CN110782441A - 一种基于深度学习的dr影像肺结核智能分割与检测方法 - Google Patents
一种基于深度学习的dr影像肺结核智能分割与检测方法 Download PDFInfo
- Publication number
- CN110782441A CN110782441A CN201911005562.4A CN201911005562A CN110782441A CN 110782441 A CN110782441 A CN 110782441A CN 201911005562 A CN201911005562 A CN 201911005562A CN 110782441 A CN110782441 A CN 110782441A
- Authority
- CN
- China
- Prior art keywords
- image
- tuberculosis
- pulmonary tuberculosis
- lesion area
- mask
- 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
- 208000008128 pulmonary tuberculosis Diseases 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 230000011218 segmentation Effects 0.000 title claims abstract description 8
- 230000003902 lesion Effects 0.000 claims abstract description 25
- 201000008827 tuberculosis Diseases 0.000 claims abstract description 24
- 210000004072 lung Anatomy 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 8
- 238000002601 radiography Methods 0.000 description 5
- 208000015181 infectious disease Diseases 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 2
- 241000187479 Mycobacterium tuberculosis Species 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的DR影像肺结核智能分割与检测方法，包括：将原始DR图像提取掩膜，滤除小面积区域，并进行凸包操作，对经过凸包操作的掩膜进行膨胀操作，得到肺部有效区域；对原始DR图像进行标注，针对有肺结核表现的DR图像标注出其病变区域的位置；将提取掩模后的图像和含有肺结核病变区域位置的标注信息送进深度神经网络中进行训练，学习肺结核影像的特征；使用训练好的模型对未经过训练的DR图像进行预测，输出肺结核病变区域的位置，并给出其概率。本发明大幅提升了肺结核病的检出率，并精准输出肺结核病变区域的位置，为肺结核的筛查与治疗提供了可靠、高效的参考。
Description
技术领域
本发明属于医疗技术领域，具体涉及一种基于深度学习的DR影像肺结核智能分割与检测方法。
背景技术
肺结核是一种由结核分枝杆菌引起的呼吸道传染病，是危害人类健康的重要传染病，据WHO统计，2016年全球结核病新发病例数为1040万例，170万人死于结核病，结核分枝杆菌是致死人数排第一位的传染性病原体。
中国是结核病高负担国家，2010年第五次全国结核病流行病学调查推算结核病患者约490万，但同年实际被诊断与治疗的患者不足90万，提示有80％的患者没有被发现与治疗，这些被遗漏的病人是导致结核病传播的重要传染源。95％的肺结核患者会有胸部X线检查异常，DR胸片在结核病筛查中具有高度敏感性，所以推行包含胸片的结核病主动筛查是解决患者遗漏问题的重要手段。
DR摄片机已逐步在我国乡镇以上级别医疗机构普及，为大规模人群结核病DR胸片筛查提供了硬件保障，但基层放射科医生对胸片判读能力普遍不足，所以急需解决胸片拍摄后确定可疑病患者并进行诊断是结核病筛查工作中的最后“一公里”问题。近年来随着大数据和人工智能的快速发展，深度学习逐渐应用于计算机辅助诊断computer aideddiagnosis(CAD)，为该问题的解决提供了理想路径。
申请号为201710618397.4的专利文献中公开了一种基于DR的肺结核智能识别方法及***，其方法利用深度学习自主学习肺结核影像特征，识别DR图像中的肺结核影像特征，实现肺结核的自动筛查，很大程度上降低了筛查成本，其方法识别率高，有效的避免了漏检未识别的现象，但是该方法只对DR胸片进行了简单的二分类，即有无患病，并未能对患病的DR胸片输出其病变区域的位置。
发明内容
为了解决上述问题，本发明提供了一种基于深度学习的DR影像肺结核智能分割与检测方法，基于DR胸片的肺结核，不仅对DR胸片进行分类，判断其是否有病，并且对有病的DR分割出病变区域的位置，对于肺结核的筛查提供了精准的依据。
本发明的技术方案为：一种基于深度学习的DR影像肺结核智能分割与检测方法，包括以下步骤：
(1)将原始DR图像像素值归一化处理；
(2)利用卷积神经网络对步骤(1)中进行归一化处理之后的图像进行分割，提取处肺部有效区域的掩膜，得到肺部有效区域的二值图像；
(3)滤除步骤(2)中提取提到的掩膜图像的小面积区域；
(4)对掩膜图像进行凸包操作；
(5)对经过凸包操作的掩膜进行膨胀操作，扩大肺部有效区域；
(6)将步骤(1)和步骤(5)得到的图像进行相乘，得到肺部有效区域；
(7)对原始DR图像进行标注，针对有肺结核表现的DR图像标注出其病变区域的位置；
(8)将提取掩模后的图像和含有肺结核病变区域位置的标注信息送进深度神经网络中进行训练，学习肺结核影像的特征；
(9)使用训练好的模型对未经过训练的DR图像进行预测，输出肺结核病变区域的位置，并给出其概率；
(10)将输出的肺结核病变区域的位置信息在步骤(1)得到的图像中进行展示，可视化肺结核病变区域的位置。
本发明首先使用深度卷积神经网络提取肺部有效区域的掩模，并对掩模进行预处理，在得到肺部有效区域后，对其进行训练，输出病变区域的位置和病变区域的概率，本发明不仅可以判断其有无患病，还可以对有肺结核表现的DR胸片标注出病变区域的位置，为肺结核的筛查和治疗提供了更为精准的参考。
作为优选，将原始DR图像像素值归一化至0～255。
与现有技术相比，本发明的有益效果体现在：
本发明首先对DR胸片提取掩模，分割出肺部有效区域，去除无关区域对最终识别结果的影响，然后利用深度学习对DR图像的肺结核病变区域进行检测，输出病变区域的位置，大幅提升了肺结核病的检出率，并精准输出肺结核病变区域的位置，为肺结核的筛查与治疗提供了可靠、高效的参考。
附图说明
图1为本发明的流程示意图。
图2为本发明预处理的案例示意图。
具体实施方式
实施例1
一种基于深度学习的DR影像肺结核智能分割与检测方法，如图1所示，包括以下步骤：
(1)将原始DR影像像素值归一化至0～255，见图2中(a)；
(2)利用卷积神经网络对上述图像进行分割，提取出肺部有效区域的掩模，得到肺部有效区域的二值图像，见图2中(b)；
(3)滤除上一步提取到的掩模图像的小面积区域，见图2中(c)；
(4)对上一步的掩模进行凸包操作，见图2中(d)；
(5)对经过凸包操作的掩模进行膨胀操作，扩大肺部有效区域，见图2中(e)；
(6)将步骤(1)和步骤(5)得到的图像进行相乘，得到肺部有效区域，见图2中(f)；
(7)对原始DR图像进行标注，针对有肺结核表现的DR图像标注出其病变区域的位置；
(8)将提取掩模后的图像和含有肺结核病变区域位置的标注信息送进深度神经网络中进行训练，学习肺结核影像的特征；
(9)使用训练好的模型对未经过训练的DR胸片进行预测，输出肺结核病变区域的位置，并给出其概率；
(10)将输出的肺结核病变区域的位置信息在1步的到的图像进行展示，可视化肺结核病变区域的位置。
Claims (2)
1.一种基于深度学习的DR影像肺结核智能分割与检测方法，其特征在于，包括以下步骤：
(1)将原始DR图像像素值归一化处理；
(2)利用卷积神经网络对步骤(1)中进行归一化处理之后的图像进行分割，提取处肺部有效区域的掩膜，得到肺部有效区域的二值图像；
(3)滤除步骤(2)中提取提到的掩膜图像的小面积区域；
(4)对掩膜图像进行凸包操作；
(5)对经过凸包操作的掩膜进行膨胀操作，扩大肺部有效区域；
(6)将步骤(1)和步骤(5)得到的图像进行相乘，得到肺部有效区域；
(7)对原始DR图像进行标注，针对有肺结核表现的DR图像标注出其病变区域的位置；
(8)将提取掩模后的图像和含有肺结核病变区域位置的标注信息送进深度神经网络中进行训练，学习肺结核影像的特征；
(9)使用训练好的模型对未经过训练的DR图像进行预测，输出肺结核病变区域的位置，并给出其概率；
(10)将输出的肺结核病变区域的位置信息在步骤(1)得到的图像中进行展示，可视化肺结核病变区域的位置。
2.如权利要求1所述的基于深度学习的DR影像肺结核智能分割与检测方法，其特征在于，将原始DR图像像素值归一化至0～255。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911005562.4A CN110782441A (zh) | 2019-10-22 | 2019-10-22 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911005562.4A CN110782441A (zh) | 2019-10-22 | 2019-10-22 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110782441A true CN110782441A (zh) | 2020-02-11 |
Family
ID=69384421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911005562.4A Pending CN110782441A (zh) | 2019-10-22 | 2019-10-22 | 一种基于深度学习的dr影像肺结核智能分割与检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782441A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及*** |
| CN111489335A (zh) * | 2020-04-07 | 2020-08-04 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎x射线图像的量化分析***及方法 |
| CN111738997A (zh) * | 2020-06-11 | 2020-10-02 | 浙江大学 | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310457A (zh) * | 2013-06-18 | 2013-09-18 | 哈尔滨工程大学 | 一种基于抛物线修正凸包的肺实质分割方法 |
| CN108537784A (zh) * | 2018-03-30 | 2018-09-14 | 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 |
| CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗*** |
| CN109003672A (zh) * | 2018-07-16 | 2018-12-14 | 北京睿客邦科技有限公司 | 一种基于深度学习的早期肺癌检测分类一体化设备及*** |
| US20190005354A1 (en) * | 2017-06-30 | 2019-01-03 | Fujifilm Corporation | Learning data generation support apparatus, operation method of learning data generation support apparatus, and learning data generation support program |
-
2019
- 2019-10-22 CN CN201911005562.4A patent/CN110782441A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310457A (zh) * | 2013-06-18 | 2013-09-18 | 哈尔滨工程大学 | 一种基于抛物线修正凸包的肺实质分割方法 |
| US20190005354A1 (en) * | 2017-06-30 | 2019-01-03 | Fujifilm Corporation | Learning data generation support apparatus, operation method of learning data generation support apparatus, and learning data generation support program |
| CN108537784A (zh) * | 2018-03-30 | 2018-09-14 | 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 |
| CN108670285A (zh) * | 2018-06-05 | 2018-10-19 | 胡晓云 | 一种ct肺结核检测人工智能诊疗*** |
| CN109003672A (zh) * | 2018-07-16 | 2018-12-14 | 北京睿客邦科技有限公司 | 一种基于深度学习的早期肺癌检测分类一体化设备及*** |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489335A (zh) * | 2020-04-07 | 2020-08-04 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎x射线图像的量化分析***及方法 |
| CN111489335B (zh) * | 2020-04-07 | 2023-08-15 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎x射线图像的量化分析***及方法 |
| CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及*** |
| CN111738997A (zh) * | 2020-06-11 | 2020-10-02 | 浙江大学 | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及*** | |
| Shyni et al. | A comparative study of X-ray and CT images in COVID-19 detection using image processing and deep learning techniques | |
| CN111951246B (zh) | 一种基于深度学习的多方位x光胸片肺炎诊断方法 | |
| CN110782441A (zh) | 一种基于深度学习的dr影像肺结核智能分割与检测方法 | |
| WO2019184851A1 (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
| CN111754453A (zh) | 基于胸透图像的肺结核检测方法、***和存储介质 | |
| CN111653356A (zh) | 一种基于深度学习的新冠肺炎筛查方法及新冠肺炎筛查*** | |
| CN113095382A (zh) | 基于ct图像的可解释性肺结核分类网络识别方法 | |
| Yang et al. | Towards unbiased COVID-19 lesion localisation and segmentation via weakly supervised learning | |
| Basha et al. | Enhanced and Effective Computerized Classification of X-Ray Images | |
| JP2024043567A (ja) | 特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システム | |
| Ghorakavi | TBNet: pulmonary tuberculosis diagnosing system using deep neural networks | |
| Degadwala et al. | Empowering Maxillofacial Diagnosis Through Transfer Learning Models | |
| CN110634132A (zh) | 基于深度学习的3d ct影像自动生成肺结核量化诊断报告的方法 | |
| Genc et al. | Automated abnormality classification of chest radiographs using MobileNetV2 | |
| Fonseca et al. | Automatic orientation identification of pediatric chest x-rays | |
| CN115861292A (zh) | 基于ct图像二维投影及深度学习的肺结核传染性判别方法 | |
| Elbarougy et al. | COVID-19 detection on chest x-ray images by combining histogram-oriented gradient and convolutional neural network features | |
| Shaikh et al. | Automated classification of pneumonia from chest x-ray images using deep transfer learning efficientnet-b0 model | |
| Lee et al. | An adaptive data processing framework for cost-effective COVID-19 and pneumonia detection | |
| CN113223003A (zh) | 一种基于深度学习的胆管图像分割方法 | |
| Sowmya et al. | Vision transformer based ResNet model for pneumonia prediction | |
| Yousuf et al. | Analysis of tuberculosis detection techniques using chest x-rays: A review | |
| Lilly Sheeba et al. | Detection of lung cancer from ct images using image processing | |
| Ghildiyal et al. | Layer-based deep net models for automated classification of pulmonary tuberculosis from chest radiographs |
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 |
Application publication date: 20200211 |
|
| RJ01 | Rejection of invention patent application after publication |