CN113011509A - 肺部支气管的分类方法、装置、电子设备和存储介质 - Google Patents

肺部支气管的分类方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113011509A
CN113011509A CN202110321500.5A CN202110321500A CN113011509A CN 113011509 A CN113011509 A CN 113011509A CN 202110321500 A CN202110321500 A CN 202110321500A CN 113011509 A CN113011509 A CN 113011509A
Authority
CN
China
Prior art keywords
bronchial
bronchus
lung
segment
segments
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.)
Granted
Application number
CN202110321500.5A
Other languages
English (en)
Other versions
CN113011509B (zh
Inventor
简伟健
张欢
王瑜
陈宽
王少康
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110321500.5A priority Critical patent/CN113011509B/zh
Publication of CN113011509A publication Critical patent/CN113011509A/zh
Application granted granted Critical
Publication of CN113011509B publication Critical patent/CN113011509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种肺部支气管分类方法、装置、电子设备和存储介质。其中，该方法包括：获取待对肺部支气管进行分类的初始肺部图像；基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像；对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段；基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果。上述技术方案能够实现有效提高支气管分级的精度和鲁棒性，对于支气管异常、病变的图像，也能够很好的分级的技术效果。

Description

肺部支气管的分类方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种肺部支气管的分类方法、装置、电子设备和存储介质。
背景技术
现有的肺部支气管分类算法，一般有两种：一种是通过模板匹配方法进行支气管分类，该方法先获得多个支气管分类的模板，然后通过一定算法匹配到待分类的图像数据上，但是由于支气管变异很多，尤其是病变图像，模板跟目标图像差异较大，造成该方法鲁棒性较低；另一种是直接通过语义分割对支气管进行多分类分割，该方法强烈依赖于图像质量，当支气管分割效果较差，分支有缺失的情况下，难以得到较好的分类结果。
发明内容
本发明实施例提供了一种肺部支气管的分类方法、装置、电子设备和存储介质，以实现对冠脉的精准分割。
第一方面，本发明实施例提供了一种肺部支气管的分类方法，该方法包括：
获取待对肺部支气管进行分类的初始肺部图像；
基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像；
对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段；
基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果。
第二方面，本发明实施例提供了一种肺部支气管的分类装置，该装置包括：
图像获取模块，用于获取待对肺部支气管进行分类的初始肺部图像；
图像分割模块，用于基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像；
支气管分段模块，用于对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段；
支气管分类模块，用于基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的肺部支气管的分类方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例任一所述的肺部支气管的分类方法。
本发明实施例的技术方案，通过对获取到的初始肺部图像进行支气管分割得到支气管掩膜图像，能够去掉初始腹部图像中的干扰信息，为进一步对肺部支气管进行准确分类奠定基础；然后，对支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段，以对肺部支气管进行初步分类，最后，基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定肺部支气管的分类结果，通过肺部支气管的拓扑结构和特征对肺部支气管进行分类，可以有效提高支气管分类的精度和鲁棒性，对于支气管异常、病变的图像，也有很好的分类效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1是本发明实施例所提供的一种肺部支气管分类方法的流程示意图；
图2是本发明实施例所提供的一种支气管段分类模型的训练方法的流程示意图；
图3是本发明实施例所提供的一种支气管段分类模型的训练数据样本的示意图；
图4是本发明实施例所提供的一种基于肺部支气管的各个支气管段的邻接关系构建邻接矩阵的示意图；
图5是本发明实施例所提供的一种肺部支气管的分类方法的可选实例的流程示意图；
图6是本发明实施例所提供的一种基于本发明实施例所提供的肺部支气管的分类方法对肺部支气管进行分类的测试过程示意图；
图7是本发明实施例所提供的一种肺部支气管的分类装置的结构示意图；
图8是本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1为本发明实施例所提供的一种支气管分类方法的流程示意图，该方法可以由支气管分类装置来执行，该装置可以配置于终端或服务器中，由终端与服务器独立执行或配合执行本发明实施例中的支气管分类方法。
如图1所示，本实施例中的支气管分类方法具体可包括：
S110、获取待对肺部支气管进行分类的初始肺部图像。
示例性地，初始肺部图像可以是基于医学影像设备所采集的肺部图像。其中，初始肺部图像可以是满足DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)协议的图像。初始肺部图像可以是从医学影像设备中实时获取，也可以从影像数据库中获取，还可以是接收于外部设备的肺部图像传输。
其中，支气管分类具体可以是：气管进入胸腔后，分成左、右主支气管。右主支气管分为上叶支气管和中间段支气管，中间断支气管再分为中叶和下叶支气管，左主支气管分为上叶和下叶支气管，左上叶支气管分出舌段支气管分支，这样右肺被分为上中下三叶，左肺被分为上下两叶。这些支气管再分成段、亚段支气管，终末细支气管，呼吸性细支气管，肺泡管，肺泡囊和肺泡。
需要说明的是，在本发明实施例中支气管气管和支气管作为整体。其中，气管是呼吸***的组成部分，连接喉与支气管之间的管道，上部接喉头，下部分左右两支通肺。支气管是由气管分出的一级支气管，即左、右主支气管。
S120、基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像。
可选地，在获取待对肺部支气管进行分类的初始肺部图像之后，可以将初始肺部图像进行灰度归一化，进而，对归一化后的初始肺部图像进行肺部支气管的分割。
其中，预设的图像分割方法可以有多种，本发明实施例对具体采用哪一种图像分割方法并不做具体限定。示例性地，可以通过传统的图像算法对肺部支气管进行支气管分割，如，区域生长算法和/或Hessian矩阵算法等，也可以通过深度学习等人工智能方法对肺部支气管进行支气管分割，比如，基于2D或3D的UNet深度学习分割网络对肺部支气管进行支气管分割。可以理解的是，对肺部支气管分割时，分割出的类别越多越好，有助于后续的肺部支气管分类。
S130、对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段。
具体地，可提取所述支气管掩膜图像中的肺部支气管的支气管中线，并基于所述支气管中线对所述肺部支气管进行分段，得到至少两个支气管段。
其中，支气管中线提取可以理解为提取支气管分割的骨架。示例性地，可以使用烈火模拟法或者最大内接球等方法进行支气管中线的提取。目标是让支气管中线能够反应出原始的支气管的拓扑结构。支气管中线的分叉点即原始支气管的分叉点，且支气管中线尽量处于每一段支气管的中心位置处。
可选地，支气管中线是单个像素点为宽度的支气管骨架。换言之，支气管中线是由连续多个的位于支气管中心位置出的单像素点沿支气管延伸方向组成的线。
可选地，基于所述支气管中线对所述肺部支气管进行分段，包括：对所述支气管中线进行关键点提取，得到所述支气管中线的至少两个目标关键点；基于所述至少两个目标关键点对所述肺部支气管进行分段。
具体地，对所述支气管中线进行关键点提取，得到所述支气管中线的目标关键点，可包括：基于位于所述支气管中心线上的每个像素点的相邻像素点的数量，确定所述支气管中线的目标关键点。示例性地，可以基于位于所述支气管中心线上的每个像素点的相邻像素点的数量是否发生变化，确定所述支气管中线的目标关键点。
其中，所述目标关键点可包括分叉点和端点。针对支气管中线上的每个像素点，该像素点的26邻域内，如果邻域内有大于3个像素点位于支气管中线上，则将该像素点确定为肺部支气管的分叉点；若邻域内只有1个像素位于支气管中线上点，则将该像素点确定为肺部支气管的端点。为了避免造成很多误检的分叉点的情况对肺部支气管的分类造成影响，可通过算法去除多余的分叉点，比如，可通过计算分叉点与分叉点之间的距离，把距离处于预设距离范围的分叉点做去重处理等。
S140、基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果。
可选地，确定各个支气管段之间的邻接关系，基于所述邻接关系构建与所述肺部支气管对应的邻接矩阵；基于所述邻接矩阵以及每个所述支气管段的段特征，确定每个所述支气管段的分类结果；基于所述每个所述支气管段的分类结果确定所述肺部支气管的分类结果。
具体地，确定各个支气管段之间的邻接关系可以是，从最上端的端点开始遍历，采用深度优先搜索或者广度优先搜索方法，对肺部支气管的支气管中线进行遍历。每经过一个目标关键点，则得到一段支气管段。换言之，两个相邻关键点之间的支气管可以为一个支气管段。
示例性地，还可以通过两个支气管段之间是否具有相同的目标关键点，得到不同段之间的邻接关系。当遍历完肺部支气管的整个支气管中线，可以得到所有的支气管段的像素点以及各个支气管段段之间的邻接关系。
可选地，基于所述邻接矩阵以及每个所述支气管段的段特征，确定每个所述支气管段的分类结果，可包括：将所述邻接矩阵以及每个所述支气管段的段特征输入至预先训练完成的支气管段分类模型中，得到每个所述支气管段的分类结果；其中，所述支气管段分类模型基于样本肺部图像中肺部支气管的各个支气管段之间的邻接关系以及每个所述支气管段的段特征，对预先建立的图网络模型进行训练得到。
需要说明的是，本发明实施例并不对图网络模型的具体模型结构或者模型形态进行限定，只要训练后可实现对支气管段的分类，则均在本发明实施例的保护范围内。示例性地，图网络模型可以是图卷积神经网络(Graph Convolutional Network，GCN)模型、图注意力网络(Graph Attention Network,GAT)模型以及图同构网络(Graph IsomorphismNetwork，GIN)模型等模型中的至少一种。
由前述内容可知，支气管段的分类结果可能为肺部支气管中中线上各支气管段的分类结果，此时，需要将支气管中线上的各支气管段的分类结果映射到肺部支气管的整个支气管上，示例性地，基于所述每个所述支气管段的分类结果确定所述肺部支气管的分类结果，可包括：基于所述每个所述支气管段的分类结果以及区域增长算法确定所述肺部支气管的分类结果。针对对每一段支气管段中的像素点通过区域生长(region growing)操作，生长到分割出的全部的肺部支气管的像素点，并将中线上各像素点的分类结果映射到肺部支气管上，得到肺部支气管最终的分类结果。
本发明实施例的技术方案，通过对获取到的初始肺部图像进行支气管分割得到支气管掩膜图像，能够去掉初始腹部图像中的干扰信息，为进一步对肺部支气管进行准确分类奠定基础；然后，对支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段，以对肺部支气管进行初步分类，最后，基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定肺部支气管的分类结果，通过肺部支气管的拓扑结构和特征对肺部支气管进行分类，可以有效提高支气管分类的精度和鲁棒性，对于支气管异常、病变的图像，也有很好的分类效果。
图2是本发明实施例所提供的一种支气管段分类模型的训练方法的流程示意图，如图2所示，支气管段分类模型的训练方法的具体实现方式可以包括：
步骤一，获取训练数据集。
图3是本发明实施例所提供的一种支气管段分类模型的训练数据样本的示意图。如图3所示，训练数据样本可以包括支气管掩膜图像以及支气管分类后的金标准图像，或者说标注图像。其中，左图是通过对样本肺部图像进行支气管分割后得到的支气管掩膜图像(简称mask)，用于输入待训练的神经网络，右图是支气管掩膜图像标注出支气管分类之后的金标准图像，用于计算神经网络的损失函数，即，网络的loss。
步骤二，建立初始的图网络模型。
示例性地，图网络模型可以为GCN模型。为了使得GCN模型在对肺部支气管分类的准确性，可选地，不同于现有的GCN模型，本发明实施例中的GCN模型可以是不含池化层，或者说不含pooling等改变图结构的算子。即，每次卷积，使得图的拓扑结构都保持一致。
需要说明的是，“步骤一”和“步骤二”中的“一”和“二”只是为了区分不同的步骤，而并非对执行顺序的限定。步骤一和步骤二可以串行执行也可以并行执行，其执行顺序也可以互换。
步骤三，从训练数据集中进行随机采样，并对样本进行数据扩充。
为了使得GCN模型训练后的分类效果更好，分类结果更加精准，可以使用大量的训练数据对GCN模型进行训练。但考虑到获取医学图像的局限性，以及训练数据的有限性，可以基于训练数据集中训练样本进行数据扩充。示例性地，扩充的方法可以包括但不仅限于仿射变换、弹性形变(如，拉伸、裁剪等)、加入噪声以及对气管树进行剪枝等操作中的至少一种。
步骤四，提取支气管中线。
即，对支气管分割的mask进行支气管中线提取。
步骤五，提取支气管中线的分叉点和端点。
步骤六，根据分叉点和端点对肺部支气管进行分段。
步骤七，计算各个支气管段之间的邻接关系，基于邻接关系构建与所述肺部支气管对应的邻接矩阵。
图4是本发明实施例所提供的一种基于肺部支气管的各个支气管段的邻接关系构建邻接矩阵的示意图。如图4所示，左边是将一棵肺部支气管的支气管树分割成不同的支气管段，并分别为每个支气管段打上不同的标号。根据每两个支气管段之间是否具有邻接关系，即，两个支气管段之间是否相邻，将两个支气管段对应的矩阵下标的值分别置为0或1。示例性地，将相邻的两个支气管段对应的下标位置的值置为1，将不相邻的两个支气管段对应的下标位置的值置为0，可得到右边示出的邻接矩阵。如，支气管段1和支气管段2相邻，则第一行第二列以及第二行第一列对应的矩阵元素均为1；支气管段1和支气管段3不相邻，则第一行第三列以及第三行第一列对应的矩阵元素均为0。可以理解的是，支气管段1和支气管段1为同一支气管段，也不是相邻关系，所以第一行第一列对应的矩阵元素也为0。需要说明的是，这里邻接关系是没有方向，没有权重的，即，邻接矩阵是只有0值和1值的对称矩阵。
步骤八，计算每一段支气管段的段特征。
其中，段特征可包括但不仅限于支气管段的起始位置、终止位置、长度以及方向等。进一步地，还可以将每一段支气管段的段特征进行归一化。
步骤九，计算每一段支气管段中各个像素点对应的标签的众数，作为段标签，执行步骤十一。
具体地，可通过遍历支气管段上每一个像素点对应于与支气管掩膜图像标注出支气管分类之后的金标准图像上的标注(即，图3右边示出的label)，统计该段中出现最多的label，作为该段的标签，用于计算loss。即，该支气管段中哪个标签(类别)对应的像素点的数量最多，就认为该支气管段属于哪个类别。
需要说明的是，“步骤七”、“步骤八”和“步骤九”中的“七”、“八”和“九”只是为了区分不同的步骤，而并非对执行顺序的限定。步骤七、步骤八和步骤九可以串行执行也可以并行执行，其执行顺序也可以互换。
步骤十，将邻接矩阵以及每个支气管段的段特征输入至GCN模型中进行预测，得到每个支气管段的预测结果。
即，将步骤七中的邻接矩阵和步骤八中提取的段特征作为输入，输入到GCN中，进行网络前向传播，得到网络输出的每个支气管段的预测结果。
步骤十一，通过预测结果和标签计算loss，并进行梯度反传，更新GCN模型的网络参数。
步骤十二，判断GCN模型是否收敛，如果是，则执行步骤十三，否则，返回执行步骤三。
具体地，可以通过判断GCN模型的损失函数loss是否收敛，来判断GCN模型是否达到结束训练条件。若达到结束训练条件则执行步骤十三；如果损失函数未收敛，则可重复执行步骤三至步骤十一。
步骤十三，结束训练，得到支气管段分类模型。
本发明实施例提出了一种基于图卷积网络的肺部支气管的分类方法。首先，进行肺部支气管的分割，对分割得到的mask提取支气管中线，并对支气管中线进行分段，进而，对支气管段提取段特征，并计算各个支气管段之间的邻接矩阵，然后把支气管段的段特征和邻接矩阵作为GCN网络的输入进行支气管段分类的预测。本发明实施例中的训练过程只需要支气管掩膜图像，不需要初始肺部图像，可以有效提高支气管段分类模型的泛化能力。
图5是本发明实施例所提供的一种肺部支气管的分类方法的可选实例的流程示意图。如图5所示，肺部支气管的分类方法具体可包括：
首先，获取待对肺部支气管进行分类的初始肺部图像。其中，初始肺部图像可以是满足DICOM(Digital Imaging and Communications in Medicine，医学数字成像和通信)协议的图像。
然后，基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像。
进一步地，提取支气管掩膜图像中的肺部支气管的支气管中线。
在此基础上，可对所述支气管中线进行关键点提取，得到支气管中线的分叉点和端点。
进而，根据分叉点和端点对所述肺部支气管进行分段，得到肺部支气管的各个支气管段。
进一步地，分别计算各个支气管段之间的邻接关系，并基于邻接关系构建出邻接矩阵，并计算出每个支气管段的段特征，如，支气管段的起始位置、终止位置，支气管段的长度以及支气管段的延伸方向等。
然后，将邻接矩阵和每个支气管段的段特征输入到预先训练完成的支气管段分类模型中，得到每个支气管段的分类结果。
最后，基于每个支气管段的分类结果通过以及区域增长算法确定所述肺部支气管的分类结果。
本发明实施例的方法，通过学习支气管的拓扑结构和特征，可以有效提高支气管分级的精度和鲁棒性，即使对于肺部支气管异常、病变的图像，也有很好的分级效果。
图6是本发明实施例所提供的一种基于本发明实施例所提供的肺部支气管的分类方法对肺部支气管进行分类的测试过程示意图。如图6所示，其测试过程具体可包括：
1.获取待对肺部支气管进行分类的初始肺部图像，例如可以是肺部CT图像。然后，可将肺部CT图像进行灰度归一化，并进行支气管分割，得到支气管掩膜图像。
2.提取支气管掩膜图像中肺部支气管的支气管中线，并对支气管中线进行分段得到支气管段，并计算支气管段的端特征，以及各个支气管段的邻接矩阵，具体请见前述训练过程中的计算方式，在此不再赘述。
3.建立图卷积神经网络模型，加载训练好的网络权重，即，获取预先训练完成的支气管段分类模型。
4.将邻接矩阵和每一段的特征输入到支气管段分类模型中，前向传播。
5.将网络的输出通过argmax操作，得到每一段支气管段的类别。
6.针对每一段支气管段的像素点通过区域生长region growing操作，生长到分割出的肺部支气管的全部像素，最终得到肺部支气管分级结果。
本发明实施例中所提出的肺部支气管分级方法，通过学习肺部支气管的拓扑结构和特征，能够有效提高支气管类的精度和鲁棒性。
图7为本发明实施例所提供了一种肺部支气管的分类装置的结构示意图，该装置可以通过软件和/或硬件的方式实现，该装置包括：图像获取模块710、图像分割模块720、支气管分段模块730和支气管分类模块740。
其中，图像获取模块710，用于获取待对肺部支气管进行分类的初始肺部图像；图像分割模块720，用于基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像；支气管分段模块730，用于对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段；支气管分类模块740，用于基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果。
本发明实施例的技术方案，通过对获取到的初始肺部图像进行支气管分割得到支气管掩膜图像，能够去掉初始腹部图像中的干扰信息，为进一步对肺部支气管进行准确分类奠定基础；然后，对支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段，以对肺部支气管进行初步分类，最后，基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定肺部支气管的分类结果，通过肺部支气管的拓扑结构和特征对肺部支气管进行分类，可以有效提高支气管分类的精度和鲁棒性，对于支气管异常、病变的图像，也有很好的分类效果。
在本发明实施例中任一可选技术方案的基础上，所述支气管分类模块可包括：邻接矩阵构建单元、支气管段分类单元和分类结果确定单元。
其中，邻接矩阵构建单元，用于确定各个支气管段之间的邻接关系，基于所述邻接关系构建与所述肺部支气管对应的邻接矩阵；支气管段分类单元，用于基于所述邻接矩阵以及每个所述支气管段的段特征，确定每个所述支气管段的分类结果；分类结果确定单元，基于所述每个所述支气管段的分类结果确定所述肺部支气管的分类结果。
在本发明实施例中任一可选技术方案的基础上，所述支气管段分类单元可用于：
将所述邻接矩阵以及每个所述支气管段的段特征输入至预先训练完成的支气管段分类模型中，得到每个所述支气管段的分类结果；
其中，所述支气管段分类模型基于样本肺部图像中肺部支气管的各个支气管段之间的邻接关系以及每个所述支气管段的段特征，对预先建立的图网络模型进行训练得到。
在本发明实施例中任一可选技术方案的基础上，所述分类结果确定单元可用于：
基于所述每个所述支气管段的分类结果以及区域增长算法确定所述肺部支气管的分类结果。
在本发明实施例中任一可选技术方案的基础上，所述支气管分段模块具体可用于：
提取所述支气管掩膜图像中的肺部支气管的支气管中线，并基于所述支气管中线对所述肺部支气管进行分段，得到至少两个支气管段。
在本发明实施例中任一可选技术方案的基础上，所述支气管分段模块可包括：关键点提取单元和支气管分段单元。
其中，关键点提取单元，用于对所述支气管中线进行关键点提取，得到所述支气管中线的至少两个目标关键点；基于所述至少两个目标关键点对所述肺部支气管进行分段。
在本发明实施例中任一可选技术方案的基础上，所述关键点提取单元可以用于：
基于位于所述支气管中心线上的每个像素点的相邻像素点的数量，确定所述支气管中线的目标关键点。
上述产品可执行本发明任意实施例所提供的支气管分类方法，具备执行支气管分类方法相应的功能模块和有益效果。
图8为本发明实施例所提供的一种电子设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图8显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，***存储器28，连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如***存储器28中，这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图8中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的一种肺部支气管的分类方法。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种肺部支气管的分类方法，该方法包括：
获取待对肺部支气管进行分类的初始肺部图像；
基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像；
对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段；
基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种肺部支气管的分类方法，其特征在于，包括：
获取待对肺部支气管进行分类的初始肺部图像；
基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像；
对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段；
基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果，包括：
确定各个支气管段之间的邻接关系，基于所述邻接关系构建与所述肺部支气管对应的邻接矩阵；
基于所述邻接矩阵以及每个所述支气管段的段特征，确定每个所述支气管段的分类结果；
基于所述每个所述支气管段的分类结果确定所述肺部支气管的分类结果。
3.根据权利要求2所述的方法，其特征在于，所述基于所述邻接矩阵以及每个所述支气管段的段特征，确定每个所述支气管段的分类结果，包括：
将所述邻接矩阵以及每个所述支气管段的段特征输入至预先训练完成的支气管段分类模型中，得到每个所述支气管段的分类结果；
其中，所述支气管段分类模型基于样本肺部图像中肺部支气管的各个支气管段之间的邻接关系以及每个所述支气管段的段特征，对预先建立的图网络模型进行训练得到。
4.根据权利要求2所述的方法，其特征在于，所述对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段，包括：
提取所述支气管掩膜图像中的肺部支气管的支气管中线，并基于所述支气管中线对所述肺部支气管进行分段，得到至少两个支气管段。
5.根据权利要求4所述的方法，其特征在于，所述基于所述支气管中线对所述肺部支气管进行分段，包括：
对所述支气管中线进行关键点提取，得到所述支气管中线的至少两个目标关键点；
基于所述至少两个目标关键点对所述肺部支气管进行分段。
6.根据权利要求5所述的方法，其特征在于，所述对所述支气管中线进行关键点提取，得到所述支气管中线的目标关键点，包括：
基于位于所述支气管中心线上的每个像素点的相邻像素点的数量，确定所述支气管中线的目标关键点。
7.根据权利要求4所述的方法，其特征在于，所述基于所述每个所述支气管段的分类结果确定所述肺部支气管的分类结果，包括：
基于所述每个所述支气管段的分类结果以及区域增长算法确定所述肺部支气管的分类结果。
8.一种肺部支气管的分类装置，其特征在于，包括：
图像获取模块，用于获取待对肺部支气管进行分类的初始肺部图像；
图像分割模块，用于基于预设的图像分割算法对所述肺部支气管进行支气管分割，得到支气管掩膜图像；
支气管分段模块，用于对所述支气管掩膜图像中的肺部支气管进行分段，得到至少两个支气管段；
支气管分类模块，用于基于各个支气管段之间的邻接关系以及每个所述支气管段的段特征，确定所述肺部支气管的分类结果。
9.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的肺部支气管的分类方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的肺部支气管的分类方法。
CN202110321500.5A 2021-03-25 2021-03-25 肺部支气管的分类方法、装置、电子设备和存储介质 Active CN113011509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110321500.5A CN113011509B (zh) 2021-03-25 2021-03-25 肺部支气管的分类方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110321500.5A CN113011509B (zh) 2021-03-25 2021-03-25 肺部支气管的分类方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113011509A true CN113011509A (zh) 2021-06-22
CN113011509B CN113011509B (zh) 2022-02-22

Family

ID=76407264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110321500.5A Active CN113011509B (zh) 2021-03-25 2021-03-25 肺部支气管的分类方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113011509B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409306A (zh) * 2021-07-15 2021-09-17 推想医疗科技股份有限公司 一种检测装置、训练方法、训练装置、设备和介质
CN113724176A (zh) * 2021-08-23 2021-11-30 广州市城市规划勘测设计研究院 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质
CN114203297A (zh) * 2021-12-14 2022-03-18 清华大学 用于医学影像的呼吸道疾病随诊辅助方法及装置
CN114565599A (zh) * 2022-03-07 2022-05-31 推想医疗科技股份有限公司 一种肺部模型获取装置、方法、电子设备及存储介质
CN114972859A (zh) * 2022-05-19 2022-08-30 推想医疗科技股份有限公司 像元的分类方法、模型训练方法、装置、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050196024A1 (en) * 2004-03-03 2005-09-08 Jan-Martin Kuhnigk Method of lung lobe segmentation and computer system
US20100128940A1 (en) * 2005-02-11 2010-05-27 Koninklijke Philips Electronics, N.V. Method of automatic extraction of the pulmonary artery tree from 3d medical images
CN110378923A (zh) * 2019-07-25 2019-10-25 杭州健培科技有限公司 一种智能肺部气管树分割提取和分级的方法与装置
CN110517243A (zh) * 2019-08-23 2019-11-29 强联智创（北京）科技有限公司 一种基于dsa图像的定位方法及***
CN111311583A (zh) * 2020-02-24 2020-06-19 广州柏视医疗科技有限公司 肺气管和血管的分段命名方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050196024A1 (en) * 2004-03-03 2005-09-08 Jan-Martin Kuhnigk Method of lung lobe segmentation and computer system
US20100128940A1 (en) * 2005-02-11 2010-05-27 Koninklijke Philips Electronics, N.V. Method of automatic extraction of the pulmonary artery tree from 3d medical images
CN110378923A (zh) * 2019-07-25 2019-10-25 杭州健培科技有限公司 一种智能肺部气管树分割提取和分级的方法与装置
CN110517243A (zh) * 2019-08-23 2019-11-29 强联智创（北京）科技有限公司 一种基于dsa图像的定位方法及***
CN111311583A (zh) * 2020-02-24 2020-06-19 广州柏视医疗科技有限公司 肺气管和血管的分段命名方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANTONIO GARCIA-UCEDA JUAREZ .ETC: ""A joint 3D UNet-Graph Neural Network-based method for Airway Segmentation from chest CTs"", 《ARXIV:1908.08588V1》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409306A (zh) * 2021-07-15 2021-09-17 推想医疗科技股份有限公司 一种检测装置、训练方法、训练装置、设备和介质
CN113724176A (zh) * 2021-08-23 2021-11-30 广州市城市规划勘测设计研究院 一种多摄像头动作捕捉无缝衔接方法、装置、终端及介质
CN114203297A (zh) * 2021-12-14 2022-03-18 清华大学 用于医学影像的呼吸道疾病随诊辅助方法及装置
CN114565599A (zh) * 2022-03-07 2022-05-31 推想医疗科技股份有限公司 一种肺部模型获取装置、方法、电子设备及存储介质
CN114972859A (zh) * 2022-05-19 2022-08-30 推想医疗科技股份有限公司 像元的分类方法、模型训练方法、装置、设备和介质

Also Published As

Publication number Publication date
CN113011509B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN113011509B (zh) 肺部支气管的分类方法、装置、电子设备和存储介质
WO2021203795A1 (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN110807764A (zh) 一种基于神经网络的肺癌筛查方法
CN108921851A (zh) 一种基于3d对抗网络的医学ct图像分割方法
CN113706487A (zh) 基于自监督特征小样本学习的多器官分割方法
CN109655815B (zh) 基于ssd的声呐目标检测方法
CN115345938B (zh) 基于全局到局部的头影标记点定位方法、设备及介质
US20200175324A1 (en) Segmentation of target areas in images
CN110930414A (zh) 医学影像的肺部区域阴影标记方法、装置、服务器及存储介质
CN114998362B (zh) 基于双分割模型的医学图像分割方法
CN116228792A (zh) 一种医学图像分割方法、***及电子装置
CN116091490A (zh) 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法
CN113889238A (zh) 一种图像识别方法、装置、电子设备及存储介质
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN114519705A (zh) 一种用于医学选拔与鉴定的超声标准数据处理方法及***
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
CN113855242A (zh) 支气管镜的位置确定方法、装置、***、设备与介质
CN111476802B (zh) 一种医学图像分割与肿瘤检测方法，设备及可读存储介质
CN115881265A (zh) 电子病历智能病案质控方法、***、设备及存储介质
CN113011510B (zh) 一种支气管分级及模型训练方法、装置及电子设备
CN115170599A (zh) 通过图神经网络的链路预测进行血管分割的方法和装置
CN111968111A (zh) 一种ct图像的脏器或伪影辨别方法及装置
CN113450351B (zh) 分割模型训练方法、图像分割方法、装置、设备及介质
CN116433874B (zh) 支气管镜导航方法、装置、设备及存储介质
CN110705570A (zh) 一种图像特征识别方法

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