CN111091564B - 一种基于3DUnet的肺结节大小检测*** - Google Patents

一种基于3DUnet的肺结节大小检测*** Download PDF

Info

Publication number
CN111091564B
CN111091564B CN201911352399.9A CN201911352399A CN111091564B CN 111091564 B CN111091564 B CN 111091564B CN 201911352399 A CN201911352399 A CN 201911352399A CN 111091564 B CN111091564 B CN 111091564B
Authority
CN
China
Prior art keywords
image
intermediate image
result
lung
convolution
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
Application number
CN201911352399.9A
Other languages
English (en)
Other versions
CN111091564A (zh
Inventor
王军
舒锦尔
包勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinhua central hospital
Changzhou Industrial Technology Research Institute of Zhejiang University
Original Assignee
Jinhua central hospital
Changzhou Industrial Technology Research Institute of Zhejiang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinhua central hospital, Changzhou Industrial Technology Research Institute of Zhejiang University filed Critical Jinhua central hospital
Priority to CN201911352399.9A priority Critical patent/CN111091564B/zh
Publication of CN111091564A publication Critical patent/CN111091564A/zh
Application granted granted Critical
Publication of CN111091564B publication Critical patent/CN111091564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种基于3DUnet的肺结节大小检测***，包括肺叶分割模块和病灶检测模块；所述肺叶分割模块被配置为读取肺部CT图像、去除肺部CT图像中的无关区域和输出肺部分割图像；所述病灶检测模块被配置为读取所述肺部分割图像、定位病灶、输出特征图和输出定位结果。这种基于3DUnet的肺结节大小检测***能够准确通过特征图和定位结果给出肺结节概率、肺结节中心点和肺结节大小信息。

Description

一种基于3DUnet的肺结节大小检测***
技术领域
本发明涉及肺结节检测技术领域，尤其涉及一种基于3DUnet的肺结节大小检测***。
背景技术
肺癌作为发病率较高的癌症，一直对人类的生命造成非常大的威胁，肺结节是肺癌早期的表现形式之一，肺结节检测是否准确和及时对患者非常重要。传统的肺结节检测***是通过CT扫描病人的肺部图片，医生手动进行肺结节的标注，这种方式具有非常大的不稳定性和不准确性。现如今也存在一些基于深度学习的肺结节检测***，但是这些检测***存在着检测误差大的问题，同时结构复杂的检测模型也增加了训练难度。因此，发明一种基于3DUnet的肺结节大小检测***是非常要必要的。
发明内容
本发明要解决的技术问题是：为了解决现有的肺结节检测***检测误差大和检测模型训练难度大的问题，本发明提供了一种基于3DUnet的肺结节大小检测***来解决上述问题。
本发明解决其技术问题所采用的技术方案是：一种基于3DUnet的肺结节大小检测***，包括肺叶分割模块和病灶检测模块；
所述肺叶分割模块被配置为读取肺部CT图像、去除肺部CT图像中的无关区域和输出肺部分割图像；所述肺叶分割模块包括十个分割卷积块、四个最大池化层和四个上采样层；
所述病灶检测模块被配置为读取所述肺部分割图像、定位病灶、输出特征图和输出定位结果；所述病灶检测模块包括依次设置的输入残差块、第一残差块、第二残差块、第一反卷积单元、第三残差块、第二反卷积单元和输出残差块；
所述输入残差块包括依次设置的两个第一卷积单元、第一池化单元和第一归一化单元；
所述第一残差块包括三个第二卷积单元、第二池化单元和第二归一化单元；
所述第二残差块包括三个第三卷积单元、第三池化单元和第三归一化单元；
所述第三残差块包括第四卷积单元、第五卷积单元和第四归一化单元；
所述输出残差块包括两个第六卷积单元和第五归一化单元。
作为优选，所述肺叶分割模块具体被配置为：
第一个分割卷积块被配置为将所述肺部CT图像处理为第一结果图像；
第一个最大池化层和第二个分割卷积块被配置为将所述第一结果图像处理为第二结果图像；
第二个最大池化层和第三个分割卷积块被配置为将所述第二结果图像处理为第三结果图像；
第三个最大池化层和第四个分割卷积块被配置为将所述第三结果图像处理为第四结果图像；
第四个最大池化层和第五个分割卷积块被配置为将所述第四结果图像处理为第五结果图像；
第一个上采样层被配置为将所述第五结果图像处理为第一中间结果图像；
第六个分割卷积块被配置为将所述第一中间结果图像和第四结果图像的拼接结果处理为第六结果图像；
第二个上采样层被配置为将所述第六结果图像处理为第二中间结果图像；
第七个分割卷积块被配置为将所述第二中间结果图像和第三结果图像的拼接结果处理为第七结果图像；
第三个上采样层被配置为将所述第七结果图像处理为第三中间结果图像；
第八个分割卷积块被配置为将所述第三中间结果图像和第二结果图像的拼接结果处理为第八结果图像；
第四个上采样层被配置为将所述第八结果图像处理为第四中间结果图像；
第九个分割卷积块和第十个分割卷积块被配置为将所述第四中间结果图像和所述第一结果图像的拼接结果处理为肺部分割图像。
作为优选，所述病灶检测模块具体被配置为：
所述输入残差块被配置为将所述肺部分割图像处理为输入图像；
第一个所述第二卷积单元被配置为将所述输入图像处理为第一中间图像，第二个所述第二卷积单元被配置为将所述第一中间图处理为第二中间图像，第三个所述第二卷积单元被配置为将所述第二中间图处理为第三中间图像，所述第二池化单元和第二归一化单元被配置为将所述第三中间图像处理后输入所述第二残差块；
第一个所述第三卷积单元被配置为将经过所述第二池化单元和第二归一化单元处理后的所述第三中间图像处理为第四中间图像，第二个所述第三卷积单元被配置为将所述第四中间图像处理为第五中间图像，第三个所述第三卷积单元被配置为将所述第五中间图像处理为第六中间图像，所述第三池化单元和第三归一化单元被配置为将所述第六中间图像处理后输入所述第一反卷积单元；
所述第一反卷积单元被配置为将经过所述第三池化单元和第三归一化单元处理后的所述第六中间图像处理为第七中间图像；
所述第七中间图像经过Sigmoid函数处理后与所述第四中间图像、第五中间图像和第六中间图像的叠加图像相乘得到第八中间图像；
所述第八中间图像与所述第四中间图像、第五中间图像和第六中间图像的叠加图像相加得到第九中间图像；
所述第四卷积单元、第五卷积单元和第四归一化单元被配置为将所述第九中间图像处理为第十中间图像；
所述第十中间图像经过Sigmoid函数处理后与所述第一中间图像、第二中间图像和第三中间图像的叠加图像相乘得到第十一中间图像；
所述第十一中间图像与所述第一中间图像、第二中间图像和第三中间图像的叠加图像相加得到第十二中间图像；
两个所述第六卷积单元和所述第五归一化单元被配置为将所述第十二中间图像处理为特征图。
作为优选，所述定位结果由以下公式确定：
(P,Ox,Oy,Oz,Sx,Sy,Sz)；
式中：
P为所述肺结节概率；
Ox为肺结节的X轴坐标；
Oy为肺结节的Y轴坐标；
Oz为肺结节的Z轴坐标；
Sx为肺结节所在区域在X轴方向上的长度；
Sy为肺结节所在区域在Y轴方向上的长度；
Sz为肺结节所在区域在Z轴方向上的长度。
作为优选，所述肺部分割图像的维度为200×224×320，所述特征图的维度为100×112×160，所述特征图的步长为2。
本发明的有益效果是，这种基于3DUnet的肺结节大小检测***能够准确通过特征图和定位结果给出肺结节概率、肺结节中心点和肺结节大小信息；病灶检测模块取消了anchor的设置和计算以及NMS，减小了病灶检测模块的训练难度。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明一种基于3DUnet的肺结节大小检测***的肺叶分割模块的结构示意图。
图2是本发明一种基于3DUnet的肺结节大小检测***的病灶检测模块的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
如图1～2所示，本发明提供了一种基于3DUnet的肺结节大小检测***，包括肺叶分割模块和病灶检测模块。
肺叶分割模块包括十个分割卷积块、四个最大池化层和四个上采样层。肺叶分割模块被配置为读取肺部CT图像、去除肺部CT图像中的无关区域和输出肺部分割图像，具体包括：
第一个分割卷积块被配置为将肺部CT图像处理为第一结果图像，第一结果图像的维度为96×96×96，第一个分割卷积块的输出通道数量为32。
第一个最大池化层和第二个分割卷积块被配置为将第一结果图像处理为第二结果图像，第二结果图像的维度为48×48×48，第一个最大池化层的输出通道数量为32，第二个分割卷积块的输出通道数量为64。
第二个最大池化层和第三个分割卷积块被配置为将第二结果图像处理为第三结果图像，第三结果图像的维度为24×24×24，第二个最大池化层的输出通道数量为64，第三个分割卷积块的输出通道数量为128。
第三个最大池化层和第四个分割卷积块被配置为将第三结果图像处理为第四结果图像，第四结果图像的维度为12×12×12，第三个最大池化层的输出通道数量为128，第四个分割卷积块的输出通道数量为256。
第四个最大池化层和第五个分割卷积块被配置为将第四结果图像处理为第五结果图像，第五结果图像的维度为6×6×6，第四个最大池化层的输出通道数量为256，第五个分割卷积块的输出通道数量为512。
第一个上采样层被配置为将第五结果图像处理为第一中间结果图像。
第六个分割卷积块被配置为将第一中间结果图像和第四结果图像的拼接结果处理为第六结果图像，第六结果图像的维度为12×12×12，第一个上采样层的输出通道数量为512，第六个分割卷积块的输出通道数量为256。
第二个上采样层被配置为将第六结果图像处理为第二中间结果图像。
第七个分割卷积块被配置为将第二中间结果图像和第三结果图像的拼接结果处理为第七结果图像，第七结果图像的维度为24×24×24，第二个上采样层的输出通道数量为256，第七个分割卷积块的输出通道数量为128。
第三个上采样层被配置为将第七结果图像处理为第三中间结果图像。
第八个分割卷积块被配置为将第三中间结果图像和第二结果图像的拼接结果处理为第八结果图像，第八结果图像的维度为48×48×48，第三个上采样层的输出通道数量为128，第八个分割卷积块的输出通道数量为64。
第四个上采样层被配置为将第八结果图像处理为第四中间结果图像。
第九个分割卷积块和第十个分割卷积块被配置为将第四中间结果图像和第一结果图像的拼接结果处理为肺部分割图像。肺部分割图像的维度为96×96×96，第四个上采样层的输出通道数量为64，第九个分割卷积块的输出通道数量为32，第十个分割卷积块的输出通道数量为6。
在本市实施例中，需要先将得到的维度为96×96×96肺部分割图像处理为处理为维度为200×224×320肺部分割图像，再将维度为200×224×320肺部分割图像输入至病灶检测模块。
病灶检测模块包括依次设置的输入残差块、第一残差块、第二残差块、第一反卷积单元、第三残差块、第二反卷积单元和输出残差块。
输入残差块包括依次设置的两个第一卷积单元、第一池化单元和第一归一化单元。
第一残差块包括三个第二卷积单元、第二池化单元和第二归一化单元。
第二残差块包括三个第三卷积单元、第三池化单元和第三归一化单元。
第三残差块包括第四卷积单元、第五卷积单元和第四归一化单元。
输出残差块包括两个第六卷积单元和第五归一化单元。
病灶检测模块被配置为读取肺部分割图像、定位病灶、输出特征图和输出定位结果，具体包括：
输入残差块被配置为将肺部分割图像处理为输入图像，。
第一个第二卷积单元被配置为将输入图像处理为第一中间图像，第二个第二卷积单元被配置为将第一中间图处理为第二中间图像，第三个第二卷积单元被配置为将第二中间图处理为第三中间图像，第二池化单元和第二归一化单元被配置为将第三中间图像处理后输入第二残差块。
第一个第三卷积单元被配置为将经过第二池化单元和第二归一化单元处理后的第三中间图像处理为第四中间图像，第二个第三卷积单元被配置为将第四中间图像处理为第五中间图像，第三个第三卷积单元被配置为将第五中间图像处理为第六中间图像，第三池化单元和第三归一化单元被配置为将第六中间图像处理后输入第一反卷积单元。
第一反卷积单元被配置为将经过第三池化单元和第三归一化单元处理后的第六中间图像处理为第七中间图像。
第七中间图像经过Sigmoid函数处理后与第四中间图像、第五中间图像和第六中间图像的叠加图像相乘得到第八中间图像。
第八中间图像与第四中间图像、第五中间图像和第六中间图像的叠加图像相加得到第九中间图像。
第四卷积单元、第五卷积单元和第四归一化单元被配置为将第九中间图像处理为第十中间图像。
第十中间图像经过Sigmoid函数处理后与第一中间图像、第二中间图像和第三中间图像的叠加图像相乘得到第十一中间图像。
第十一中间图像与第一中间图像、第二中间图像和第三中间图像的叠加图像相加得到第十二中间图像。
两个第六卷积单元和第五归一化单元被配置为将第十二中间图像处理为特征图。
在本实施例中，特征图的维度为100×112×160，特征图的步长为2。定位结果由以下公式确定：
(P,Ox,Oy,Oz,Sx,Sy,Sz)；
式中：
P为肺结节概率；
Ox为肺结节的X轴坐标；
Oy为肺结节的Y轴坐标；
Oz为肺结节的Z轴坐标；
Sx为肺结节所在区域在X轴方向上的长度；
Sy为肺结节所在区域在Y轴方向上的长度；
Sz为肺结节所在区域在Z轴方向上的长度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对所述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种基于3DUnet的肺结节大小检测***，其特征在于，包括肺叶分割模块和病灶检测模块；
所述肺叶分割模块被配置为读取肺部CT图像、去除肺部CT图像中的无关区域和输出肺部分割图像；所述肺叶分割模块包括十个分割卷积块、四个最大池化层和四个上采样层；
所述病灶检测模块被配置为读取所述肺部分割图像、定位病灶、输出特征图和输出定位结果；所述病灶检测模块包括依次设置的输入残差块、第一残差块、第二残差块、第一反卷积单元、第三残差块、第二反卷积单元和输出残差块；
所述输入残差块包括依次设置的两个第一卷积单元、第一池化单元和第一归一化单元；
所述第一残差块包括三个第二卷积单元、第二池化单元和第二归一化单元；
所述第二残差块包括三个第三卷积单元、第三池化单元和第三归一化单元；
所述第三残差块包括第四卷积单元、第五卷积单元和第四归一化单元；
所述输出残差块包括两个第六卷积单元和第五归一化单元；
所述肺叶分割模块具体被配置为：
第一个分割卷积块被配置为将所述肺部CT图像处理为第一结果图像；
第一个最大池化层和第二个分割卷积块被配置为将所述第一结果图像处理为第二结果图像；
第二个最大池化层和第三个分割卷积块被配置为将所述第二结果图像处理为第三结果图像；
第三个最大池化层和第四个分割卷积块被配置为将所述第三结果图像处理为第四结果图像；
第四个最大池化层和第五个分割卷积块被配置为将所述第四结果图像处理为第五结果图像；
第一个上采样层被配置为将所述第五结果图像处理为第一中间结果图像；
第六个分割卷积块被配置为将所述第一中间结果图像和第四结果图像的拼接结果处理为第六结果图像；
第二个上采样层被配置为将所述第六结果图像处理为第二中间结果图像；
第七个分割卷积块被配置为将所述第二中间结果图像和第三结果图像的拼接结果处理为第七结果图像；
第三个上采样层被配置为将所述第七结果图像处理为第三中间结果图像；
第八个分割卷积块被配置为将所述第三中间结果图像和第二结果图像的拼接结果处理为第八结果图像；
第四个上采样层被配置为将所述第八结果图像处理为第四中间结果图像；
第九个分割卷积块和第十个分割卷积块被配置为将所述第四中间结果图像和所述第一结果图像的拼接结果处理为肺部分割图像；
所述病灶检测模块具体被配置为：
所述输入残差块被配置为将所述肺部分割图像处理为输入图像；
第一个所述第二卷积单元被配置为将所述输入图像处理为第一中间图像，第二个所述第二卷积单元被配置为将所述第一中间图处理为第二中间图像，第三个所述第二卷积单元被配置为将所述第二中间图处理为第三中间图像，所述第二池化单元和第二归一化单元被配置为将所述第三中间图像处理后输入所述第二残差块；
第一个所述第三卷积单元被配置为将经过所述第二池化单元和第二归一化单元处理后的所述第三中间图像处理为第四中间图像，第二个所述第三卷积单元被配置为将所述第四中间图像处理为第五中间图像，第三个所述第三卷积单元被配置为将所述第五中间图像处理为第六中间图像，所述第三池化单元和第三归一化单元被配置为将所述第六中间图像处理后输入所述第一反卷积单元；
所述第一反卷积单元被配置为将经过所述第三池化单元和第三归一化单元处理后的所述第六中间图像处理为第七中间图像；
所述第七中间图像经过Sigmoid函数处理后与所述第四中间图像、第五中间图像和第六中间图像的叠加图像相乘得到第八中间图像；
所述第八中间图像与所述第四中间图像、第五中间图像和第六中间图像的叠加图像相加得到第九中间图像；
所述第四卷积单元、第五卷积单元和第四归一化单元被配置为将所述第九中间图像处理为第十中间图像；
所述第十中间图像经过Sigmoid函数处理后与所述第一中间图像、第二中间图像和第三中间图像的叠加图像相乘得到第十一中间图像；
所述第十一中间图像与所述第一中间图像、第二中间图像和第三中间图像的叠加图像相加得到第十二中间图像；
两个所述第六卷积单元和所述第五归一化单元被配置为将所述第十二中间图像处理为特征图。
2.如权利要求1所述的一种基于3DUnet的肺结节大小检测***，其特征在于：
所述定位结果由以下公式确定：
(P,Ox,Oy,Oz,Sx,Sy,Sz)；
式中：
P为所述肺结节概率；
Ox为肺结节在特征图中的X轴坐标；
Oy为肺结节在特征图中的Y轴坐标；
Oz为肺结节在特征图中的Z轴坐标；
Sx为肺结节所在区域在特征图中X轴方向上的长度；
Sy为肺结节所在区域在特征图中Y轴方向上的长度；
Sz为肺结节所在区域在特征图中Z轴方向上的长度。
3.如权利要求2所述的一种基于3DUnet的肺结节大小检测***，其特征在于：
所述肺部分割图像的维度为200×224×320，所述特征图的维度为100×112×160，所述特征图的步长为2。
CN201911352399.9A 2019-12-25 2019-12-25 一种基于3DUnet的肺结节大小检测*** Active CN111091564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911352399.9A CN111091564B (zh) 2019-12-25 2019-12-25 一种基于3DUnet的肺结节大小检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911352399.9A CN111091564B (zh) 2019-12-25 2019-12-25 一种基于3DUnet的肺结节大小检测***

Publications (2)

Publication Number Publication Date
CN111091564A CN111091564A (zh) 2020-05-01
CN111091564B true CN111091564B (zh) 2024-04-26

Family

ID=70397034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911352399.9A Active CN111091564B (zh) 2019-12-25 2019-12-25 一种基于3DUnet的肺结节大小检测***

Country Status (1)

Country Link
CN (1) CN111091564B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820584B (zh) * 2022-05-27 2023-02-21 北京安德医智科技有限公司 肺部病灶定位装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108648172A (zh) * 2018-03-30 2018-10-12 四川元匠科技有限公司 一种基于3D-Unet的CT图肺结节检测***
CN108765369A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
WO2018222755A1 (en) * 2017-05-30 2018-12-06 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
CN109685776A (zh) * 2018-12-12 2019-04-26 华中科技大学 一种基于ct图像的肺结节检测方法及***
CN109685768A (zh) * 2018-11-28 2019-04-26 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***
KR20190092299A (ko) * 2018-01-30 2019-08-07 연세대학교 원주산학협력단 딥러닝 기술을 통한 흉부 물질 분리 영상 획득 방법 및 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11532073B2 (en) * 2018-03-29 2022-12-20 Pixar Temporal techniques of denoising Monte Carlo renderings using neural networks

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018222755A1 (en) * 2017-05-30 2018-12-06 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
KR20190092299A (ko) * 2018-01-30 2019-08-07 연세대학교 원주산학협력단 딥러닝 기술을 통한 흉부 물질 분리 영상 획득 방법 및 시스템
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
CN108648172A (zh) * 2018-03-30 2018-10-12 四川元匠科技有限公司 一种基于3D-Unet的CT图肺结节检测***
CN108765369A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
WO2019200740A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 肺结节的检测方法、装置、计算机设备和存储介质
CN109685768A (zh) * 2018-11-28 2019-04-26 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***
CN109685776A (zh) * 2018-12-12 2019-04-26 华中科技大学 一种基于ct图像的肺结节检测方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Ozg un C i cek.3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation.<MICCAI 2016>.2016,全文. *
Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation;MIDL 2018;<MIDL 2018>;摘要和图2-4 *
一种基于级联卷积网络的三维脑肿瘤精细分割;褚晶辉;李晓川;张佳祺;吕卫;;激光与光电子学进展(10);全文 *

Also Published As

Publication number Publication date
CN111091564A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
US10198669B2 (en) Image classifying apparatus, image classifying method, and image classifying program
CN113674253B (zh) 基于U-Transformer的直肠癌CT影像自动分割方法
US8160320B2 (en) Medical image display apparatus, method and program, and recording medium for the program
CN1890689A (zh) 弹性的图像配准
US8116574B2 (en) Result filter and method for selecting the result data of an application for automatic pattern recognition
US7929748B2 (en) Characteristic path-based colon segmentation
US8126231B2 (en) Medical image segmentation apparatus and medical image segmentation program
CN109716445B (zh) 类似病例图像检索程序、类似病例图像检索装置以及类似病例图像检索方法
CN111127482A (zh) 基于深度学习的ct影像肺气管的分割方法及***
EP2546802A2 (en) Generating artificial hyperspectral images using correlated analysis of co-registered images
CN105719324A (zh) 图像处理装置以及图像处理方法
CN111652838B (zh) 基于目标检测网络的甲状腺结节定位与超声报告纠错方法
US20120294537A1 (en) System for using image alignment to map objects across disparate images
CN101751659A (zh) 大容量快速图像拼接方法
CN111091564B (zh) 一种基于3DUnet的肺结节大小检测***
US20180064422A1 (en) Image processing apparatus, method of controlling the same, and non-transitory computer-readable storage medium
CN110974306A (zh) 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的***
CN112784849B (zh) 一种基于选择多尺度注意力的腺体分割方法
WO2023116641A1 (zh) 车位检测模型训练方法、车位检测方法及其装置
US20110255755A1 (en) Medical image display device and method
Henderson et al. Automatic detection and classification of multiple catheters in neonatal radiographs with deep learning
CN110910348B (zh) 一种肺结节的位置分类方法、装置、设备及存储介质
CN111754530A (zh) 一种***超声图像分割分类方法
US20100215228A1 (en) Medical image displaying apparatus, medical image displaying method, and medical image displaying program
Ochiai et al. Current status of artificial intelligence-based computer-assisted diagnosis systems for gastric cancer in endoscopy

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