CN109166104A - 一种病变检测方法、装置及设备 - Google Patents
一种病变检测方法、装置及设备 Download PDFInfo
- Publication number
- CN109166104A CN109166104A CN201810866045.5A CN201810866045A CN109166104A CN 109166104 A CN109166104 A CN 109166104A CN 201810866045 A CN201810866045 A CN 201810866045A CN 109166104 A CN109166104 A CN 109166104A
- Authority
- CN
- China
- Prior art keywords
- images
- lesion
- layer
- convolutional
- network
- 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
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种病变检测方法、装置及设备,所述方法包括:采用自编码卷积神经网络模型对CT影像进行处理,由编码器网络的卷积层和池化层对CT影像进行特征提取,得到该CT影像的病变候选区域,由解码器网络的上采样层和卷积层对CT影像的病变候选区域进行处理,得到该CT影像的病变中心点位置,由概率输出层对确定了病变中心点位置的CT影像进行处理,得到该CT影像的病变范围以及病变类型信息。由于解码器网络的计算是基于编码器网络的卷积处理结果的,所以,本申请不需要进行重复的卷积计算处理,节省了卷积计算处理时间,在保证病变检测准确率的前提下,一定程度上提高了病变检测效率。
Description
技术领域
本申请涉及医学影像处理领域,具体涉及一种病变检测方法、装置及设备。
背景技术
癌症是目前社会对人体健康和生命威胁最大的疾病,其常用的诊断技术是电子计算机断层扫描(Computed Tomography,CT)技术,通常通过CT技术诊断出各个器官是否发生病变,并判断病变的类型(即良恶性),有助于各种癌症的早期诊断和治疗,并因此可以降低患者的死亡率。
例如,肺癌是发病率和死亡率增长最快的癌症之一,肺癌一般是由肺结节演变过来的,医生通过分析患者肺结节的良恶性有助于肺癌的早期诊断和治疗。
在实际临床应用中,可以首先采用全卷积神经网络模型对患者的原始CT图像进行卷积计算,提取出CT图像上病变的候选区域;其次,将标记有病变候选区域的CT图像再次作为另一卷积神经网络模型的输入,重新进行卷积计算,最终得到病变的检测结果。
由于现有的处理方式需要进行两次卷积计算,其中包含重复的计算内容,而卷积计算本身就是***性能和时间消耗较大的处理过程,所以,目前的病变检测方法效率较低。
发明内容
本申请提供了一种病变检测方法、装置及设备,能够提高病变检测的效率。
第一方面,本申请提供了一种病变检测方法,所述方法包括:
获取计算机断层扫描CT影像;
将所述CT影像作为自编码卷积神经网络模型的输入对象;其中,所述自编码卷积神经网络模型由编码器网络、解码器网络和概率输出层组成,所述编码器网络由卷积层和池化层以层叠结构组合而成,所述解码器网络由上采样层和卷积层以层叠结构组合而成;
由所述编码器网络的卷积层和池化层对所述CT影像进行特征提取,得到所述CT影像的病变候选区域;
由所述解码器网络的上采样层和卷积层对所述CT影像的病变候选区域进行处理,得到所述CT影像的病变中心点位置;
由所述概率输出层对确定所述病变中心点位置的所述CT影像进行处理,得到所述CT影像的病变范围以及病变类型信息。
一种实现方式中,所述方法还包括:
根据所述CT影像的病变中心点位置、病变范围以及病变类型信息,构建所述CT影像的三维模型;
创建包含所述三维模型的虚拟现实场景。
一种实现方式中,所述由所述概率输出层对确定所述病变中心点位置的所述CT影像进行处理,得到所述CT影像的病变范围以及病变类型信息,包括:
由所述概率输出层对确定所述病变中心点位置的所述CT影像上各个像素点进行分类,得到各个像素点的分类结果;
根据各个像素点的分类结果,确定所述CT影像的病变范围,以及各个病变范围分别对应的病变类型信息。
一种实现方式中,所述CT影像为肺部CT影像,所述编码器网络由每组2个3*3卷积层和1个池化层的4组结构以层叠结构组合而成,所述解码器网络由每组1个上采样层和2个3*3卷积层的4组结构以层叠结构组合而成。
一种实现方式中,所述病变类型信息包括实型结节、亚实型结节、磨玻璃型结节和正常组织。
第二方面,本申请还提供了一种病变检测装置,所述装置包括:
获取模块,用于获取计算机断层扫描CT影像;
输入模块,用于将所述CT影像作为自编码卷积神经网络模型的输入对象;其中,所述自编码卷积神经网络模型由编码器网络、解码器网络和概率输出层组成,所述编码器网络由卷积层和池化层以层叠结构组合而成,所述解码器网络由上采样层和卷积层以层叠结构组合而成;
提取模块,用于由所述编码器网络的卷积层和池化层对所述CT影像进行特征提取,得到所述CT影像的病变候选区域;
第一处理模块,用于由所述解码器网络的上采样层和卷积层对所述CT影像的病变候选区域进行处理,得到所述CT影像的病变中心点位置;
第二处理模块,用于由所述概率输出层对确定所述病变中心点位置的所述CT影像进行处理,得到所述CT影像的病变范围以及病变类型信息。
一种实现方式中,所述装置还包括:
构建模块,用于根据所述CT影像的病变中心点位置、病变范围以及病变类型信息,构建所述CT影像的三维模型;
创建模块,用于创建包含所述三维模型的虚拟现实场景。
一种实现方式中,所述第二处理模块包括:
分类子模块,用于由所述概率输出层对确定所述病变中心点位置的所述CT影像上各个像素点进行分类,得到各个像素点的分类结果;
确定子模块,用于根据各个像素点的分类结果,确定所述CT影像的病变范围,以及各个病变范围分别对应的病变类型信息。
第三方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述的病变检测方法。
第四方面,本申请还提供了一种病变检测设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的病变检测方法。
本申请实施例提供的病变检测方法中,采用自编码卷积神经网络模型对CT影像进行处理,由编码器网络的卷积层和池化层对CT影像进行特征提取,得到该CT影像的病变候选区域,由解码器网络的上采样层和卷积层对CT影像的病变候选区域进行处理,得到该CT影像的病变中心点位置,由概率输出层对确定了病变中心点位置的CT影像进行处理,得到该CT影像的病变范围以及病变类型信息。本申请实施例中,由于解码器网络的输入是经过编码器网络进行卷积计算确定出的病变候选区域,也就是说,解码器网络的计算是基于编码器网络的卷积处理结果的,所以,本申请实施例不需要进行重复的卷积计算处理,节省了卷积计算处理时间,与现有技术相比,在保证病变检测准确率的前提下,一定程度上提高了病变检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种病变检测方法的流程图;
图2为本发明实施例提供的一种自编码卷积神经网络模型的示意图;
图3为本发明实施例提供的另一种病变检测方法的流程图;
图4为本发明实施例提供的一种肺结节检测方法的流程图;
图5为本发明实施例提供的一种用于肺结节检测的自编码卷积神经网络模型的示意图;
图6为本发明实施例提供的一种病变检测装置的结构示意图;
图7为本发明实施例提供的一种病变检测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
随着各种疾病(如癌症)检测技术的发展,对于患者的病变位置、范围、类型等检测技术也在不断的改进。目前,对于患者的病变位置、范围、类型等信息的检测可以利用全卷积神经网络完成,具体的,首先采用全卷积神经网络模型对患者的原始CT图像进行卷积计算,提取出CT图像上病变的候选区域,其次,将标记有病变候选区域的CT图像再次作为另一卷积神经网络模型的输入,重新进行一次卷积计算,得到病变的最终检测结果。
但是,由上述步骤可知,现有的利用全卷积神经网络完成的病变检测方法中需要进行两次卷积计算,其中一次是针对原始CT图像,另一次是针对标记有病变候选区域的CT图像,显然两种CT图像包含较多重复的内容,也就导致两次卷积计算过程中存在较多重复的计算内容,而卷积计算本身就是***性能和时间消耗均较大的数据处理过程,所以,目前的病变检测方法存在效率低的问题。
为了提高病变检测的效率,本申请实施例提供了一种病变检测方法,采用自编码卷积神经网络模型对CT影像进行处理,由编码器网络的卷积层和池化层对CT影像进行特征提取,得到该CT影像的病变候选区域,由解码器网络的上采样层和卷积层对CT影像的病变候选区域进行处理,得到该CT影像的病变中心点位置,由概率输出层对确定了病变中心点位置的CT影像进行处理,得到该CT影像的病变范围以及病变类型信息。本申请实施例中,由于解码器网络的输入是经过编码器网络进行卷积计算确定出的病变候选区域,也就是说,解码器网络的计算是基于编码器网络的卷积处理结果的,所以,本申请实施例不需要进行重复的卷积计算处理,节省了卷积计算处理时间,与现有技术相比,在保证病变检测准确率的前提下,一定程度上提高了病变检测效率。
方法实施例一
参见图1,为本申请实施例提供的一种病变检测方法的流程图,该方法包括:
S101:获取计算机断层扫描CT影像。
本申请实施例中,在进行病变检测之前,首先获取CT影像作为病变检测对象;其中,CT影像可以是患者的待检测病变的器官的CT影像,如肺部CT影像,甲状腺CT影像,脑CT影像等,具体的,本申请实施例可以对肺部CT影像中的肺结节进行检测,可以对甲状腺CT影像中的甲状腺结节进行检测,还可以对脑CT影像中的脑缺血、坏死等进行检测,在此不限定具体某种病变检测对象。
实际应用中,作为病变检测对象的CT影像可以是预先获取并存储于数据库的CT影像,也可以是实时对患者进行CT扫描后获取的CT影像,在此不做限制。
一种可选的实施方式中,为了降低CT影像中噪声等干扰对后续病变检测的影响,可以在获取到CT影像后,对CT影像进行图像预处理操作。例如,可以通过高斯滤波等技术对CT影像进行图像预处理操作以消除噪声干扰。
S102:将所述CT影像作为自编码卷积神经网络模型的输入对象。
其中,所述自编码卷积神经网络模型由编码器网络、解码器网络和概率输出层组成,所述编码器网络由卷积层和池化层以层叠结构组合而成,所述解码器网络由上采样层和卷基层以层叠结构组合而成。
本申请实施例中,预先构建自编码卷积神经网络模型,并采用该自编码卷积神经网络模型对CT影像进行处理,最终得到病变检测结果。参见图2,为本申请实施例提供的一种自编码卷积神经网络模型的示意图,其中,自编码卷积神经网络模型是由编码器网络、解码器网络和概率输出层组成,编码器网络由若干卷积层和若干池化层以层叠结构组合而成,解码器网络由若干上采样层和若干卷积层以层叠结构组合而成。具体的,编码器网络和解码器网络的结构设计可以根据病变检测对象而调整,例如对于肺部CT影像和脑CT影像的病变检测,其分别采用的编码器网络和解码器网络的结构设计不同。
实际应用中,在预先构建的自编码卷积神经网络模型被用于对病变检测对象进行处理之前,首先利用大量样本对该自编码卷积神经网络模型进行训练。具体的,可以由专业人员(如专业医生)提供样本并对样本进行标注,为了增加样本的多样性,本申请实施例还可以对样本进行几何变换,如旋转、平移、缩放等,以实现对样本的扩增。另外,可以利用反向传播BP算法对自编码卷积神经网络模型进行训练,通过调整自编码卷积神经网络的超参数(如学习率、网络隐藏层个数、卷积核大小、激活函数等)使得损失函数达到最小,经过上述训练最终可以获得泛化能力较好的模型。由于反向传播BP算法是常用的模型训练方法,所以在此不再对其进行详细介绍。
实际应用中,将S101中获取到的CT影像作为经过训练的自编码卷积神经网络模型的输入对象,经过处理后最终得到该CT影像的病变检测结果。
S103:由所述编码器网络的卷积层和池化层对所述CT影像进行特征提取,得到所述CT影像的病变候选区域。
自编码卷积神经网络模型的编码器网络是由卷积层和池化层组成,编码器网络的作用是完成CT影像的低维特征到高维特征的表示,具体的,由于编码器网络中各个卷积层之间以层叠结构存在,例如卷积层1-1与卷积层1-2以层叠结构存在,则CT影像先经过卷积层1-1的处理,经过卷积层1-1处理后进入卷积层1-2,然后经过卷积层1-2的处理,以此类推,经过以层叠结构存在的各个层的处理最终完成对该CT影像的处理。编码器网络中先对CT影像进行处理的卷积层(如上述卷积层1-1)可以对CT影像的简单特征进行提取,如点、线等特征,后续对CT影像进行处理的卷积层(如上述卷积层1-2)可以对CT影像的复杂特征进行提取,如肺结节形状等特征。
实际应用中,编码器网络的卷积层和池化层通过对输入的CT影像进行特征提取,得到该CT影像的病变候选区域。具体的,池化层通过对CT影像的特征图缩小并进行明显特征的保留处理,使得编码器网络的卷积层对其进行卷积计算处理的效率更高。
S104:由所述解码器网络的上采样层和卷积层对所述CT影像的病变候选区域进行处理,得到所述CT影像的病变中心点位置。
自编码卷积神经网络模型的解码器网络是由上采样层和卷积层组成,解码器网络的作用是确定出CT影像中病变位置。
实际应用中,解码器网络与编码器网络相连,编码器网络的输出为CT影像的病变候选区域,其同时也是解码器网络的输入。具体的,由解码器网络中的上采样层和卷积层对病变候选区域进行进一步的处理,得到CT影像的病变中心点位置。具体的,由上采样层对经过编码器网络中池化层的缩小处理的病变候选区域进行放大处理,并基于放大处理后的病变候选区域进行卷积计算,以确定病变候选区域中的病变中心点位置。
由于解码器网络的输入是经过编码器网络进行卷积计算确定出的病变候选区域,也就是说,解码器网络的计算是基于编码器网络的卷积处理结果的,所以,本申请实施例不需要进行重复的卷积计算处理,节省了卷积计算处理时间,一定程度上提高了病变检测效率。
S105:由所述概率输出层对确定所述病变中心点位置的所述CT影像进行处理,得到所述CT影像的病变范围以及病变类型信息。
概率输出层与解码器网络相连,确定病变中心点位置的CT影像是解码器网络的输出,同时也是概率输出层的输入。概率输出层的作用是用于确定CT影像中病变范围以及病变类型信息。具体的,概率输出层对确定病变中心点位置的CT影像上的各个像素点进行分类,得到各个像素点的分类结果;然后,根据各个像素点的分类结果,确定CT影像的病变范围,以及各个病变范围分别对应的病变类型信息。
具体的,可以根据各个像素点的像素值确定各个像素点的分类结果,假设属于第一像素值范围的像素点对应取值为0的分类结果,属于第二像素值范围的像素点对应取值为1的分类结果,以此类推,可以预先确定多个像素值范围与分类结果的对应关系;在得到各个像素点对应的取值后,将取值相同的像素点确定为属于同一分类结果,假如该分类结果为恶性病变,则取值对应该分类结果的像素点连成的范围即为CT影响的病变范围,同时该病变范围对应的病变类型信息即为恶性病变类型。值得注意的是,CT影像可以包括多个病变范围,多个病变范围不连续,每个病变范围具有对应的病变类型信息,如恶性病变,正常组织等。
本申请实施例提供的病变检测方法中,采用自编码卷积神经网络模型对CT影像进行处理,由编码器网络的卷积层和池化层对CT影像进行特征提取,得到该CT影像的病变候选区域,由解码器网络的上采样层和卷积层对CT影像的病变候选区域进行处理,得到该CT影像的病变中心点位置,由概率输出层对确定了病变中心点位置的CT影像进行处理,得到该CT影像的病变范围以及病变类型信息。本申请实施例中,由于解码器网络的输入是经过编码器网络进行卷积计算确定出的病变候选区域,也就是说,解码器网络的计算是基于编码器网络的卷积处理结果的,所以,本申请实施例不需要进行重复的卷积计算处理,节省了卷积计算处理时间,与现有技术相比,在保证病变检测准确率的前提下,一定程度上提高了病变检测效率。
方法实施例二
对于经过病变检测后检测到的病变中心点位置、病变范围以及病变类型信息等,医生需要根据上述检测结果对患者进行进一步的诊断,为了便于医生更直观的了解患者的检测结果,并基于检测结果更准确的确定后续治疗方式,参考图3,本申请实施例在上述方法实施例一S101-S105的基础上,进一步的还提供了以下步骤:
S301:根据所述CT影像的病变中心点位置、病变范围以及病变类型信息,构建所述CT影像的三维模型。
通过上述方法实施例一检测到CT影像的病变中心点位置、病变范围以及病变类型信息后,基于上述检测结果构建该CT影像的三维模型。
以肺部CT影像的三维模型构建为例,首先去除肺部CT影像中多余的背景信息,以得到肺组织结构,其次提取肺组织结构的轮廓生成矢量轮廓数据,再次根据矢量轮廓数据进行曲线重建生成曲面,最后对生成的曲面进行曲面实体化得到三维模型。其中,可以采用边缘检测方法或者阈值变化方法进行背景信息的去除,为了提高背景信息去除的速度和精度,本申请实施例可以采用基于大津阈值方法的阈值变换对背景信息进行去除。
S302:创建包含所述三维模型的虚拟现实场景。
本申请实施例中,可以利用现有的各种虚拟现实场景搭建方式进行场景搭建,在此不再详细介绍。
基于创建成功的包含该CT影像的三维模型的虚拟现实场景,医生可以通过虚拟现实设备(如VR眼镜等)以沉浸的方式进入器官内部进行病变的观察,具体的,可以从不同角度通过缩放、旋转等操作进一步仔细的观察病变,从而有利于医生更直观的了解病变检测结果,更准确的确定后续治疗方式。
另外,对于经验较少的医生来说,通过虚拟现实远程协助功能,可以请有经验的医生协助诊断,以此提高诊断的准确性。具体的,有经验的医生也可以通过虚拟现实设备观察器官内部了解病变检测结果,从而帮助经验较少的医生提供更准确的诊断结果。
众所周知,肺癌是发病率和死亡率增长最快的恶性肿瘤之一,而肺癌一般是由肺结节演变而成,目前医生一般通过裸眼观察肺部CT影像,并结合个人经验来分析肺结节的良恶性,随着患者数量的增多,对医生来说,肺部CT影像的分析是一份难度大且工作量大的工作。
为此,本申请实施例将上述方法实施例一、二提供的病变检测方法具体应用于肺结节的检测,参考图4,该方法具体包括:
S401:获取肺部CT影像。
S402:将该肺部CT影像作为自编码卷积神经网络模型的输入对象。
其中,所述自编码卷积神经网络模型由编码器网络、解码器网络和概率输出层组成,所述编码器网络由每组2个3*3卷积层和1个池化层的4组结构以层叠结构组合而成,所述解码器网络由每组1个上采样层和2个3*3卷积层的4组结构以层叠结构组合而成。
参考图5,为本申请实施例提供的一种用于肺结节检测的自编码卷积神经网络模型的示意图。其中,利用最大池化层实现池化层的功能,具体的,两个卷积层和一个最大池化层组成一组结构,由四组上述结构组成编码器网络,一个上采样层和两个卷积层组成一组结构,由四组上述结构组成解码器网络,编码器网络的最后一组结构中的最大池化层的输出作为解码器网络的第一组结构中的上采样层的输入,解码器网络的最后一组结构中的卷积层的输出作为概率输出层(Softmax层)的输入。
S403:由所述编码器网络的卷积层和池化层对肺部CT影像进行特征提取,得到肺部CT影像的肺结节候选区域。
其编码器网络中的每一组结构中的卷积层和最大池化层均是对肺部CT影像进行特征提取,经过多组结构的特征提取最终得到该肺部CT影像的肺结节候选区域。
S404:由所述解码器网络的上采样层和卷积层对肺部CT影像的肺结节候选区域进行处理,得到肺部CT影像的肺结节中心点位置。
解码器网络中每一组结构中的上采样层和卷积层均是对肺结节候选区域进行处理,经过多组结构的处理后最终得到肺结节中心点位置。
S405:由所述概率输出层对确定所述肺结节中心点位置的肺部CT影像进行处理,得到肺部CT影像的肺结节范围以及肺结节类型信息。
概率输出层中预先确定肺结节类型信息包括实型结节、亚实型结节、磨玻璃型结节和正常组织,经过概率输出层对确定了肺结节中心点位置的肺部CT影像进行进一步处理后,确定出该肺部CT影像中各个肺结节的肺结节范围以及对应的肺结节类型信息。例如,检测结果包括某个肺结节的位置、大小以及属于实型结节、亚实型结节或者磨玻璃型结节等。
S406:根据肺部CT影像的肺结节中心点位置、肺结节范围以及肺结节类型信息,构建肺部CT影像的三维模型。
S407:创建包含所述三维模型的虚拟现实场景。
本申请实施例中三维模型的构建,以及虚拟现实场景的创建在此不再介绍,可参照方法实施例二进行理解。
本申请实施例提供的肺结节检测方法中,采用针对肺结节检测设计的自编码卷积神经网络模型对肺部CT影像进行处理,最终得到肺结节的检测结果。由于本申请实施例中编码器网络的最大池化层的输出直接作为解码器网络的上采样层的输入,也就是说,解码器网络的计算是基于编码器网络的卷积处理结果的,所以,本申请实施例不需要进行重复的卷积计算处理,节省了卷积计算处理时间,与现有技术相比,在保证肺结节检测准确率的前提下,一定程度上提高了肺结节检测效率。
另外,基于肺结节检测结果的虚拟现实场景的搭建,有利于医生更直观的了解肺结节检测结果,更准确的确定后续治疗方式。
装置实施例
参见图6,为本实施例提供的一种病变检测装置的结构图,该装置包括:
获取模块601,用于获取计算机断层扫描CT影像;
输入模块602,用于将所述CT影像作为自编码卷积神经网络模型的输入;其中,所述自编码卷积神经网络模型由编码器网络、解码器网络和概率输出层组成,所述编码器网络由卷积层和池化层以层叠结构组合而成,所述解码器网络由上采样层和卷积层以层叠结构组合而成;
提取模块603,用于由所述编码器网络的卷积层和池化层对所述CT影像进行特征提取,得到所述CT影像的病变候选区域;
第一处理模块604,用于由所述解码器网络的上采样层和卷积层对所述CT影像的病变候选区域进行处理,得到所述CT影像的病变中心点位置;
第二处理模块605,用于由所述概率输出层对确定所述病变中心点位置的所述CT影像进行处理,得到所述CT影像的病变范围以及病变类型信息。
一种实施方式中,所述装置还可以包括:
构建模块,用于根据所述CT影像的病变中心点位置、病变范围以及病变类型信息,构建所述CT影像的三维模型;
创建模块,用于创建包含所述三维模型的虚拟现实场景。
其中,所述第二处理模块包括:
分类子模块,用于由所述概率输出层对确定所述病变中心点位置的所述CT影像上各个像素点进行分类,得到各个像素点的分类结果;
确定子模块,用于根据各个像素点的分类结果,确定所述CT影像的病变范围,以及各个病变范围分别对应的病变类型信息。
本申请实施例提供的病变检测装置,采用自编码卷积神经网络模型对CT影像进行处理,由编码器网络的卷积层和池化层对CT影像进行特征提取,得到该CT影像的病变候选区域,由解码器网络的上采样层和卷积层对CT影像的病变候选区域进行处理,得到该CT影像的病变中心点位置,由概率输出层对确定了病变中心点位置的CT影像进行处理,得到该CT影像的病变范围以及病变类型信息。本申请实施例中,由于解码器网络的输入是经过编码器网络进行卷积计算确定出的病变候选区域,也就是说,解码器网络的计算是基于编码器网络的卷积处理结果的,所以,本申请实施例不需要进行重复的卷积计算处理,节省了卷积计算处理时间,与现有技术相比,在保证病变检测准确率的前提下,一定程度上提高了病变检测效率。
相应的,本发明实施例还提供一种病变检测设备,参见图7所示,可以包括:
处理器701、存储器702、输入装置703和输出装置704。病变检测设备中的处理器701的数量可以一个或多个,图7中以一个处理器为例。在本发明的一些实施例中,处理器701、存储器702、输入装置703和输出装置704可通过总线或其它方式连接,其中,图7中以通过总线连接为例。
存储器702可用于存储软件程序以及模块,处理器701通过运行存储在存储器702的软件程序以及模块,从而执行病变检测设备的各种功能应用以及数据处理。存储器702可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等。此外,存储器702可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置703可用于接收输入的数字或字符信息,以及产生与病变检测设备的用户设置以及功能控制有关的信号输入。
具体在本实施例中,处理器701会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中,并由处理器701来运行存储在存储器702中的应用程序,从而实现上述病变检测方法中的各种功能。
本申请还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行上述病变检测方法。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例所提供的一种病变检测方法、装置及设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种病变检测方法,其特征在于,所述方法包括:
获取计算机断层扫描CT影像;
将所述CT影像作为自编码卷积神经网络模型的输入对象;其中,所述自编码卷积神经网络模型由编码器网络、解码器网络和概率输出层组成,所述编码器网络由卷积层和池化层以层叠结构组合而成,所述解码器网络由上采样层和卷积层以层叠结构组合而成;
由所述编码器网络的卷积层和池化层对所述CT影像进行特征提取,得到所述CT影像的病变候选区域;
由所述解码器网络的上采样层和卷积层对所述CT影像的病变候选区域进行处理,得到所述CT影像的病变中心点位置;
由所述概率输出层对确定所述病变中心点位置的所述CT影像进行处理,得到所述CT影像的病变范围以及病变类型信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述CT影像的病变中心点位置、病变范围以及病变类型信息,构建所述CT影像的三维模型;
创建包含所述三维模型的虚拟现实场景。
3.根据权利要求1所述的方法,其特征在于,所述由所述概率输出层对确定所述病变中心点位置的所述CT影像进行处理,得到所述CT影像的病变范围以及病变类型信息,包括:
由所述概率输出层对确定所述病变中心点位置的所述CT影像上各个像素点进行分类,得到各个像素点的分类结果;
根据各个像素点的分类结果,确定所述CT影像的病变范围,以及各个病变范围分别对应的病变类型信息。
4.根据权利要求3所述的方法,其特征在于,所述CT影像为肺部CT影像,所述编码器网络由每组2个3*3卷积层和1个池化层的4组结构以层叠结构组合而成,所述解码器网络由每组1个上采样层和2个3*3卷积层的4组结构以层叠结构组合而成。
5.根据权利要求4所述的方法,其特征在于,所述病变类型信息包括实型结节、亚实型结节、磨玻璃型结节和正常组织。
6.一种病变检测装置,其特征在于,所述装置包括:
获取模块,用于获取计算机断层扫描CT影像;
输入模块,用于将所述CT影像作为自编码卷积神经网络模型的输入对象;其中,所述自编码卷积神经网络模型由编码器网络、解码器网络和概率输出层组成,所述编码器网络由卷积层和池化层以层叠结构组合而成,所述解码器网络由上采样层和卷积层以层叠结构组合而成;
提取模块,用于由所述编码器网络的卷积层和池化层对所述CT影像进行特征提取,得到所述CT影像的病变候选区域;
第一处理模块,用于由所述解码器网络的上采样层和卷积层对所述CT影像的病变候选区域进行处理,得到所述CT影像的病变中心点位置;
第二处理模块,用于由所述概率输出层对确定所述病变中心点位置的所述CT影像进行处理,得到所述CT影像的病变范围以及病变类型信息。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
构建模块,用于根据所述CT影像的病变中心点位置、病变范围以及病变类型信息,构建所述CT影像的三维模型;
创建模块,用于创建包含所述三维模型的虚拟现实场景。
8.根据权利要求6所述的装置,其特征在于,所述第二处理模块包括:
分类子模块,用于由所述概率输出层对确定所述病变中心点位置的所述CT影像上各个像素点进行分类,得到各个像素点的分类结果;
确定子模块,用于根据各个像素点的分类结果,确定所述CT影像的病变范围,以及各个病变范围分别对应的病变类型信息。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-5任一项所述的病变检测方法。
10.一种病变检测设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5任一项所述的病变检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866045.5A CN109166104A (zh) | 2018-08-01 | 2018-08-01 | 一种病变检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866045.5A CN109166104A (zh) | 2018-08-01 | 2018-08-01 | 一种病变检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109166104A true CN109166104A (zh) | 2019-01-08 |
Family
ID=64898617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810866045.5A Pending CN109166104A (zh) | 2018-08-01 | 2018-08-01 | 一种病变检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109166104A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109965829A (zh) * | 2019-03-06 | 2019-07-05 | 重庆金山医疗器械有限公司 | 成像优化方法、图像处理装置、成像装置及内窥镜*** |
CN110211200A (zh) * | 2019-04-22 | 2019-09-06 | 深圳安科高技术股份有限公司 | 一种基于神经网络技术的牙弓线生成方法及其*** |
CN110210234A (zh) * | 2019-04-23 | 2019-09-06 | 平安科技(深圳)有限公司 | 转诊时医疗信息的迁移方法、装置、计算机设备和存储介质 |
CN110223279A (zh) * | 2019-05-31 | 2019-09-10 | 上海商汤智能科技有限公司 | 一种图像处理方法和装置、电子设备 |
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 |
CN110349162A (zh) * | 2019-07-17 | 2019-10-18 | 苏州大学 | 一种视网膜黄斑水肿多病变图像分割方法 |
CN110969632A (zh) * | 2019-11-28 | 2020-04-07 | 北京推想科技有限公司 | 一种深度学习模型的训练方法、图像处理方法及装置 |
CN111598882A (zh) * | 2020-05-19 | 2020-08-28 | 联想(北京)有限公司 | 器官检测方法、装置及计算机设备 |
CN112116603A (zh) * | 2020-09-14 | 2020-12-22 | 中国科学院大学宁波华美医院 | 一种基于多任务学习的肺结节假阳性筛查方法 |
CN112150411A (zh) * | 2020-08-28 | 2020-12-29 | 刘军 | 一种信息处理的方法及装置 |
-
2018
- 2018-08-01 CN CN201810866045.5A patent/CN109166104A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109965829A (zh) * | 2019-03-06 | 2019-07-05 | 重庆金山医疗器械有限公司 | 成像优化方法、图像处理装置、成像装置及内窥镜*** |
CN109965829B (zh) * | 2019-03-06 | 2022-05-06 | 重庆金山医疗技术研究院有限公司 | 成像优化方法、图像处理装置、成像装置及内窥镜*** |
CN110211200A (zh) * | 2019-04-22 | 2019-09-06 | 深圳安科高技术股份有限公司 | 一种基于神经网络技术的牙弓线生成方法及其*** |
CN110210234A (zh) * | 2019-04-23 | 2019-09-06 | 平安科技(深圳)有限公司 | 转诊时医疗信息的迁移方法、装置、计算机设备和存储介质 |
CN110223279B (zh) * | 2019-05-31 | 2021-10-08 | 上海商汤智能科技有限公司 | 一种图像处理方法和装置、电子设备 |
CN110223279A (zh) * | 2019-05-31 | 2019-09-10 | 上海商汤智能科技有限公司 | 一种图像处理方法和装置、电子设备 |
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 |
CN110349162A (zh) * | 2019-07-17 | 2019-10-18 | 苏州大学 | 一种视网膜黄斑水肿多病变图像分割方法 |
CN110969632A (zh) * | 2019-11-28 | 2020-04-07 | 北京推想科技有限公司 | 一种深度学习模型的训练方法、图像处理方法及装置 |
CN110969632B (zh) * | 2019-11-28 | 2020-09-08 | 北京推想科技有限公司 | 一种深度学习模型的训练方法、图像处理方法及装置 |
CN111598882A (zh) * | 2020-05-19 | 2020-08-28 | 联想(北京)有限公司 | 器官检测方法、装置及计算机设备 |
CN111598882B (zh) * | 2020-05-19 | 2023-11-24 | 联想(北京)有限公司 | 器官检测方法、装置及计算机设备 |
CN112150411A (zh) * | 2020-08-28 | 2020-12-29 | 刘军 | 一种信息处理的方法及装置 |
CN112150411B (zh) * | 2020-08-28 | 2023-12-15 | 刘军 | 一种信息处理的方法及装置 |
CN112116603A (zh) * | 2020-09-14 | 2020-12-22 | 中国科学院大学宁波华美医院 | 一种基于多任务学习的肺结节假阳性筛查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166104A (zh) | 一种病变检测方法、装置及设备 | |
Feng et al. | CPFNet: Context pyramid fusion network for medical image segmentation | |
JP6993371B2 (ja) | ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法 | |
CN109886986A (zh) | 一种基于多分支卷积神经网络的皮肤镜图像分割方法 | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
Yang et al. | A two-stage convolutional neural network for pulmonary embolism detection from CTPA images | |
CN109685809B (zh) | 一种基于神经网络的肝包虫病灶分割方法及*** | |
CN107622492A (zh) | 肺裂分割方法及*** | |
CN109727253A (zh) | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 | |
JP2021524083A (ja) | 画像処理方法、装置、コンピュータプログラム、並びにコンピュータ機器 | |
CN111815766B (zh) | 基于2d-dsa图像重建血管三维模型处理方法及*** | |
CN111429474A (zh) | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 | |
CN109300136B (zh) | 一种基于卷积神经网络的危及器官自动分割方法 | |
CN109685810A (zh) | 一种基于深度学习的肝包虫病灶识别方法及*** | |
CN108038875A (zh) | 一种肺部超声图像识别方法和装置 | |
CN109919212A (zh) | 消化道内镜影像中肿瘤的多尺度检测方法及装置 | |
Alam et al. | S2C-DeLeNet: A parameter transfer based segmentation-classification integration for detecting skin cancer lesions from dermoscopic images | |
WO2008017984A2 (en) | A method, apparatus, graphical user interface, computer-readable medium, and use for quantification of a structure in an object of an image dataset | |
Hassan et al. | SEADNet: Deep learning driven segmentation and extraction of macular fluids in 3D retinal OCT scans | |
Aswathy et al. | CAD systems for automatic detection and classification of COVID-19 in nano CT lung image by using machine learning technique | |
Xiao et al. | PET and CT image fusion of lung cancer with siamese pyramid fusion network | |
Han et al. | Deep Learning‐Based Computed Tomography Image Features in the Detection and Diagnosis of Perianal Abscess Tissue | |
JPH09299366A (ja) | 領域抽出装置 | |
Chen et al. | Hybrid‐attention densely connected U‐Net with GAP for extracting livers from CT volumes | |
Wei et al. | Segmentation of lung lobes in volumetric CT images for surgical planning of treating lung 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 | ||
CB02 | Change of applicant information |
Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant after: DongSoft Medical System Co., Ltd. Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |