CN109255354B - 面向医用ct的计算机图像处理方法和装置 - Google Patents
面向医用ct的计算机图像处理方法和装置 Download PDFInfo
- Publication number
- CN109255354B CN109255354B CN201811197789.9A CN201811197789A CN109255354B CN 109255354 B CN109255354 B CN 109255354B CN 201811197789 A CN201811197789 A CN 201811197789A CN 109255354 B CN109255354 B CN 109255354B
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- network
- data
- data set
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000002591 computed tomography Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 210000000056 organ Anatomy 0.000 claims description 6
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 13
- 238000011161 development Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 230000036285 pathological change Effects 0.000 abstract 1
- 231100000915 pathological change Toxicity 0.000 abstract 1
- 230000003902 lesion Effects 0.000 description 14
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Databases & Information Systems (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机辅助诊断领域,为提高投影数据信息的利用率,同时突出病变位置,有利于医生对其进行二次诊断,推动精准医疗的进一步发展。为此,本发明采取的技术方案是,面向医用CT的计算机图像处理方法,步骤如下:Step1:构建数据集;Step2:划分数据集;Step3:训练卷积神经网络;Step4:测试网络训练效果。本发明主要应用于计算机辅助诊断医疗设备的设计制造场合。
Description
技术领域
本发明涉及计算机辅助诊断领域,利用深度学习直接从投影数据中提取特征并进行诊断,只对疑似病变区域进行图像重建,提高医学诊断的准确率与诊断速度。具体讲,涉及面向医用CT的计算机图像处理方法和装置。
背景技术
计算机断层扫描(CT)是当今医疗领域常用的疾病检测手段之一,但是海量图像在提供更加详细、准确的诊断信息时,也给读片医生增加了工作负担,容易因诊断疲劳导致疾病漏诊和误诊,并且医生凭借阅片经验对病灶进行定性分析具有较大的主观性,所以计算机辅助诊断不仅可以为放射科医生提供精确的定量分析以弥补人眼惰性及对灰阶不敏感的缺陷,而且可以减少放射科医生因主观因素对阅片结果造成的不利影响,从而帮助医师发现病灶,提高诊断准确率。因此计算机辅助诊断被广泛用于医学疾病的检测方面,通过计算机的智能识别对CT图像中的特征进行提取,并输出诊断结果供医生参考,减少了医生的工作负担且提高诊断效率,对当今医疗领域的发展起到了极大的推动作用。
实际上,CT图像是由X射线扫描人体的投影数据重建而来的,重建过程会产生一定的数据损失与***误差,且高精度的图像重建速度较慢,影响疾病的早期诊断。近年来随着机器学习的技术的发展,卷积神经网络的优势日益明显,将X射线通过人体的投影数据直接用于疾病的诊断,并选择疑似病变区域进行成像,提高了信息的利用率,同时也加快了重建速度,对精准医疗领域的进步具有战略性的意义。
发明内容
为克服现有技术的不足,针对计算机辅助诊断时的漏诊误诊的问题,本发明旨在提出一种面向医用CT的计算机辅助诊断方法,提高投影数据信息的利用率,同时突出病变位置,有利于医生对其进行二次诊断,推动精准医疗的进一步发展。为此,本发明采取的技术方案是,面向医用CT的计算机图像处理方法,步骤如下:
Step1:构建数据集:收集人体各组织器官的计算机断层扫描投影数据、重建图像及其诊断结果,将投影数据作为神经网络的输入,将患病就诊者的CT重建图像中的病灶区域分割出来,其余部分处理为黑色,健康就诊者的CT重建图像为全黑色,处理后的图像以及诊断结果作为神经网络的标记;
Step2:划分数据集:从数据集中随机选取n组输入数据以及标记作为训练集,选取时要注意尽可能包括患病就诊者以及健康就诊者身体的各部位扫描数据及标记,数据集的其余部分作为测试集;
Step3:训练卷积神经网络:建立神经网络模型,利用Step2中划分的n组训练集对神经网络进行训练,通过反向传播算法使得损失函数收敛到最小,结束网络的训练;
Step4:测试网络训练效果:利用Step2中划分的测试集对网络训练结果进行测试,如果诊断准确率达到95%以上,则认为网络训练合格,完成训练过程,若不合格,则重复Step2、Step3与Step4。
面向医用CT的计算机图像处理装置,由CT机和计算机构成,CT机用于采集CT图像并输送到计算机进行处理;计算机内设置有如下模块:
构建数据集模块,收集人体各组织器官的计算机断层扫描投影数据、重建图像及其诊断结果,将投影数据作为神经网络的输入,将患病就诊者的CT重建图像中的病灶区域分割出来,其余部分处理为黑色,健康就诊者的CT重建图像为全黑色,处理后的图像以及诊断结果作为神经网络的标记;
划分数据集模块,从数据集中随机选取n组输入数据以及标记作为训练集,选取时要注意尽可能包括患病就诊者以及健康就诊者身体的各部位扫描数据及标记,数据集的其余部分作为测试集;
训练卷积神经网络模块,建立神经网络模型,利用划分数据集模块划分的n组训练集对神经网络进行训练,通过反向传播算法使得损失函数收敛到最小,结束网络的训练;
测试网络训练效果模块,利用数据集划分模块划分的测试集对网络训练结果进行测试,如果诊断准确率达到95%以上,则认为网络训练合格,完成训练过程,若不合格,则返回训练卷积神经网络模块。
本发明的特点及有益效果是:
本发明提出了一种面向医用CT的计算机辅助诊断方法。通过卷积神经网络模型对CT投影数据进行特征提取与疾病诊断,输出诊断结果以及疑似病变区域的分割图像,突出了病变部位的具体情况,节省了图像重建的时间,同时提高了投影数据信息的利用率,为精准医疗提供了有利条件。同时训练好的网络具有较快的诊断速度,提高了临床诊断的效率。
附图说明:
图1面向医用CT的计算机辅助诊断方法框架图。
图2神经网络模型的获得方法流程图。
具体实施方式
针对计算机辅助诊断时的漏诊误诊的问题,本发明提出了一种面向医用CT的计算机辅助诊断方法,如图1所示。利用卷积神经网络直接对X射线透过人体的投影数据进行特征提取并输出诊断结果以及疑似病变区域的重建图像,提高了投影数据信息的利用率,同时突出了病变位置,有利于医生对其进行二次诊断,推动了精准医疗的进一步发展。
本发明提出了一种面向医用CT的计算机辅助诊断方法,首先通过计算机断层扫描获得一组投影数据,然后将其作为输入数据通过卷积神经网络模型,得出诊断结果以及疑似病变区域的重建图像,此过程框架图如图1所示,神经网络获得流程图如图2所示,具体实施方案如下:
Step1:构建数据集。收集人体各组织器官的计算机断层扫描投影数据、重建图像及其诊断结果,将投影数据作为神经网络的输入,将患病就诊者的CT重建图像中的病灶区域分割出来,其余部分处理为黑色,健康就诊者的CT重建图像为全黑色,处理后的图像以及诊断结果作为神经网络的标记。
Step2:划分数据集。从数据集中随机选取n组输入数据以及标记作为训练集,选取时要注意尽可能包括患病就诊者以及健康就诊者身体的各部位扫描数据及标记,数据集的其余部分作为测试集。
Step3:训练卷积神经网络。建立神经网络模型,利用Step2中划分的n组训练集对神经网络进行训练,通过反向传播算法使得损失函数收敛到最小,结束网络的训练。
Step4:测试网络训练效果。利用Step2中划分的测试集对网络训练结果进行测试,如果诊断准确率达到95%以上,则认为网络训练合格,完成训练过程,若不合格,则重复Step2、Step3与Step4。
在上述步骤生成一个能够通过CT投影数据进行疾病诊断并分割出病变区域进行图像重建的卷积神经网络模型的条件下,就可用于临床的疾病诊断。将X射线扫描就诊者的投影数据输入神经网络模型当中,输出诊断结果与疑似病变区域的重建图像,突出患病部位,对医生的二次诊断起到了很好的辅助作用。
下面通过实例进一步说明本发明,但并不因此将本发明限制于所述的实例范围内,本领域普通技术人员根据本发明构思,而做出的简单变化,应当在本发明所要求保护的范围内。以下结合附图,具体说明如下:
本发明训练及测试神经网络模型时所采用数据集应分布广泛,尽可能包含患者与健康人体的不同组织器官如胸部、腹部、脑部等的投影数据以及重建图像。对图像中的病变区域进行分割时,要经过医生认定满足临床诊断需求。
建立神经网络模型,选取数据集中的N组图像作为训练集对网络进行训练,直到损失函数收敛到最小。利用测试集对网络训练效果进行测试,将输出结果与标准结果进行比对,并征求有实际临床经验的医生意见,若准确率达到95%以上,则认为网络训练完成,若未达到标准,则重新划分数据集,调整相关参数进行训练,直到输出结果达到标准。网络训练完成后,可用于临床上对医用CT的计算机辅助诊断,减少重建时间,同时突出病变区域的具体情况,为医生的最终确诊提供重要参考。
Claims (2)
1.一种面向医用CT的计算机图像处理方法,其特征是,步骤如下:
Step1:构建数据集:收集人体各组织器官的计算机断层扫描投影数据、重建图像及其诊断结果,将投影数据作为神经网络的输入,将患病就诊者的CT重建图像中的病灶区域分割出来,其余部分处理为黑色,健康就诊者的CT重建图像为全黑色,处理后的图像以及诊断结果作为神经网络的标记;
Step2:划分数据集:从数据集中随机选取n组输入数据以及标记作为训练集,选取时要包括患病就诊者以及健康就诊者身体的各部位扫描数据及标记,数据集的其余部分作为测试集;
Step3:训练卷积神经网络:建立神经网络模型,利用Step2中划分的n组训练集对神经网络进行训练,通过反向传播算法使得损失函数收敛到最小,结束网络的训练;
Step4:测试网络训练效果:利用Step2中划分的测试集对网络训练结果进行测试,如果诊断准确率达到95%以上,则认为网络训练合格,完成训练过程,若不合格,则重复Step2、Step3与Step4。
2.一种面向医用CT的计算机图像处理装置,其特征是,由CT机和计算机构成,CT机用于采集CT图像并输送到计算机进行处理;计算机内设置有如下模块:
构建数据集模块,收集人体各组织器官的计算机断层扫描投影数据、重建图像及其诊断结果,将投影数据作为神经网络的输入,将患病就诊者的CT重建图像中的病灶区域分割出来,其余部分处理为黑色,健康就诊者的CT重建图像为全黑色,处理后的图像以及诊断结果作为神经网络的标记;
划分数据集模块,从数据集中随机选取n组输入数据以及标记作为训练集,选取时要包括患病就诊者以及健康就诊者身体的各部位扫描数据及标记,数据集的其余部分作为测试集;
训练卷积神经网络模块,建立神经网络模型,利用划分数据集模块划分的n组训练集对神经网络进行训练,通过反向传播算法使得损失函数收敛到最小,结束网络的训练;
测试网络训练效果模块,利用数据集划分模块划分的测试集对网络训练结果进行测试,如果诊断准确率达到95%以上,则认为网络训练合格,完成训练过程,若不合格,则返回训练卷积神经网络模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197789.9A CN109255354B (zh) | 2018-10-15 | 2018-10-15 | 面向医用ct的计算机图像处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197789.9A CN109255354B (zh) | 2018-10-15 | 2018-10-15 | 面向医用ct的计算机图像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255354A CN109255354A (zh) | 2019-01-22 |
CN109255354B true CN109255354B (zh) | 2021-08-31 |
Family
ID=65046271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811197789.9A Active CN109255354B (zh) | 2018-10-15 | 2018-10-15 | 面向医用ct的计算机图像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109255354B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136096A (zh) * | 2019-04-02 | 2019-08-16 | 成都真实维度科技有限公司 | 一种基于断层扫描图数据集进行病变区域分割的方法 |
CN110223280B (zh) * | 2019-06-03 | 2021-04-13 | Oppo广东移动通信有限公司 | 静脉血栓检测方法和静脉血栓检测装置 |
CN111161857A (zh) * | 2019-12-26 | 2020-05-15 | 东软医疗***股份有限公司 | 确定检查顺序的方法、装置及管理*** |
CN113223704B (zh) * | 2021-05-20 | 2022-07-26 | 吉林大学 | 基于深度学习的计算机断层扫描主动脉瘤的辅助诊断方法 |
CN113781459A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种面向血管疾病辅助报告生成方法及装置 |
CN115624383A (zh) * | 2022-12-21 | 2023-01-20 | 湖南医科医工科技有限公司 | 一种手术部位三维建模*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567944A (zh) * | 2012-03-09 | 2012-07-11 | 中国人民解放军信息工程大学 | 基于fpga的ct图像重建硬件加速方法 |
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN108010013A (zh) * | 2017-11-03 | 2018-05-08 | 天津大学 | 一种肺ct图像肺结节检测方法 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和*** |
CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯(珠海横琴)科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9117259B2 (en) * | 2010-09-22 | 2015-08-25 | Siemens Aktiengesellschaft | Method and system for liver lesion detection |
-
2018
- 2018-10-15 CN CN201811197789.9A patent/CN109255354B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567944A (zh) * | 2012-03-09 | 2012-07-11 | 中国人民解放军信息工程大学 | 基于fpga的ct图像重建硬件加速方法 |
CN107808377A (zh) * | 2017-10-31 | 2018-03-16 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位方法及装置 |
CN108010013A (zh) * | 2017-11-03 | 2018-05-08 | 天津大学 | 一种肺ct图像肺结节检测方法 |
CN108257134A (zh) * | 2017-12-21 | 2018-07-06 | 深圳大学 | 基于深度学习的鼻咽癌病灶自动分割方法和*** |
CN108257674A (zh) * | 2018-01-24 | 2018-07-06 | 龙马智芯(珠海横琴)科技有限公司 | 疾病预测方法和装置、设备、计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
"肺部CT图像病变区域检测方法";韩光辉 等;《自动化学报》;20171231;第43卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109255354A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
CN110047082B (zh) | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及*** | |
CN110506278A (zh) | 隐空间中的目标检测 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及*** | |
CN112037913B (zh) | 一种基于卷积神经网络的牙周炎智能检测*** | |
CN111008984A (zh) | 医学影像中正常器官的轮廓线自动勾画方法及*** | |
KR20130136519A (ko) | 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램 | |
CN110827250A (zh) | 基于轻量级卷积神经网络的智能医学图像质量评估方法 | |
CN111340825A (zh) | 一种纵膈***分割模型的生成方法及*** | |
CN110021022A (zh) | 一种基于深度学习的甲状腺核医学图像诊断方法 | |
KR20150073628A (ko) | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 | |
CN111784652B (zh) | 基于强化学习多尺度神经网络的mri分割方法 | |
CN111481233A (zh) | 胎儿颈项透明层厚度测量方法 | |
Vocaturo et al. | Artificial intelligence approaches on ultrasound for breast cancer diagnosis | |
CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
CN116597950A (zh) | 一种医学图像分层方法 | |
CN116580819A (zh) | 用于自动化地确定图像序列中的检查结果的方法和*** | |
CN116168097A (zh) | 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质 | |
CN115810122A (zh) | 基于spect/ct检测甲状腺相关眼病活动性的深度学习方法 | |
CN114092425A (zh) | 基于弥散加权图像的脑缺血评分方法、电子设备及介质 | |
CN107256544A (zh) | 一种基于vcg16的***癌图像诊断方法及*** | |
CN112967295A (zh) | 一种基于残差网络和注意力机制的图像处理方法及*** | |
CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
Gunasekara et al. | A feasibility study for deep learning based automated brain tumor segmentation using magnetic resonance images |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 300452 Binhai Industrial Research Institute Campus of Tianjin University, No. 48 Jialingjiang Road, Binhai New Area, Tianjin Patentee after: Tianjin University Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |