CN111242897A - 胸部x射线影像分析方法和装置 - Google Patents

胸部x射线影像分析方法和装置 Download PDF

Info

Publication number
CN111242897A
CN111242897A CN201911407228.1A CN201911407228A CN111242897A CN 111242897 A CN111242897 A CN 111242897A CN 201911407228 A CN201911407228 A CN 201911407228A CN 111242897 A CN111242897 A CN 111242897A
Authority
CN
China
Prior art keywords
chest
ray image
network
neural network
detection model
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
Application number
CN201911407228.1A
Other languages
English (en)
Inventor
高凯
郭婷婷
刘敬禹
王亦洲
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.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
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 Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN201911407228.1A priority Critical patent/CN111242897A/zh
Publication of CN111242897A publication Critical patent/CN111242897A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种胸部X射线影像分析方法和装置，解决了现有影像分析方式的效率低和准确率低的问题。该胸部X射线影像分析方法包括：获取胸部X射线影像；将所述胸部X射线影像输入神经网络检测模型进行分析，其中，所述神经网络检测模型基于预学习的训练过程建立；以及获得所述神经网络检测模型输出的所述胸部X射线影像是否包括病灶的分析结果。

Description

胸部X射线影像分析方法和装置
技术领域
本申请涉及影像分析技术领域，具体涉及一种胸部X射线影像分析方法、装置、电子设备和计算机可读存储介质。
背景技术
结核病是全球十大死因之一，致死率高于艾滋病。目前全球每年的新发病例约1000万，其中9％来自中国，这些新发病例主要集中在经济落后、环境闭塞的地区。由于结核的高传染性，有进行大面积甚至全区域筛查的需求；同时由于这些地区医疗资源匮乏，利用胸部X射线影像来进行初筛也成为了常规手段。
目前，对于胸部X射线影像的肺结核筛查，主要依靠放射医师的人工阅片，识别结核病灶的位置、形态、尺寸等特征，从而进行分析。然而，现有基于人工的胸部X射线影像分析方式，在基层医院人手不足时，无法进行全面的筛查，效率较低；或者，当基层医师的水平欠缺时，在对X射线影像进行分析时的准确率也较低。
发明内容
有鉴于此，本申请实施例提供了一种胸部X射线影像分析方法和装置，解决了现有影像分析方式的效率低和准确率低的问题。
根据本申请的一个方面，本申请一实施例提供的一种胸部X射线影像分析方法包括：获取胸部X射线影像；将所述胸部X射线影像输入神经网络检测模型进行分析，其中，所述神经网络检测模型基于预学习的训练过程建立；以及获得所述神经网络检测模型输出的所述胸部X射线影像是否包括病灶的分析结果。
在本申请一实施例中，所述神经网络检测模型包括：特征提取网络、特征融合网络、区域举荐网络、和分类回归网络；其中，所述将所述胸部X射线影像输入神经网络检测模型进行分析包括：将所述胸部X射线影像输入所述特征提取网络以获取目标特征图；将所述胸部X射线影像输入所述区域举荐网络以获取目标区域；基于所述特征提取网络获取所述目标区域的目标区域特征图；将所述目标特征图和所述目标区域特征图输入所述特征融合网络获得融合特征图；以及将所述融合特征图输入所述分类回归网络以获得分类结果，其中，所述分类结果为所述胸部X射线影像是否包括病灶。
在本申请一实施例中，所述神经网络检测模型进一步包括：指导检查网络；其中，所述将所述胸部X射线影像输入神经网络检测模型进行分析进一步包括：基于所述指导检查网络获取所述区域举荐网络输出的所述目标区域的重要性参数；以及基于所述重要性参数更新所述区域举荐网络的参数。
在本申请一实施例中，所述神经网络检测模型基于如下的训练过程建立：获取带有标准病灶信息的胸部X射线影像样本作为训练集；将所述训练集输入初始深度神经网络进行分析；将所述初始深度神经网络输出的预测病灶结果与所述标准病灶信息对比以计算损失值；以及基于所述损失值以梯度回传的方式更新所述初始深度神经网络的参数。
在本申请一实施例中，在将所述胸部X射线影像输入神经网络检测模型进行分析之前，所述方法进一步包括：对所述胸部X射线影像进行图像增强预处理。
根据本申请的一个方面，本申请一实施例提供的一种胸部X射线影像分析装置包括：第一获取模块，配置为获取胸部X射线影像；分析模块，配置为将所述胸部X射线影像输入神经网络检测模型进行分析，其中，所述神经网络检测模型基于预学习的训练过程建立；以及第二获取模块，配置为获得所述神经网络检测模型输出的所述胸部X射线影像是否包括病灶的分析结果。
在本申请一实施例中，所述神经网络检测模型包括：特征提取网络、特征融合网络、区域举荐网络、和分类回归网络；其中，所述分析模块包括：第一获取单元，配置为将所述胸部X射线影像输入所述特征提取网络以获取目标特征图；第二获取单元，配置为将所述胸部X射线影像输入所述区域举荐网络以获取目标区域；第三获取单元，配置为基于所述特征提取网络获取所述目标区域的目标区域特征图；第四获取单元，配置为将所述目标特征图和所述目标区域特征图输入所述特征融合网络获得融合特征图；以及第五获取单元，配置为将所述融合特征图输入所述分类回归网络以获得分类结果，其中，所述分类结果为所述胸部X射线影像是否包括病灶。
在本申请一实施例中，所述神经网络检测模型进一步包括：指导检查网络；其中，所述分析模块进一步包括：第六获取单元，配置为基于所述指导检查网络获取所述区域举荐网络输出的所述目标区域的重要性参数；以及第七获取单元，配置为基于所述重要性参数更新所述区域举荐网络的参数。
在本申请一实施例中，所述装置进一步包括：训练模块，包括：第八获取单元，配置为获取带有标准病灶信息的胸部X射线影像样本作为训练集；第一输入单元，配置为将所述训练集输入初始深度神经网络进行分析；第一计算单元，配置为将所述初始深度神经网络输出的预测病灶结果与所述标准病灶信息对比以计算损失值；以及第一更新单元，配置为基于所述损失值以梯度回传的方式更新所述初始深度神经网络的参数。
在本申请一实施例中，所述装置进一步包括：预处理模块，配置为在将所述胸部X射线影像输入神经网络检测模型进行分析之前，对所述胸部X射线影像进行图像增强预处理。
根据本申请的另一方面，本申请一实施例提供了一种电子设备，包括：处理器；存储器；以及存储在存储器中的计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的胸部X射线影像分析方法。
根据本申请的另一方面，本申请一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如前任一所述的胸部X射线影像分析方法。
根据本申请的另一方面，本申请一实施例提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得处理器执行如上述任一所述的胸部X射线影像分析方法。
本申请实施例提供的一种胸部X射线影像分析方法、装置、电子设备和计算机可读存储介质，利用经过预学习的训练过程建立的神经网络检测模型，可实现胸部X射线影像的全程自动化分析，可有效避免传统人工分析方式所带来的效率低和准确率低的问题。可使得在医疗人力资源匮乏的经济欠发达地区，使肺结核患者得到及时的检出，进而得到及时的救治。
附图说明
图1所示为本申请一实施例提供的一种胸部X射线影像分析方法的流程示意图。
图2所示为本申请一实施例提供的一种胸部X射线影像分析方法中利用神经网络检测模型分析胸部X射线影像的流程示意图。
图3所示为本申请另一实施例提供的一种胸部X射线影像分析方法中利用神经网络检测模型分析胸部X射线影像的流程示意图。
图4所示为本申请一实施例提供的一种胸部X射线影像分析方法中训练神经网络检测模型的流程示意图。
图5所示为本申请一实施例提供的胸部X射线影像分析装置的结构示意图。
图6所示为本申请另一实施例提供的胸部X射线影像分析装置的结构示意图。
图7所示为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1所示为本申请一实施例提供的一种胸部X射线影像分析方法的流程示意图。如图1所示，该胸部X射线影像分析方法包括：
步骤101：获取胸部X射线影像。
胸部X射线影像在临床上又称“胸片”，是X射线穿过胸部，投影在胶片上形成，利用人体组织的不同密度可观察到厚度和密度差别较小部位的病变。胸部X射线影像能清晰地记录肺部的大体病变，如肺部炎症、肿块、结核等。
胸部X射线影像的获取方式可包括如下步骤：受检者取站立位，一般在平静吸气下摒气投照。心血管的常规胸片检查包括后前正位、左前斜位、右前斜位和左侧位照片。后前正位胸片能显示出心脏大血管的大小、形态、位置和轮廓，能观察心脏与毗邻器官的关系和肺内血管的变化，可用于心脏及其径线的测量。左前斜位片显示主动脉的全貌和左右心室及右心房增大的情况。右前斜位片有助于观察左心房增大、肺动脉段突出和右心室漏斗部增大的变化。左侧位片能观察心、胸的前后径和胸廓畸形等情况，对主动脉瘤与纵隔肿物的鉴别及定位尤为重要。应当理解，根据具体应用场景需求不同，胸部X射线影像的获取方式，例如投照方式和部位，可有所调整，本申请对胸部X射线影像的具体获取方式不做限定。
步骤102：将胸部X射线影像输入神经网络检测模型进行分析，其中，神经网络检测模型基于预学习的训练过程建立。
神经网络检测模型可为通过预学习的心理过程建立的深度神经网络模型，利用大量的数据样本对初始化的深度神经网络进行训练，便可使得该深度神经网络具备从胸部X射线影像识别病灶的能力。
在本申请一实施例中，为了提高胸部X射线影像的图像质量，以为后续分析过程提供更清晰的数据基础，可在将胸部X射线影像输入神经网络检测模型进行分析之前，对胸部X射线影像进行图像增强预处理。图像增强预处理的目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。然而，本申请对图像增强预处理的具体方式和过程不做严格限定。
步骤103：获得神经网络检测模型输出的胸部X射线影像是否包括病灶的分析结果。
分析结果标注有具体病灶类别，例如肺结核。神经网络检测模型基于输入的胸部X射线影像，经过分析便可输出分析结果以供后续医疗分析过程参考。
由此可见，本申请实施例提供的一种胸部X射线影像分析方法，利用经过预学习的训练过程建立的神经网络检测模型，可实现胸部X射线影像的全程自动化分析，可有效避免传统人工分析方式所带来的效率低和准确率低的问题。可使得在医疗人力资源匮乏的经济欠发达地区，使肺结核患者得到及时的检出，进而得到及时的救治。
图2所示为本申请一实施例提供的一种胸部X射线影像分析方法中利用神经网络检测模型分析胸部X射线影像的流程示意图。该神经网络检测模型包括：特征提取网络、特征融合网络、区域举荐网络、和分类回归网络。如图2所示，将胸部X射线影像输入该神经网络检测模型进行分析可具体包括如下步骤：
步骤201：将胸部X射线影像输入特征提取网络以获取目标特征图。
特征提取网络可采用残差卷积神经网络作为骨干网络，目标特征图为与整体胸部X射线影像对应的特征图。
步骤202：将胸部X射线影像输入区域举荐网络以获取目标区域。
区域举荐网络用于生成目标定位框得到备选目标区域，并举荐选出最终的目标区域。
步骤203：基于特征提取网络获取目标区域的目标区域特征图。
特征提取网络对目标区域内的图像进行处理便可得到与目标区域对应的特征图。
步骤204：将目标特征图和目标区域特征图输入特征融合网络获得融合特征图。
通过特征融合以综合与整体胸部X射线影像对应的特征图中的特征和与与目标区域对应的特征图中的特征，作为分类回归网络的输入。
步骤205：将融合特征图输入分类回归网络以获得分类结果，其中，分类结果为胸部X射线影像是否包括病灶。
分类回归网络在经过训练过程后预备将输入的数据进行分类输出的功能，基于输入的融合特征图，分类回归网络便可输出分类结果，该分类结果便为胸部X射线影像是否包括病灶。
在本申请一实施例中，为了进一步保证区域举荐网络输出的目标区域足够准确，进一步提高神经网络检测模型的分析准确性。该神经网络检测模型可进一步包括：指导检查网络。此时如图3所示，将胸部X射线影像输入神经网络检测模型进行分析进一步包括如下步骤：
步骤301：基于指导检查网络，根据所述分类结果评估区域举荐网络输出的目标区域的重要性参数。
指导检查网络是基于含信息量(I)较大的区域应该含有更高的置信度(C)的理论基础。即针对每个区域(R)，将区域举荐网络的输出值作为网络所含的信息量(I)，并将区域提取的特征与训练真值的损失作为置信度(C)，其计算公式为C(R)＝(-log_softmax(logits(R))，其中logits(R)为区域R的特征提取结果。那么将满足条件：针对任意两个区域R1、R2，如果C(R1)>C(R2)，那么必然有I(R1)>I(R2)。同时，为了保证信息量I(R)足以区分，采用岭回归损失，即保证在I(R1)>I(R2)时，I(R1)>＝I(R2)+1，并以此作为一项监督信息进行网络模型训练。
步骤302：基于重要性参数更新区域举荐网络的参数。
图4所示为本申请一实施例提供的一种胸部X射线影像分析方法中训练神经网络检测模型的流程示意图。如图4所示，该神经网络检测模型可基于如下的训练过程建立：
步骤401：获取带有标准病灶信息的胸部X射线影像样本作为训练集。
具体而言，可先获取若干胸部X射线影像样本，然后请专业医生在这些胸部X射线影像样本中标注出是否存在病灶以作为标准病灶信息。然而应当理解，带有标准病灶信息的胸部X射线影像样本也可通过第三方数据库直接获取，本申请对这些胸部X射线影像样本的具体获取方式不做限定。
步骤402：将训练集输入初始深度神经网络进行分析。
对于训练集中的胸部X射线影像样本进行分析的过程类似图3实施例中对普通胸部X射线影像进行分析的过程，在此不再赘述。
步骤403：将初始深度神经网络输出的预测病灶结果与标准病灶信息对比以计算损失值。
在训练的初期阶段，初始深度神经网络输出的预测病灶结果的准确性可能并不高，将预测病灶结果与标准病灶信息对比便可计算损失值，而该损失值变为后续知道调整该初始深度神经网络参数的参考数据。
步骤404：基于损失值以梯度回传的方式更新初始深度神经网络的参数。
随着训练循环次数的增加，以梯度回传的方式可逐渐优化初始深度神经网络的参数，以使得初始深度神经网络输出的预测病灶结果与标准病灶信息之间的损失值越来越小，对应地，初始深度神经网络的输出精度就越高。当初始深度神经网络的输出精度达到回归要求时，训练结束。
图5所示为本申请一实施例提供的胸部X射线影像分析装置的结构示意图。如图5所示，该一种胸部X射线影像分析装置50包括：
第一获取模块501，配置为获取胸部X射线影像；
分析模块502，配置为将胸部X射线影像输入神经网络检测模型进行分析，其中，神经网络检测模型基于预学习的训练过程建立；以及
第二获取模块503，配置为获得神经网络检测模型输出的胸部X射线影像是否包括病灶的分析结果。
由此可见，本申请实施例提供的一种胸部X射线影像分析装置，利用经过预学习的训练过程建立的神经网络检测模型，可实现胸部X射线影像的全程自动化分析，可有效避免传统人工分析方式所带来的效率低和准确率低的问题。可使得在医疗人力资源匮乏的经济欠发达地区，使肺结核患者得到及时的检出，进而得到及时的救治。
在本申请一实施例中，神经网络检测模型包括：特征提取网络、特征融合网络、区域举荐网络、和分类回归网络；
其中，如图6所示，分析模块502包括：
第一获取单元5021，配置为将胸部X射线影像输入特征提取网络以获取目标特征图；
第二获取单元5022，配置为将胸部X射线影像输入区域举荐网络以获取目标区域；
第三获取单元5023，配置为基于特征提取网络获取目标区域的目标区域特征图；
第四获取单元5024，配置为将目标特征图和目标区域特征图输入特征融合网络获得融合特征图；以及
第五获取单元5025，配置为将融合特征图输入分类回归网络以获得分类结果，其中，分类结果为胸部X射线影像是否包括病灶。
在本申请一实施例中，神经网络检测模型进一步包括：指导检查网络；
其中，如图6所示，分析模块502进一步包括：
第六获取单元5026，配置为基于指导检查网络获取区域举荐网络输出的目标区域的重要性参数；以及
第七获取单元5027，配置为基于重要性参数更新区域举荐网络的参数。
在本申请一实施例中，如图6所示，胸部X射线影像分析装置进一步包括：训练模块504，包括：
第八获取单元5041，配置为获取带有标准病灶信息的胸部X射线影像样本作为训练集；
第一输入单元5042，配置为将训练集输入初始深度神经网络进行分析；
第一计算单元5043，配置为将初始深度神经网络输出的预测病灶结果与标准病灶信息对比以计算损失值；以及
第一更新单元5044，配置为基于损失值以梯度回传的方式更新初始深度神经网络的参数。
在本申请一实施例中，如图6所示，胸部X射线影像分析装置进一步包括：
预处理模块505，配置为在将胸部X射线影像输入神经网络检测模型进行分析之前，对胸部X射线影像进行图像增强预处理。
上述胸部X射线影像分析装置50中的各个模块的具体功能和操作已经在上面参考图1到图4描述的胸部X射线影像分析方法中进行了详细介绍。因此，这里将省略其重复描述。
需要说明的是，根据本申请实施例的胸部X射线影像分析装置50可以作为一个软件模块和/或硬件模块而集成到电子设备70中，换言之，该电子设备70可以包括该胸部X射线影像分析装置50。例如，该胸部X射线影像分析装置50可以是该电子设备70的操作***中的一个软件模块，或者可以是针对于其所开发的一个应用程序；当然，该胸部X射线影像分析装置50同样可以是该电子设备70的众多硬件模块之一。
在本申请另一实施例中，该胸部X射线影像分析装置50与该电子设备70也可以是分立的设备(例如，服务器)，并且该胸部X射线影像分析装置50可以通过有线和/或无线网络连接到该电子设备70，并且按照约定的数据格式来传输交互信息。
图7所示为本申请一实施例提供的电子设备的结构示意图。如图7所示，该电子设备70包括：一个或多个处理器701和存储器702；以及存储在存储器702中的计算机程序指令，计算机程序指令在被处理器701运行时使得处理器701执行如上述任一实施例的胸部X射线影像分析方法。
处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器702可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器701可以运行程序指令，以实现上文的本申请的各个实施例的胸部X射线影像分析方法中的步骤以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如光线强度、补偿光强度、滤光片的位置等信息。
在一个示例中，电子设备70还可以包括：输入装置703和输出装置704，这些组件通过总线***和/或其他形式的连接机构(图7中未示出)互连。
例如，在该电子设备是如工业生产线上的机器人时，该输入装置703可以是摄像头，用于捕捉待加工零件的位置。在该电子设备是单机设备时，该输入装置703可以是通信网络连接器，用于从外部的可移动设备接收所采集的输入信号。此外，该输入装置703还可以包括例如键盘、鼠标、麦克风等等。
该输出装置704可以向外部输出各种信息，例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备70中与本申请有关的组件中的一些，省略了诸如总线、输入装置/输出接口等组件。除此之外，根据具体应用情况，电子设备70还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一实施例的胸部X射线影像分析方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性胸部X射线影像分析方法”部分中描述的根据本申请各种实施例的胸部X射线影像分析方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器((RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种胸部X射线影像分析方法，其特征在于，包括：
获取胸部X射线影像；
将所述胸部X射线影像输入神经网络检测模型进行分析，其中，所述神经网络检测模型基于预学习的训练过程建立；以及
获得所述神经网络检测模型输出的所述胸部X射线影像是否包括病灶的分析结果。
2.根据权利要求1所述的方法，其特征在于，所述神经网络检测模型包括：特征提取网络、特征融合网络、区域举荐网络、和分类回归网络；
其中，所述将所述胸部X射线影像输入神经网络检测模型进行分析包括：
将所述胸部X射线影像输入所述特征提取网络以获取目标特征图；
将所述胸部X射线影像输入所述区域举荐网络以获取目标区域；
基于所述特征提取网络获取所述目标区域的目标区域特征图；
将所述目标特征图和所述目标区域特征图输入所述特征融合网络获得融合特征图；以及
将所述融合特征图输入所述分类回归网络以获得分类结果，其中，所述分类结果为所述胸部X射线影像是否包括病灶。
3.根据权利要求1所述的方法，其特征在于，所述神经网络检测模型进一步包括：指导检查网络；
其中，所述将所述胸部X射线影像输入神经网络检测模型进行分析进一步包括：
基于所述指导检查网络获取所述区域举荐网络输出的所述目标区域的重要性参数；以及
基于所述重要性参数更新所述区域举荐网络的参数。
4.根据权利要求1所述的方法，其特征在于，所述神经网络检测模型基于如下的训练过程建立：
获取带有标准病灶信息的胸部X射线影像样本作为训练集；
将所述训练集输入初始深度神经网络进行分析；
将所述初始深度神经网络输出的预测病灶结果与所述标准病灶信息对比以计算损失值；以及
基于所述损失值以梯度回传的方式更新所述初始深度神经网络的参数。
5.根据权利要求1所述的方法，其特征在于，在将所述胸部X射线影像输入神经网络检测模型进行分析之前，所述方法进一步包括：
对所述胸部X射线影像进行图像增强预处理。
6.一种胸部X射线影像分析装置，其特征在于，包括：
第一获取模块，配置为获取胸部X射线影像；
分析模块，配置为将所述胸部X射线影像输入神经网络检测模型进行分析，其中，所述神经网络检测模型基于预学习的训练过程建立；以及
第二获取模块，配置为获得所述神经网络检测模型输出的所述胸部X射线影像是否包括病灶的分析结果。
7.根据权利要求6所述的装置，其特征在于，所述神经网络检测模型包括：特征提取网络、特征融合网络、区域举荐网络、和分类回归网络；
其中，所述分析模块包括：
第一获取单元，配置为将所述胸部X射线影像输入所述特征提取网络以获取目标特征图；
第二获取单元，配置为将所述胸部X射线影像输入所述区域举荐网络以获取目标区域；
第三获取单元，配置为基于所述特征提取网络获取所述目标区域的目标区域特征图；
第四获取单元，配置为将所述目标特征图和所述目标区域特征图输入所述特征融合网络获得融合特征图；以及
第五获取单元，配置为将所述融合特征图输入所述分类回归网络以获得分类结果，其中，所述分类结果为所述胸部X射线影像是否包括病灶。
8.根据权利要求6所述的装置，其特征在于，所述神经网络检测模型进一步包括：指导检查网络；
其中，所述分析模块进一步包括：
第六获取单元，配置为基于所述指导检查网络获取所述区域举荐网络输出的所述目标区域的重要性参数；以及
第七获取单元，配置为基于所述重要性参数更新所述区域举荐网络的参数。
9.根据权利要求6所述的装置，其特征在于，所述装置进一步包括：训练模块，包括：
第八获取单元，配置为获取带有标准病灶信息的胸部X射线影像样本作为训练集；
第一输入单元，配置为将所述训练集输入初始深度神经网络进行分析；
第一计算单元，配置为将所述初始深度神经网络输出的预测病灶结果与所述标准病灶信息对比以计算损失值；以及
第一更新单元，配置为基于所述损失值以梯度回传的方式更新所述初始深度神经网络的参数。
10.根据权利要求6所述的装置，其特征在于，所述装置进一步包括：
预处理模块，配置为在将所述胸部X射线影像输入神经网络检测模型进行分析之前，对所述胸部X射线影像进行图像增强预处理。
CN201911407228.1A 2019-12-31 2019-12-31 胸部x射线影像分析方法和装置 Pending CN111242897A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911407228.1A CN111242897A (zh) 2019-12-31 2019-12-31 胸部x射线影像分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911407228.1A CN111242897A (zh) 2019-12-31 2019-12-31 胸部x射线影像分析方法和装置

Publications (1)

Publication Number Publication Date
CN111242897A true CN111242897A (zh) 2020-06-05

Family

ID=70879484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911407228.1A Pending CN111242897A (zh) 2019-12-31 2019-12-31 胸部x射线影像分析方法和装置

Country Status (1)

Country Link
CN (1) CN111242897A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915584A (zh) * 2020-07-29 2020-11-10 杭州健培科技有限公司 一种基于ct影像的病灶随访评估方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180130202A1 (en) * 2016-11-04 2018-05-10 Sichuan University Kind of dr radiography lung contour extraction method based on fully convolutional network
US20180214105A1 (en) * 2017-01-31 2018-08-02 Siemens Healthcare Gmbh System and method breast cancer detection with x-ray imaging
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN109034205A (zh) * 2018-06-29 2018-12-18 西安交通大学 基于直推式半监督深度学习的图像分类方法
CN109544534A (zh) * 2018-11-26 2019-03-29 上海联影智能医疗科技有限公司 一种病灶图像检测装置、方法和计算机可读存储介质
CN109977918A (zh) * 2019-04-09 2019-07-05 华南理工大学 一种基于无监督域适应的目标检测定位优化方法
CN110136103A (zh) * 2019-04-24 2019-08-16 平安科技（深圳）有限公司 医学影像解释方法、装置、计算机设备及存储介质
CN110123347A (zh) * 2019-03-22 2019-08-16 杭州深睿博联科技有限公司 用于乳腺钼靶的图像处理方法及装置
CN110176002A (zh) * 2019-06-05 2019-08-27 深圳大学 一种x射线图像的病灶检测方法及终端设备
US20190370969A1 (en) * 2018-05-30 2019-12-05 Siemens Healthcare Gmbh Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180130202A1 (en) * 2016-11-04 2018-05-10 Sichuan University Kind of dr radiography lung contour extraction method based on fully convolutional network
US20180214105A1 (en) * 2017-01-31 2018-08-02 Siemens Healthcare Gmbh System and method breast cancer detection with x-ray imaging
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
US20190370969A1 (en) * 2018-05-30 2019-12-05 Siemens Healthcare Gmbh Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium
CN109034205A (zh) * 2018-06-29 2018-12-18 西安交通大学 基于直推式半监督深度学习的图像分类方法
CN109544534A (zh) * 2018-11-26 2019-03-29 上海联影智能医疗科技有限公司 一种病灶图像检测装置、方法和计算机可读存储介质
CN110123347A (zh) * 2019-03-22 2019-08-16 杭州深睿博联科技有限公司 用于乳腺钼靶的图像处理方法及装置
CN109977918A (zh) * 2019-04-09 2019-07-05 华南理工大学 一种基于无监督域适应的目标检测定位优化方法
CN110136103A (zh) * 2019-04-24 2019-08-16 平安科技（深圳）有限公司 医学影像解释方法、装置、计算机设备及存储介质
CN110176002A (zh) * 2019-06-05 2019-08-27 深圳大学 一种x射线图像的病灶检测方法及终端设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915584A (zh) * 2020-07-29 2020-11-10 杭州健培科技有限公司 一种基于ct影像的病灶随访评估方法及***
CN111915584B (zh) * 2020-07-29 2024-06-07 杭州健培科技有限公司 一种基于ct影像的病灶随访评估方法及***

Similar Documents

Publication Publication Date Title
WO2021082416A1 (zh) 网络模型训练方法及装置、病灶区域确定方法及装置
JP5144506B2 (ja) 骨格の成熟度決定方法
JP5763172B2 (ja) パノラマエックス線写真を利用した診断支援システム、及びパノラマエックス線写真を利用した診断支援プログラム
WO2021093448A1 (zh) 图像处理方法、装置、服务器、医疗图像处理设备及存储介质
CN111325745B (zh) 骨折区域分析方法和装置、电子设备及可读存储介质
US11847188B2 (en) Image recognition method and device based on deep convolutional neural network
KR102676569B1 (ko) 의료 영상 분석 장치 및 방법, 의료 영상 시각화 장치 및 방법
US11996182B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
CN112233128B (zh) 图像分割方法及模型的训练方法、装置、介质、电子设备
JP2005334298A (ja) 異常陰影検出方法および装置並びにプログラム
CN117152507B (zh) 一种牙齿健康状态检测方法、装置、设备及存储介质
JP2023175011A (ja) 文書作成支援装置、方法およびプログラム
Arsomngern et al. Computer-aided diagnosis for lung lesion in companion animals from x-ray images using deep learning techniques
CN111340794A (zh) 冠状动脉狭窄的量化方法及装置
CN113516639B (zh) 基于全景x光片的口腔异常检测模型的训练方法及装置
CN111242897A (zh) 胸部x射线影像分析方法和装置
CN113554640A (zh) Ai模型的训练方法、使用方法、计算机设备及存储介质
Sun et al. Automatic video analysis framework for exposure region recognition in X-ray imaging automation
KR101927298B1 (ko) 혈관 조영 영상에서 자동으로 혈관을 영역화하는 기법
CN111402213A (zh) 骨龄评测方法和装置、电子设备及计算机可读存储介质
CN111080625B (zh) 肺部影像条索检测模型的训练方法及其训练装置
US11941811B2 (en) Method for assessing cardiothoracic ratio and cardiothoracic ratio assessment system
JP2005198887A (ja) 解剖学的構造物の構造検出方法および装置並びにプログラム、構造物除去画像生成装置、異常陰影検出装置
JP4738970B2 (ja) 画像処理装置、画像処理方法およびそのプログラム
CN116228660A (zh) 胸部正片异常部位检测方法及装置

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