CN111915609B - 病灶检测分析方法、装置、电子设备及计算机存储介质 - Google Patents
病灶检测分析方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111915609B CN111915609B CN202011000056.9A CN202011000056A CN111915609B CN 111915609 B CN111915609 B CN 111915609B CN 202011000056 A CN202011000056 A CN 202011000056A CN 111915609 B CN111915609 B CN 111915609B
- Authority
- CN
- China
- Prior art keywords
- slice
- focus
- data
- input
- data set
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 230000003902 lesion Effects 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000007787 solid Substances 0.000 description 10
- 239000005337 ground glass Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 206010035664 Pneumonia Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage 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
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect 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
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种病灶检测分析方法,包括:获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集;选择所述标准数据集中的一张切片数据,根据所述标准数据集计算切片步长,并在选择所述切片数据的前n张切片和所述切片的后m张切片,得到输入切片集;将所述输入切片集输入至病灶分割模型进行空洞卷积,提取特征数据,并根据所述特征数据确定病灶区域;对所述病灶区域进行密度分析,将所述密度分析的结果反馈给用户。本发明还提出了一种病灶检测分析装置、设备及计算机可读存储介质。此外,本发明还涉及区块链技术,所述CT切片数据可存储于区块链节点中。本发明可以提高病灶分割的精度,并对病灶进行多方面的分析。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种病灶检测分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着深度学习在图像领域取得的巨大发展,基于深度学习方法在医疗影像数据上也被广泛应用。病灶检测分析和分割是其中的一个重要分支,利用计算机自动化识别影像中的病灶区域,确定患者的严重程度,便于后续医生进行精细诊断。
目前已有的病灶检测分析方法是基于深度学习算法的,但是对病灶的分割精度较低,并且只对病灶进行区域大小的检测,并没有对各病灶区域进行进一步分析,使对于病灶区域体积的定量指标未有明显改变的治愈情况难以检测出来。
发明内容
本发明提供一种病灶检测分析方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高病灶分割的精度,并对病灶进行多方面的分析。
为实现上述目的,本发明提供的一种病灶检测分析方法,包括:
获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集;
选择所述标准数据集中的其中一张切片,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,其中,n和m为大于等于1的整数;
将所述输入切片集输入至预先构建的病灶分割模型,利用所述病灶分割模型对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,并根据所述特征数据确定病灶区域;
对所述病灶区域进行密度分析,将所述密度分析的结果反馈给用户。
可选地,所述选择所述标准数据集中的其中一张切片,根据所述标准数据集计算切片步长根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,包括:
根据所述切片步长采用下述公式依次计算与所述切片S的前n张切片和所述切片S的后m张切片在所述标准数据集中的位置,得到输入切片集:
可选地,所述利用所述病灶分割模型不同的空洞参数对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,并根据所述特征数据确定病灶区域,包括:
利用所述病灶分割模型中的上采样层对所述输入切片集进行多次不同空洞率的空洞卷积、池化操作,得到多个尺度的特征图;
利用所述病灶分割模型中的跳跃连接层和下采样层将所述多个尺度的特征图进行融合,并输出病灶分割结果图,并根据所述病灶分割结果图确定病灶区域。
可选地,在将所述输入切片集输入至预先构建的病灶分割模型之前,该方法还包括:
获取训练集,并将所述训练集输入至所述病灶分割模型中,得到预测结果;
利用预设的损失函数对所述预测结果进行损失计算,得到损失函数值;
根据所述损失函数值反向传播更新所述病灶分割模型的参数;
返回上述的损失计算步骤,直到达到预设迭代次数,得到训练完成的病灶分割模型。
可选地,所述对所述病灶区域进行密度分析,包括:
对每个所述病灶区域,从所述CT切片数据中提取与所述病灶区域对应位置的多个亨氏单位值;
对所述多个亨氏单位值进行统计,生成关于亨氏单位值数量的直方图;
根据所述直方图确定所述病灶区域的分析结果。
可选地,所述根据所述直方图确定所述病灶区域的分析结果,包括:
基于所述直方图确定比例阈值条件;
根据所述比例阈值条件确定所述病灶的分析结果。
可选地,所述将所述CT切片数据进行归一化操作,得到标准数据集,包括:
根据所述CT切片数据中各切片的像素值构建对应的三维矩阵;
利用下述公式对所述三维矩阵进行归一化处理,得到归一化后的标准数据集:
为了解决上述问题,本发明还提供一种病灶检测分析装置,所述装置包括:
数据处理模块,用于获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集;
输入切片集获取模块,用于选择所述标准数据集中的其中一张切片,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,其中,n和m为大于等于1的整数;
病灶区域确定模块,用于将所述输入切片集输入至预先构建的病灶分割模型,利用所述病灶分割模型对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,并根据所述特征数据确定病灶区域;
密度分析模块,用于对所述病灶区域进行密度分析,将所述密度分析的结果反馈给用户。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的病灶检测分析方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述所述的病灶检测分析方法。
本发明实施例通过获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集,可以减少极端数据的干扰,确保结果的准确性;选择所述标准数据集中的一张切片数据,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,输入多张切片数据而不是单张切片数据,可以适配更多不同层厚的CT数据,提高模型的精确度;所述病灶分割模型中还采用了可切换的空洞卷积机制,可以识别出更多不同大小的病灶区域,提高病灶分割结果的准确度;同时还对所述病灶区域进行密度分析,对病灶区域的分析更加全面。因此本发明提出的病灶检测分析方法、装置及计算机可读存储介质,可以提高病灶分割的精度,并对病灶进行多方面的分析。
附图说明
图1为本发明实施例提供的病灶检测分析方法的流程示意图;
图2为图1中其中一个步骤的详细实施流程示意图;
图3为图1中另外一个步骤的详细实施流程示意图;
图4为本发明实施例提供的病灶检测分析装置的模块示意图;
图5为本发明实施例提供的实现病灶检测分析方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供的病灶检测分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述病灶检测分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种病灶检测分析方法。参照图1所示,为本发明一实施例提供的病灶检测分析方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,病灶检测分析方法包括:
S1、获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集。
本发明实施例中所述CT切片数据包括多个按顺序排列的医学影像图片,如肺炎患者的肺部CT影像,可以从医疗设备的数据库中获取。
优选地,所述CT切片数据可以从一区块链的节点中获取,通过将CT切片数据存储于区块链中,可以提高CT切片数据的安全性。
详细地,所述将所述CT切片数据进行归一化操作,得到标准数据集,包括:
根据所述CT切片数据中各切片的像素值构建对应的三维矩阵;
利用下述公式对所述三维矩阵进行归一化处理,得到归一化后的标准数据集:
具体地,本发明实施例中利用上述公式对所述三维矩阵进行归一化处理,是对所述三维矩阵中的每个元素,都用所述公式进行计算,得到计算结果;若所述计算结果大于1,则将所述元素的值赋值为1;若所述计算结果小于0,则将所述元素的值赋值为0。
优选地,当不同的特征成列在一起的时候,由于特征本身表达方式的原因会导致在绝对数值上的小数据被大数据覆盖的情况,因此对特征数据进行归一化处理,可以保证每个特征被分类器平等对待。
S2、选择所述标准数据集中的其中一张切片,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,其中,n和m为大于等于1的整数。
优选地,所述标准数据集包含多个按顺序排列的切片图像,所述切片的顺序与各切片的Z轴值对应,排在前的Z轴值越小,排在后的则Z轴值越大。
优选地,本发明实施例中m和n可以相同,为1。
详细地,参照图2所示,所述S2包括:
S21、根据所述切片步长采用下述公式依次计算与所述切片S的前n张切片和所述切片S的后m张切片在所述标准数据集中的位置,得到输入切片集:
优选地,传统的分割模型会输入单张切片或者先缩放再整体输入,本发明实施例在输入单张切片的同时,还输入前后两张切片,其中,前后两张切片的位置是根据层厚动态调整的,通过输入三张切片,可以提高病灶分割的精度。
S3、将所述输入切片集输入至预先构建的病灶分割模型,利用所述病灶分割模型对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,根据所述特征数据确定病灶区域。
优选地,所述病灶分割模型是一种卷积神经网络模型,可以用于分类、检测和分割。所述病灶分割模型包括用于抽取抽象特征以扩大感受野的下采样层、用于恢复细节信息的上采样层和用于使用低层特征为高层特征补充细节信息的跳跃连接层。
详细地,参照图3所示,所述S3包括:
S30、利用所述病灶分割模型中的上采样层对所述输入切片集进行多次不同空洞率的空洞卷积、池化操作,得到多个尺度的特征图;
S31、利用所述病灶分割模型中的跳跃连接层和下采样层将所述多个尺度的特征图进行融合,并输出病灶分割结果图,并根据所述病灶分割结果图确定病灶区域。
本发明实施例中利用所述病灶分割模型在输出时会对输出图片中各个像素点进行类别判断,判断其是否为病灶,通过输出的病灶分割结果图可以检测出对应所述CT切片数据中的病灶区域,并对所述病灶区域进行标识,分割出所述病灶区域。
较佳地,本发明实施例中所述病灶分割模型采用了可切换的空洞卷积(SAC,Switchable Atrous Convolution),可以以不同的空洞率对输入图片进行卷积,并使用switch函数合并卷积后的结果,通过上述卷积操作,使得所述病灶分割模型能够对不同大小区域的病灶进行不同的卷积,识别出更多病灶区域,输出病灶分割图,提高病灶分割结果的准确度。
可选地,本发明实施例在将所述输入切片集输入至预先构建的病灶分割模型之前,还包括对所述病灶分模型进行训练,具体如下:
获取训练集,并将所述训练集输入至所述病灶分割模型中,得到预测结果;
利用预设的损失函数对所述预测结果进行损失计算,得到损失函数值;
根据所述损失函数值反向传播更新所述病灶分割模型的参数;
返回上述的损失计算步骤,直到达到预设迭代次数,得到训练完成的病灶分割模型。
进一步地,所述损失函数包括:
优选地,本发明实施例将经过训练后得到的模型作为病灶分割模型,通过所述病灶分割模型,即可预测肺炎病灶区域。
S4、对所述病灶区域进行密度分析,将所述密度分析的结果反馈给用户。
本发明实施例对检测出来的病灶区域还进行密度分析,通过密度分析可以确定对应病灶区域的性质,本发明实施例利用CT影像中的CT值来对各病灶区域进行密度分析。其中,所述CT值是测定人体某一局部组织或器官密度大小的一种计量单位,通常称亨氏单位(hounsfield unit ,HU)空气为-1000,致密骨为+1000,通过CT值可以了解CT影像中某个部位的成分属性。
详细地,所述对所述病灶区域进行密度分析,包括:
对每个所述病灶区域,从所述CT切片数据中提取与所述病灶区域对应位置的多个亨氏单位值;
对所述多个亨氏单位值进行统计,生成关于亨氏单位值数量的直方图;
根据所述直方图确定所述病灶区域的分析结果。
优选地,本发明实施例中所述分析结果可以是所述病灶区域的性质,包括纯磨玻璃病灶、实性病灶和半磨玻璃半实性病灶。
进一步地,所述根据所述直方图确定所述病灶区域的分析结果,包括:
基于所述直方图确定比例阈值条件;
根据所述比例阈值条件确定所述病灶的分析结果。
优选地,本发明实施例按照下述计算公式确定比例阈值条件:
进一步地,本发明实施例所述根据所述比例阈值条件确定所述病灶的分析结果,包括:
其中,pGGO为纯磨玻璃病灶,solid为实性病灶,mGGO为半磨玻璃半实性病灶。
本发明实施例根据所述病灶密度确定所述病灶区域的性质,在传统的病灶检测分析模型对病灶进行量化分析的基础上增加定性分析,以实现对病灶多方面的分析,使病灶检测分析结果更加精确、全面。
优选地,本发明实施例通过提取亨氏单位直方图,采用阈值方式确定各病灶区域的性质,让后续的随访中,即使病灶区域相同,也能够通过病灶的性质与计算得出的定量数值来评估后期疗效,并依据结果制定后续治疗方案,从而帮助患者得到更好的治疗。
本发明实施例通过获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集,可以减少极端数据的干扰,确保结果的准确性;选择所述标准数据集中的一张切片数据,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,输入多张切片数据而不是单张切片数据,可以适配更多不同层厚的CT数据,提高模型的精确度;所述病灶分割模型中还采用了可切换的空洞卷积机制,可以识别出更多不同大小的病灶区域,提高病灶分割结果的准确度;同时还对所述病灶区域进行密度分析,对病灶区域的分析更加全面。因此本发明提出的病灶检测分析方法、装置及计算机可读存储介质,可以提高病灶分割的精度,并对病灶进行多方面的分析。
如图4所示,是本发明病灶检测分析装置的模块示意图。
本发明所述病灶检测分析装置100可以安装于电子设备中。根据实现的功能,所述病灶检测分析装置可以包括数据处理模块101、输入切片集获取模块102、病灶区域确定模块103和密度分析模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据处理模块101,用于获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集;
本发明实施例中所述CT切片数据包括多个按顺序排列的医学影像图片,如肺炎患者的肺部CT影像,可以从医疗设备的数据库中获取。
优选地,所述CT切片数据可以从一区块链的节点中获取,通过将CT切片数据存储于区块链中,可以提高CT切片数据的安全性。
详细地,在将所述CT切片数据进行归一化操作,得到标准数据集时,所述数据处理模块具体执行下述操作:
根据所述CT切片数据中各切片的像素值构建对应的三维矩阵;
利用下述公式对所述三维矩阵进行归一化处理,得到归一化后的标准数据集:
具体地,本发明实施例中利用上述公式对所述三维矩阵进行归一化处理,是对所述三维矩阵中的每个元素,都用所述公式进行计算,得到计算结果;若所述计算结果大于1,则将所述元素的值赋值为1;若所述计算结果小于0,则将所述元素的值赋值为0。
优选地,当不同的特征成列在一起的时候,由于特征本身表达方式的原因会导致在绝对数值上的小数据被大数据覆盖的情况,因此对特征数据进行归一化处理,可以保证每个特征被分类器平等对待。
所述输入切片集获取模块102,用于选择所述标准数据集中的一张切片数据,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,其中,n和m为大于等于1的整数。
优选地,所述标准数据集包含多个按顺序排列的切片图像,所述切片的顺序与各切片的Z轴值对应,排在前的Z轴值越小,排在后的则Z轴值越大。
优选地,本发明实施例中m和n可以相同,为1。
详细地,所述输入切片集获取模块102具体用于:
根据所述切片步长采用下述公式依次计算与所述切片S的前n张切片和所述切片S的后m张切片在所述标准数据集中的位置,得到输入切片集:
优选地,传统的分割模型会输入单张切片或者先缩放再整体输入,本发明实施例在输入单张切片的同时,还输入前后两张切片,其中,前后两张切片的位置是根据层厚动态调整的,通过输入三张切片,可以提高病灶分割的精度。
所述病灶区域确定模块103,用于将所述输入切片集输入至预先构建的病灶分割模型,利用所述病灶分割模型对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,根据所述特征数据确定病灶区域。
优选地,所述病灶分割模型是一种卷积神经网络模型,可以用于分类、检测和分割。所述病灶分割模型包括用于抽取抽象特征以扩大感受野的下采样层、用于恢复细节信息的上采样层和用于使用低层特征为高层特征补充细节信息的跳跃连接层。
详细地,所述病灶区域确定模块103具体用于:
利用所述病灶分割模型中的上采样层对所述输入切片集进行多次不同空洞率的空洞卷积、池化操作,得到多个尺度的特征图;
利用所述病灶分割模型中的跳跃连接层和下采样层将所述多个尺度的特征图进行融合,并输出病灶分割结果图,并根据所述病灶分割结果图确定病灶区域。
本发明实施例中利用所述病灶分割模型在输出时会对输出图片中各个像素点进行类别判断,判断其是否为病灶,通过输出的病灶分割结果图可以检测出对应所述CT切片数据中的病灶区域,并对所述病灶区域进行标识,分割出所述病灶区域。
较佳地,本发明实施例中所述病灶分割模型采用了可切换的空洞卷积(SAC,Switchable Atrous Convolution),可以以不同的空洞率对输入图片进行卷积,并使用switch函数合并卷积后的结果,通过上述卷积操作,使得所述病灶分割模型能够对不同大小区域的病灶进行不同的卷积,识别出更多病灶区域,输出病灶分割图,提高病灶分割结果的准确度。
可选地,本发明实施例在将所述输入切片集输入至预先构建的病灶分割模型之前,还包括对所述病灶分模型进行训练,具体如下:
获取训练集,并将所述训练集输入至所述病灶分割模型中,得到预测结果;
利用预设的损失函数对所述预测结果进行损失计算,得到损失函数值;
根据所述损失函数值反向传播更新所述病灶分割模型的参数;
返回上述的损失计算步骤,直到达到预设迭代次数,得到训练完成的病灶分割模型。
进一步地,所述损失函数包括:
优选地,本发明实施例将经过训练后得到的模型作为病灶分割模型,通过所述病灶分割模型,即可预测肺炎病灶区域。
所述密度分析模块104,用于对所述病灶区域进行密度分析,将所述密度分析的结果反馈给用户。
本发明实施例对检测出来的病灶区域还进行密度分析,通过密度分析可以确定对应病灶区域的性质,本发明实施例利用CT影像中的CT值来对各病灶区域进行密度分析。其中,所述CT值是测定人体某一局部组织或器官密度大小的一种计量单位,通常称亨氏单位(hounsfield unit ,HU)空气为-1000,致密骨为+1000,通过CT值可以了解CT影像中某个部位的成分属性。
详细地,在对所述病灶区域进行密度分析时,所述密度分析模块具体执行下述操作:
对每个所述病灶区域,从所述CT切片数据中提取与所述病灶区域对应位置的多个亨氏单位值;
对所述多个亨氏单位值进行统计,生成关于亨氏单位值数量的直方图;
根据所述直方图确定所述病灶区域的分析结果。
优选地,本发明实施例中所述分析结果可以是所述病灶区域的性质,包括纯磨玻璃病灶、实性病灶和半磨玻璃半实性病灶。
进一步地,所述根据所述直方图确定所述病灶区域的分析结果,包括:
基于所述直方图确定比例阈值条件;
根据所述比例阈值条件确定所述病灶的分析结果。
优选地,本发明实施例按照下述计算公式确定比例阈值条件:
进一步地,本发明实施例所述根据所述比例阈值条件确定所述病灶的分析结果,包括:
其中,pGGO为纯磨玻璃病灶,solid为实性病灶,mGGO为半磨玻璃半实性病灶。
本发明实施例根据所述病灶密度确定所述病灶区域的性质,在传统的病灶检测分析模型对病灶进行量化分析的基础上增加定性分析,以实现对病灶多方面的分析,使病灶检测分析结果更加精确、全面。
优选地,本发明实施例通过提取亨氏单位直方图,采用阈值方式确定各病灶区域的性质,让后续的随访中,即使病灶区域相同,也能够通过病灶的性质与计算得出的定量数值来评估后期疗效,并依据结果制定后续治疗方案,从而帮助患者得到更好的治疗。
如图5所示,是本发明实现病灶检测分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如病灶检测分析程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如病灶检测分析程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行病灶检测分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的病灶检测分析程序12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集;
选择所述标准数据集中的一张切片数据,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,其中,n和m为大于等于1的整数;
将所述输入切片集输入至预先构建的病灶分割模型,利用所述病灶分割模型对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,并根据所述特征数据确定病灶区域;
对所述病灶区域进行密度分析,将所述密度分析的结果反馈给用户。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种病灶检测分析方法,其特征在于,所述方法包括:
获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集;
选择所述标准数据集中的其中一张切片,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,其中,n和m为大于等于1的整数;
将所述输入切片集输入至预先构建的病灶分割模型,利用所述病灶分割模型对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,并根据所述特征数据确定病灶区域;
对所述病灶区域进行密度分析,将所述密度分析的结果反馈给用户;
其中,所述选择所述标准数据集中的其中一张切片,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,包括:
根据所述切片步长采用下述公式依次计算与所述切片S的前n张切片和所述切片S的后m张切片在所述标准数据集中的位置,得到输入切片集:
2.如权利要求1所述的病灶检测分析方法,其特征在于,所述利用所述病灶分割模型对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,并根据所述特征数据确定病灶区域,包括:
利用所述病灶分割模型中的上采样层对所述输入切片集进行多次不同空洞率的空洞卷积、池化操作,得到多个尺度的特征图;
利用所述病灶分割模型中的跳跃连接层和下采样层将所述多个尺度的特征图进行融合,并输出病灶分割结果图,并根据所述病灶分割结果图确定病灶区域。
3.如权利要求2所述的病灶检测分析方法,其特征在于,在将所述输入切片集输入至预先构建的病灶分割模型之前,该方法还包括:
获取训练集,并将所述训练集输入至所述病灶分割模型中,得到预测结果;
利用预设的损失函数对所述预测结果进行损失计算,得到损失函数值;
根据所述损失函数值反向传播更新所述病灶分割模型的参数;
返回上述的损失计算步骤,直到达到预设迭代次数,得到训练完成的病灶分割模型。
4.如权利要求1中所述的病灶检测分析方法,其特征在于,所述对所述病灶区域进行密度分析,包括:
对每个所述病灶区域,从所述CT切片数据中提取与所述病灶区域对应位置的多个亨氏单位值;
对所述多个亨氏单位值进行统计,生成关于亨氏单位值数量的直方图;
根据所述直方图确定所述病灶区域的分析结果。
5.如权利要求4所述的病灶检测分析方法,其特征在于,所述根据所述直方图确定所述病灶区域的分析结果,包括:
基于所述直方图确定比例阈值条件;
根据所述比例阈值条件确定所述病灶的分析结果。
7.一种病灶检测分析装置,其特征在于,所述装置包括:
数据处理模块,用于获取CT切片数据,将所述CT切片数据进行归一化操作,得到标准数据集;
输入切片集获取模块,用于选择所述标准数据集中的其中一张切片,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,其中,n和m为大于等于1的整数;
病灶区域确定模块,用于将所述输入切片集输入至预先构建的病灶分割模型,利用所述病灶分割模型对所述输入切片集进行空洞卷积,提取所述输入切片集的特征数据,并根据所述特征数据确定病灶区域;
密度分析模块,用于对所述病灶区域进行密度分析,将所述密度分析的结果反馈给用户;
其中,所述选择所述标准数据集中的其中一张切片,根据所述标准数据集计算切片步长,并根据所述切片步长在所述标准数据集中选择所述切片的前n张切片和所述切片的后m张切片,得到输入切片集,包括:
根据所述切片步长采用下述公式依次计算与所述切片S的前n张切片和所述切片S的后m张切片在所述标准数据集中的位置,得到输入切片集:
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的病灶检测分析方法。
9.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的病灶检测分析方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011000056.9A CN111915609B (zh) | 2020-09-22 | 2020-09-22 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
PCT/CN2020/131989 WO2021189909A1 (zh) | 2020-09-22 | 2020-11-27 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011000056.9A CN111915609B (zh) | 2020-09-22 | 2020-09-22 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915609A CN111915609A (zh) | 2020-11-10 |
CN111915609B true CN111915609B (zh) | 2023-07-14 |
Family
ID=73265369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011000056.9A Active CN111915609B (zh) | 2020-09-22 | 2020-09-22 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111915609B (zh) |
WO (1) | WO2021189909A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915609B (zh) * | 2020-09-22 | 2023-07-14 | 平安科技(深圳)有限公司 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
CN112634224B (zh) * | 2020-12-17 | 2023-07-28 | 北京大学 | 基于目标影像的病灶检测方法和装置 |
CN112465819B (zh) * | 2020-12-18 | 2024-06-18 | 平安科技(深圳)有限公司 | 图像异常区域检测方法、装置、电子设备及存储介质 |
CN112734710A (zh) * | 2020-12-30 | 2021-04-30 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及*** |
CN114066871B (zh) * | 2021-11-19 | 2024-06-21 | 江苏科技大学 | 一种新冠肺炎病灶区域分割模型训练的方法 |
CN115393323B (zh) * | 2022-08-26 | 2023-05-30 | 数坤(上海)医疗科技有限公司 | 一种目标区域获得方法、装置、设备和存储介质 |
CN115147420B (zh) * | 2022-09-05 | 2022-11-22 | 北方健康医疗大数据科技有限公司 | 切片间相关度检测模型训练方法、检测方法和电子设备 |
CN115798725B (zh) * | 2022-10-27 | 2024-03-26 | 佛山读图科技有限公司 | 用于核医学的带病灶人体仿真影像数据制作方法 |
CN117942161B (zh) * | 2023-12-12 | 2024-07-09 | 中国人民解放军总医院第一医学中心 | 单根穿刺针功率确认方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010117573A2 (en) * | 2009-04-07 | 2010-10-14 | Virginia Commonwealth University | Automated measurement of brain injury indices using brain ct images, injury data, and machine learning |
CN108734708A (zh) * | 2018-05-23 | 2018-11-02 | 平安科技(深圳)有限公司 | 胃癌识别方法、装置及存储介质 |
CN109767458A (zh) * | 2018-12-21 | 2019-05-17 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN110111313A (zh) * | 2019-04-22 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 基于深度学习的医学图像检测方法及相关设备 |
CN110111344A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 病理切片图像分级方法、装置、计算机设备和存储介质 |
CN110710986A (zh) * | 2019-10-25 | 2020-01-21 | 华院数据技术(上海)有限公司 | 一种基于ct图像的脑部动静脉畸形检测方法及检测*** |
WO2020168648A1 (zh) * | 2019-02-18 | 2020-08-27 | 平安科技(深圳)有限公司 | 一种图像分割方法、装置及计算机可读存储介质 |
CN111595850A (zh) * | 2020-04-27 | 2020-08-28 | 平安科技(深圳)有限公司 | 切片缺陷检测方法、电子装置及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902717A (zh) * | 2019-01-23 | 2019-06-18 | 平安科技(深圳)有限公司 | 病灶自动识别方法、装置及计算机可读存储介质 |
CN111507965A (zh) * | 2020-04-17 | 2020-08-07 | 中山仰视科技有限公司 | 新型冠状病毒肺炎病灶检测方法、***、装置和存储介质 |
CN111915609B (zh) * | 2020-09-22 | 2023-07-14 | 平安科技(深圳)有限公司 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
-
2020
- 2020-09-22 CN CN202011000056.9A patent/CN111915609B/zh active Active
- 2020-11-27 WO PCT/CN2020/131989 patent/WO2021189909A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010117573A2 (en) * | 2009-04-07 | 2010-10-14 | Virginia Commonwealth University | Automated measurement of brain injury indices using brain ct images, injury data, and machine learning |
CN108734708A (zh) * | 2018-05-23 | 2018-11-02 | 平安科技(深圳)有限公司 | 胃癌识别方法、装置及存储介质 |
CN109829880A (zh) * | 2018-12-07 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度学习的ct图像检测方法、装置和控制设备 |
CN109767458A (zh) * | 2018-12-21 | 2019-05-17 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
WO2020168648A1 (zh) * | 2019-02-18 | 2020-08-27 | 平安科技(深圳)有限公司 | 一种图像分割方法、装置及计算机可读存储介质 |
CN110111313A (zh) * | 2019-04-22 | 2019-08-09 | 腾讯科技(深圳)有限公司 | 基于深度学习的医学图像检测方法及相关设备 |
CN110111344A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 病理切片图像分级方法、装置、计算机设备和存储介质 |
CN110710986A (zh) * | 2019-10-25 | 2020-01-21 | 华院数据技术(上海)有限公司 | 一种基于ct图像的脑部动静脉畸形检测方法及检测*** |
CN111595850A (zh) * | 2020-04-27 | 2020-08-28 | 平安科技(深圳)有限公司 | 切片缺陷检测方法、电子装置及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的医学图像分割研究进展;宫进昌;赵尚义;王远军;;中国医学物理学杂志;第36卷(第04期);第420-424页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021189909A1 (zh) | 2021-09-30 |
CN111915609A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915609B (zh) | 病灶检测分析方法、装置、电子设备及计算机存储介质 | |
CN111932482B (zh) | 图像中目标物的检测方法、装置、电子设备及存储介质 | |
Harrison et al. | Progressive and multi-path holistically nested neural networks for pathological lung segmentation from CT images | |
CN111429464B (zh) | 医学图像分割方法、医学图像分割装置及终端设备 | |
Cifci | Deep learning model for diagnosis of corona virus disease from CT images | |
CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
WO2021189913A1 (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN111933274B (zh) | 疾病分类诊断方法、装置、电子设备及存储介质 | |
CN110717894B (zh) | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 | |
CN112308853A (zh) | 电子设备、医学图像指标生成方法、装置及存储介质 | |
Warin et al. | Maxillofacial fracture detection and classification in computed tomography images using convolutional neural network-based models | |
Menegotto et al. | Computer-aided diagnosis of hepatocellular carcinoma fusing imaging and structured health data | |
Bilal et al. | Lung nodules detection using grey wolf optimization by weighted filters and classification using CNN | |
CN111681247A (zh) | 肺叶肺段分割模型训练方法和装置 | |
CN111028940B (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
Zhang et al. | Semantic segmentation of COVID-19 lesions with a multiscale dilated convolutional network | |
CN115760656A (zh) | 一种医学影像处理方法及*** | |
Albahli et al. | AI-driven deep and handcrafted features selection approach for Covid-19 and chest related diseases identification | |
CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及*** | |
CN111462203B (zh) | Dr病灶演化分析装置和方法 | |
Dastider et al. | Rescovnet: A deep learning-based architecture for covid-19 detection from chest ct scan images | |
CN115294426B (zh) | 介入医学设备的跟踪方法、装置、设备及存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN114943695A (zh) | 医学序列影像的异常检测方法、装置、设备及存储介质 |
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 |