CN108986085A - Ct图像肺结节检测方法、装置、设备及可读存储介质 - Google Patents
Ct图像肺结节检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN108986085A CN108986085A CN201810692741.9A CN201810692741A CN108986085A CN 108986085 A CN108986085 A CN 108986085A CN 201810692741 A CN201810692741 A CN 201810692741A CN 108986085 A CN108986085 A CN 108986085A
- Authority
- CN
- China
- Prior art keywords
- image
- tubercle
- adjusting
- analysis
- obtains
- 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
- 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
- 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
- G06T2207/20081—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)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种CT图像肺结节检测方法、装置、设备及可读存储介质,所述CT图像肺结节检测方法包括:在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;获取并调节所述目标CT图像的显示参数,得到调节图像;通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。本发明解决现有人工肺结节检测效率、精确度低下的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种CT图像肺结节检测方法、装置、设备及可读存储介质。
背景技术
肺结节是肺癌最重要的早期征象之一,即根据肺结节的病变特征能够推断出肺病灶的病变特性。
目前,在得到肺部中的CT图像后,需要医生进行人工阅读该CT图像,以进行肺确定结节区域分析信息的提取或者检测,由于肺结节的大小、形状以及密度等特征的不确定性,人工肺结节特征检测难以满足市场对肺结节特征检测效率、精确度的需求。
发明内容
本发明的主要目的在于提供一种CT图像肺结节检测方法、装置、设备及可读存储介质,旨在解决现有人工肺结节检测效率、精确度低下的技术问题。
为实现上述目的,本发明提供一种CT图像肺结节检测方法,所述CT图像肺结节检测方法包括:
在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;
获取并调节所述目标CT图像的显示参数,得到调节图像;
通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。
可选地,所述三维卷积神经网络分类器中包括各个结节判断网络以及结节分析网络;
所述通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息步骤包括:
通过预存的三维卷积神经像素分割网络对所述调节图像进行像素分割处理,得到所述调节图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
通过所述各个结节判断网络对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,并基于所述分类结果得到确定结节区域;
提取所述确定结节区域的纹理特征、形状特征,以形成所述确定结节区域的各个特征矩阵,通过所述结节分析网络中分类向量对所述各个特征矩阵进行分类,得到所述标区域的第一分析信息,其中,所述结节分析网络中分类向量是已经训练完成的。
可选地,所述第一分析信息包括结节的恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数;
所述通过所述结节分析网络中分类向量对所述各个特征矩阵进行分类,得到所述标区域的第一分析信息步骤之后包括:
读取结节的第一分析信息,得到所述调节图像对应结节的个数;
当所述结节的个数为多个时,从所述恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数中随机选取一个参数作为排序参数;
获取并基于所述调节图像各个结节对应排序参数的值的大小,对所述调节图像的各个结节进行排序编号,以得到调节图像各个结节的显示序列;
生成所述调节图像的检测报告,其中,所述检测报告包括所述各个结节的显示序列以及各个结节的第一分析信息。
可选地,所述读取结节的第一分析信息,得到所述调节图像对应结节的个数步骤之前包括:
若接收到所述添加指令时,获取人工添加的添加结节;
通过所述结节分析网络对所述添加结节进行结节分析,得到所述添加结节的第二分析信息;
将所述第二分析信息添加至第一分析信息中。
可选地,所述获取并基于所述调节图像各个结节对应排序参数的值的大小,对所述调节图像的各个结节进行排序编号步骤之后包括:
基于所述第二分析信息,从所述调节图像的各个结节中挑选得到添加结节;
对所述添加结节进行预设差异标识的标识处理。
可选地,所述得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息步骤之后包括:
在接收到检测结果检索指令时,获取所述检索指令对应的输入信息,其中,所述输入信息包括姓名、病历号、性别、出生日期、检查时间、检查类型中的一个或者多个输入维度信息;
从预存的多个检测结果中选取与所述输入信息匹配的目标检测结果并显示。
可选地,所述在接收到检测结果检索指令时,获取所述检索指令对应的输入信息步骤之前包括:
接收并验证用户输入的登录信息以及密码信息;
当所述登录信息以及密码信息通过验证时,生成并显示检测结果检索界面。
本发明还提供一种CT图像肺结节检测装置,所述CT图像肺结节检测装置包括:
第一获取模块,用于在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;
第二获取模块,用于获取并调节所述目标CT图像的显示参数,得到调节图像;
输出模块,用于通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。
可选地,所述输出模块包括:
候选结节区域获取单元,用于通过预存的三维卷积神经像素分割网络对所述调节图像进行像素分割处理,得到所述调节图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
概率预测值获取单元,用于通过所述各个结节判断网络对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
比较单元,用于将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,并基于所述分类结果得到确定结节区域;
提取单元,用于提取所述确定结节区域的纹理特征、形状特征,以形成所述确定结节区域的各个特征矩阵,通过所述结节分析网络中分类向量对所述各个特征矩阵进行分类,得到所述标区域的第一分析信息,其中,所述结节分析网络中分类向量是已经训练完成的。
可选地,所述第一分析信息包括结节的恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数;
所述CT图像肺结节检测装置还包括:
读取模块,用于读取结节的第一分析信息,得到所述调节图像对应结节的个数;
第一选取模块,用于当所述结节的个数为多个时,从所述恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数中随机选取一个参数作为排序参数;
第三获取模块,用于获取并基于所述调节图像各个结节对应排序参数的值的大小,对所述调节图像的各个结节进行排序编号,以得到调节图像各个结节的显示序列;
生成模块,用于生成所述调节图像的检测报告,其中,所述检测报告包括所述各个结节的显示序列以及各个结节的第一分析信息。
可选地,所述CT图像肺结节检测装置还包括:
接收模块,用于若接收到所述添加指令时,获取人工添加的添加结节;
分析模块,用于通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述添加结节进行结节分析,得到所述添加结节的第二分析信息;
添加模块,用于将所述第二分析信息添加至第一分析信息中。
可选地,所述CT图像肺结节检测装置还包括:
挑选模块,用于基于所述第二分析信息,从所述调节图像的各个结节中挑选得到添加结节;
表示模块,用于对所述添加结节进行预设差异标识的标识处理。
可选地,所述CT图像肺结节检测装置还包括:
第四获取模块,用于在接收到检测结果检索指令时,获取所述检索指令对应的输入信息,其中,所述输入信息包括姓名、病历号、性别、出生日期、检查时间、检查类型中的一个或者多个输入维度信息;
第二选取模块,用于从预存的多个检测结果中选取与所述输入信息匹配的目标检测结果并显示。
可选地,所述输出模块还包括:
验证单元,用于接收并验证用户输入的登录信息以及密码信息;
生成单元,用于当所述登录信息以及密码信息通过验证时,生成并显示检测结果检索界面。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于:
在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;
获取并调节所述目标CT图像的显示参数,得到调节图像;
通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。
本发明通过在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;获取并调节所述目标CT图像的显示参数,得到调节图像;通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。在本申请中,预存的三维卷积神经像素分割网络以及三维卷积神经网络分类器是已经训练完成的,在得到肺部中的CT图像后,通过简单的调节处理,得到调节图像后,即可实现通过三维卷积神经像素分割网络、以及三维卷积神经网络分类器获取得到CT图像的第一分析信息,而不是需要医生进行人工阅读肺部中的CT图像,以进行肺结节相关信息的提取或者检测,因而解决了现有人工肺结节检测效率、精确度低下的技术问题。
附图说明
图1为本发明CT图像肺结节检测方法第一实施例的流程示意图;
图2为本发明CT图像肺结节检测方法所述得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息步骤之后的细化流程示意图;
图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图;
图4为本发明CT图像肺结节检测方法中检测报告的示意图。
本发明目的的实现、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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种CT图像肺结节检测方法,在本发明CT图像肺结节检测方法的第一实施例中,参照图1,所述CT图像肺结节检测方法包括:
在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;获取并调节所述目标CT图像的显示参数,得到调节图像;通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。
具体步骤如下:
步骤S10,在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;
本实施例CT图像肺结节检测方法应用于CT图像肺结节检测***,该CT图像肺结节检测***与医院***连接,医院***获取检查者肺部的CT图像数据并发送给CT图像肺结节检测***,CT图像肺结节检测***进行CT图像的载入与检测处理。需要说明的是,CT图像肺结节检测***包括客户端与服务器端,该服务器端进行病历中CT图像的计算与检测,并将检测结果存储在服务器。另外,该服务器端与客户端进行交互,以将检测结果数据传输或者显示在客户端。该客户端提供给医生可直接操作的窗口,即在客户端注册的医生可以通过客户端来阅读检测处理后的CT图像,并且医生还可以操作CT图像,如进行CT图像肺结节的标记或者删除等操作。另外,在客户端注册的医生可以通过该客户端的病人数据管理界面进行检测结果的搜索,在检测结果未加载成功时,提示该检测结果处于“加载中”的状态。
在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像,其中,该病历处理指令可以是在检测到病历时自动触发生成的,而医院***只要有新的病历生成,即触发将新的病历发送给CT图像肺结节检测***,因而,CT图像肺结节检测***可以及时获取病历中的目标CT图像,需要说明的是,可以通过图像识别技术识别病历中的目标CT图像,其中,图像识别技术属于现有技术,在此不做具体说明,病历中除了目标CT图像外,还具有病人或者检查者的个人信息等,以将目标CT图像的检测结果与病人或者检查者保持一致。
步骤S20,获取并调节所述目标CT图像的显示参数,得到调节图像;
在得到目标CT图像后,获取并调节所述目标CT图像的显示参数,得到调节图像,其中,调节所述目标CT图像的显示参数主要指的是目标CT图像的缩放、平移、窗宽或者窗位的调节,以及目标CT图像对应光标如十字光标的显示和不显示等。其中,在得到目标CT图像后,由于目标CT图像未调节前的显示参数与***默认的图像显示参数不一致,因而,目标CT图像基本都需要进行目标CT图像的调节。如将目标CT图像调节至原图的两倍,原图的四倍等,另外,通过拖动或者快捷方式也可以直接缩放图片,以最终将图像调整到默认阅片状态,具体操作方式与对应的调节参数可以进行设置。
步骤S30,通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。
具体地,所述三维卷积神经网络分类器中包括各个结节判断网络以及结节分析网络,步骤S30包括:
步骤S31,通过预存的三维卷积神经像素分割网络对所述调节图像进行像素分割处理,得到所述调节图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
需要说明的是,预存的三维卷积神经像素分割网络是已经训练完成的,在进行像素分割处理前,先对所述调节图像进行预设尺寸的区域分割处理,得到调节图像的子区域,通过预存的三维像素分割网络对所述子区域分别进行预设次数的下采样处理,对下采样处理后的所述子区域进行同样预设次数的上采样处理,对所述下采样处理后以及上采样处理后分别得到的所述子区域进行桥接特征融合处理,得到与所述子区域尺寸相等的子概率图,以弥补下采样导致所述子区域的信息丢失,其中,由于通过同样次数的下采样处理与上采样处理,因而能够得到和原始调节图像的子区域形状相同的子概率图,桥接特征融合处理指的是在上采样和下采样阶段,对下采样以及上采样处理后的同尺寸的子区域之间加入桥接结构,对子区域的图像特征进行融合,因而能够避免可能存在的子区域信息的丢失。在得到各个子概率图后,对所述各个子概率图进行拼接还原得到所述调节图像对应的概率图,对所述CT图像对应的概率图进行连通域标记,得到候选结节区域。
步骤S32,通过所述各个结节判断网络对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
在本实施例中,训练有多个三维卷积神经网络分类器,该多个三维卷积神经网络分类器中包括多个结节判断网络以及多个结节分析网络,其中,每个三维卷积神经网络分类器中对应有一个结节判断网络以及一个结节分析网络,该不同结节判断网络中的预测模型不同,具体地,可以是通过2个结节判断网络对应的2个预测模型,即采用2个预测模型融合方式对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值,该融合处理可以是平均处理,由于通过多个预测模型,因而能够消除模型之前的偶然性,提升检测精确度与准确度。
在本实施例中,不同三维卷积神经网络分类器中各个结节判断网络分别对全部的候选结节区域进行预测,结节判断网络中包括多个下采样层以及最后的全连接层,以实现对各个候选结节区域进行下采样处理以及全连接处理,其中,对各个候选结节区域进行下采样处理过程包括对所述候选结节区域的卷积、激活、批标准化以及池化处理,全连接处理即是将下采样处理后得到的各个节点连接,以综合处理各个节点对应的图像特征,以最后得到所述候选结节区域对应的各个概率预测值,其中,由于多个结节判断网络分别对所述候选结节区域进行预测,而每个候选结节区域对应每个结节判断网络得到一个概率预测值,因而,每个候选结节区域对应得到多个概率预测值。
步骤S33,将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,并基于所述分类结果得到确定结节区域;
在本实施例中,在得到每个候选结节区域对应得到多个概率预测值后,对该多个概率预测值进行平均处理,并将平均处理后的概率预测值作为候选结节区域的目标概率预测值,在得到目标概率预测值后,获取预存阀值,将目标概率预测值与预存阀值进行比较,得到比较结果,需要说明的是,预存阀值是可以调整的,具体地,预存阀值根据三维卷积神经网络分类器中不同模型整体的ROC曲线确定。在得到比较结果后,基于该比较结果,即可得到所述候选结节区域的分类结果,基于该分类结果明确所述调节图像的确定结节区域,具体地,若目标概率预测值大于预存阀值,则该目标概率预测值对应候选结节区域为确定结节区域。
步骤S34,提取所述确定结节区域的纹理特征、形状特征,以形成所述确定结节区域的各个特征矩阵,通过所述结节分析网络中分类向量对所述各个特征矩阵进行分类,得到所述标区域的第一分析信息,其中,所述结节分析网络中分类向量是已经训练完成的。
在得到确定结节区域后,提取所述确定结节区域的纹理特征、形状特征,纹理特征包括具体图像纹理特征如像素特征,形状特征包括结节区域位置特征、结节区域边框特征,以形成所述确定结节区域的各个特征矩阵,将该确定结节区域作为输入数据输入至预存三维卷积神经网络分类器对应结节分析网络中,该结节分析网络是已经训练完成的,该结节分析网络中训练有各个分类向量,该各个分类向量可以是激活函数形式,不同分类向量具体对应不同激活函数,不同激活函数激活该结节分析网络以得到确定结节区域的平均密度、恶性概率、亚类类型、置信度等,该第一分析信息即包括确定结节区域的平均密度、恶性概率、亚类类型、置信度等参数,另外,在得到确定结节区域后,通过预存的分析程序段即可得到确定结节区域的结节直径、结节体积等。将确定结节区域的结节直径、结节体积、均密度、恶性概率、亚类类型等作为第一分析信息进行存储并输出。
本发明通过在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;获取并调节所述目标CT图像的显示参数,得到调节图像;通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。在本申请中,预存的三维卷积神经像素分割网络以及三维卷积神经网络分类器是已经训练完成的,在得到肺部中的CT图像后,通过简单的调节处理,得到调节图像后,即可实现通过三维卷积神经像素分割网络、以及三维卷积神经网络分类器获取得到CT图像的第一分析信息,而不是需要医生进行人工阅读肺部中的CT图像,以进行肺结节相关信息的提取或者检测,因而解决了现有人工肺结节检测效率、精确度低下的技术问题。
进一步地,本发明提供CT图像肺结节检测方法的另一实施例,在该实施例中,所述第一分析信息包括结节的恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数;
所述得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息步骤之后包括:
步骤S40,读取结节的第一分析信息,得到所述调节图像对应结节的个数;
步骤S50,当所述结节的个数为多个时,从所述恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数中随机选取一个参数作为排序参数;
步骤S60,获取并基于所述调节图像各个结节对应排序参数的值的大小,对所述调节图像的各个结节进行排序编号,以得到调节图像各个结节的显示序列;
步骤S70,生成所述调节图像的检测报告,其中,所述检测报告包括所述各个结节的显示序列以及各个结节的第一分析信息。
其中,结节的第一分析信息包含结节的个数信息,在得到输出的第一分析信息后,读取结节的第一分析信息,得到所述调节图像对应结节的个数,该结节的个数可以为一个或者多个,当结节为多个时,对该多个结节进行排序,由于第一分析信息中包括结节的恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积等参数,因而,为有序显示各个结节,随机选取一个参数作为排序参数,基于各个结节中排序参数的值的大小,对各个结节进行排序显示,以最终形成调节图像的检测报告,所述检测报告包括所述各个结节的显示序列以及各个结节的第一分析信息。其中,在本实施例中,各个结节默认以恶性概率从大到小自动排列并进行编号显示,以得到调节图像的检测报告,具体如图4所示,由于该检测报告中有序显示第一分析信息,因而,能够有效帮助医生阅读CT图像,提高肺结节的检测效率。
其中,所述读取结节的第一分析信息,得到所述调节图像对应结节的个数步骤之前包括:
步骤A1,若接收到所述添加指令时,获取人工添加的添加结节;
步骤A2,通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述添加结节进行确定结节区域分析,得到所述添加结节的第二分析信息;
步骤A3,将所述第二分析信息添加至第一分析信息中。
CT图像肺结节检测方法可以辅助临床医生对肺部CT图像进行肺结节的检测及分析,为进一步提升检测的准确性与全面性,临床医生也可以根据自己的经验人工阅读肺部CT图像,为了生成统一的检测报告,在本实施例中,提供手动添加结节的功能,即客户端注册医生可以通过添加菜单触发进行CT图像或者调节图像的结节添加处理,将人工检测的结节添加,具体地,在点击添加菜单后,生成人工添加结节的添加指令,若接收到人工添加结节的添加指令后,获取人工添加的添加结节,其中,通过获取医生输入的添加结节的具体信息即可得到添加结节,在得到添加结节后,通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述添加结节进行确定结节区域分析,得到所述添加结节的第二分析信息,具体得到第二分析信息的过程与上述得到第一分析消息过程基本相同,在此不再赘述,在得到第二分析信息后,将所述第二分析信息添加至第一分析信息中,形成新的第一分析信息,并基于该新形成的第一分析信息,执行后续操作。
其中,所述获取并基于所述调节图像各个结节对应排序参数的值的大小,对所述调节图像的各个结节进行排序编号步骤之后包括:
步骤B1,基于所述第二分析信息,从所述调节图像的各个结节中挑选得到添加结节;
步骤B2,对所述添加结节进行预设差异标识的标识处理。
在本实施例中,将添加的结节与已检测结节一起编号排序,但是对该添加结节进行预设差异标识的标识处理,如图4中13号结节所示,该预设差异标识可以是在添加结节编号后添加*标识。由于在本实施例中,区分添加结节与***标记的结节,因而,能够准确为后续结节识别过程的改进奠下基础。
另外,除了添加结节后,还可以进行结节的删除处理,结节删除后,结节编号自动刷新,删除过的结节不会显示。
在本实施例中,通过读取结节的第一分析信息,得到所述调节图像对应结节的个数;当所述结节的个数为多个时,从所述恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数中随机选取一个参数作为排序参数;获取并基于所述调节图像各个结节对应排序参数的值的大小,对所述调节图像的各个结节进行排序编号,以得到调节图像各个结节的显示序列;生成所述调节图像的检测报告,其中,所述检测报告包括所述各个结节的显示序列以及各个结节的第一分析信息。在本实施例中,由于自动生成检测报告,因而,更便捷地辅助医生处理CT图像。
进一步地,本发明提供CT图像肺结节检测方法的另一实施例,在该实施例中,所述得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息步骤之后包括:
步骤C1,在接收到检测结果检索指令时,获取所述检索指令对应的输入信息,其中,所述输入信息包括姓名、病历号、性别、出生日期、检查时间、检查类型中的一个或者多个输入维度信息;
步骤C2,从预存的多个检测结果中选取与所述输入信息匹配的目标检测结果并显示。
在本实施例中,CT图像肺结节检测***提供查询功能,其中,只要注册或者登录后的医生等人输入姓名、病历号、性别、出生日期、检查时间、检查类型中的一个或者多个输入维度信息后即可选取匹配的目标检测结果,其中,匹配指的是目标检测结果中的检测者的个人信息与该一个或者多个输入维度信息完全一致。如姓名一致、病历号一致、出生日期一致等,即在本实施例中,准确提供检测结果的查询功能。
具体地,在进行查询前,所述在接收到检测结果检索指令时,获取所述检索指令对应的输入信息步骤之前包括:
步骤D1,接收并验证用户输入的登录信息以及密码信息;
步骤D2,当所述登录信息以及密码信息通过验证时,生成并显示检测结果检索界面。
在本实施例中,为避免检查者信息的泄漏,可以设置只有注册登录后的医生才能查看检测结果,因而,在接收到检测结果检索指令时,首先接收并验证用户输入的登录信息以及密码信息,当所述登录信息以及密码信息通过验证时,才能生成并显示检测结果检索界面,需要说明的是,登录信息以及密码信息验证过程属于现有技术,在此不做具体说明。
参照图3,图3是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例CT图像肺结节检测设备可以是PC,也可以是智能手机、平板电脑、便携计算机等终端设备。
如图3所示,该CT图像肺结节检测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该CT图像肺结节检测设备还可以包括目标用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。目标用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选目标用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的CT图像肺结节检测设备结构并不构成对CT图像肺结节检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块以及CT图像肺结节检测程序。操作***是管理和控制CT图像肺结节检测设备硬件和软件资源的程序,支持CT图像肺结节检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与CT图像肺结节检测设备中其它硬件和软件之间通信。
在图3所示的CT图像肺结节检测设备中,处理器1001用于执行存储器1005中存储的CT图像肺结节检测程序,实现上述任一项所述的CT图像肺结节检测方法的步骤。
本发明CT图像肺结节检测设备具体实施方式与上述CT图像肺结节检测方法各实施例基本相同,在此不再赘述。
本发明还提供一种CT图像肺结节检测装置,所述CT图像肺结节检测装置包括:
第一获取模块,用于在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;
第二获取模块,用于获取并调节所述目标CT图像的显示参数,得到调节图像;
输出模块,用于通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。
本发明CT图像肺结节检测装置具体实施方式与上述CT图像肺结节检测方法各实施例基本相同,在此不再赘述。
本发明提供了一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的CT图像肺结节检测方法的步骤。
本发明可读存储介质具体实施方式与上述CT图像肺结节检测方法各实施例基本相同,在此不再赘述。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明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他相关的技术领域,均同理包括在本发明的专利处理范围内。
Claims (10)
1.一种CT图像肺结节检测方法,其特征在于,所述CT图像肺结节检测方法包括:
在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;
获取并调节所述目标CT图像的显示参数,得到调节图像;
通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行结节分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。
2.如权利要求1所述的CT图像肺结节检测方法,其特征在于,
所述三维卷积神经网络分类器中包括各个结节判断网络以及结节分析网络;
所述通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息步骤包括:
通过预存的三维卷积神经像素分割网络对所述调节图像进行像素分割处理,得到所述调节图像对应的概率图,对所述概率图进行连通域标记得到候选结节区域;
通过所述各个结节判断网络对应的各个预测模型对所述候选结节区域进行预测,得到所述候选结节区域对应的各个概率预测值,融合处理所述各个概率预测值,得到所述候选结节区域的目标概率预测值;
将所述目标概率预测值与预存阀值进行比较,并得到比较结果,基于该比较结果,得到所述候选结节区域的分类结果,并基于所述分类结果得到确定结节区域;
提取所述确定结节区域的纹理特征、形状特征,以形成所述确定结节区域的各个特征矩阵,通过所述结节分析网络中分类向量对所述各个特征矩阵进行分类,得到所述标区域的第一分析信息,其中,所述结节分析网络中分类向量是已经训练完成的。
3.如权利要求2所述的CT图像肺结节检测方法,其特征在于,所述第一分析信息包括结节的恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数;
所述通过所述结节分析网络中分类向量对所述各个特征矩阵进行分类,得到所述标区域的第一分析信息步骤之后包括:
读取结节的第一分析信息,得到所述调节图像对应结节的个数;
当所述结节的个数为多个时,从所述恶性概率、置信度、直径、亚类、解剖位置、平均密度和体积参数中随机选取一个参数作为排序参数;
获取并基于所述调节图像各个结节对应排序参数的值的大小,对所述调节图像的各个结节进行排序编号,以得到调节图像各个结节的显示序列;
生成所述调节图像的检测报告,其中,所述检测报告包括所述各个结节的显示序列以及各个结节的第一分析信息。
4.如权利要求3所述的CT图像肺结节检测方法,其特征在于,所述读取结节的第一分析信息,得到所述调节图像对应结节的个数步骤之前包括:
若接收到所述添加指令时,获取人工添加的添加结节;
通过所述结节分析网络对所述添加结节进行结节分析,得到所述添加结节的第二分析信息;
将所述第二分析信息添加至第一分析信息中。
5.如权利要求3所述的CT图像肺结节检测方法,其特征在于,所述获取并基于所述调节图像各个结节对应排序参数的值的大小,对所述调节图像的各个结节进行排序编号步骤之后包括:
基于所述第二分析信息,从所述调节图像的各个结节中挑选得到添加结节;
对所述添加结节进行预设差异标识的标识处理。
6.如权利要求1所述的CT图像肺结节检测方法,其特征在于,所述得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息步骤之后包括:
在接收到检测结果检索指令时,获取所述检索指令对应的输入信息,其中,所述输入信息包括姓名、病历号、性别、出生日期、检查时间、检查类型中的一个或者多个输入维度信息;
从预存的多个检测结果中选取与所述输入信息匹配的目标检测结果并显示。
7.如权利要求6所述的CT图像肺结节检测方法,其特征在于,所述在接收到检测结果检索指令时,获取所述检索指令对应的输入信息步骤之前包括:
接收并验证用户输入的登录信息以及密码信息;
当所述登录信息以及密码信息通过验证时,生成并显示检测结果检索界面。
8.一种CT图像肺结节检测装置,其特征在于,所述CT图像肺结节检测装置包括:
第一获取模块,用于在接收到病历处理指令时,获取所述病历处理指令对应的目标CT图像;
第二获取模块,用于获取并调节所述目标CT图像的显示参数,得到调节图像;
输出模块,用于通过预存的三维卷积神经像素分割网络、以及三维卷积神经网络分类器对所述调节图像进行确定结节区域分析,得到并输出所述调节图像的确定结节区域、以及对所述确定结节区域的第一分析信息。
9.一种CT图像肺结节检测设备,其特征在于,所述CT图像肺结节检测设备包括:存储器、处理器,通信总线以及存储在所述存储器上的CT图像肺结节检测程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述CT图像肺结节检测程序,以实现如权利要求1至7中任一项所述的CT图像肺结节检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有CT图像肺结节检测程序,所述CT图像肺结节检测程序被处理器执行时实现如权利要求1-7中任一项所述的CT图像肺结节检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692741.9A CN108986085B (zh) | 2018-06-28 | 2018-06-28 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810692741.9A CN108986085B (zh) | 2018-06-28 | 2018-06-28 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986085A true CN108986085A (zh) | 2018-12-11 |
CN108986085B CN108986085B (zh) | 2021-06-01 |
Family
ID=64538847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810692741.9A Active CN108986085B (zh) | 2018-06-28 | 2018-06-28 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986085B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712131A (zh) * | 2018-12-27 | 2019-05-03 | 上海联影智能医疗科技有限公司 | 肺结节特征的量化方法、装置、电子设备及存储介质 |
CN109741312A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 一种肺结节鉴别方法、装置、设备及介质 |
CN109948667A (zh) * | 2019-03-01 | 2019-06-28 | 桂林电子科技大学 | 用于对头颈部癌症远端转移预测的图像分类方法及装置 |
CN109961423A (zh) * | 2019-02-15 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
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 |
CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN110796659A (zh) * | 2019-06-24 | 2020-02-14 | 科大讯飞股份有限公司 | 一种目标检测结果的鉴别方法、装置、设备及存储介质 |
CN111126274A (zh) * | 2019-12-24 | 2020-05-08 | 深圳市检验检疫科学研究院 | 入境目标人群的检测方法、装置、设备及介质 |
CN111179247A (zh) * | 2019-12-27 | 2020-05-19 | 上海商汤智能科技有限公司 | 三维目标检测方法及其模型的训练方法及相关装置、设备 |
CN111862001A (zh) * | 2020-06-28 | 2020-10-30 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111951293A (zh) * | 2020-06-30 | 2020-11-17 | 杭州依图医疗技术有限公司 | 根据置信度显示结节的方法及计算设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5873824A (en) * | 1996-11-29 | 1999-02-23 | Arch Development Corporation | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
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 |
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 |
-
2018
- 2018-06-28 CN CN201810692741.9A patent/CN108986085B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5873824A (en) * | 1996-11-29 | 1999-02-23 | Arch Development Corporation | Apparatus and method for computerized analysis of interstitial infiltrates in chest images using artificial neural networks |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
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*** |
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 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712131A (zh) * | 2018-12-27 | 2019-05-03 | 上海联影智能医疗科技有限公司 | 肺结节特征的量化方法、装置、电子设备及存储介质 |
US11270157B2 (en) | 2018-12-28 | 2022-03-08 | Shanghai United Imaging Intelligence Co., Ltd. | System and method for classification determination |
CN109741312A (zh) * | 2018-12-28 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 一种肺结节鉴别方法、装置、设备及介质 |
CN109961423A (zh) * | 2019-02-15 | 2019-07-02 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN109961423B (zh) * | 2019-02-15 | 2024-05-31 | 平安科技(深圳)有限公司 | 一种基于分类模型的肺结节检测方法、服务器及存储介质 |
CN109948667A (zh) * | 2019-03-01 | 2019-06-28 | 桂林电子科技大学 | 用于对头颈部癌症远端转移预测的图像分类方法及装置 |
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 |
CN110796659A (zh) * | 2019-06-24 | 2020-02-14 | 科大讯飞股份有限公司 | 一种目标检测结果的鉴别方法、装置、设备及存储介质 |
CN110796659B (zh) * | 2019-06-24 | 2023-12-01 | 科大讯飞股份有限公司 | 一种目标检测结果的鉴别方法、装置、设备及存储介质 |
CN110782446B (zh) * | 2019-10-25 | 2022-04-15 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN110782446A (zh) * | 2019-10-25 | 2020-02-11 | 杭州依图医疗技术有限公司 | 一种确定肺结节体积的方法及装置 |
CN111126274A (zh) * | 2019-12-24 | 2020-05-08 | 深圳市检验检疫科学研究院 | 入境目标人群的检测方法、装置、设备及介质 |
CN111179247A (zh) * | 2019-12-27 | 2020-05-19 | 上海商汤智能科技有限公司 | 三维目标检测方法及其模型的训练方法及相关装置、设备 |
CN111862001A (zh) * | 2020-06-28 | 2020-10-30 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111862001B (zh) * | 2020-06-28 | 2023-11-28 | 微医云(杭州)控股有限公司 | Ct影像的半自动标注方法及装置、电子设备、存储介质 |
CN111951293A (zh) * | 2020-06-30 | 2020-11-17 | 杭州依图医疗技术有限公司 | 根据置信度显示结节的方法及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108986085B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986085A (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
CN109003260A (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
US8442280B2 (en) | Method and system for intelligent qualitative and quantitative analysis of digital radiography softcopy reading | |
CN103518393B (zh) | 检测移动通信设备内容的***和方法 | |
CN110245721A (zh) | 神经网络模型的训练方法、装置和电子设备 | |
CN109767418A (zh) | 检査装置、数据生成装置、数据生成方法及存储介质 | |
Forsythe et al. | Measuring icon complexity: An automated analysis | |
US20200234444A1 (en) | Systems and methods for the analysis of skin conditions | |
CN109241967A (zh) | 基于深度神经网络的甲状腺超声图像自动识别***、计算机设备、存储介质 | |
CN114730394A (zh) | 信息处理装置、信息处理方法和程序 | |
Delamaro et al. | Using concepts of content‐based image retrieval to implement graphical testing oracles | |
CN110517262A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
JP2019522276A (ja) | 生物学的対象物の検出 | |
CN110264460A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN114049631A (zh) | 一种数据标注的方法、装置、计算机设备和存储介质 | |
CN111028940B (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
CN113516144A (zh) | 目标检测方法及装置、计算设备 | |
CN110110110A (zh) | 一种以图搜图方法、装置、电子设备及存储介质 | |
CN111128348A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN107533636A (zh) | 用于图案测试的预匹配预测 | |
CN113160199A (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN109324302A (zh) | 根据读入的图像数据自动识别和设置磁共振协议 | |
CN116883909A (zh) | 直播敏感图像识别方法、装置、计算机设备和存储介质 | |
CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 |
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 |