CN110084810B - 一种肺结节图像检测方法、模型训练方法、装置及存储介质 - Google Patents
一种肺结节图像检测方法、模型训练方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110084810B CN110084810B CN201910374504.2A CN201910374504A CN110084810B CN 110084810 B CN110084810 B CN 110084810B CN 201910374504 A CN201910374504 A CN 201910374504A CN 110084810 B CN110084810 B CN 110084810B
- Authority
- CN
- China
- Prior art keywords
- dimensional feature
- dimensional
- lung nodule
- image
- feature
- 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
Images
Classifications
-
- 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
- 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
- G06T2207/30—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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种肺结节图像检测方法、模型训练方法、装置及存储介质,涉及医学影像处理领域。该肺结节图像检测的模型训练方法包括:通过卷积网络对CT肺结节数据进行预处理,获取肺结节特征图像;通过Xception网络结构获取肺结节特征图像的三维特征数据;堆叠肺结节特征图像的三维特征数据,获取第一四维特征;对第一四维特征进行三维卷积核处理,获取第二四维特征;根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率;当类别概率满足模型的收敛条件时,获得已训练的肺结节图像检测模型。采用二维卷积+三维卷积核处理的架构,提高了计算效率,降低了对硬件资源的要求。
Description
技术领域
本申请涉及医学影像处理领域,具体而言,涉及一种肺结节图像检测方法、模型训练方法、装置及存储介质。
背景技术
肺结节是一种病因未明的多***多器官的肉芽肿性疾病,常侵犯肺、双侧肺门***、眼、皮肤等器官,其胸部受侵率高达80%~90%。CT是用于肺结节检测的一种有效工具,但CT影像数量与影像科医生数量之间的矛盾使得肺结节的自动检测算法成为一种迫切的需求。目前针对肺结节自动检测技术已经进行了大量的研究,这些研究主要着力于传统的机器学习以及深度学习领域。
现有技术一般使用两种方法:第一种,二维卷积提取特征,使用循环网络对各层数据进行关联分析;第二种,使用三维卷积网络处理CT数据。第一种方案只能得到一个分类结果,循环网络的串行结构会降低计算效率,同时,循环网络对任意各层之间的计算不适合肺结节这种局部关联的疾病监测。第二种技术方案需要大量的样本和高配置的图形处理器,训练时间长。
目前需要一种计算效率高的肺结节图像检测模型训练方法以解决上述问题。
发明内容
本发明实施例的目的在于提供一种肺结节图像检测方法、模型训练方法、装置及存储介质,使用二维卷积+三维卷积核处理的模型架构,解决计算效率低的问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提出一种肺结节图像检测的模型训练方法,该方法包括:通过卷积网络对CT肺结节数据进行预处理,获取肺结节特征图像;通过Xception网络结构获取肺结节特征图像的三维特征数据;堆叠肺结节特征图像的三维特征数据,获取第一四维特征;对第一四维特征进行三维卷积核处理,获取第二四维特征;根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率;当类别概率满足模型的收敛条件时,获得已训练的肺结节图像检测模型。
可选地,在肺结节特征图像的三维特征数据通过Xception网络结构获取肺结节特征图像的三维特征数据之前,该方法还包括:根据开源的二维图像数据预训练上述Xception网络结构。
可选地,方法还包括:当类别概率不满足模型的收敛条件时,则重新获取CT肺结节数据,对Xception网络结构执行迁移训练。
具体地,对第一四维特征进行三维卷积核处理,获取输出通道数为相应的分类类别数的第二四维特征,包括:
将第一四维特征用1x1x1的三维卷积核进行处理,获取输出通道数为256的第三四维特征;第一四维特征的输出通道数为2048。将第三四维特征依次使用5x1x3、5x3x1、7x1x3、7x3x1的三维卷积核进行处理,获取输出通道数为256的第四四维特征;使用修正线性单元对第四四维特征进行修正。将修正后第四四维特征进行上采样,获取输出通道数为256的第五四维特征。将第五四维特征与Xception网络结构中对应大小的属性映射层进行矩阵相加,获取输出通道数为256的第六四维特征。将第六四维特征用两个3x3x3的三维卷积核进行处理,获取输出通道数为256的第七四维特征;使用线性修订单元对第七四维特征进行修正。将修正后的第七四维特征用1x1x1的三维卷积核进行处理,获取输出通道数为相应的分类类别数的第二四维特征。
第二方面,本发明实施例还提出一种肺结节图像检测方法,该方法应用于通过上述肺结节图像检测的模型训练方法获得的已训练的肺结节图像检测模型。该肺结节图像检测方法包括:通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成,并对CT图像数据进行预处理,获取肺结节特征图像。通过Xception网络结构获取肺结节特征图像的三维特征数据;堆叠肺结节特征图像的三维特征数据,获取第一四维特征;对第一四维特征进行三维卷积核处理,获取第二四维特征。根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率。
可选地,该方法还包括:根据类别概率,对N层CT图像数据进行预测,得到肺结节检测的预测结果;取两次相邻的N层CT图像数据的预测结果的平均值作为肺结节检测的最终预测结果。
第三方面,本发明实施例还提出一种肺结节图像检测的模型训练装置,包括:第一处理模块和第一获取模块;第一获取模块,用于通过卷积网络获取CT肺结节数据;第一处理模块,用于预处理CT肺结节数据;第一获取模块获取肺结节特征图像。第一获取模块还用于通过Xception网络结构获取肺结节特征图像的三维特征数据;第一处理模块还用于堆叠肺结节特征图像的三维特征数据,第一获取模块还用于获取第一四维特征。第一处理模块还用于对第一四维特征进行三维卷积核处理,第一获取模块还用于获取第二四维特征;第一处理模块还用于根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率;当类别概率满足模型的收敛条件时,第一获取模块还用于获取已训练的肺结节图像检测模型。
可选地,第一处理模块还用于根据开源的二维图像数据预训练Xception网络结构。
可选地,当类别概率不满足模型的收敛条件时,第一获取模块还用于重新获取CT肺结节数据;第一处理模块还用于对Xception网络结构执行迁移训练。
第四方面,本发明实施例还提出一种肺结节图像检测装置,包括:第二处理模块和第二获取模块。
第二获取模块,用于通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成;第二处理模块,用于预处理CT图像数据;第二获取模块还用于获取肺结节特征图像。
第二处理模块还用于根据肺结节特征图像和Xception网络结构,获取肺结节特征图像的三维特征数据,堆叠肺结节特征图像的三维特征数据,第二获取模块还用于获取第一四维特征。第二处理模块还用于对第一四维特征进行三维卷积核处理,第二获取模块还用于获取第二四维特征。第二处理模块还用于根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率。
可选地,第二处理模块还用于根据类别概率,对N层图像数据进行预测,得到肺结节检测的预测结果;第二处理模块还用于取两次相邻的N层CT图像数据的预测结果的平均值作为肺结节检测的最终预测结果。
第五方面,本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器读取并运行时,实现上述的肺结节图像检测方法和肺结节图像检测的模型训练方法。
本发明公开了一种肺结节图像检测方法、模型训练方法、装置及存储介质,涉及医学影像处理领域。该肺结节图像检测的模型训练方法包括:通过卷积网络对CT肺结节数据进行预处理,获取肺结节特征图像;通过Xception网络结构获取肺结节特征图像的三维特征数据;堆叠肺结节特征图像的三维特征数据,获取第一四维特征;对第一四维特征进行三维卷积核处理,获取第二四维特征;根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率;当类别概率满足模型的收敛条件时,获得已训练的肺结节图像检测模型。采用二维卷积+三维卷积核的架构,提高了计算效率,降低了对硬件资源的要求。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例所提供的一种肺结节图像检测的模型训练方法示意图。
图2示出了本发明实施例所提供的一种预训练Xception网络结构的示意图。
图3示出了本发明实施例所提供的一种三维卷积处理示意图。
图4示出了本发明实施例所提供的一种肺结节检测方法示意图。
图5示出了本发明实施例所提供的一种优化预测结果的示意图。
图6示出了本发明实施例提供的一种肺结节图像检测的模型训练装置示意图。
图7示出了本发明实施例提出的一种肺结节图像检测装置。
图标:300-肺结节图像检测的模型训练装置,301第一获取模块301,302-第一处理模块,400-肺结节图像检测装置,401-第二获取模块,402-第二处理模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本公开的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了提高肺结节图像检测的模型训练效率,本发明提出一种肺结节图像检测的模型训练方法,参见图1,图1是本发明实施例所提供的一种肺结节图像检测的模型训练方法示意图,该方法包括:
步骤100、通过卷积网络对CT肺结节数据进行预处理,获取肺结节特征图像。
通过卷积网络获取的CT肺结节数据可以是随机抽取一定数量的数据,具体抽取的数据数量可以根据实际的硬件资源进行设定:实际使用过程中,随机抽取的32层影像数据即可实现一个较好的训练。获取的肺结节特征图像的大小可以为496x496x3。
步骤101、通过Xception网络结构获取肺结节特征图像的三维特征数据。
步骤102、堆叠肺结节特征图像的三维特征数据,获取第一四维特征。
肺结节特征图像至第一四维特征的处理过程中,可以实现数据的输出通道数的变化。
步骤103、对第一四维特征进行三维卷积核处理,获取第二四维特征。
步骤104、根据第二四维特征,计算类别概率。
上述类别概率是每个像素点为肺结节的几率。
步骤105、判断类别概率是否满足模型的收敛条件。
模型的收敛条件可以为训练次数,或是根据类别概率测量肺结节的准确率,也可以使用统计学的F1分数,还可以是平均交并比(Mean Intersection over Union,简称:MIoU)。
当类别概率满足模型的收敛条件时,则执行步骤106;
步骤106、获取已训练的肺结节图像检测模型。
当类别概率不满足模型的收敛条件时,则重新获取CT肺结节数据,对Xception网络结构执行迁移训练;重新执行上述步骤100、步骤101、步骤102、步骤103、步骤104以及步骤105,直至模型收敛。
使用二维卷积+三维卷积核处理的模型训练架构,大部分的特征提取工作由二维卷积网络完成,计算量小,提高了模型训练的计算效率。同时,该方法也为在较低配置的硬件环境下也可以进行模型训练。网络在模型训练时,可以实现仅使用32个CT断层的影像数据即完成一次训练,提高了模型的计算效率,进一步降低了对硬件配置的要求。
可选地,为了在训练过程中得到一个较优的初始模板,在步骤101之前,加入一个预训练过程,如图2,图2是本发明实施例所提供的一种预训练Xception网络结构的示意图。上述肺结节图像检测的模型训练方法还可以包括:
步骤107、根据开源的二维图像数据预训练Xception网络结构。
具体地,预训练Xception网络结构可以为其参数部分。
可选地,为了获得一个较好的三维卷积核结果,对上述步骤10可能实现的方式进行说明,如图3,图3是本发明实施例所提供的一种三维卷积处理示意图。当第一四维特征的输出通道数为2048时,该三维卷积核处理的过程包括:
步骤103-1、将第一四维特征用1x1x1的三维卷积核进行处理,获取输出通道数为256的第三四维特征。
步骤103-2、将第三四维特征依次使用5x1x3、5x3x1、7x1x3、7x3x1的三维卷积核进行处理,获取输出通道数为256的第四四维特征;使用修正线性单元对第四四维特征进行修正。
步骤103-3、将修正后的第四四维特征进行上采样,获取输出通道数为256的第五四维特征。
上采样可以通过双线性插值来实现,目的是为了将数据的空间分辨率增大一倍。
步骤103-4、将第五四维特征与Xception网络结构中对应大小的属性映射层进行矩阵相加,获取输出通道数为256的第六四维特征。
由于上述步骤101只进行了二维卷积,上述矩阵主要是为了在三维上进行卷积。
步骤103-5、将第六四维特征用两个3x3x3的三维卷积核进行处理,获取输出通道数为256的第七四维特征;使用线性修订单元对第七四维特征进行修正。
步骤103-6、将修正后的第七四维特征用1x1x1的三维卷积核进行处理,获取输出通道数为相应的分类类别数的第二四维特征。
步骤103-1至步骤103-6实现了二维到三维的转换和处理,并获得了输出通道数为分类类别数的第二四维特征,通过计算可以得到类别概率,即每个像素点为肺结节的几率。从目前来看,三维卷积核是目前最适合处理CT图像数据的方式。
上述肺结节图像检测的模型训练方法提高了计算效率,减少了对硬件资源的要求,可以降低制造成本和缩短肺结节的检测时间。
为了实现肺结节检测,本发明提出一种肺结节图像检测方法,如图4,图4是本发明实施例所提供的一种肺结节检测方法示意图。该肺结节图像检测方法包括:
步骤200、通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成,并对CT图像数据进行预处理,获取肺结节特征图像。
步骤201、通过Xception网络结构获取肺结节特征图像的三维特征数据。
步骤202、堆叠肺结节特征图像的三维特征数据,获取第一四维特征。
步骤203、对第一四维特征进行三维卷积核处理,获取第二四维特征。
步骤204、根据第二四维特征,计算类别概率。
通过获取每张CT图像,实现了对整个CT图像的检测,按照间隔N/2依次抽取待检测CT图像进行检测和判断,此种检测方式提高了计算效率,降低了对硬件的要求。
可选地,为了使肺结节检测的结果更加准确,在图1的基础上优化结果的过程,如图5,图5是本发明实施例所提供的一种优化预测结果的示意图。该肺结节图像检测方法还包括:
步骤205、根据类别概率,对每N层CT图像数据进行预测,得到肺结节的预测结果。
步骤206、取两次相邻的N层CT图像数据的预测结果的平均值作为肺结节检测的最终预测结果。
例如,当N=32时,依次抽取相邻的32(具体数据可根据实际的硬件资源进行设定,越大越好)个样本用于检测,中间样本使用有包含16个样本的重叠区域,也就是说抽取的样本序号为[0,...,31],[16,....,47],[32,....,63]等等,中间部分样本有两个预测值(如[16,...,31]号断层在第一次会抽取到,在第二次也会抽取到)的使用两次的平均值作为最终结果。
通过相邻的CT图像数据检测,结合对预测结果的平均处理,可以进一步的提高肺结节检测的准确率。
为了实现上述肺结节图像检测的模型训练方法,本发明实施例还提出一种肺结节图像检测的模型训练装置,如图6,图6是本发明实施例提供的一种肺结节图像检测的模型训练装置示意图。肺结节图像检测的模型训练装置300包括:第一获取模块301和第一处理模块302。
第一获取模块301,用于通过卷积网络获取CT肺结节数据。
第一处理模块302,用于预处理CT肺结节数据;第一获取模块301获取肺结节特征图像。
第一获取模块301还用于通过Xception网络结构获取肺结节特征图像的三维特征数据;第一处理模块302还用于堆叠肺结节特征图像的三维特征数据,第一获取模块301还用于获取第一四维特征。第一处理模块302还用于对第一四维特征进行三维卷积核处理,第一获取模块301还用于获取第二四维特征。第一处理模块302还用于根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率;当类别概率满足模型的收敛条件时,第一获取模块301还用于获取已训练的肺结节图像检测模型。
使用二维卷积+三维卷积核处理的网络结构对模型进行训练,更符合处理CT图像数据的要求,同时可以提高模型训练的计算效率,降低对硬件的配置要求。
可选地,为了保证模型训练能得到一个更好的结果,第一处理模块302还用于根据开源的二维图像数据预训练Xception网络结构。
预训练可以使Xception网络结构处理数据时能得到更为准确的结果。
可选地,当类别概率不满足模型的收敛条件时,第一获取模块301还用于重新获取CT肺结节数据;第一处理模块302还用于对Xception网络结构执行迁移训练。
使用迁移训练为Xception网络结构进行再次训练,可以进一步的提高计算效率,降低对硬件的要求,克服实际情况中样本数量较少的缺陷。
为了实现上述的肺结节图像检测方法,本发明实施例还提出一种肺结节图像检测装置,如图7,图7是本发明实施例提出的一种肺结节图像检测装置,肺结节图像检测装置400包括:第二获取模块401和第二处理模块402;
第二获取模块401,用于通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成;第二处理模块402,用于预处理CT图像数据;第二获取模块401还用于获取肺结节特征图像。
第二获取模块401还用于通过Xception网络结构获取肺结节特征图像的三维特征数据;第二处理模块402还用于堆叠肺结节特征图像的三维特征数据,第二获取模块401还用于获取第一四维特征;
第二处理模块402还用于对第一四维特征进行三维卷积核处理,第二获取模块401还用于获取第二四维特征;第二处理模块402还用于根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率。
上述肺结节图像检测装置使用了二维卷积+三维卷积核处理的模型架构,提高了模型的计算效率,同时为在低配置的硬件上实现同样的功能提供了可能。
为了提高肺结节图像检测的准确率,第二处理模块402还用于根据类别概率,对每N层图像数据进行预测,得到肺结节检测的预测结果。
由于每N/2层数据会被抽取两次,第二处理模块402还用于取两次相邻的N层CT图像数据的预测结果的平均值作为肺结节检测的最终预测结果。
实现了在较低配置的硬件上也可以获得与现有技术相同甚至更好的肺结节预测结果,提高了肺结节图像检测的计算效率。
本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器读取并运行时,实现上述的肺结节图像检测方法和模型训练方法。
综上所述,本发明公开了一种肺结节图像检测方法、模型训练方法、装置及存储介质,涉及医学影像处理领域。该肺结节图像检测的模型训练方法包括:通过卷积网络对CT肺结节数据进行预处理,获取肺结节特征图像;通过Xception网络结构获取肺结节特征图像的三维特征数据;堆叠肺结节特征图像的三维特征数据,获取第一四维特征;对第一四维特征进行三维卷积核处理,获取第二四维特征;根据第二四维特征,计算类别概率;类别概率是每个像素点为肺结节的几率;当类别概率满足模型的收敛条件时,获得已训练的肺结节图像检测模型。采用二维卷积+三维卷积核的架构,提高了计算效率,降低了对硬件资源的要求。
以上所述仅为本发明的可选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种肺结节图像检测的模型训练方法,其特征在于,所述方法包括:
通过卷积网络对CT肺结节数据进行预处理,获取肺结节特征图像;
通过Xception网络结构获取所述肺结节特征图像的三维特征数据;
堆叠所述肺结节特征图像的三维特征数据,获取第一四维特征;
对所述第一四维特征进行三维卷积核处理,获取第二四维特征;
根据所述第二四维特征,计算类别概率;所述类别概率是每个像素点为肺结节的几率;
当所述类别概率满足模型的收敛条件时,获得已训练的肺结节图像检测模型;
其中,对所述第一四维特征进行三维卷积核处理,获取第二四维特征,包括:
将所述第一四维特征用1x1x1的三维卷积核进行处理,获取输出通道数为256的第三四维特征;所述第一四维特征的输出通道数为2048;
将所述第三四维特征依次使用5x1x3、5x3x1、7x1x3、7x3x1的三维卷积核进行处理,获取输出通道数为256的第四四维特征;使用修正线性单元对所述第四四维特征进行修正;
将修正后所述第四四维特征进行上采样,获取输出通道数为256的第五四维特征;
将所述第五四维特征与所述Xception网络结构中对应大小的属性映射层进行矩阵相加,获取输出通道数为256的第六四维特征;
将所述第六四维特征用两个3x3x3的三维卷积核进行处理,获取输出通道数为256的第七四维特征;使用所述线性修订单元对所述第七四维特征进行修正;
将修正后的所述第七四维特征用1x1x1的三维卷积核进行处理,获取输出通道数为相应的分类类别数的第二四维特征。
2.根据权利要求1所述的肺结节图像检测的模型训练方法,其特征在于,在所述通过Xception网络结构获取所述肺结节特征图像的三维特征数据之前,所述方法还包括:
根据开源的二维图像数据预训练所述Xception网络结构。
3.根据权利要求2所述的肺结节图像检测的模型训练方法,其特征在于,所述方法还包括:
当所述类别概率不满足模型的收敛条件时,则重新获取所述CT肺结节数据,对所述Xception网络结构执行迁移训练。
4.一种肺结节图像检测方法,其特征在于,所述方法应用于通过所述权利要求1-3任意一项所述的方法获得的已训练的肺结节图像检测模型,所述方法包括:
通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成,并对所述CT图像数据进行预处理,获取肺结节特征图像;
通过Xception网络结构获取所述肺结节特征图像的三维特征数据;
堆叠所述肺结节特征图像的三维特征数据,获取第一四维特征;
对所述第一四维特征进行三维卷积核处理,获取第二四维特征;
根据所述第二四维特征,计算类别概率;所述类别概率是每个像素点为肺结节的几率。
5.根据权利要求4所述的肺结节图像检测方法,其特征在于,所述方法还包括:
根据所述类别概率,对所述N层CT图像数据进行预测,得到肺结节检测的预测结果;
取两次相邻的所述N层CT图像数据的所述预测结果的平均值作为肺结节检测的最终预测结果。
6.一种肺结节图像检测的模型训练装置,其特征在于,包括:第一处理模块和第一获取模块;
所述第一获取模块,用于通过卷积网络获取CT肺结节数据;
所述第一处理模块,用于预处理所述CT肺结节数据;所述第一获取模块获取肺结节特征图像;
所述第一获取模块还用于通过Xception网络结构获取所述肺结节特征图像的三维特征数据;
所述第一处理模块还用于堆叠所述肺结节特征图像的三维特征数据,所述第一获取模块还用于获取第一四维特征;
所述第一处理模块还用于对所述第一四维特征进行三维卷积核处理,所述第一获取模块还用于获取第二四维特征;
所述第一处理模块还用于根据所述第二四维特征,计算类别概率;所述类别概率是每个像素点为肺结节的几率;
当所述类别概率满足模型的收敛条件时,所述第一获取模块还用于获取已训练的肺结节图像检测模型;
所述第一获取模块还用于通过以下方式获取第二四维特征:
将所述第一四维特征用1x1x1的三维卷积核进行处理,获取输出通道数为256的第三四维特征;所述第一四维特征的输出通道数为2048;
将所述第三四维特征依次使用5x1x3、5x3x1、7x1x3、7x3x1的三维卷积核进行处理,获取输出通道数为256的第四四维特征;使用修正线性单元对所述第四四维特征进行修正;
将修正后所述第四四维特征进行上采样,获取输出通道数为256的第五四维特征;
将所述第五四维特征与所述Xception网络结构中对应大小的属性映射层进行矩阵相加,获取输出通道数为256的第六四维特征;
将所述第六四维特征用两个3x3x3的三维卷积核进行处理,获取输出通道数为256的第七四维特征;使用所述线性修订单元对所述第七四维特征进行修正;
将修正后的所述第七四维特征用1x1x1的三维卷积核进行处理,获取输出通道数为相应的分类类别数的第二四维特征。
7.一种肺结节图像检测装置,其特征在于,所述肺结节图像检测装置应用于通过所述权利要求6所述的模型训练装置获得的已训练的肺结节图像检测模型,所述装置包括:第二处理模块和第二获取模块;
所述第二获取模块,用于通过卷积网络按照间隔为N/2依次抽取相邻的N层CT图像数据至所有CT图像数据抽取完成;
所述第二处理模块,用于预处理所述CT图像数据;所述第二获取模块还用于获取肺结节特征图像;
所述第二获取模块还用于通过Xception网络结构,获取所述肺结节特征图像的三维特征数据;
所述第二处理模块还用于堆叠所述肺结节特征图像的三维特征数据,所述第二获取模块还用于获取第一四维特征;
所述第二处理模块还用于对所述第一四维特征进行三维卷积核处理,所述第二获取模块还用于获取第二四维特征;
所述第二处理模块还用于根据所述第二四维特征,计算类别概率;所述类别概率是每个像素点为肺结节的几率。
8.根据权利要求7所述的肺结节图像检测装置,其特征在于,所述第二处理模块还用于根据所述类别概率,对所述N层CT图像数据进行预测,得到肺结节检测的预测结果;所述第二处理模块还用于取两次相邻的所述N层CT图像数据的所述预测结果的平均值作为肺结节检测的最终预测结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器读取并运行时,实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374504.2A CN110084810B (zh) | 2019-05-06 | 2019-05-06 | 一种肺结节图像检测方法、模型训练方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374504.2A CN110084810B (zh) | 2019-05-06 | 2019-05-06 | 一种肺结节图像检测方法、模型训练方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084810A CN110084810A (zh) | 2019-08-02 |
CN110084810B true CN110084810B (zh) | 2021-11-05 |
Family
ID=67418839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910374504.2A Active CN110084810B (zh) | 2019-05-06 | 2019-05-06 | 一种肺结节图像检测方法、模型训练方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084810B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751183A (zh) * | 2019-09-24 | 2020-02-04 | 东软集团股份有限公司 | 影像数据分类模型的生成方法、影像数据分类方法及装置 |
CN112529894B (zh) * | 2020-12-22 | 2022-02-15 | 徐州医科大学 | 一种基于深度学习网络的甲状腺结节的诊断方法 |
CN113808111A (zh) * | 2021-09-18 | 2021-12-17 | 广州幻境科技有限公司 | 一种医学影像的三维虚拟重构方法和*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515365A (zh) * | 2009-03-25 | 2009-08-26 | 沈阳东软医疗***有限公司 | 一种ct影像中的粘连血管型肺结节自动分割方法 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 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 |
CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成*** |
CN108537784B (zh) * | 2018-03-30 | 2021-08-24 | 四川元匠科技有限公司 | 一种基于深度学习的ct图肺结节检测方法 |
CN108921195A (zh) * | 2018-05-31 | 2018-11-30 | 沈阳东软医疗***有限公司 | 一种基于神经网络的肺结节图像识别方法及装置 |
CN109492547B (zh) * | 2018-10-24 | 2022-03-08 | 腾讯科技(深圳)有限公司 | 一种结节识别方法、装置和存储介质 |
CN109685768B (zh) * | 2018-11-28 | 2020-11-20 | 心医国际数字医疗***(大连)有限公司 | 基于肺部ct序列的肺结节自动检测方法及*** |
-
2019
- 2019-05-06 CN CN201910374504.2A patent/CN110084810B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515365A (zh) * | 2009-03-25 | 2009-08-26 | 沈阳东软医疗***有限公司 | 一种ct影像中的粘连血管型肺结节自动分割方法 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于深度卷积神经网络算法的肺结节检测模型;杨晶晶等;《数学建模及其应用》;20171215(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110084810A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
CN110084810B (zh) | 一种肺结节图像检测方法、模型训练方法、装置及存储介质 | |
CN108171692B (zh) | 一种肺部影像检索方法及装置 | |
CN110245721A (zh) | 神经网络模型的训练方法、装置和电子设备 | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理*** | |
CN109712128B (zh) | 特征点检测方法、装置、计算机设备和存储介质 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN113284149B (zh) | Covid-19胸部ct图像识别方法、装置及电子设备 | |
CN111754453A (zh) | 基于胸透图像的肺结核检测方法、***和存储介质 | |
JP6107531B2 (ja) | 特徴抽出プログラム及び情報処理装置 | |
CN111967464A (zh) | 一种基于深度学习的弱监督目标定位方法 | |
CN112037146A (zh) | 医学图像伪影自动校正方法、装置和计算机设备 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN114758137A (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
Kumar et al. | Lung parenchyma segmentation: fully automated and accurate approach for thoracic CT scan images | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN116309459A (zh) | 基于改进网络的肺结节检测方法、装置、设备和存储介质 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN114861718B (zh) | 基于改进深度残差算法的轴承故障诊断方法及*** | |
CN112634224B (zh) | 基于目标影像的病灶检测方法和装置 | |
CN112766387B (zh) | 一种训练数据的纠错方法、装置、设备及存储介质 | |
CN112509052B (zh) | 黄斑中心凹的检测方法、装置、计算机设备和存储介质 | |
CN110705570B (zh) | 一种图像特征识别方法 | |
CN113012189A (zh) | 图像识别方法、装置、计算机设备和存储介质 |
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 |