CN108765409A - 一种基于ct图像的候选结节的筛选方法 - Google Patents
一种基于ct图像的候选结节的筛选方法 Download PDFInfo
- Publication number
- CN108765409A CN108765409A CN201810555940.5A CN201810555940A CN108765409A CN 108765409 A CN108765409 A CN 108765409A CN 201810555940 A CN201810555940 A CN 201810555940A CN 108765409 A CN108765409 A CN 108765409A
- Authority
- CN
- China
- Prior art keywords
- image
- candidate nodule
- lung
- images
- region
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CT图像的候选结节的筛选方法,涉及医学图像处理领域,包括以下步骤:步骤1.获取待检测的肺部CT图像f0(x,y);步骤2.对步骤1中的肺部CT图像f0(x,y)进行二值化处理并提取肺实质初步模板f1(x,y);步骤3.对肺实质初步模板f1(x,y)进行肺实质修补并计算,得到肺实质区域图像f2(x,y);步骤4.对肺实质区域图像f2(x,y)进行二值化处理并筛选候选结节,得到候选结节集R;步骤5.构建用于对候选结节分类的3DCNN网络结构;步骤6.根据3DCNN网络结构和LIDC肺部图像数据库中的库肺部CT图像训练出3DCNN网络模型;步骤7.根据3DCNN网络模型判断候选结节集R中各候选结节为肺结节的概率。
Description
技术领域
本发明涉及一种肺结节的检测方法,具体涉及一种基于CT图像的候选结节的筛选方法。
背景技术
肺结节的检测对于肺部CT图像的处理十分关键,CT可以提供肺部的高分辨率图像,为分析肺部组织中肺结节的存在与否以及肺结节的具***置、形态提供重要依据。数量巨大的CT在提供准确信息的同时,也极大地增加了放射科医生的工作负担。因此CT图像的智能处理应运而生,它不仅可以减轻医生的劳动强度以及单独查看肺部CT图像可能存在的疏漏,还能通过图像分割、特征量化等技术为医生提供精确的定量分析。
目前,对肺部中肺实质的分割主要是采用基于阈值及基于区域的分割方法,以及相关的边缘检测方法,这些方法虽然能够完成肺实质轮廓的基本分割,但是肺实质内部存在大量的支气管、血管,而且肺实质内也会出现肺结节与胸腔黏连的情况,而上述分割方法对于这些情况常常出现过分割或者欠分割的现象,不能实现理想的分割效果。对于肺结节的检测而言,传统的方法是先手工地提取特征,例如灰度特征、纹理特征、形态特征等,然后再基于提取的特征利用支持向量机、贝叶斯分类器、线性判别分类器等分类算法,完成肺结节的提取。然而由于存在大量的非肺结节的特征点,这种方法在非肺结节的剔除方面面临着很大的挑战。
发明内容
本发明的目的在于:为解决在处理肺部CT图像的过程中,出现肺实质过分割或肺实质欠分割问题以及未对大量非肺结节的图像特征点进行剔除而造成筛选疑似肺结节的图像特征点困难的问题,提供了一种基于CT图像的候选结节的筛选方法。
本发明采用的技术方案如下:
一种基于CT图像的候选结节的筛选方法,包括以下步骤:
步骤1.获取待检测的肺部CT图像f0(x,y);
步骤2.对步骤1中的肺部CT图像f0(x,y)进行二值化处理并提取肺实质初步模板f1(x,y);
步骤3.对肺实质初步模板f1(x,y)进行肺实质修补并计算,得到肺实质区域图像f2(x,y);
步骤4.对肺实质区域图像f2(x,y)进行二值化处理并筛选候选结节,得到候选结节集R[R1,R2,…,Rn-1,Rn];
步骤5.构建用于对候选结节分类的3DCNN网络结构;
步骤6.根据3DCNN网络结构和LIDC肺部图像数据库中的库肺部CT图像训练出3DCNN网络模型;
步骤7.根据3DCNN网络模型判断候选结节集R中各候选结节为肺结节的概率。
进一步地,所述步骤2的具体步骤如下:
步骤2.1.将获取的待检测的肺部CT图像f0(x,y)进行高斯滤波处理,得到CT滤波图像;
步骤2.2.记分割阈值为T(T∈(0,255)),将分割阈值T作为CT滤波图像的分割值并进行前景图像与背景图像分割,记CT滤波图像的前景点数占图像比例为wa1、前景平均灰度为ua1、后景点数占图像比例为wb1、后景平均灰度为ub1、图像总平均灰度为u1、前景图像和背景图像的方差为g1;
步骤2.3.迭代不同的分割阈值T并计算对应的方差g1的值,得到CT分割阈值Tg1;
步骤2.4.根据CT分割阈值Tg1对CT滤波图像进行二值化处理,得到CT二值化图像;
步骤2.5.从CT二值化图像所在的左右肺区域内选择种子点,以种子点为起始点,完成对左右肺区域中空洞的填充,得到空洞填充图像;
步骤2.6.将CT二值化图像和空洞填充图像做差计算,得到差值图像;
步骤2.7.对差值图像进行区域连通运算得到连通区域集S[S1,S2,…,Sn-1,Sn],其中,Sn表示下标为n的连通区域;
步骤2.8.将连通区域集S中所有面积小于连通区域Smax面积的连通区域Si(1≤i≤n)进行区域填充,得到肺实质初步模板f1(x,y);其中,Smax表示连通区域集S中面积最大的区域。
进一步地,所述步骤3中,得到肺实质区域图像f2(x,y)的具体步骤如下:
步骤3.1.创建一个正灰度图像,并根据正灰度图像生成一个球形模板;
步骤3.2.利用Laplacian算子获取肺实质初步模板f1(x,y)的肺实质边界;
步骤3.3.根据球形模板和肺实质边界确定肺实质模板;
步骤3.4.将肺部CT图像f0(x,y)和肺实质模板做乘计算,得到肺实质区域图像f2(x,y)。
进一步地,所述步骤4的具体步骤如下:
步骤4.1.对肺实质区域图像f2(x,y)先进行形态学腐蚀运算,再进行形态学膨胀运算,得到区域运算图像;
步骤4.2.将分割阈值T作为区域运算图像的分割值进行前景图像与背景图像分割,记区域运算图像的前景点数占图像比例为wa2、前景平均灰度为ua2、后景点数占图像比例为wb2、后景平均灰度为ub2、图像总平均灰度为u2、前景图像和背景图像的方差为g2;
步骤4.3.迭代不同的分割阈值T并计算对应的方差g2的值,得到区域分割阈值Tg2;
步骤4.4.根据区域分割阈值Tg2对区域运算图像进行二值化处理,得到由若干个白色区域构成的白色区域集r[r1,r2,…,rn-1,rn];
步骤4.5.计算白色区域集r中每个白色区域ri(1≤i≤n)的圆形度,得到保留区域集r'[r'1,r'2,…,r'n-1,r'n];
步骤4.6.计算保留区域集r'中每个保留区域r'i(1≤i≤n)的中心位置,并以中心位置为中心,选择尺寸大小为64×64的正方形区域作为候选结节,得到候选结节集R[R1,R2,…,Rn-1,Rn]。
进一步地,所述步骤5的具体步骤如下:
步骤5.1.构建卷积层C1:输入尺寸大小为64×64×1的候选结节,使用24个尺寸大小为5×5×1的卷积核,以步长为1进行卷积运算,输出24个经过线性整流函数ReLu修正的尺寸大小为60×60的特征图CT1;
步骤5.2.构建池化层P1:对特征图CT1进行2×2×1的最大值池化,以步长为2进行卷积运算,输出24个尺寸大小为30×30的特征图PT1;
步骤5.3.构建卷积层C2:输入特征图PT1,使用32个尺寸大小为3×3×24的卷积核,以步长为1进行卷积运算,输出32个经过线性整流函数ReLu修正的尺寸大小为28×28的特征图CT2;
步骤5.4.构建池化层P2:对特征图CT2进行2×2×1的最大值池化,以步长为2进行卷积运算,输出32个尺寸大小为14×14的特征图PT2;
步骤5.5.构建卷积层C3:输入特征图PT2,使用48个尺寸大小为3×3×32的卷积核,以步长为1进行卷积运算,输出48个经过线性整流函数ReLu修正的尺寸大小为12×12的特征图CT3;
步骤5.6.构建池化层P3:对特征图CT3进行2×2×1的最大值池化,以步长为2进行卷积运算,输出48个尺寸大小为6×6的特征图PT3;
步骤5.7.构建全连接层FC1:采用16个神经元,将每个神经元的输入与特征图CT3进行全连接,输出经过线性整流函数ReLu修正的长度为16的一维列向量M;
步骤5.8.构建全连接层FC2:采用2个神经元,将每个神经元的输入与一维列向量M进行全连接,输出经过softmax函数修正的长度为2的一维列向量W(W1,W2),其中,W1和W2分别表示候选结节为阳性的概率和为阴性的概率。
进一步地,所述步骤6的具体步骤如下:
步骤6.1.从LIDC肺部图像数据库中获取库肺部CT图像及其对应的XML注解文件,从XML注解文件中获取各个库肺部CT图像中肺结节的位置信息,并将所有库肺部CT图像转换为灰度图像;
步骤6.2.根据灰度图像和对应的肺结节位置信息生成尺寸大小为64×64的肺结节区域;
步骤6.3.根据XML注解文件中的描述对每一个肺结节区域进行类别标注;
步骤6.4.根据肺结节区域及对应的类别标注构建训练集和测试集;
步骤6.5.根据训练集和测试集完成对3DCNN网络结构的训练及测试,并保存训练后的3DCNN网络模型。
进一步地,所述步骤7的具体步方法为:将候选结节集R[R1,R2,…,Rn-1,Rn]中的每个候选结节Ri(1≤i≤n)分别作为3DCNN网络模型的输入,判断候选结节集R中各候选结节Ri为肺结节的概率。
进一步地,步骤2.3确定CT分割阈值Tg1的具体步骤如下:
步骤2.3.1.记CT滤波图像方差集为G1;
步骤2.3.2.计算图像总平均灰度u1,图像总平均灰度为u1的计算公式为:u1=wa1×ua1+wb1×ub1;
步骤2.3.3.迭代不同的分割阈值T,计算前景图像和背景图像的方差g1,并将计算得到的方差g1***到CT滤波图像方差集G1中,其中,方差g1的计算公式为:g1=wa1×(ua1-u1)+wb1×(ub1-u1);
步骤2.3.4.将CT滤波图像方差集G1中的最小值所对应的T作为CT分割阈值Tg1。
进一步地,所述Laplacian算子的具体形式如下:
进一步地,所述softmax函数的具体形式如下:
其中,e代表自然对数,d代表全连接层FC2采用的神经元个数,zj表示全连接层FC2未经修正的第j个神经元的输出,f(zj)表示经过softmax函数修正后的第j个神经元的输出。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,本发明利用3DCNN在图像分类上的优越性能,通过设计合理的网络结构,并利用构建的CT数据集加以训练和测试,实现了对候选结节为疑似肺结节的概率计算,根据计算出的概率将大量非肺结节的图像特征点进行剔除并筛选出疑似肺结节。
2、本发明中,本发明利用最大类间方差法实现CT图像二值化,同时采用非极大值抑制的方法完成二值化图像的空洞填充,有效地避免了支气管等疾病对图像分割的影响。
3、本发明中,本发明利用滚球法实现了对肺实质边界的修补,避免了肺结节胸腔黏连情况下带来的欠分割和过分割现象。
附图说明
图1为本发明的整体流程图;
图2为本发明中获取肺实质区域图像的流程图;
图3为本发明中获取候选结节集的流程图;
图4为本发明中生成3DCNN网络模型的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
一种基于CT图像的候选结节的筛选方法,包括以下步骤:
步骤1.获取待检测的肺部CT图像f0(x,y)。
步骤2.对步骤1中的肺部CT图像f0(x,y)进行二值化处理并提取肺实质初步模板f1(x,y)。包括以下步骤:
步骤2.1.将获取的待检测的CT图像f0(x,y)进行高斯滤波处理,得到CT滤波图像。其中,高斯滤波处理的卷积核的具体形式如下:
步骤2.2.记分割阈值为T(T∈(0,255)),将分割阈值T作为CT滤波图像的分割值进行前景图像与背景图像分割,记CT滤波图像的前景点数占图像比例为wa1、前景平均灰度为ua1、后景点数占图像比例为wb1、后景平均灰度为ub1、图像总平均灰度为u1、前景图像和背景图像的方差为g1。
步骤2.3.迭代不同的分割阈值T并计算对应的方差g1的值,得到CT分割阈值Tg1,包括以下步骤:
步骤2.3.1.记CT滤波图像方差集为G1。
步骤2.3.2.计算图像总平均灰度u1,图像总平均灰度为u1的计算公式为计算公式为:u1=wa1×ua1+wb1×ub1。
步骤2.3.3.迭代不同的分割阈值T,计算前景图像和背景图像的方差g1,并将计算得到的方差g1***到CT滤波图像方差集G1中,其中,方差g1的计算公式为:g1=wa1×(ua1-u1)+wb1×(ub1-u1)。联立以上两式可得方差g1=wa1×wb1×(ua1-ub1)2。
步骤2.3.4.将CT滤波图像方差集G1中的最小值所对应的T作为CT分割阈值Tg1。
步骤2.4.根据CT分割阈值Tg1对CT滤波图像进行二值化处理,得到CT二值化图像。
步骤2.5.从CT二值化图像所在的左右肺区域内选择种子点,以种子点为起始点,利用八邻域洪水填充方法完成对左右肺区域中空洞的填充,得到空洞填充图像。
步骤2.6.将CT二值化图像和空洞填充图像做差计算,得到差值图像。
步骤2.7.对差值图像进行区域连通运算得到连通区域集S[S1,S2,…,Sn-1,Sn],其中,Sn表示下标为n的连通区域。
步骤2.8.将连通区域集S中所有面积小于连通区域Smax面积的连通区域Si(1≤i≤n)进行区域填充,得到肺实质初步模板f1(x,y);其中,Smax表示连通区域集S中面积最大的区域。
步骤3.对肺实质初步模板f1(x,y)进行肺实质修补并计算,得到肺实质区域图像f2(x,y),包括以下步骤:
步骤3.1.创建一个正灰度图像,并根据正灰度图像生成一个球形模板。
创建一个33×33的全0矩阵作为正灰度图像,且正灰度图像中所有点的灰度值均为0。以正灰度图像的中心为坐标原点,计算与坐标原点距离小于32的坐标点,并将满足条件的坐标点的灰度值更改为255,即生成一个球形模板。
步骤3.2.利用Laplacian算子获取肺实质初步模板f1(x,y)的肺实质边界。Laplacian算子的具体形式如下:
步骤3.3.根据球形模板和肺实质边界确定肺实质模板。
将球形模板沿肺实质边界滚动一周,将被球形模板和肺实质边界包围的所有区域并入肺实质初步模板f1(x,y)中,把并入后的结果作为肺实质模板。
步骤3.4.将CT图像f0(x,y)和肺实质模板做乘计算,得到肺实质区域图像f2(x,y)。
步骤4.对肺实质区域图像f2(x,y)进行二值化处理并筛选候选结节,得到候选结节集R[R1,R2,…,Rn-1,Rn],包括以下步骤:
步骤4.1.对肺实质区域图像f2(x,y)先进行形态学腐蚀运算,再进行形态学膨胀运算,得到区域运算图像。其中,形态学腐蚀运算和形态学膨胀运算均采用尺寸大小为3×3的正方形,并以其中心为参考点进行计算。
步骤4.2.将分割阈值T作为区域运算图像的分割值进行前景图像与背景图像分割,记区域运算图像的前景点数占图像比例为wa2、前景平均灰度为ua2、后景点数占图像比例为wb2、后景平均灰度为ub2、图像总平均灰度为u2、前景图像和背景图像的方差为g2。
步骤4.3.迭代不同的分割阈值T并计算对应的方差g2的值,得到区域分割阈值Tg2,包括以下步骤:
步骤4.3.1.记CT滤波图像方差集为G2。
步骤4.3.2.计算图像总平均灰度u2,图像总平均灰度为u2的计算公式为计算公式为:u2=wa2×ua2+wb2×ub2。
步骤4.3.3.迭代不同的分割阈值T,计算前景图像和背景图像的方差g2,并将计算得到的方差g2***到CT滤波图像方差集G2中,其中,方差g2的计算公式为:g2=wa2×(ua2-u2)+wb2×(ub2-u2)。联立以上两式可得方差g2=wa2×wb2×(ua2-ub2)2。
步骤4.3.4.将CT滤波图像方差集G2中的最小值所对应的T作为CT分割阈值Tg2。
步骤4.4.根据区域分割阈值Tg2对区域运算图像进行二值化处理,得到由若干个白色区域构成的白色区域集r[r1,r2,…,rn-1,rn]。
步骤4.5.计算白色区域集r中每个白色区域ri(1≤i≤n)的圆形度,得到保留区域集r'[r'1,r'2,…,r'n-1,r'n]。
计算白色区域ri(1≤i≤n)的圆形度的方法为:将白色区域ri较长的边的长度计作Lz,将白色区域ri较短的边的长度计作Lh,计算圆形度C的计算方法为:将计算结果大于1.5的区域给予舍弃,将计算结果不大于1.5的区域存入保留区域集r'中。
步骤4.6.计算保留区域集r'中每个保留区域r'i(1≤i≤n)的中心位置,并以中心位置为中心,选择64×64的正方形区域作为候选结节,得到候选结节集R[R1,R2,…,Rn-1,Rn]。
步骤5.构建用于对候选结节分类的3DCNN网络结构。
步骤5.1.构建卷积层C1:输入尺寸大小为64×64×1的候选结节,使用24个尺寸大小为5×5×1的卷积核,以步长为1进行卷积运算,输出24个经过线性整流函数ReLu修正的尺寸大小为60×60的特征图CT1。其中,线性整流函数ReLu修正的具体形式为:
ReLu(x)=max(0,x)
步骤5.2.构建池化层P1:对特征图CT1进行2×2×1的最大值池化,以步长为2进行卷积运算,输出24个尺寸大小为30×30的特征图PT1。
步骤5.3.构建卷积层C2:输入特征图PT1,使用32个尺寸大小为3×3×24的卷积核,以步长为1进行卷积运算,输出32个经过线性整流函数ReLu修正的尺寸大小为28×28的特征图CT2。
步骤5.4.构建池化层P2:对特征图CT2进行2×2×1的最大值池化,以步长为2进行卷积运算,输出32个尺寸大小为14×14的特征图PT2。
步骤5.5.构建卷积层C3:输入特征图PT2,使用48个尺寸大小为3×3×32的卷积核,以步长为1进行卷积运算,输出48个经过线性整流函数ReLu修正的尺寸大小为12×12的特征图CT3。
步骤5.6.构建池化层P3:对特征图CT3进行2×2×1的最大值池化,以步长为2进行卷积运算,输出48个尺寸大小为6×6的特征图PT3。
步骤5.7.构建全连接层FC1:采用16个神经元,将每个神经元的输入与特征图CT3进行全连接,输出经过线性整流函数ReLu修正的长度为16的一维列向量M。
步骤5.8.构建全连接层FC2:采用2个神经元,将每个神经元的输入与一维列向量M进行全连接,输出经过softmax函数修正的长度为2的一维列向量W(W1,W2),其中,W1和W2分别表示候选结节为阳性的概率和为阴性的概率。softmax函数的具体形式如下:
其中,e代表自然对数,d代表全连接层FC2采用的神经元个数,zj表示全连接层FC2未经修正的第j个神经元的输出,f(zj)表示经过softmax函数修正后的第j个神经元的输出。
步骤6.根据3DCNN网络结构以及LIDC肺部图像数据库中的库肺部CT图像训练出3DCNN网络模型,包括以下步骤:
步骤6.1.从LIDC肺部图像数据库中获取库肺部CT图像及其对应的XML注解文件,从XML注解文件中获取各个库肺部CT图像中肺结节的位置信息,并将所有库肺部CT图像转换为灰度图像。
步骤6.2.根据灰度图像和对应的肺结节位置信息生成尺寸大小为64×64的肺结节区域。
根据从XML注解文件中获取灰度图像中肺结节的位置信息,从而产生尺寸大小为64×64的肺结节区域。
步骤6.3.根据XML注解文件中的描述对每一个肺结节区域进行类别标注。
步骤6.4.根据肺结节区域及对应的类别标注构建训练集和测试集。
步骤6.5.根据随机梯度下降(SGD)优化算法使训练集和测试集完成对3DCNN网络结构的训练及测试,并保存训练后的3DCNN网络模型。
步骤7.根据3DCNN网络模型完成候选结节集R中各候选结节的判定:将候选结节集R[R1,R2,…,Rn-1,Rn]中的每个候选结节Ri(1≤i≤n)分别作为3DCNN网络模型的输入,判断候选结节集R中各候选结节Ri为肺结节的概率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于CT图像的候选结节的筛选方法,其特征在于,包括以下步骤:
步骤1.获取待检测的肺部CT图像f0(x,y);
步骤2.对步骤1中的肺部CT图像f0(x,y)进行二值化处理并提取肺实质初步模板f1(x,y);
步骤3.对肺实质初步模板f1(x,y)进行肺实质修补并计算,得到肺实质区域图像f2(x,y);
步骤4.对肺实质区域图像f2(x,y)进行二值化处理并筛选候选结节,得到候选结节集R[R1,R2,…,Rn-1,Rn];
步骤5.构建用于对候选结节分类的3DCNN网络结构;
步骤6.根据3DCNN网络结构和LIDC肺部图像数据库中的库肺部CT图像训练出3DCNN网络模型;
步骤7.根据3DCNN网络模型判断候选结节集R中各候选结节为肺结节的概率。
2.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述步骤2的具体步骤如下:
步骤2.1.将获取的待检测的肺部CT图像f0(x,y)进行高斯滤波处理,得到CT滤波图像;
步骤2.2.记分割阈值为T(T∈(0,255)),将分割阈值T作为CT滤波图像的分割值并进行前景图像与背景图像分割,记CT滤波图像的前景点数占图像比例为wa1、前景平均灰度为ua1、后景点数占图像比例为wb1、后景平均灰度为ub1、图像总平均灰度为u1、前景图像和背景图像的方差为g1;
步骤2.3.迭代不同的分割阈值T并计算对应的方差g1的值,得到CT分割阈值Tg1;
步骤2.4.根据CT分割阈值Tg1对CT滤波图像进行二值化处理,得到CT二值化图像;
步骤2.5.从CT二值化图像所在的左右肺区域内选择种子点,以种子点为起始点,完成对左右肺区域中空洞的填充,得到空洞填充图像;
步骤2.6.将CT二值化图像和空洞填充图像做差计算,得到差值图像;
步骤2.7.对差值图像进行区域连通运算得到连通区域集S[S1,S2,…,Sn-1,Sn],其中,Sn表示下标为n的连通区域;
步骤2.8.将连通区域集S中所有面积小于连通区域Smax面积的连通区域Si(1≤i≤n)进行区域填充,得到肺实质初步模板f1(x,y);其中,Smax表示连通区域集S中面积最大的区域。
3.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述
步骤3中,得到肺实质区域图像f2(x,y)的具体步骤如下:
步骤3.1.创建一个正灰度图像,并根据正灰度图像生成一个球形模板;
步骤3.2.利用Laplacian算子获取肺实质初步模板f1(x,y)的肺实质边界;
步骤3.3.根据球形模板和肺实质边界确定肺实质模板;
步骤3.4.将肺部CT图像f0(x,y)和肺实质模板做乘计算,得到肺实质区域图像f2(x,y)。
4.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述步骤4的具体步骤如下:
步骤4.1.对肺实质区域图像f2(x,y)先进行形态学腐蚀运算,再进行形态学膨胀运算,得到区域运算图像;
步骤4.2.将分割阈值T作为区域运算图像的分割值进行前景图像与背景图像分割,记区域运算图像的前景点数占图像比例为wa2、前景平均灰度为ua2、后景点数占图像比例为wb2、后景平均灰度为ub2、图像总平均灰度为u2、前景图像和背景图像的方差为g2;
步骤4.3.迭代不同的分割阈值T并计算对应的方差g2的值,得到区域分割阈值Tg2;
步骤4.4.根据区域分割阈值Tg2对区域运算图像进行二值化处理,得到由若干个白色区域构成的白色区域集r[r1,r2,…,rn-1,rn];
步骤4.5.计算白色区域集r中每个白色区域ri(1≤i≤n)的圆形度,得到保留区域集r'[r'1,r'2,…,r'n-1,r'n];
步骤4.6.计算保留区域集r'中每个保留区域r'i(1≤i≤n)的中心位置,并以中心位置为中心,选择尺寸大小为64×64的正方形区域作为候选结节,得到候选结节集R[R1,R2,…,Rn-1,Rn]。
5.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述步骤5的具体步骤如下:
步骤5.1.构建卷积层C1:输入尺寸大小为64×64×1的候选结节,使用24个尺寸大小为5×5×1的卷积核,以步长为1进行卷积运算,输出24个经过线性整流函数ReLu修正的尺寸大小为60×60的特征图CT1;
步骤5.2.构建池化层P1:对特征图CT1进行2×2×1的最大值池化,以步长为2进行卷积运算,输出24个尺寸大小为30×30的特征图PT1;
步骤5.3.构建卷积层C2:输入特征图PT1,使用32个尺寸大小为3×3×24的卷积核,以步长为1进行卷积运算,输出32个经过线性整流函数ReLu修正的尺寸大小为28×28的特征图CT2;
步骤5.4.构建池化层P2:对特征图CT2进行2×2×1的最大值池化,以步长为2进行卷积运算,输出32个尺寸大小为14×14的特征图PT2;
步骤5.5.构建卷积层C3:输入特征图PT2,使用48个尺寸大小为3×3×32的卷积核,以步长为1进行卷积运算,输出48个经过线性整流函数ReLu修正的尺寸大小为12×12的特征图CT3;
步骤5.6.构建池化层P3:对特征图CT3进行2×2×1的最大值池化,以步长为2进行卷积运算,输出48个尺寸大小为6×6的特征图PT3;
步骤5.7.构建全连接层FC1:采用16个神经元,将每个神经元的输入与特征图CT3进行全连接,输出经过线性整流函数ReLu修正的长度为16的一维列向量M;
步骤5.8.构建全连接层FC2:采用2个神经元,将每个神经元的输入与一维列向量M进行全连接,输出经过softmax函数修正的长度为2的一维列向量W(W1,W2),其中,W1和W2分别表示候选结节为阳性的概率和为阴性的概率。
6.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述步骤6的具体步骤如下:
步骤6.1.从LIDC肺部图像数据库中获取库肺部CT图像及其对应的XML注解文件,从XML注解文件中获取各个库肺部CT图像中肺结节的位置信息,并将所有库肺部CT图像转换为灰度图像;
步骤6.2.根据灰度图像和对应的肺结节位置信息生成尺寸大小为64×64的肺结节区域;
步骤6.3.根据XML注解文件中的描述对每一个肺结节区域进行类别标注;
步骤6.4.根据肺结节区域及对应的类别标注构建训练集和测试集;
步骤6.5.根据训练集和测试集完成对3DCNN网络结构的训练及测试,并保存训练后的3DCNN网络模型。
7.根据权利要求1所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述步骤7的具体步方法为:将候选结节集R[R1,R2,…,Rn-1,Rn]中的每个候选结节Ri(1≤i≤n)分别作为3DCNN网络模型的输入,判断候选结节集R中各候选结节Ri为肺结节的概率。
8.根据权利要求2所述的一种基于CT图像的候选结节的筛选方法,其特征在于,步骤2.3确定CT分割阈值Tg1的具体步骤如下:
步骤2.3.1.记CT滤波图像方差集为G1;
步骤2.3.2.计算图像总平均灰度u1,图像总平均灰度为u1的计算公式为:u1=wa1×ua1+wb1×ub1;
步骤2.3.3.迭代不同的分割阈值T,计算前景图像和背景图像的方差g1,并将计算得到的方差g1***到CT滤波图像方差集G1中,其中,方差g1的计算公式为:g1=wa1×(u1-u1)+wb1×(ub1-u1);
步骤2.3.4.将CT滤波图像方差集G1中的最小值所对应的T作为CT分割阈值Tg1。
9.根据权利要求3所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述Laplacian算子的具体形式如下:
10.根据权利要求5所述的一种基于CT图像的候选结节的筛选方法,其特征在于,所述softmax函数的具体形式如下:
其中,e代表自然对数,d代表全连接层FC2采用的神经元个数,zj表示全连接层FC2未经修正的第j个神经元的输出,f(zj)表示经过softmax函数修正后的第j个神经元的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810555940.5A CN108765409A (zh) | 2018-06-01 | 2018-06-01 | 一种基于ct图像的候选结节的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810555940.5A CN108765409A (zh) | 2018-06-01 | 2018-06-01 | 一种基于ct图像的候选结节的筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765409A true CN108765409A (zh) | 2018-11-06 |
Family
ID=64001879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810555940.5A Pending CN108765409A (zh) | 2018-06-01 | 2018-06-01 | 一种基于ct图像的候选结节的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765409A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829902A (zh) * | 2019-01-23 | 2019-05-31 | 电子科技大学 | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 |
CN110176009A (zh) * | 2019-05-23 | 2019-08-27 | 复旦大学 | 一种肺部图像分割和跟踪方法和*** |
WO2020164493A1 (zh) * | 2019-02-14 | 2020-08-20 | 腾讯科技(深圳)有限公司 | 一种医学图像区域过滤方法、装置及存储介质 |
CN111652924A (zh) * | 2020-05-22 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 目标体积确定方法、装置、设备及存储介质 |
WO2021253732A1 (zh) * | 2020-06-18 | 2021-12-23 | 飞依诺科技(苏州)有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN114241179A (zh) * | 2021-12-06 | 2022-03-25 | 电子科技大学 | 一种基于自步学习的视线估计方法 |
CN115049850A (zh) * | 2022-07-20 | 2022-09-13 | 电子科技大学 | 一种用于肺部ct影像的纤维化区域的特征提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160260211A1 (en) * | 2013-10-12 | 2016-09-08 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image |
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 |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断*** |
CN107154043A (zh) * | 2017-06-05 | 2017-09-12 | 杭州健培科技有限公司 | 一种基于3dcnn的肺结节假阳性样本抑制方法 |
CN107451609A (zh) * | 2017-07-24 | 2017-12-08 | 上海交通大学 | 基于深度卷积神经网络的肺结节图像识别*** |
CN107464234A (zh) * | 2017-07-24 | 2017-12-12 | 上海交通大学 | 基于rgb通道叠加方法的肺结节图像深度学习识别***及其方法 |
CN108090903A (zh) * | 2017-12-29 | 2018-05-29 | 苏州体素信息科技有限公司 | 肺结节检测模型训练方法和装置、肺结节检测方法和装置 |
-
2018
- 2018-06-01 CN CN201810555940.5A patent/CN108765409A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160260211A1 (en) * | 2013-10-12 | 2016-09-08 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断*** |
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 |
CN107154043A (zh) * | 2017-06-05 | 2017-09-12 | 杭州健培科技有限公司 | 一种基于3dcnn的肺结节假阳性样本抑制方法 |
CN107451609A (zh) * | 2017-07-24 | 2017-12-08 | 上海交通大学 | 基于深度卷积神经网络的肺结节图像识别*** |
CN107464234A (zh) * | 2017-07-24 | 2017-12-12 | 上海交通大学 | 基于rgb通道叠加方法的肺结节图像深度学习识别***及其方法 |
CN108090903A (zh) * | 2017-12-29 | 2018-05-29 | 苏州体素信息科技有限公司 | 肺结节检测模型训练方法和装置、肺结节检测方法和装置 |
Non-Patent Citations (5)
Title |
---|
SARDAR HAMIDIAN 等: "3D convolutional neural network for automatic detection of lung nodules in chest CT", 《MEDICAL IMAGING 2017:COMPUTER-AIDED DIAGNOSIS》 * |
吕晓琪 等: "基于三维卷积神经网络的低剂量CT肺结节检测", 《光学精密工程》 * |
吴遂愿: "基于CT图像的肺部肿瘤识别", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
罗旋: "基于DICOM序列影像的肺结节检测算法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
谷宇 等: "基于三维区域增长和灰度积分投影法的肺实质分割", 《科学技术与工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829902A (zh) * | 2019-01-23 | 2019-05-31 | 电子科技大学 | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 |
CN109829902B (zh) * | 2019-01-23 | 2022-04-12 | 电子科技大学 | 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法 |
WO2020164493A1 (zh) * | 2019-02-14 | 2020-08-20 | 腾讯科技(深圳)有限公司 | 一种医学图像区域过滤方法、装置及存储介质 |
US11995821B2 (en) | 2019-02-14 | 2024-05-28 | Tencent Technology (Shenzhen) Company Limited | Medical image region screening method and apparatus and storage medium |
CN110176009A (zh) * | 2019-05-23 | 2019-08-27 | 复旦大学 | 一种肺部图像分割和跟踪方法和*** |
CN111652924A (zh) * | 2020-05-22 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 目标体积确定方法、装置、设备及存储介质 |
WO2021253732A1 (zh) * | 2020-06-18 | 2021-12-23 | 飞依诺科技(苏州)有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN114241179A (zh) * | 2021-12-06 | 2022-03-25 | 电子科技大学 | 一种基于自步学习的视线估计方法 |
CN115049850A (zh) * | 2022-07-20 | 2022-09-13 | 电子科技大学 | 一种用于肺部ct影像的纤维化区域的特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765409A (zh) | 一种基于ct图像的候选结节的筛选方法 | |
CN106780460B (zh) | 一种用于胸部ct影像的肺结节自动检测*** | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
Miller et al. | Classification of breast tissue by texture analysis | |
CN108288271A (zh) | 基于三维残差网络的图像检测***及方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
CN108198179A (zh) | 一种生成对抗网络改进的ct医学图像肺结节检测方法 | |
CN108986067A (zh) | 基于跨模态的肺结节检测方法 | |
CN106340016B (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN107945179A (zh) | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 | |
CN109613002A (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
CN108346154A (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN108846826A (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
JP2007537812A (ja) | 結節境界の検出方法 | |
CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及*** | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN109300113A (zh) | 一种基于改进凸包方法的肺结节辅助检测***及方法 | |
CN107871316A (zh) | 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN110610472A (zh) | 实现肺结节图像分类检测的计算机装置及方法 | |
CN108460336A (zh) | 一种基于深度学习的行人检测方法 | |
Dobrescu et al. | Diagnosis of breast cancer from mammograms by using fractal measures | |
CN113096184A (zh) | 一种复杂背景下硅藻定位与识别方法 | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
CN117292217A (zh) | 一种基于对抗生成网络的皮肤分型数据增广方法与*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |