CN109636819A - 一种基于深度学习的肺结节生长速率预测装置 - Google Patents
一种基于深度学习的肺结节生长速率预测装置 Download PDFInfo
- Publication number
- CN109636819A CN109636819A CN201811543927.4A CN201811543927A CN109636819A CN 109636819 A CN109636819 A CN 109636819A CN 201811543927 A CN201811543927 A CN 201811543927A CN 109636819 A CN109636819 A CN 109636819A
- Authority
- CN
- China
- Prior art keywords
- lung neoplasm
- lung
- neoplasm image
- historical data
- neural 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
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 130
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 210000004072 lung Anatomy 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001225 therapeutic 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的肺结节生长速率预测装置，包括：计算单元；和存储单元，存储可由计算单元执行的指令，指令被计算单元执行时使装置执行以下操作：获取不同个体的肺结节影像历史数据和当前数据；通过肺结节影像当前数据给肺结节影像历史数据打标签；对带标签的肺结节影像历史数据进行图片预处理；根据预处理后的肺结节影像历史数据训练预先创建的初始神经网络模型并得到最终的神经网络模型；以及利用最终的神经网络模型处理进一步的肺结节影像数据，以对进一步的肺结节影像数据中的肺结节在后续预设时间段内的生长速率进行预测并得出预测结果。本发明的装置能够进一步提高对肺结节影像的鉴别诊断能力，为医生分析病情做出参考。
Description
技术领域
本发明涉及人工智能技术领域，更具体地，特别是指一种基于深度学习的肺结节生长速率预测装置。
背景技术
肺结节主要是指肺实质内单发或多发直径不超过3cm的圆形或类圆形结节影，不能排除早期肺癌的可能。因此，临床医生需要准确地描述肺结节，特别是那些有恶性可能的结节。临床医生可以根据结节性质制定合适的治疗计划，继续观察或明确诊断及治疗。多排螺旋CT具有较高的空间和密度分辨力，是目前检测和诊断肺结节的首选方法。然而，在肺结节增长速率预测领域，尚没有相关预测技术，目前主要是依靠医生的专业能力及经验对每个病人的肺结节CT影像进行分析来预判肺结节未来的发展趋势。现阶段，若要实现对肺结节生长速率的准确预测，仅仅依靠医生的专业能力及经验几乎是不可能完成的任务。而且，随着病患的增多，CT影像数据也越来越多，这给医生增加了大量的工作；另外，由于患者的病情趋于复杂化，因此CT图片隐藏病理也越来越复杂，这导致分析判断难度增大。
人工智能领域的深度学习技术是当下的研究热门，目前已成功应用到计算机视觉、语音识别、自然语言处理等领域。然而，对于利用深度学习技术解决肺结节生长速率预测的问题，本领域还没有任何尝试。
针对上述现有技术的缺陷，本领域亟待需要一种能够结合当前深度学习技术来分析肺结节CT影像并对肺结节未来的生长速率做出准确预测的方案。
发明内容
有鉴于此，本发明实施例的目的在于提出一种基于深度学习的肺结节生长速率预测装置，能够解决依靠医生的专业能力及经验分析肺结节CT影像工作量大、判断难度大并且无法对肺结节未来的生长速率做出准确预测的问题。
基于上述目的，本发明实施例的一方面提供了一种基于深度学习的肺结节生长速率预测装置，包括：
计算单元；和
存储单元，存储可由计算单元执行的指令，指令被计算单元执行时使装置执行以下操作：
获取不同个体的肺结节影像历史数据和当前数据；
通过所述肺结节影像当前数据给肺结节影像历史数据打标签；
对带标签的肺结节影像历史数据进行图片预处理；
根据预处理后的肺结节影像历史数据训练预先创建的初始神经网络模型并得到最终的神经网络模型；以及
利用最终的神经网络模型处理进一步的肺结节影像数据，以对所述进一步的肺结节影像数据中的肺结节在后续预设时间段内的生长速率进行预测并得出预测结果。
在一些实施方式中，获取不同个体的肺结节影像历史数据和当前数据的指令包括：
收集不同个体的肺部CT影像；
利用边缘检测分割算法从肺部CT影像中提取出肺结节影像；以及
将肺结节影像统一缩放到设定像素以得到肺结节影像历史数据和当前数据。
在一些实施方式中，利用边缘检测分割算法从肺部CT影像中提取出肺结节影像的指令包括：
对肺部CT影像进行滤波以去除噪声点；
通过梯度算子对滤波后的肺部CT影像进行边缘增强处理；
根据预设阈值获取边缘增强后的肺部CT影像的边缘信息；以及
根据边缘信息对肺部CT影像的目标区域进行分割以提取出肺结节影像。
在一些实施方式中，通过所述肺结节影像当前数据给肺结节影像历史数据打标签的指令包括：
根据半年前的肺结节影像数据和当前肺结节影像数据得到过去半年每个个体的肺结节实际生长速率，并将肺结节实际生长速率作为标签添加到相应个体的肺结节影像历史数据中。
在一些实施方式中，图片预处理包括图片增强和/或图片归一化处理。
在一些实施方式中，图片增强包括图片的去噪、翻转、扭曲、和/或裁剪。
在一些实施方式中，根据预处理后的肺结节影像历史数据训练预先创建的初始神经网络模型并得到最终的神经网络模型的指令包括：
通过一部分肺结节影像历史数据训练预先创建的初始神经网络模型；
通过另一部分肺结节影像历史数据测试训练后的初始神经网络模型以得出测试结果；以及
依据测试结果确定最终的神经网络模型。
在一些实施方式中，一部分肺结节影像历史数据占比为90％，并且另一部分肺结节影像历史数据占比为10％。
在一些实施方式中，标签为过去半年每个个体的肺结节实际生长速率，
最终的神经网络模型配置用于对待预测个体的肺结节在后续半年内的生长速率进行预测并得出预测结果。
在一些实施方式中，最终的神经网络模型包含3个卷积层、3个采样层以及2个全连接层。
本发明具有以下有益技术效果：本发明实施例提供的一种基于深度学习的肺结节生长速率预测装置利用深度学习技术来分析肺结节影像并对后续一段时间内肺结节的生长速率做出准确预测，能够进一步提高对肺结节影像的鉴别诊断能力，为医生分析病情做出参考，并且减少了医生的工作量，降低了临床医生分析判断肺结节的难度。临床医生可以结合本发明的预测装置输出的预测结果，根据结节性质及时有效地制定合适的治疗方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为根据本发明一个实施例的基于深度学习的肺结节生长速率预测装置的计算存储架构的示意图；
图2为图1的装置预测肺结节生长速率的示意性流程图；
图3为图1的装置利用边缘检测分割算法从肺部CT影像中提取出肺结节影像的示意性流程图；以及
图4为根据本发明一个实施例的卷积神经网络模型的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
基于上述目的，本发明提出了一种基于深度学习的肺结节生长速率预测装置的一个实施例。图1示出的是该装置的计算存储架构的示意图。
如图1中所示，该基于深度学习的肺结节生长速率预测装置的计算存储架构可以包括计算单元101和存储单元102。计算单元101可以由一个CPU和2个GPU构成，GPU可以采用1080Ti，利用其强大的计算能力来加速训练或推理的计算过程。存储单元102可以采用普通存储硬盘(例如，本地硬盘)。存储单元102存储可由计算单元101执行的指令，该指令在被计算单元101执行时使该装置执行预测肺结节生长速率的操作流程。
图2示出的是图1的装置预测肺结节生长速率的示意性流程图。
如图2中所示，首先，获取不同病人的肺结节影像历史数据和当前数据(S201)，其中，该当前数据可以是现在的数据，也可以是该历史数据之后过去某一时间点的数据。在该步骤中，该装置可以执行以下操作：收集不同病人的肺部CT影像，该肺部CT影像可以是每个病人在过去某一时间点的肺部CT影像；利用边缘检测分割算法从肺部CT影像中提取出肺结节影像；以及将肺结节影像统一缩放到设定像素(例如64*64像素)以得到肺结节影像历史数据和当前数据，这里，统一缩放到设定像素的目的是为了便于处理，在保证一定准确率的同时能节省存储空间。
图3示出的是图1的装置利用边缘检测分割算法从肺部CT影像中提取出肺结节影像的示意性流程图。如图3中所示，该装置首先对肺部CT影像进行滤波以去除噪声点；然后通过梯度算子对滤波后的肺部CT影像进行边缘增强处理；接下来根据预设阈值获取边缘增强后的肺部CT影像的边缘信息；最后根据边缘信息对肺部CT影像的目标区域进行分割以提取出肺结节影像。
接下来回到图2，该装置在获取到肺结节影像历史数据之后通过所述肺结节影像当前数据给肺结节影像历史数据打标签(S202)。打标签的过程主要是计算得到过去某一段时间内每个病人的肺结节实际生长速率，并将该肺结节实际生长速率作为标签添加到相应病人的肺结节影像历史数据中。例如，假设肺结节影像历史数据为半年前的肺结节影像数据，在该步骤中，该装置可以执行以下操作：根据半年前的肺结节影像数据和当前肺结节影像数据得到过去半年每个病人的肺结节实际生长速率(即，由当前肺结节影像数据减半年前的肺结节影像数据得到过去半年每个病人的肺结节实际生长速率)，并将肺结节实际生长速率作为标签添加到相应病人的肺结节影像历史数据中。
接下来，如图2中所示，该装置对带标签的肺结节影像历史数据进行图片预处理(S203)。在该步骤中，预处理主要包括常规的图片去噪、翻转、扭曲、裁剪等图片增强以及归一化等处理，最后将预处理后的数据存储为例如caffe所需的hdf5格式。
然后，该装置根据预处理后的肺结节影像历史数据训练预先创建的初始神经网络模型并得到最终的神经网络模型(S204)。在该步骤中，该装置可以执行以下操作：将一部分肺结节影像历史数据送入初始神经网络模型中，并根据该一部分肺结节影像历史数据训练初始神经网络模型；将另一部分肺结节影像历史数据送入训练后的初始神经网络模型中，并根据另一部分肺结节影像历史数据测试训练后的初始神经网络模型以得出测试结果；以及依据测试结果确定最终的神经网络模型。具体地，训练过程是训练数据经过神经网络计算，输出结果与标签值比较，将误差反向传播，迭代，直到误差收敛到较小的值。如果测试结果不符合预测准确性要求，则对训练后的初始神经网络模型的网络结构进行优化或者调参，直到模型达到预期的预测准确性为止，得到最终的神经网络模型。
在一个优选实施例中，该一部分肺结节影像历史数据占比为90％，并且该另一部分肺结节影像历史数据占比为10％。亦即，假设收集了100例病人的肺结节影像历史数据，其中90例病人的肺结节影像历史数据可以用作训练数据，另外10例病人的肺结节影像历史数据可以用作测试数据，训练收敛后，预测误差能够接受。
最后，如图2中所示，该装置利用最终的神经网络模型处理进一步的肺结节影像数据，以对进一步的肺结节影像数据中的肺结节在后续预设时间段内的生长速率进行预测并得出预测结果(S205)。例如，以预测后续半年的生长速率为例，则标签应为过去半年每个病人的肺结节实际生长速率。该装置利用最终的神经网络模型对待预测病人的肺结节在后续半年内的生长速率进行预测并得出预测结果。
应当领会的是，目前医生主要参考肺结节半年内的变化情况来分析病情，因此本发明以预测后续半年的生长速率进行举例说明。然而，这里预测周期的长短并不能影响本发明的保护范围。
图4示出的是CNN(卷积神经网络)网络模型的示意图。如图4中所示，在一个优选实施例中，最终的神经网络模型可以包含3个卷积层、3个采样层以及2个全连接层，最后通过欧拉loss回归。其中，卷积层由卷积核完成对图片的卷积操作，主要作用是提取图片的深度特征；采样层对图片完成采样操作，主要作用是进行降维，减少计算量。本发明设计了一个相对简单的网络，该简单网络在提取图片深度信息的同时，也能保留部分宏观特征信息，比较适合该场景，其次计算速度快，能同时处理大量图片。
本发明实施例的肺结节生长速率预测装置结合当前深度学习技术来分析经病理证实的CT征象，进一步提高对CT征象的鉴别诊断的能力。使用时只需将待分析CT影像输入该装置，就能进行肺结节分割，然后输出生长速率预测结果。该装置既能辅助医生进行病理分析，也能为医疗影像智能分析的其他应用提供参考。同时，该装置也能对新增样本进行加强训练，进一步提升模型的预测能力。
应当领会的是，本发明并不受附图的实施例所限制，亦即，本领域的技术人员在本发明的教导下可以对附图的实施例做出适当修改。
需要说明的是，本领域普通技术人员可以理解实现上述实施例操作中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述操作的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器(Read-Only Memory，ROM)或随机存取存储器(RandomAccess Memory，RAM)等。所述计算机程序可以达到与之对应的前述操作实施例相同或者相类似的效果。
此外，根据本发明实施例公开的操作还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本发明实施例公开的操作中限定的上述功能。
此外，上述步骤也可以利用控制器以及用于存储使得控制器实现上述步骤功能的计算机程序的计算机可读存储介质实现。
此外，应该明白的是，实现本发明的操作所采用的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，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)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个***的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例，上述本发明实施例公开的顺序仅仅为了描述，不代表实施例的优劣。但是应当注意，以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子，在不背离权利要求限定的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
Claims (10)
1.一种基于深度学习的肺结节生长速率预测装置，其特征在于，包括：
计算单元；和
存储单元，存储可由所述计算单元执行的指令，所述指令被所述计算单元执行时使所述装置执行以下操作：
获取不同个体的肺结节影像历史数据和当前数据；
通过所述肺结节影像当前数据给所述肺结节影像历史数据打标签；
对带标签的所述肺结节影像历史数据进行图片预处理；
根据预处理后的所述肺结节影像历史数据训练预先创建的初始神经网络模型并得到最终的神经网络模型；以及
利用所述最终的神经网络模型处理进一步的肺结节影像数据，以对所述进一步的肺结节影像数据中的肺结节在后续预设时间段内的生长速率进行预测并得出预测结果。
2.根据权利要求1所述的装置，其特征在于，获取不同个体的肺结节影像历史数据和当前数据的指令包括：
收集不同个体的肺部CT影像；
利用边缘检测分割算法从所述肺部CT影像中提取出肺结节影像；以及
将所述肺结节影像统一缩放到设定像素以得到所述肺结节影像历史数据和当前数据。
3.根据权利要求2所述的装置，其特征在于，利用边缘检测分割算法从所述肺部CT影像中提取出肺结节影像的指令包括：
对所述肺部CT影像进行滤波以去除噪声点；
通过梯度算子对滤波后的所述肺部CT影像进行边缘增强处理；
根据预设阈值获取边缘增强后的所述肺部CT影像的边缘信息；以及
根据所述边缘信息对所述肺部CT影像的目标区域进行分割以提取出所述肺结节影像。
4.根据权利要求1所述的装置，其特征在于，通过所述肺结节影像当前数据给所述肺结节影像历史数据打标签的指令包括：
根据所述半年前的肺结节影像数据和所述当前肺结节影像数据得到过去半年每个个体的肺结节实际生长速率，并将所述肺结节实际生长速率作为标签添加到相应个体的所述肺结节影像历史数据中。
5.根据权利要求1所述的装置，其特征在于，所述图片预处理包括图片增强和/或图片归一化处理。
6.根据权利要求5所述的装置，其特征在于，所述图片增强包括图片的去噪、翻转、扭曲、和/或裁剪。
7.根据权利要求1所述的装置，其特征在于，根据预处理后的所述肺结节影像历史数据训练预先创建的初始神经网络模型并得到最终的神经网络模型的指令包括：
通过一部分肺结节影像历史数据训练所述预先创建的初始神经网络模型；
通过另一部分肺结节影像历史数据测试训练后的所述初始神经网络模型以得出测试结果；以及
依据所述测试结果确定所述最终的神经网络模型。
8.根据权利要求7所述的装置，其特征在于，所述一部分肺结节影像历史数据占比为90％，并且所述另一部分肺结节影像历史数据占比为10％。
9.根据权利要求1所述的装置，其特征在于，所述标签为过去半年每个个体的肺结节实际生长速率，
所述最终的神经网络模型配置用于对待预测个体的肺结节在后续半年内的生长速率进行预测并得出预测结果。
10.根据权利要求1所述的装置，其特征在于，所述最终的神经网络模型包含3个卷积层、3个采样层以及2个全连接层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811543927.4A CN109636819A (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习的肺结节生长速率预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811543927.4A CN109636819A (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习的肺结节生长速率预测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636819A true CN109636819A (zh) | 2019-04-16 |
Family
ID=66074757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811543927.4A Pending CN109636819A (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习的肺结节生长速率预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636819A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889836A (zh) * | 2019-11-22 | 2020-03-17 | 中国人民解放军第四军医大学 | 一种影像数据分析方法、装置、终端设备及存储介质 |
| CN111353973A (zh) * | 2020-02-11 | 2020-06-30 | 中国医学科学院肿瘤医院 | 一种基于***医学影像的识别方法和识别装置 |
| CN111383767A (zh) * | 2020-03-05 | 2020-07-07 | 上海市肺科医院（上海市职业病防治院） | 一种基于深度学习的肺内小结节进展评估***及方法 |
| CN113688975A (zh) * | 2021-08-24 | 2021-11-23 | 北京市商汤科技开发有限公司 | 神经网络的训练方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150379709A1 (en) * | 2013-02-14 | 2015-12-31 | The Research Foundation For The State University Of New York | Method for adaptive computer-aided detection of pulmonary nodules in thoracic computed tomography images using hierarchical vector quantization and apparatus for same |
| CN107665736A (zh) * | 2017-09-30 | 2018-02-06 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108629803A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种结节倍增时间的确定方法及装置 |
| CN108648192A (zh) * | 2018-05-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种检测结节的方法及装置 |
| CN108898588A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于时间序列的治疗效果评估方法、电子设备 |
-
2018
- 2018-12-17 CN CN201811543927.4A patent/CN109636819A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150379709A1 (en) * | 2013-02-14 | 2015-12-31 | The Research Foundation For The State University Of New York | Method for adaptive computer-aided detection of pulmonary nodules in thoracic computed tomography images using hierarchical vector quantization and apparatus for same |
| CN107665736A (zh) * | 2017-09-30 | 2018-02-06 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108629803A (zh) * | 2018-04-17 | 2018-10-09 | 杭州依图医疗技术有限公司 | 一种结节倍增时间的确定方法及装置 |
| CN108648192A (zh) * | 2018-05-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种检测结节的方法及装置 |
| CN108898588A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于时间序列的治疗效果评估方法、电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 郭宝龙 等: "《数字图像处理***工程导论》", 31 July 2012 * |
| 闵秋莎 等: "《医学图像压缩算法与应用研究》", 31 August 2018 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889836A (zh) * | 2019-11-22 | 2020-03-17 | 中国人民解放军第四军医大学 | 一种影像数据分析方法、装置、终端设备及存储介质 |
| CN111353973A (zh) * | 2020-02-11 | 2020-06-30 | 中国医学科学院肿瘤医院 | 一种基于***医学影像的识别方法和识别装置 |
| CN111383767A (zh) * | 2020-03-05 | 2020-07-07 | 上海市肺科医院（上海市职业病防治院） | 一种基于深度学习的肺内小结节进展评估***及方法 |
| CN113688975A (zh) * | 2021-08-24 | 2021-11-23 | 北京市商汤科技开发有限公司 | 神经网络的训练方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636819A (zh) | 一种基于深度学习的肺结节生长速率预测装置 | |
| US20220328189A1 (en) | Systems, methods, and apparatuses for implementing advancements towards annotation efficient deep learning in computer-aided diagnosis | |
| You et al. | Bootstrapping semi-supervised medical image segmentation with anatomical-aware contrastive distillation | |
| CN110475505A (zh) | 利用全卷积网络的自动分割 | |
| Liu et al. | Counting people by estimating people flows | |
| EP3975117A1 (en) | Image segmentation method and apparatus, and training method and apparatus for image segmentation model | |
| CN113204969A (zh) | 医疗命名实体识别模型的生成方法、装置和计算机设备 | |
| KR102612400B1 (ko) | 종양 이미지를 분석하여 암 예후에 대한 예측이 가능한 예측 모델의 학습 방법, 장치 및 프로그램 | |
| WO2023065070A1 (zh) | 一种基于领域自适应的多域医学图像分割方法 | |
| CN115190999A (zh) | 使用对比损失对分布外的数据进行分类 | |
| CN112991346A (zh) | 用于医学图像分析的学习网络的训练方法和训练*** | |
| Tummala et al. | Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network | |
| CN113724878B (zh) | 基于机器学习的医疗风险信息推送方法及装置 | |
| CN114612662A (zh) | 一种基于边界引导的息肉图像分割方法 | |
| Pal et al. | A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation | |
| Droste et al. | Towards capturing sonographic experience: cognition-inspired ultrasound video saliency prediction | |
| Ragnarsdottir et al. | Interpretable prediction of pulmonary hypertension in newborns using echocardiograms | |
| CN110189309A (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
| US20220319707A1 (en) | System, Method and Computer Readable Medium for Video-Based Facial Weakness Analysis for Detecting Neurological Deficits | |
| CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN114881941A (zh) | 一种基于大数据的脊柱健康变化预测方法及*** | |
| Ni et al. | FSE-Net: Rethinking the up-sampling operation in encoder-decoder structure for retinal vessel segmentation | |
| Lin et al. | Structure-Preserving Instance Segmentation via Skeleton-Aware Distance Transform | |
| CN114902283A (zh) | 用于光学相干断层扫描分割的深度学习 | |
| Zheng | Deep learning for robust segmentation and explainable analysis of 3d and dynamic cardiac 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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |