CN110189318B - 带有语义特征得分的肺结节检测方法和*** - Google Patents
带有语义特征得分的肺结节检测方法和*** Download PDFInfo
- Publication number
- CN110189318B CN110189318B CN201910465182.2A CN201910465182A CN110189318B CN 110189318 B CN110189318 B CN 110189318B CN 201910465182 A CN201910465182 A CN 201910465182A CN 110189318 B CN110189318 B CN 110189318B
- Authority
- CN
- China
- Prior art keywords
- network
- semantic feature
- classification
- region
- nodule
- 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.)
- Expired - Fee Related
Links
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000003211 malignant effect Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 210000004072 lung Anatomy 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- 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]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种带有语义特征得分的肺结节检测方法和***。主要包括:构建特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络,对所述特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络进行训练;将待评测的胸部CT图像输入训练好的特征提取器网络,并由分类网络获得肺结节位置以及所述肺结节的分类,由第二语义特征网络获得肺结节的语义特征得分。上述方法可通过相应网络对胸部CT图像进行处理,并由分类网络获得肺结节位置以及所述肺结节的分类,由第二语义特征网络获得肺结节的语义特征得分。可自动获取肺结节的语义特征得分。
Description
技术领域
本发明涉及CT图像的肺结节检测技术领域,特别是涉及带有语义特征得分的肺结节检测方法和***。
背景技术
肺癌是所有癌症中的头号癌症。在所有恶性肿瘤中,有着13%的高病发率和19.5%的高死亡率。肺癌晚期的五年生存率仅有16%,但是如果可以在早期确诊,五年生存率可以提高到70%。肺癌早期的表现为结节形式,肺部结节是肺内呈不规则和近圆形的病灶区域。在这些病灶区域中,有30%表现为阳性,因此肺结节检测对肺癌早期的发现至关重要。
随着大数据时代的发展,深度学习在医疗领域的应用已经慢慢成为一种趋势。其中基于深度学习的目标检测已成为肺结节定位与分类的主要手段。
由于医师审阅肺部CT图像时,会根据纹理、细致度、毛刺征、圆度、边界、分叶征、内部结构以及钙化等表征语义特征来对肺结节定位和分类,而基于深度学习的目标检测技术只对肺结节进行定位和分类,在没有语义特征得分的情况下,这样的检测结果无法使医师信服。
发明内容
基于此,提供一种带有语义特征得分的肺结节检测方法。旨在解决现有技术中只对肺结节进行定位和分类,没有语义特征得分的技术问题。
一种带有语义特征得分的肺结节检测方法,所述方法包括:
构建特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络,
其中,
所述特征提取器网络,用于将带有肺结节的胸部CT图像作为特征提取器网络的输入,并提取所述胸部CT图像的特征图;
所述区域建议网络,用于将特征图作为区域建议网络的输入,并获取感兴趣区域;
所述第一语义特征网络,用于将特征图作为第一语义特征网络的输入,并获取所述感兴趣区域的语义特征得分;
所述分类网络,用于将所述感兴趣区域作为分类网络的输入,并对感兴趣区域的位置进行微调,获得肺结节位置以及所述肺结节的分类;
所述第二语义特征网络,用于将感兴趣区域的语义特征得分作为第二语义特征网络的输入,并对感兴趣区域的语义特征得分进行微调,获得肺结节的语义特征得分;
对所述特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络进行训练;
将待评测的胸部CT图像输入训练好的特征提取器网络,并由分类网络获得肺结节位置以及所述肺结节的分类,由第二语义特征网络获得肺结节的语义特征得分。
上述方法可通过相应网络对胸部CT图像进行处理,并由分类网络获得肺结节位置以及所述肺结节的分类,由第二语义特征网络获得肺结节的语义特征得分。可自动获取肺结节的语义特征得分。
在其中一个实施例中,所述区域建议网络中,设置有面积比为1:4的3个锚盒。
在其中一个实施例中,所述分类网络针对肺结节良恶性进行分类,所述第二语义特征网络获取一组语义特征的得分。
在其中一个实施例中,所述肺结节的位置为CT图像中肺结节的位置坐标、所述肺结节的分类为所述肺结节良恶性的分类,所述肺结节的语义特征得分为对于所述肺结节的一组语义特征得分。
一种带有语义特征得分的肺结节检测***,所述***包括:
CT图像的特征图获取模块,所述CT图像的特征图获取模块用于构建特征提取器网络,将带有肺结节的胸部CT图像作为该网络的输入,并提取CT图像的特征图;
感兴趣区域获取模块,所述感兴趣区域获取模块用于构建区域建议网络,将特征图作为区域建议网络的输入,并获取感兴趣区域;
第一语义特征得分获取模块,所述第一语义特征得分获取模块用于构建第一语义特征网络,将特征图作为第一语义特征网络的输入,并获取感兴趣区域的语义特征得分;
肺结节位置及分类获取模块,所述肺结节位置及分类获取模块用于构建分类网络,并将感兴趣区域作为分类网络的输入,对感兴趣区域的位置进行微调,获得肺结节位置和所述肺结节的分类;
第二语义特征得分获取模块,所述第二语义特征得分获取模块用于构建第二语义特征网络,并将感兴趣区域作为第二语义特征网络的输入,对感兴趣区域的语义特征得分进行微调,获得肺结节的语义特征得分。
在其中一个实施例中,所述区域建议网络中,设置有面积比为1:4的3个锚盒。
在其中一个实施例中,所述分类网络针对肺结节良恶性进行分类,所述语义特征网络获取一组语义特征的得分。
在其中一个实施例中,所述肺结节的位置为CT图像中肺结节的位置坐标、所述肺结节的分类为所述肺结节良恶性的分类,所述肺结节的语义特征得分为对于所述肺结节的一组语义特征得分。
一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行所述的肺结节检测方法对应的操作。
一种计算机装置,包括:处理器、存储器、通信接口和通信总线,所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信,所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行所述的肺结节检测方法对应的操作。
附图说明
图1为本发明的实施例的肺结节检测方法的流程图。
图2为本发明的实施例的肺结节检测方法应用到的各个网络的运行流程图。
图3为本发明的实施例的区域建议网络阶段的一个像素点中12个锚盒的示意图。
图4为本发明的实施例的分类阶段的感兴趣区域示意图。
图5为本发明的实施例的最终检测结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1和图2所示,本发明提供了一种带有语义特征得分的肺结节检测方法,所述方法包括:
S100、构建特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络,
其中,
所述特征提取器网络,用于将带有肺结节的胸部CT图像作为特征提取器网络的输入,并提取所述胸部CT图像的特征图;
所述区域建议网络,用于将特征图作为区域建议网络的输入,并获取感兴趣区域;
所述第一语义特征网络,用于将特征图作为第一语义特征网络的输入,并获取所述感兴趣区域的语义特征得分;
所述分类网络,用于将所述感兴趣区域作为分类网络的输入,并对感兴趣区域的位置进行微调,获得肺结节位置以及所述肺结节的分类;
所述第二语义特征网络,用于将感兴趣区域的语义特征得分作为第二语义特征网络的输入,并对感兴趣区域的语义特征得分进行微调,获得肺结节的语义特征得分;
S200、对所述特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络进行训练;
S300、将待评测的胸部CT图像输入训练好的特征提取器网络,并由分类网络获得肺结节位置以及所述肺结节的分类,由第二语义特征网络获得肺结节的语义特征得分。
上述方法可通过相应网络对胸部CT图像进行处理,并由分类网络获得肺结节位置以及所述肺结节的分类,由第二语义特征网络获得肺结节的语义特征得分。可自动获取肺结节的语义特征得分。
需要说明的是,本方法中使用LICD/IDR作为测试和训练的数据集。LICD/IDR是由美国密歇根大学、爱荷华大学、芝加哥大学、加利福尼亚大学、康奈尔大学威尔医学院共同创建了肺部图像数据库联盟(Lung Image Database Consortium,LIDC)。为了进一步研究肺部疾病,美国卫生研究院在2004年创建了图像数据库资源计划(Image DatabaseResource Initiative,IDRI)。2011年LIDC/IDRI影像数据库建立,它是当今世界最大的肺结节数据库。
LIDC/IDRI数据集只对>3mm的结节有8个结节语义特征的得分,除了“内部结构”的得分范围在1-4分和“钙化”的得分范围在1-6分外,“纹理”、“细致度”、“分叶征”、“边界”、“圆度”和“毛刺征”的得分范围均在1-5分。
以下通过具体实例对本发明的上述方法进行详细说明。
如图1和图2所示,步骤1、构建特征提取器网络,所述特征提取器网络用于将带有肺结节的胸部CT图像作为该网络的输入,并提取胸部CT图像的特征图。训练该特征提取器网络,主要是确定网络层的大小及网络层的参数。
需要说明的是,所述特征提取器网络可为Inception Resnet V2结构网络。
Inception Resnet V2的特征提取器网络是由残差网络(Residual Network)和Inception网络组合而成。随着网络深度的增加,模型会出现梯度消失和网络退化的问题,残差网络通过短链接可以很好的解决这问题。同样的随着网络深度的增加,卷积核矢量也势必增加,卷积参数量也会相应增加,Inception网络使用1x1的小卷积来代替原有的卷积核,从而达到加快训练速度的目的。
步骤2、构建区域建议网络及第一语义特征网络,将特征图作为两个网络的输入,训练区域建议网络和第一语义特征网络,获取感兴趣区域及感兴趣区域的语义特征得分。
所述区域建议网络及第一语义特征网络包括多个卷积层和全连接层。例如,区域建议网络包括1个卷积层以及2层全连接层,2层全连接层分别做前景的区分以及提取感兴趣区域。第一语义特征网络可用2个卷积层以及2个全连接层。需要说明的是,在卷积过程中,将像素填充的padding设为‘SAME’,卷积后不会改变输入图片的大小。
所述区域建议网络中,由于肺结节检测是小物体检测,在现有技术的基础上,增加了面积比为1:4的3个锚盒。
如图2所示,在区域建议网络中,以特征图作为该网络的输入,通过1x1的卷积核在特征图上的每个像素点进行滑动,产生一系列的滑动窗口。对每一个滑动窗口,按照面积比为1:4、1:2、1:1、2:1,长宽比为1:2、1:1、2:1的组合生成12个锚盒(Anchor),每个像素点的大小为1x1,面积为1,面积比为锚盒面积与像素点面积之比,具体示意图如图3所示。然后再按照与真实框的IOU(Intersection over Union)来选取正负样本,IOU>0.7为正样本,IOU<0.3为负样本,接着区域建议网络通过损失函数对锚盒进行坐标的位置调整,得到感兴趣区域,同时,第一语义特征网络通过损失函数对语义特征打分,得到感兴趣区域的语义特征得分。
需要说明的是,感兴趣区域是区域建议网络的输出,即有可能存在肺结节的区域,如图4所示。
表1 1个像素点中12个锚盒的大小
与现有技术中的Faster RCNN中的9个锚盒不同,本发明增加了面积比为1:4的3个锚盒,更适合小尺寸肺结节检测。
步骤3、构建分类网络及第二语义特征网络,将感兴趣区域作为分类网络的输入,将感兴趣区域的语义特征得分作为第二语义特征网络的输入,训练分类网络及第二语义特征网络,对感兴趣区域的位置和感兴趣区域的语义特征得分进行微调,最终获得肺结节位置、该结节的语义特征得分和该结节的分类。
所述分类网络及第二语义特征网络中,包括多个卷积层和全连接层。例如,分类网络应用1个卷基层以及1个全连接层。第二语义特征网络应用1个卷积层以及3个全连接层。
需要说明的是,分类网络针对肺结节良恶性进行分类,语义特征网络获取8个语义特征的得分。
具体的,在步骤2中,通过损失函数来确定感兴趣区域的位置和感兴趣区域的语义特征得分,并且判定前/背景。具体的损失函数有前/背景的损失,感兴趣区域位置损失和肺结节8个语义特征得分的损失三部分组成。在步骤3中,通过损失函数来微调感兴趣区域的位置和感兴趣区域的语义特征得分,并且确定良恶性。具体的损失函数有肺结节类别损失,肺结节位置损失和肺结节8个语义特征得分的损失三部分组成。步骤2和步骤3用到的计算公式具体包括以下公式:
其中,i为锚盒的索引。在步骤2中,λ1∑iLcls(pi,pi *)是前/背景的损失,其中λ1=1,pi代表模型预测为前/背景的概率,pi *为结节的真实的前/背景,取值为0或者1,pi *=1代表该结节为前景,pi *=0该结节为背景。在步骤3中,λ1∑iLcls(pi,pi *)是肺结节类别损失,其中λ1=1,pi代表模型预测为阳性结节的概率,pi *为结节的真实类别,取值为0或者1,pi *=1代表该结节为恶性,pi *=0该结节为良性。
在步骤2中,是感兴趣区域位置损失,其中λ2=2,是一个向量,代表预测框左上角和右下角两个点的坐标,ti *代表真实框左上角和右下角两个点的坐标。在步骤3中,是肺结节位置损失,其中λ2=2,是一个向量,代表预测框左上角和右下角两个点的坐标,ti *代表真实框左上角和右下角两个点的坐标。
Lcls(pi,pi *)=-log[pipi *+(1-pi)(1-pi *)] (2),
其中,在步骤2中Lcls(pi,pi *)为前/背景的对数损失。在步骤3中Lcls(pi,pi *)为肺结节良恶性的对数损失。
Lbbox(ti,ti *)=R(ti-ti *) (3),
Lcha(ci,ci *)=R(ci-ci *) (4),
其中,R是smooth L1函数。相比smoothL2函数,smoothL1函数可以有效的防止梯度***问题的出现,更具有鲁棒性。具体计算公式为:
本实施例中,为了防止过拟合问题的出现,可将原肺部CT图进行90度,180度,270度的水平翻转和dropout策略。为了防止梯度出现大幅度变化的问题,本实施例中使用了梯度阈值法(clip gradient),具体训练参数如表2所示。
表2参数设置
参数 | 设置 |
mini-batch | 1 |
Dropout概率值 | 0.3 |
Momentum优化器的值 | 0.9 |
1-30000步的学习率 | 0.0003 |
30001-60000步的学习率 | 0.00003 |
60001-90000步的学习率 | 0.000003 |
梯度阈值 | 10 |
需要说明的是,上述各个网络可在Tensorflow框架下进行训练,处理器为Intel(R)Core(TM)i7-6850K [email protected]*12,内存为11GB,GPU显卡为1080Ti。在此配置环境下,训练一次(90000步)花费的时间大约为9小时,每一步消耗的时间为0.6秒。
为了量化验证本发明公开方法的有效性,使用了准确率、敏感性、特异性及AUC这四个指标来衡量模型的检测效果。其中:
准确率(accuracy rate,AR):模型正确分类的样本数占总样本数的比例。
敏感性(true positive rate,TPR):模型识别出的阳性样本数(真阳性)占所有阳性样本数(真阳性和假阴性的总和)的比例。
特异性(true negative rate,TNR):模型识别出的阴性样本数(真阴性)占所有阴性样本数(假阳性和真阴性的总和)的比例。
在8个语义特征得分中,使用模型预测分数与医生标注分数的平均绝对误差和标准差作为评价标准,计算公式为:
表3肺结节8个语义特征得分结果的对比
分析表3可以得出,本发明公开的方法和医生的误差与医生间的误差相当接近。
表4不同模型中肺结节良恶性分类的检测结果
分析表4可以得出,本发明公开的方法改进了Faster R-CNN的区域建议网络,提高了敏感性和准确率。
本实施例中,最终的检测结果如图5所示。图5中的图片的左下角框出的圆形图像为肺结节。该肺结节的语义特征得分为:
细致度:5,内部结构:1,钙化:6,圆度:4,边界:4,分叶征:1,毛刺征:1,纹理:5。
本发明还提供了一种带有语义特征得分的肺结节检测***,所述***包括:
CT图像的特征图获取模块,所述CT图像的特征图获取模块用于构建特征提取器网络,将带有肺结节的胸部CT图像作为该网络的输入,并提取CT图像的特征图;
感兴趣区域获取模块,所述感兴趣区域获取模块用于构建区域建议网络,将特征图作为区域建议网络的输入,并获取感兴趣区域;
第一语义特征得分获取模块,所述第一语义特征得分获取模块用于构建第一语义特征网络,将特征图作为第一语义特征网络的输入,并获取感兴趣区域的语义特征得分;
肺结节位置及分类获取模块,所述肺结节位置及分类获取模块用于构建分类网络,并将感兴趣区域作为分类网络的输入,对感兴趣区域的位置进行微调,获得肺结节位置和所述肺结节的分类;
第二语义特征得分获取模块,所述第二语义特征得分获取模块用于构建第二语义特征网络,并将感兴趣区域作为第二语义特征网络的输入,对感兴趣区域的语义特征得分进行微调,获得肺结节的语义特征得分。
本实施例中,所述区域建议网络中,设置有面积比为1:4的3个锚盒。
本实施例中,所述分类网络针对肺结节良恶性进行分类,所述语义特征网络获取一组语义特征的得分。
本实施例中,所述肺结节的位置为CT图像中肺结节的位置坐标、所述肺结节的分类为所述肺结节良恶性的分类,所述肺结节的语义特征得分为对于所述肺结节的一组语义特征得分。
本发明还提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行所述的肺结节检测方法对应的操作。
本发明还提供了一种计算机装置,包括:处理器、存储器、通信接口和通信总线,所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信,所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行所述的肺结节检测方法对应的操作。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种带有语义特征得分的肺结节检测方法,其特征在于,所述方法包括:
构建特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络,
其中,
所述特征提取器网络,用于将带有肺结节的胸部CT图像作为特征提取器网络的输入,并提取所述胸部CT图像的特征图;
所述区域建议网络,用于将特征图作为区域建议网络的输入,并获取感兴趣区域;
所述第一语义特征网络,用于将特征图作为第一语义特征网络的输入,并获取所述感兴趣区域的语义特征得分;
所述分类网络,用于将所述感兴趣区域作为分类网络的输入,并对感兴趣区域的位置进行微调,获得肺结节位置以及所述肺结节的分类;
所述第二语义特征网络,用于将感兴趣区域的语义特征得分作为第二语义特征网络的输入,并对感兴趣区域的语义特征得分进行微调,获得肺结节的语义特征得分;
对所述特征提取器网络、区域建议网络、第一语义特征网络、分类网络和第二语义特征网络进行训练;
将待评测的胸部CT图像输入训练好的特征提取器网络,并由分类网络获得肺结节位置以及所述肺结节的分类,由第二语义特征网络获得肺结节的语义特征得分,
所述区域建议网络中,增加了面积比为1:4的3个锚盒,通过损失函数来确定感兴趣区域的位置和感兴趣区域的语义特征得分,损失函数有前/背景的损失,感兴趣区域位置损失和肺结节8个语义特征得分的损失三部分组成。
2.根据权利要求1所述的带有语义特征得分的肺结节检测方法,其特征在于,所述分类网络针对肺结节良恶性进行分类,所述第二语义特征网络获取一组语义特征的得分。
3.根据权利要求1所述的带有语义特征得分的肺结节检测方法,其特征在于,所述肺结节的位置为CT图像中肺结节的位置坐标、所述肺结节的分类为所述肺结节良恶性的分类,所述肺结节的语义特征得分为对于所述肺结节的一组语义特征得分。
4.一种带有语义特征得分的肺结节检测***,其特征在于,所述***包括:
CT图像的特征图获取模块,所述CT图像的特征图获取模块用于构建特征提取器网络,将带有肺结节的胸部CT图像作为该网络的输入,并提取CT图像的特征图;
感兴趣区域获取模块,所述感兴趣区域获取模块用于构建区域建议网络,将特征图作为区域建议网络的输入,并获取感兴趣区域;
第一语义特征得分获取模块,所述第一语义特征得分获取模块用于构建第一语义特征网络,将特征图作为第一语义特征网络的输入,并获取感兴趣区域的语义特征得分;
肺结节位置及分类获取模块,所述肺结节位置及分类获取模块用于构建分类网络,并将感兴趣区域作为分类网络的输入,对感兴趣区域的位置进行微调,获得肺结节位置和所述肺结节的分类;
第二语义特征得分获取模块,所述第二语义特征得分获取模块用于构建第二语义特征网络,并将感兴趣区域作为第二语义特征网络的输入,对感兴趣区域的语义特征得分进行微调,获得肺结节的语义特征得分,
所述区域建议网络中,增加了面积比为1:4的3个锚盒,通过损失函数来确定感兴趣区域的位置和感兴趣区域的语义特征得分,损失函数有前/背景的损失,感兴趣区域位置损失和肺结节8个语义特征得分的损失三部分组成。
5.根据权利要求4所述的带有语义特征得分的肺结节检测***,其特征在于,所述分类网络针对肺结节良恶性进行分类,所述语义特征网络获取一组语义特征的得分。
6.根据权利要求4所述的带有语义特征得分的肺结节检测***,其特征在于,所述肺结节的位置为CT图像中肺结节的位置坐标、所述肺结节的分类为所述肺结节良恶性的分类,所述肺结节的语义特征得分为对于所述肺结节的一组语义特征得分。
7.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1至3中任意一项所述的肺结节检测方法对应的操作。
8.一种计算机装置,包括:处理器、存储器、通信接口和通信总线,所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信,所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1至3中任意一项所述的肺结节检测方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465182.2A CN110189318B (zh) | 2019-05-30 | 2019-05-30 | 带有语义特征得分的肺结节检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465182.2A CN110189318B (zh) | 2019-05-30 | 2019-05-30 | 带有语义特征得分的肺结节检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189318A CN110189318A (zh) | 2019-08-30 |
CN110189318B true CN110189318B (zh) | 2022-12-06 |
Family
ID=67719124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910465182.2A Expired - Fee Related CN110189318B (zh) | 2019-05-30 | 2019-05-30 | 带有语义特征得分的肺结节检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189318B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738643B (zh) * | 2019-10-08 | 2023-07-28 | 上海联影智能医疗科技有限公司 | 脑出血的分析方法、计算机设备和存储介质 |
CN113139928B (zh) * | 2020-01-16 | 2024-02-23 | 中移(上海)信息通信科技有限公司 | 肺结节检测模型的训练方法和肺结节检测方法 |
CN111598853B (zh) * | 2020-04-30 | 2024-02-13 | 讯飞医疗科技股份有限公司 | 针对肺炎的ct影像评分方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003024184A2 (en) * | 2001-09-14 | 2003-03-27 | Cornell Research Foundation, Inc. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
CN107492095A (zh) * | 2017-08-02 | 2017-12-19 | 西安电子科技大学 | 基于深度学习的医学图像肺结节检测方法 |
CN109087317A (zh) * | 2018-11-13 | 2018-12-25 | 中国科学院大学 | 一种肺结节图像分割方法 |
-
2019
- 2019-05-30 CN CN201910465182.2A patent/CN110189318B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003024184A2 (en) * | 2001-09-14 | 2003-03-27 | Cornell Research Foundation, Inc. | System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans |
CN107492095A (zh) * | 2017-08-02 | 2017-12-19 | 西安电子科技大学 | 基于深度学习的医学图像肺结节检测方法 |
CN109087317A (zh) * | 2018-11-13 | 2018-12-25 | 中国科学院大学 | 一种肺结节图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110189318A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vaka et al. | Breast cancer detection by leveraging Machine Learning | |
Al-Antari et al. | Deep learning computer-aided diagnosis for breast lesion in digital mammogram | |
Bi et al. | Automatic liver lesion detection using cascaded deep residual networks | |
Shi et al. | Characterization of mammographic masses based on level set segmentation with new image features and patient information | |
CN104424634B (zh) | 对象跟踪方法和装置 | |
CN110189318B (zh) | 带有语义特征得分的肺结节检测方法和*** | |
Mi et al. | Deep learning-based multi-class classification of breast digital pathology images | |
CN110766051A (zh) | 一种基于神经网络的肺结节形态学分类方法 | |
CN113628157A (zh) | 利用病理图像来表征肿瘤微环境的***和方法 | |
WO2018107371A1 (zh) | 图像搜索***及方法 | |
CN111144474B (zh) | 基于多视图、多尺度、多任务肺结节分类方法 | |
Yao et al. | Pneumonia Detection Using an Improved Algorithm Based on Faster R‐CNN | |
Fan et al. | Deep learning for detecting breast cancer metastases on WSI | |
Li et al. | Semantic characteristics prediction of pulmonary nodule using artificial neural networks | |
Wang et al. | SC‐Dynamic R‐CNN: A Self‐Calibrated Dynamic R‐CNN Model for Lung Cancer Lesion Detection | |
Zheng et al. | 3D gray density coding feature for benign‐malignant pulmonary nodule classification on chest CT | |
US20210056703A1 (en) | Progressively-trained scale-invariant and boundary-aware deep neural network for the automatic 3d segmentation of lung lesions | |
Schabdach et al. | A likelihood-free approach for characterizing heterogeneous diseases in large-scale studies | |
Alsheh Ali et al. | Detection of potential microcalcification clusters using multivendor for‐presentation digital mammograms for short‐term breast cancer risk estimation | |
CN114511523B (zh) | 基于自监督学习的胃癌分子亚型分类方法及装置 | |
Bhende et al. | [Retracted] Attention Layer‐Based Multidimensional Feature Extraction for Diagnosis of Lung Cancer | |
Zhou et al. | Computerized image analysis: texture‐field orientation method for pectoral muscle identification on MLO‐view mammograms | |
Ferreira et al. | Convolutional neural network architectures for texture classification of pulmonary nodules | |
Hao et al. | An improved cervical cell segmentation method based on deep convolutional network | |
CN113256622A (zh) | 基于三维图像的目标检测方法、装置及电子设备 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221206 |