及对卷积结果进行上采样处理以获得与所述肺部CT图像原始尺寸大小一致的肺部区域图像。
在一实施例中,所述三维的U-Net检测模型使用的损失函数为focal loss函数以及回归损失函数。
在一实施例中,所述处理器通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节的步骤,包括:
对所述肺部区域图像依次经过四次convolution和max pooling,以及两次deconvolution计算得到第一概率图;并在所述肺部区域图像经过两次deconvolution计算之前分别加入一个分支,两个所述分支分别经过对应的deconvolution计算得到一个相应的第二概率图;
将两个所述第二概率图以及第一概率图同时输入至反向传播算法中进行迭代计算,得出最终概率图,所述最终概率图表示所述肺部区域图像中肺结节的概率;
根据所述最终概率图,从所述肺部区域图像中检测出可疑结节。
在一实施例中,所述处理器通过三维的二分类网络对所述可疑结节进行分类,去除假结节的步骤,包括:
将所述可疑结节输入至三维的二分类网络的输入层,依次经过五个卷积层得到特征图;
将所述特征图依次输入至三个全连接层,再经所述全连接层输入至softmax层,最后经过所述softmax层输出得到所述可疑结节分类的概率,所述可疑结节分类的概率为可疑结节检测为肺结节的置信度;
去除假结节,所述假结节为置信度低于设定值的可疑结节。
在一实施例中,所述处理器将所述特征图依次输入至三个全连接层的步骤,具体包括:
将所述特征图输入至batch normalization层,并经所述batch normalization层依次输入至三个全连接层。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种肺结节的检测方法,具体为:通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节;通过三维的二分类网络对所述可疑结节进行分类,去除假结节。
在一实施例中,所述处理器通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像的步骤之前,包括:
对所述肺部CT图像进行预处理,以去除图像噪音。
在一实施例中,所述处理器通过三维的卷积神经网络分割模型对肺部CT图像进行分割的步骤,包括:
使用多组卷积层提取所述肺部CT图像中的肺部区域特征,并在每组卷积层中加入批规范化方法对每组卷积层进行卷积,以及对卷积结果进行上采样处理以获得与所述肺部CT图像原始尺寸大小一致的肺部区域图像。
在一实施例中,所述三维的U-Net检测模型使用的损失函数为focal loss函数以及回归损失函数。
在一实施例中,所述处理器通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节的步骤,包括:
对所述肺部区域图像依次经过四次convolution和max pooling,以及两次deconvolution计算得到第一概率图;并在所述肺部区域图像经过两次deconvolution计算之前分别加入一个分支,两个所述分支分别经过对应的deconvolution计算得到一个相应的第二概率图;
将两个所述第二概率图以及第一概率图同时输入至反向传播算法中进行迭代计算,得出最终概率图,所述最终概率图表示所述肺部区域图像中肺结节的概率;
根据所述最终概率图,从所述肺部区域图像中检测出可疑结节。
在一实施例中,所述处理器通过三维的二分类网络对所述可疑结节进行分类,去除假结节的步骤,包括:
将所述可疑结节输入至三维的二分类网络的输入层,依次经过五个卷积层得到特征图;
将所述特征图依次输入至三个全连接层,再经所述全连接层输入至softmax层,最后经过所述softmax层输出得到所述可疑结节分类的概率,所述可疑结节分类的概率为可疑结节检测为肺结节的置信度;
去除假结节,所述假结节为置信度低于设定值的可疑结节。
在一实施例中,所述处理器将所述特征图依次输入至三个全连接层的步骤,具体包括:
将所述特征图输入至batch normalization层,并经所述batch normalization层依次输入至三个全连接层。
综上所述,为本申请实施例中提供的肺结节的检测方法、装置、计算机设备和存储介质,通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像,分割速度快,使得后续检测出肺结节的速度加快;同时,可适用于对所有肺部CT图像进行肺部区域的分割;通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节,以及通过三维的二分类网络对所述可疑结节进行分类,去除假结节,提高检测肺结节的效果,以及提升检测准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种肺结节的检测方法,其特征在于,包括以下步骤:
通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;
通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节;
通过三维的二分类网络对所述可疑结节进行分类,去除假结节。
2.根据权利要求1所述的肺结节的检测方法,其特征在于,所述通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像的步骤之前,包括:
对所述肺部CT图像进行预处理,以去除图像噪音。
3.根据权利要求1所述的肺结节的检测方法,其特征在于,所述通过三维的卷积神经网络分割模型对肺部CT图像进行分割的步骤,包括:
使用多组卷积层提取所述肺部CT图像中的肺部区域特征,并在每组卷积层中加入批规范化方法对每组卷积层进行卷积,以及对卷积结果进行上采样处理以获得与所述肺部CT图像原始尺寸大小一致的肺部区域图像。
4.根据权利要求1所述的肺结节的检测方法,其特征在于,所述三维的U-Net检测模型使用的损失函数为focal loss函数以及回归损失函数。
5.根据权利要求1所述的肺结节的检测方法,其特征在于,所述通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节的步骤,包括:
对所述肺部区域图像依次经过四次convolution和max pooling,以及两次deconvolution计算得到第一概率图;并在所述肺部区域图像经过两次deconvolution计算之前分别加入一个分支,两个所述分支分别经过对应的deconvolution计算得到一个相应的第二概率图;
将两个所述第二概率图以及第一概率图同时输入至反向传播算法中进行迭代计算,得出最终概率图,所述最终概率图表示所述肺部区域图像中肺结节的概率;
根据所述最终概率图,从所述肺部区域图像中检测出可疑结节。
6.根据权利要求1所述的肺结节的检测方法,其特征在于,所述通过三维的二分类网络对所述可疑结节进行分类,去除假结节的步骤,包括:
将所述可疑结节输入至三维的二分类网络的输入层,依次经过五个卷积层得到特征图;
将所述特征图依次输入至三个全连接层,再经所述全连接层输入至softmax层,最后经过所述softmax层输出得到所述可疑结节分类的概率,所述可疑结节分类的概率为可疑结节检测为肺结节的置信度;
去除假结节,所述假结节为置信度低于设定值的可疑结节。
7.根据权利要求6所述的肺结节的检测方法,其特征在于,所述将所述特征图依次输入至三个全连接层的步骤,具体包括:
将所述特征图输入至batch normalization层,并经所述batch normalization层依次输入至三个全连接层。
8.一种肺结节的检测装置,其特征在于,包括:
分割单元,用于通过三维的卷积神经网络分割模型对肺部CT图像进行分割,分割出肺部区域图像;
检测单元,用于通过三维的U-Net检测模型从所述肺部区域图像中检测出可疑结节;
分类单元,用于通过三维的二分类网络对所述可疑结节进行分类,去除假结节。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810362199.0A CN108765369B (zh) | 2018-04-20 | 2018-04-20 | 肺结节的检测方法、装置、计算机设备和存储介质 |
PCT/CN2018/095459 WO2019200740A1 (zh) | 2018-04-20 | 2018-07-12 | 肺结节的检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810362199.0A CN108765369B (zh) | 2018-04-20 | 2018-04-20 | 肺结节的检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765369A true CN108765369A (zh) | 2018-11-06 |
CN108765369B CN108765369B (zh) | 2023-05-02 |
Family
ID=64011194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810362199.0A Active CN108765369B (zh) | 2018-04-20 | 2018-04-20 | 肺结节的检测方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108765369B (zh) |
WO (1) | WO2019200740A1 (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗***(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及*** |
CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及*** |
CN109697459A (zh) * | 2018-12-04 | 2019-04-30 | 云南大学 | 一种面向光学相干断层图像斑块形态检测方法 |
CN109727253A (zh) * | 2018-11-14 | 2019-05-07 | 西安大数据与人工智能研究院 | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 |
CN109741823A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 一种基于深度学习的气胸辅助诊断方法 |
CN109886967A (zh) * | 2019-01-16 | 2019-06-14 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺部解剖学位置定位算法 |
CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
CN109961443A (zh) * | 2019-03-25 | 2019-07-02 | 北京理工大学 | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 |
CN109978004A (zh) * | 2019-02-21 | 2019-07-05 | 平安科技(深圳)有限公司 | 图像识别方法及相关设备 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110009599A (zh) * | 2019-02-01 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 肝占位检测方法、装置、设备及存储介质 |
CN110059697A (zh) * | 2019-04-29 | 2019-07-26 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
CN110544256A (zh) * | 2019-08-08 | 2019-12-06 | 北京百度网讯科技有限公司 | 基于稀疏特征的深度学习图像分割方法及装置 |
CN110599502A (zh) * | 2019-09-06 | 2019-12-20 | 江南大学 | 一种基于深度学习的皮肤病变分割方法 |
CN110728675A (zh) * | 2019-10-22 | 2020-01-24 | 慧影医疗科技(北京)有限公司 | 肺结节分析装置、模型训练方法、装置及分析设备 |
CN110766682A (zh) * | 2019-10-29 | 2020-02-07 | 慧影医疗科技(北京)有限公司 | 肺结核定位筛查装置及计算机设备 |
CN111091564A (zh) * | 2019-12-25 | 2020-05-01 | 金华市中心医院 | 一种基于3DUnet的肺结节大小检测*** |
WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
CN111402231A (zh) * | 2020-03-16 | 2020-07-10 | 杭州健培科技有限公司 | 一种用于肺部ct影像质量的自动评估***及方法 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN111738992A (zh) * | 2020-06-04 | 2020-10-02 | 科大讯飞股份有限公司 | 肺部病灶区域提取方法、装置、电子设备和存储介质 |
CN111932559A (zh) * | 2020-08-26 | 2020-11-13 | 上海市公共卫生临床中心 | 基于深度学习的新冠肺炎肺部病灶区域分割*** |
CN112184659A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
CN112801964A (zh) * | 2021-01-20 | 2021-05-14 | 中国人民解放军总医院 | 肺部ct图像的多标签智能检测方法、装置、设备和介质 |
CN112967279A (zh) * | 2021-04-02 | 2021-06-15 | 慧影医疗科技(北京)有限公司 | 一种检测肺结节的方法、装置、存储介质和电子设备 |
CN113643308A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 肺部图像分割方法、装置、存储介质及计算机设备 |
CN113838026A (zh) * | 2021-09-22 | 2021-12-24 | 中南大学 | 非小细胞肺癌检测方法、装置、计算机设备和存储介质 |
CN113920137A (zh) * | 2021-10-14 | 2022-01-11 | 平安科技(深圳)有限公司 | ***转移预测方法、装置、设备及存储介质 |
CN114187252A (zh) * | 2021-12-03 | 2022-03-15 | 推想医疗科技股份有限公司 | 图像处理方法及装置、调整检测框的方法及装置 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288610A (zh) * | 2019-06-05 | 2019-09-27 | 苏州比格威医疗科技有限公司 | 一种视网膜oct硬性渗出分割方法 |
CN110992312B (zh) * | 2019-11-15 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 医学图像处理方法、装置、存储介质及计算机设备 |
CN112365504A (zh) * | 2019-10-29 | 2021-02-12 | 杭州脉流科技有限公司 | Ct左心室分割方法、装置、设备和存储介质 |
CN111080605A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车人力制动机轴链脱落故障图像识别方法 |
CN111079821A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种脱轨自动制动拉环脱落故障图像识别方法 |
CN111166070A (zh) * | 2019-12-17 | 2020-05-19 | 五邑大学 | 一种基于指静脉认证的医疗储物柜及其管理方法 |
CN111160442B (zh) * | 2019-12-24 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像分类方法、计算机设备和存储介质 |
CN111340756B (zh) * | 2020-02-13 | 2023-11-28 | 北京深睿博联科技有限责任公司 | 一种医学图像病变检出合并方法、***、终端及存储介质 |
CN111476766B (zh) * | 2020-03-31 | 2023-08-22 | 哈尔滨商业大学 | 基于深度学习的肺结节ct图像检测*** |
CN111754453A (zh) * | 2020-05-11 | 2020-10-09 | 佛山市第四人民医院(佛山市结核病防治所) | 基于胸透图像的肺结核检测方法、***和存储介质 |
CN111696084B (zh) * | 2020-05-20 | 2024-05-31 | 平安科技(深圳)有限公司 | 细胞图像分割方法、装置、电子设备及可读存储介质 |
CN111784638B (zh) * | 2020-06-04 | 2024-06-25 | 广东省智能制造研究所 | 一种基于卷积神经网络的肺结节假阳性筛除方法及*** |
CN111754532B (zh) * | 2020-08-12 | 2023-07-11 | 腾讯科技(深圳)有限公司 | 图像分割模型搜索方法、装置、计算机设备及存储介质 |
CN112184657A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 一种肺结节自动检测方法、装置及计算机*** |
CN112258461B (zh) * | 2020-10-13 | 2024-04-09 | 江南大学 | 一种基于卷积神经网络的肺结节检测方法 |
CN112508057A (zh) * | 2020-11-13 | 2021-03-16 | 上海健康医学院 | 一种肺结节分类方法、介质及电子设备 |
CN113222024A (zh) * | 2021-05-17 | 2021-08-06 | 点内(上海)生物科技有限公司 | 一种基于深度学习的肺部疾病多层次分类方法、***及存储介质 |
CN115511818B (zh) * | 2022-09-21 | 2023-06-13 | 北京医准智能科技有限公司 | 一种肺结节检出模型的优化方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204587A (zh) * | 2016-05-27 | 2016-12-07 | 孔德兴 | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 |
CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测*** |
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 |
CN107590797A (zh) * | 2017-07-26 | 2018-01-16 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、***、存储介质及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 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*** |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及*** |
-
2018
- 2018-04-20 CN CN201810362199.0A patent/CN108765369B/zh active Active
- 2018-07-12 WO PCT/CN2018/095459 patent/WO2019200740A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204587A (zh) * | 2016-05-27 | 2016-12-07 | 孔德兴 | 基于深度卷积神经网络和区域竞争模型的多器官分割方法 |
CN106504232A (zh) * | 2016-10-14 | 2017-03-15 | 北京网医智捷科技有限公司 | 一种基于3d卷积神经网络的肺部结节自动检测方法 |
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 |
CN106940816A (zh) * | 2017-03-22 | 2017-07-11 | 杭州健培科技有限公司 | 基于3d全连接卷积神经网络的ct图像肺结节检测*** |
CN107590797A (zh) * | 2017-07-26 | 2018-01-16 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
CN107909581A (zh) * | 2017-11-03 | 2018-04-13 | 杭州依图医疗技术有限公司 | Ct影像的肺叶段分割方法、装置、***、存储介质及设备 |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727253A (zh) * | 2018-11-14 | 2019-05-07 | 西安大数据与人工智能研究院 | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 |
CN109741823A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 一种基于深度学习的气胸辅助诊断方法 |
CN109685768A (zh) * | 2018-11-28 | 2019-04-26 | 心医国际数字医疗***(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及*** |
CN109697459A (zh) * | 2018-12-04 | 2019-04-30 | 云南大学 | 一种面向光学相干断层图像斑块形态检测方法 |
CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及*** |
CN109685776B (zh) * | 2018-12-12 | 2021-01-19 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及*** |
WO2020119679A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 三维左心房分割方法、装置、终端设备及存储介质 |
CN109886967A (zh) * | 2019-01-16 | 2019-06-14 | 成都蓝景信息技术有限公司 | 基于深度学习技术的肺部解剖学位置定位算法 |
CN110009599A (zh) * | 2019-02-01 | 2019-07-12 | 腾讯科技(深圳)有限公司 | 肝占位检测方法、装置、设备及存储介质 |
CN109978004A (zh) * | 2019-02-21 | 2019-07-05 | 平安科技(深圳)有限公司 | 图像识别方法及相关设备 |
CN109993726A (zh) * | 2019-02-21 | 2019-07-09 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN109978004B (zh) * | 2019-02-21 | 2024-03-29 | 平安科技(深圳)有限公司 | 图像识别方法及相关设备 |
CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
CN109961443A (zh) * | 2019-03-25 | 2019-07-02 | 北京理工大学 | 基于多期ct影像引导的肝脏肿瘤分割方法及装置 |
CN110059697A (zh) * | 2019-04-29 | 2019-07-26 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
CN110059697B (zh) * | 2019-04-29 | 2023-04-28 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
CN110544256A (zh) * | 2019-08-08 | 2019-12-06 | 北京百度网讯科技有限公司 | 基于稀疏特征的深度学习图像分割方法及装置 |
CN110544256B (zh) * | 2019-08-08 | 2022-03-22 | 北京百度网讯科技有限公司 | 基于稀疏特征的深度学习图像分割方法及装置 |
CN110599502A (zh) * | 2019-09-06 | 2019-12-20 | 江南大学 | 一种基于深度学习的皮肤病变分割方法 |
CN110599502B (zh) * | 2019-09-06 | 2023-07-11 | 江南大学 | 一种基于深度学习的皮肤病变分割方法 |
CN110728675A (zh) * | 2019-10-22 | 2020-01-24 | 慧影医疗科技(北京)有限公司 | 肺结节分析装置、模型训练方法、装置及分析设备 |
CN110766682A (zh) * | 2019-10-29 | 2020-02-07 | 慧影医疗科技(北京)有限公司 | 肺结核定位筛查装置及计算机设备 |
CN111091564B (zh) * | 2019-12-25 | 2024-04-26 | 金华市中心医院 | 一种基于3DUnet的肺结节大小检测*** |
CN111091564A (zh) * | 2019-12-25 | 2020-05-01 | 金华市中心医院 | 一种基于3DUnet的肺结节大小检测*** |
CN111402231A (zh) * | 2020-03-16 | 2020-07-10 | 杭州健培科技有限公司 | 一种用于肺部ct影像质量的自动评估***及方法 |
CN111402231B (zh) * | 2020-03-16 | 2023-05-23 | 杭州健培科技有限公司 | 一种用于肺部ct影像质量的自动评估***及方法 |
CN111667458A (zh) * | 2020-04-30 | 2020-09-15 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN111667458B (zh) * | 2020-04-30 | 2023-09-01 | 杭州深睿博联科技有限公司 | 一种对平扫ct中的早急性脑梗死检测方法及装置 |
CN111738992A (zh) * | 2020-06-04 | 2020-10-02 | 科大讯飞股份有限公司 | 肺部病灶区域提取方法、装置、电子设备和存储介质 |
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 |
CN111932559B (zh) * | 2020-08-26 | 2022-11-29 | 上海市公共卫生临床中心 | 基于深度学习的新冠肺炎肺部病灶区域分割*** |
CN111932559A (zh) * | 2020-08-26 | 2020-11-13 | 上海市公共卫生临床中心 | 基于深度学习的新冠肺炎肺部病灶区域分割*** |
WO2022063198A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
CN112184659A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
CN112184659B (zh) * | 2020-09-24 | 2023-08-25 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
CN112801964A (zh) * | 2021-01-20 | 2021-05-14 | 中国人民解放军总医院 | 肺部ct图像的多标签智能检测方法、装置、设备和介质 |
CN112801964B (zh) * | 2021-01-20 | 2022-02-22 | 中国人民解放军总医院 | 肺部ct图像的多标签智能检测方法、装置、设备和介质 |
CN112967279A (zh) * | 2021-04-02 | 2021-06-15 | 慧影医疗科技(北京)有限公司 | 一种检测肺结节的方法、装置、存储介质和电子设备 |
CN113643308A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 肺部图像分割方法、装置、存储介质及计算机设备 |
CN113838026B (zh) * | 2021-09-22 | 2024-02-02 | 中南大学 | 非小细胞肺癌检测方法、装置、计算机设备和存储介质 |
CN113838026A (zh) * | 2021-09-22 | 2021-12-24 | 中南大学 | 非小细胞肺癌检测方法、装置、计算机设备和存储介质 |
CN113920137A (zh) * | 2021-10-14 | 2022-01-11 | 平安科技(深圳)有限公司 | ***转移预测方法、装置、设备及存储介质 |
CN113920137B (zh) * | 2021-10-14 | 2024-06-18 | 平安科技(深圳)有限公司 | ***转移预测方法、装置、设备及存储介质 |
CN114187252A (zh) * | 2021-12-03 | 2022-03-15 | 推想医疗科技股份有限公司 | 图像处理方法及装置、调整检测框的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2019200740A1 (zh) | 2019-10-24 |
CN108765369B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765369A (zh) | 肺结节的检测方法、装置、计算机设备和存储介质 | |
CN109102502B (zh) | 基于三维卷积神经网络的肺结节检测方法 | |
Gecer et al. | Detection and classification of cancer in whole slide breast histopathology images using deep convolutional networks | |
CN106408001B (zh) | 基于深度核哈希的感兴趣区域快速检测方法 | |
CN109523526A (zh) | 组织结节检测及其模型训练方法、装置、设备和*** | |
CN108764241A (zh) | 分割股骨近端的方法、装置、计算机设备和存储介质 | |
CN114926477B (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
CN110084237A (zh) | 肺结节的检测模型构建方法、检测方法和装置 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断*** | |
CN109685768A (zh) | 基于肺部ct序列的肺结节自动检测方法及*** | |
Luo et al. | Retinal blood vessels semantic segmentation method based on modified U-Net | |
CN108830842B (zh) | 一种基于角点检测的医学图像处理方法 | |
CN114066884B (zh) | 视网膜血管分割方法及装置、电子设备和存储介质 | |
Thilagaraj et al. | [Retracted] Classification of Breast Cancer Images by Implementing Improved DCNN with Artificial Fish School Model | |
CN113421240A (zh) | 一种基于超声自动乳腺全容积成像的乳腺分类方法及装置 | |
Wu et al. | DA-U-Net: densely connected convolutional networks and decoder with attention gate for retinal vessel segmentation | |
Huang et al. | Automatic Retinal Vessel Segmentation Based on an Improved U‐Net Approach | |
Razavi et al. | MiNuGAN: Dual segmentation of mitoses and nuclei using conditional GANs on multi-center breast H&E images | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
Li et al. | Image segmentation based on improved unet | |
Syed et al. | Detection of tumor in MRI images using artificial neural networks | |
CN113706475A (zh) | 基于图像分割的置信度分析方法及装置 | |
Azhagiri et al. | EAN: enhanced AlexNet deep learning model to detect brain tumor using magnetic resonance images | |
CN114565617A (zh) | 基于剪枝U-Net++的乳腺肿块图像分割方法及*** | |
Sun et al. | DARMF-UNet: A dual-branch attention-guided refinement network with multi-scale features fusion U-Net for gland segmentation |
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 |