CN113160153A - 一种基于深度学习技术的肺结节筛查方法及筛查*** - Google Patents

一种基于深度学习技术的肺结节筛查方法及筛查*** Download PDF

Info

Publication number
CN113160153A
CN113160153A CN202110368194.0A CN202110368194A CN113160153A CN 113160153 A CN113160153 A CN 113160153A CN 202110368194 A CN202110368194 A CN 202110368194A CN 113160153 A CN113160153 A CN 113160153A
Authority
CN
China
Prior art keywords
lung
image
module
screening
nodule
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
CN202110368194.0A
Other languages
English (en)
Inventor
周成伟
陈子煊
李孝文
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.)
Affiliated Hospital of Medical School of Ningbo University
Original Assignee
Affiliated Hospital of Medical School of Ningbo 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 Affiliated Hospital of Medical School of Ningbo University filed Critical Affiliated Hospital of Medical School of Ningbo University
Priority to CN202110368194.0A priority Critical patent/CN113160153A/zh
Publication of CN113160153A publication Critical patent/CN113160153A/zh
Priority to ZA2022/01219A priority patent/ZA202201219B/en
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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/20036—Morphological 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于肺结节筛查技术领域，公开了一种基于深度学习技术的肺结节筛查方法及筛查***，所述基于深度学习技术的肺结节筛查***包括：信息获取模块、肺部影像采集模块、影像处理模块、中央控制模块、影像分析模块、肺组织分割模块、特征提取模块、筛查模型构建模块、模型训练模块、图像分割模块、肺部结节定性模块、云存储模块、更新显示模块。本发明通过2D空间根据分割轮廓的凹凸性能，够避免漏检肺壁上的结节；通过基于深度学习的病灶分类方法可以实现对各种类型结节的分类，充分利用CT序列影像的病灶局部三维信息，有效区分是否为肺结节并识别出结节的类型，更好地辅助医生提高诊断准确性；提高肺结节的筛查效率，减少假阳性结节。

Description

一种基于深度学习技术的肺结节筛查方法及筛查***
技术领域
本发明属于肺结节筛查技术领域，尤其涉及一种基于深度学习技术的肺结节筛查方法及筛查***。
背景技术
目前，肺癌是常见的恶性肿瘤，因此早期发现和治疗至关重要，判断肺部是否存在肺结节是早期预防肺癌的有效方法。目前大量的CT图像是由医生进行筛查是否存在肺结节，加大医生的工作量，而且很容易导致漏诊或误诊。计算机辅助诊断***可以利用机器学习的方法对肺部CT图像进行处理，最终对肺部CT图像中的肺结节进行筛查。这样不仅可以大大地减轻医生的阅片压力，也可以为医生提供判别肺结节的意见，对肺癌的诊断有着重要的意义。
目前的CT图像中肺结节的自动识别和检测技术中，主要是利用卷积神经网络来提取图像的特征，从而检测出图像中的肺结节。但是肺部区域包含很多类似结节的生理结构，比如肺部血管，而且肺结节的大小、形状和类型又有很多种，所以肺结节检测结果中假阳性较高。
通过上述分析，现有技术存在的问题及缺陷为：目前的CT图像中肺结节的自动识别和检测技术中，检测图像中的肺结节时没有进行肺部结构的分割，肺结节检测结果中假阳性较高。
发明内容
针对现有技术存在的问题，本发明提供了一种基于深度学习技术的肺结节筛查方法及筛查***。
本发明是这样实现的，一种基于深度学习技术的肺结节筛查方法，所述基于深度学习技术的肺结节筛查方法包括以下步骤：
步骤一，在终端设置病例信息获取参数，通过信息获取模块将携带有病例信息获取参数的信息获取请求发送至服务器；服务器接收终端发送的信息获取请求，获取信息获取请求中的病例信息获取参数，并基于病例信息获取参数在数据库中获取目标病例信息集合；服务器设置病例信息反馈参数，并将目标病例信息集合以及病例信息反馈参数发送至所述终端；终端接收并保存目标病例信息集合以及病例信息反馈参数，通过信息获取程序基于病例信息反馈参数并执行设置病例信息获取参数，并将携带病例信息获取参数的病例信息获取请求发送至服务器，得到病例信息；
步骤二，通过肺部影像采集模块利用CT机进行患者肺部影像的采集，得到肺部三维影像；通过影像处理模块获取待处理肺部三维影像，确定所述待处理影像所属的状态类型；利用影像处理程序根据所述状态类型查找对应的采样模型；根据所述采样模型对所述待处理影像进行非线性采样，获得采样点，根据所述采样点将所述待处理的肺部三维影像进行归一化处理；
步骤三，服务器终端采用基于形状特征的模板匹配算法和基于SIFT特征的检测算法进行检测，通过影像分析模块调用OpenCV视觉类库中封装好的图像处理算子，编程完成相应的C++代码，并利用应用软件界面中各个控件按钮实现算法的功能；
步骤四，利用影像分析程序进行图像预处理，图像预处理完成图像滤波处理和目标子图像的获取及其直方图均衡处理，将图像数据中包含的无用信息删除，得到待治疗区域图像信息；图像分割和自动化定量分析，获得目标的外部轮廓特征，在图像分割的基础上，分别获取目标区域最长和最宽距离内包含的像素个数，并按比例尺系数换算成实体的长宽值，完成三维视角变换；根据交互式的区域选择，显示不同部分的组织，实现对处理后肺部三维影像的分析，并生成肺部三维影像分析报告；
步骤五，通过肺组织分割模块利用肺组织分割进行肺部三维影像中肺部区域的分割，得到肺部图像；通过特征提取模块利用特征提取程序进行病例结果与肺部图像进行对比，得到病变部位特征点并标注；通过筛查模型构建模块利用肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型的构建；
步骤六，通过模型训练模块利用模型训练程序进行肺结节筛查模型的训练，得到训练后的肺结节筛查模型；通过图像分割模块利用图像分割程序进行肺部三维影像的分割，得到小尺寸影像；通过肺部结节定性模块利用结节定性程序依照训练后的肺结节筛查模型对小尺寸影像进行筛查，得到肺部结节定性结果；
步骤七，通过云存储模块利用云数据库服务器存储获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果；通过更新显示模块利用显示器对获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果的实时数据进行更新显示。
进一步，步骤一中，所述病例信息获取参数还包括本批病例信息获取需求指示的起始时间以及结束时间；当所述服务器检测到所述起始时间等于所述结束时间时，记录当前时间，将所述结束时间设置为所述当前时间。
进一步，步骤二中，所述根据所述采样点将所述待处理的肺部三维影像进行归一化处理的方法，包括：
(1)获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组；
(2)按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型；
(3)根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理影像的归一化。
进一步，步骤四中，所述将图像数据中包含的无用信息删除的方法，包括：
用背景的灰度值来填充橡皮擦所经过路线上的原始灰度值，从定性到定量，将原始DICOM数据通过调和映射地方式转化为8位BMP灰度图。
进一步，步骤五中，所述通过肺组织分割模块利用肺组织分割进行肺部三维影像中肺部区域分割的方法，包括：
(1)通过基于阈值的粗分割、背景体素移除、轮廓补全、气管组织移除得到初步肺部组织；
(2)在每一个切片上，分别统计2D连通域的外轮廓边缘点的凹凸性来确定需要填充的区域；
(3)结合形态学操作填充所述区域，获得肺部分割结果。
进一步，步骤五中，所述通过筛查模型构建模块利用肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型构建的方法，包括：
确定病变部位，对病变部位进行区域框选，对选定的病变区域进行特征提取，筛选出低冗余高相关的特征，构建肺结节筛查模型。
进一步，步骤六中，所述通过模型训练模块利用模型训练程序进行肺结节筛查模型训练的方法，包括：
获取训练数据的数据特征；根据所述数据特征生成相同特征维度的代用数据；基于所述训练数据与所述代用数据进行模型训练。
本发明的另一目的在于提供一种应用所述的基于深度学习技术的肺结节筛查方法的基于深度学习技术的肺结节筛查***，所述基于深度学习技术的肺结节筛查***包括：
信息获取模块，与中央控制模块连接，用于通过信息获取程序进行病例信息的获取，得到病例信息；
肺部影像采集模块，与中央控制模块连接，用于通过CT机进行患者肺部影像的采集，得到肺部三维影像；
影像处理模块，与中央控制模块连接，用于通过影像处理程序对获取的肺部三维影像进行归一化处理；
中央控制模块，与信息获取模块、肺部影像采集模块、影像处理模块、影像分析模块、肺组织分割模块、特征提取模块、筛查模型构建模块、模型训练模块、图像分割模块、肺部结节定性模块、云存储模块、更新显示模块连接，用于通过中央处理器控制所述基于深度学习技术的肺结节筛查***各个模块的正常运行；
影像分析模块，与中央控制模块连接，用于通过影像分析程序进行处理后肺部三维影像的分析；
肺组织分割模块，与中央控制模块连接，用于通过肺组织分割进行肺部三维影像中肺部区域的分割，得到肺部图像；
特征提取模块，与中央控制模块连接，用于通过特征提取程序进行病例结果与肺部图像进行对比，得到病变部位特征点并进行标注；
筛查模型构建模块，与中央控制模块连接，用于通过肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型的构建；
模型训练模块，与中央控制模块连接，用于通过模型训练程序进行肺结节筛查模型的训练，得到训练后的肺结节筛查模型；
图像分割模块，与中央控制模块连接，用于通过图像分割程序进行肺部三维影像的分割，得到小尺寸影像；
肺部结节定性模块，与中央控制模块连接，用于通过结节定性程序依照训练后的肺结节筛查模型对小尺寸影像进行筛查，得到肺部结节定性结果；
云存储模块，与中央控制模块连接，用于通过云数据库服务器存储获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果；
更新显示模块，与中央控制模块连接，用于通过显示器对获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果的实时数据进行更新显示。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的基于深度学习技术的肺结节筛查方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的基于深度学习技术的肺结节筛查方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于深度学习技术的肺结节筛查方法，通过2D空间根据分割轮廓的凹凸性通过形态学操作进行边缘补全，避免漏检肺壁上的结节；通过基于局部特征的病灶定位检测疑似结节区域，聚焦在结节及其相似区域，可以剔除绝大部分正常肺组织，只保留疑似结节性病变区域；通过基于深度学习的病灶分类方法可以实现对各种类型结节的分类，充分利用了CT序列影像的病灶局部三维信息，有效区分是否为肺结节并识别出结节的类型，可以更好的辅助医生提高诊断准确性；提高了肺结节的筛查效率，减少了假阳性结节。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于深度学习技术的肺结节筛查方法的流程图。
图2是本发明实施例提供的基于深度学习技术的肺结节筛查***结构框图；
图中：1、信息获取模块；2、肺部影像采集模块；3、影像处理模块；4、中央控制模块；5、影像分析模块；6、肺组织分割模块；7、特征提取模块；8、筛查模型构建模块；9、模型训练模块；10、图像分割模块；11、肺部结节定性模块；12、云存储模块；13、更新显示模块。
图3是本发明实施例提供的通过信息获取模块利用信息获取程序进行病例信息获取的方法流程图。
图4是本发明实施例提供的通过影像处理模块利用影像处理程序对获取的肺部三维影像进行归一化处理的方法流程图。
图5是本发明实施例提供的通过影像分析模块利用影像分析程序进行处理后肺部三维影像分析的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。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。
针对现有技术存在的问题，本发明提供了一种基于深度学习技术的肺结节筛查方法及筛查***，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于深度学习技术的肺结节筛查方法，包括以下步骤：
S101，通过信息获取模块利用信息获取程序进行病例信息的获取，得到病例信息；通过肺部影像采集模块利用CT机进行患者肺部影像的采集，得到肺部三维影像；
S102，通过影像处理模块利用影像处理程序对获取的肺部三维影像进行归一化处理；通过中央控制模块利用中央处理器控制所述基于深度学习技术的肺结节筛查***各个模块的正常运行；
S103，通过影像分析模块利用影像分析程序进行处理后肺部三维影像的分析；通过肺组织分割模块利用肺组织分割进行肺部三维影像中肺部区域的分割，得到肺部图像；
S104，通过特征提取模块利用特征提取程序进行病例结果与肺部图像进行对比，得到病变部位特征点并进行标注；
S105，通过筛查模型构建模块利用肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型的构建；通过模型训练模块利用模型训练程序进行肺结节筛查模型的训练，得到训练后的肺结节筛查模型；
S106，通过图像分割模块利用图像分割程序进行肺部三维影像的分割，得到小尺寸影像；通过肺部结节定性模块利用结节定性程序依照训练后的肺结节筛查模型对小尺寸影像进行筛查，得到肺部结节定性结果；
S107，通过云存储模块利用云数据库服务器存储获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果；
S108，通过更新显示模块利用显示器对获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果的实时数据进行更新显示。
本发明实施例提供的步骤S103中，通过肺组织分割模块利用肺组织分割进行肺部三维影像中肺部区域分割的方法，包括：通过基于阈值的粗分割、背景体素移除、轮廓补全、气管组织移除得到初步肺部组织；在每一个切片上，分别统计2D连通域的外轮廓边缘点的凹凸性来确定需要填充的区域；结合形态学操作填充所述区域，获得肺部分割结果。
本发明实施例提供的步骤S105中，通过筛查模型构建模块利用肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型构建的方法，包括：确定病变部位，对病变部位进行区域框选，对选定的病变区域进行特征提取，筛选出低冗余高相关的特征，构建肺结节筛查模型。
本发明实施例提供的步骤S105中，通过模型训练模块利用模型训练程序进行肺结节筛查模型训练的方法，包括：获取训练数据的数据特征；根据所述数据特征生成相同特征维度的代用数据；基于所述训练数据与所述代用数据进行模型训练。
如图2所示，本发明实施例提供的基于深度学习技术的肺结节筛查***，包括：信息获取模块1、肺部影像采集模块2、影像处理模块3、中央控制模块4、影像分析模块5、肺组织分割模块6、特征提取模块7、筛查模型构建模块8、模型训练模块9、图像分割模块10、肺部结节定性模块11、云存储模块12、更新显示模块13。
信息获取模块1，与中央控制模块4连接，用于通过信息获取程序进行病例信息的获取，得到病例信息；
肺部影像采集模块2，与中央控制模块4连接，用于通过CT机进行患者肺部影像的采集，得到肺部三维影像；
影像处理模块3，与中央控制模块4连接，用于通过影像处理程序对获取的肺部三维影像进行归一化处理；
中央控制模块4，与信息获取模块1、肺部影像采集模块2、影像处理模块3、影像分析模块5、肺组织分割模块6、特征提取模块7、筛查模型构建模块8、模型训练模块9、图像分割模块10、肺部结节定性模块11、云存储模块12、更新显示模块13连接，用于通过中央处理器控制所述基于深度学习技术的肺结节筛查***各个模块的正常运行；
影像分析模块5，与中央控制模块4连接，用于通过影像分析程序进行处理后肺部三维影像的分析；
肺组织分割模块6，与中央控制模块4连接，用于通过肺组织分割进行肺部三维影像中肺部区域的分割，得到肺部图像；
特征提取模块7，与中央控制模块4连接，用于通过特征提取程序进行病例结果与肺部图像进行对比，得到病变部位特征点并进行标注；
筛查模型构建模块8，与中央控制模块4连接，用于通过肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型的构建；
模型训练模块9，与中央控制模块4连接，用于通过模型训练程序进行肺结节筛查模型的训练，得到训练后的肺结节筛查模型；
图像分割模块10，与中央控制模块4连接，用于通过图像分割程序进行肺部三维影像的分割，得到小尺寸影像；
肺部结节定性模块11，与中央控制模块4连接，用于通过结节定性程序依照训练后的肺结节筛查模型对小尺寸影像进行筛查，得到肺部结节定性结果；
云存储模块12，与中央控制模块4连接，用于通过云数据库服务器存储获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果；
更新显示模块13，与中央控制模块4连接，用于通过显示器对获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果的实时数据进行更新显示。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的基于深度学习技术的肺结节筛查方法如图1所示，作为优选实施例，如图3所示，本发明实施例提供的通过信息获取模块利用信息获取程序进行病例信息获取的方法包括：
S201，在终端设置病例信息获取参数，通过信息获取模块将携带有病例信息获取参数的信息获取请求发送至服务器；
S202，服务器接收终端发送的信息获取请求，获取信息获取请求中的病例信息获取参数，并基于病例信息获取参数在数据库中获取目标病例信息集合；
S203，服务器设置病例信息反馈参数，并将目标病例信息集合以及病例信息反馈参数发送至所述终端；
S204，终端接收并保存目标病例信息集合以及病例信息反馈参数，通过信息获取程序基于病例信息反馈参数并执行设置病例信息获取参数，并将携带病例信息获取参数的病例信息获取请求发送至服务器，得到病例信息。
本发明实施例提供的病例信息获取参数还包括本批病例信息获取需求指示的起始时间以及结束时间；当所述服务器检测到所述起始时间等于所述结束时间时，记录当前时间，将所述结束时间设置为所述当前时间。
实施例2
本发明实施例提供的基于深度学习技术的肺结节筛查方法如图1所示，作为优选实施例，如图4所示，本发明实施例提供的通过影像处理模块利用影像处理程序对获取的肺部三维影像进行归一化处理的方法包括：
S301，通过肺部影像采集模块利用CT机进行患者肺部影像的采集，得到肺部三维影像；
S302，通过影像处理模块获取待处理肺部三维影像，确定所述待处理影像所属的状态类型；
S303，利用影像处理程序根据所述状态类型查找对应的采样模型；
S304，根据所述采样模型对所述待处理影像进行非线性采样，获得采样点，根据所述采样点将所述待处理的肺部三维影像进行归一化处理。
本发明实施例提供的根据所述采样点将所述待处理的肺部三维影像进行归一化处理的方法，包括：
(1)获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组；
(2)按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型；
(3)根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理影像的归一化。
实施例3
本发明实施例提供的基于深度学习技术的肺结节筛查方法如图1所示，作为优选实施例，如图5所示，本发明实施例提供的通过影像分析模块利用影像分析程序进行处理后肺部三维影像分析的方法包括：
S401，利用影像分析程序进行图像预处理，图像预处理完成图像滤波处理和目标子图像的获取及其直方图均衡处理，将图像数据中包含的无用信息删除，得到待治疗区域图像信息；
S402，图像分割和自动化定量分析，获得目标的外部轮廓特征，在图像分割的基础上，分别获取目标区域最长和最宽距离内包含的像素个数，并按比例尺系数换算成实体的长宽值，完成三维视角变换；
S403，根据交互式的区域选择，显示不同部分的组织，实现对处理后肺部三维影像的分析，并生成肺部三维影像分析报告。
本发明实施例提供的将图像数据中包含的无用信息删除的方法，包括：用背景的灰度值来填充橡皮擦所经过路线上的原始灰度值，从定性到定量，将原始DICOM数据通过调和映射地方式转化为8位BMP灰度图。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习技术的肺结节筛查方法，其特征在于，所述基于深度学习技术的肺结节筛查方法包括以下步骤：
步骤一，在终端设置病例信息获取参数，通过信息获取模块将携带有病例信息获取参数的信息获取请求发送至服务器；服务器接收终端发送的信息获取请求，获取信息获取请求中的病例信息获取参数，并基于病例信息获取参数在数据库中获取目标病例信息集合；服务器设置病例信息反馈参数，并将目标病例信息集合以及病例信息反馈参数发送至所述终端；终端接收并保存目标病例信息集合以及病例信息反馈参数，通过信息获取程序基于病例信息反馈参数并执行设置病例信息获取参数，并将携带病例信息获取参数的病例信息获取请求发送至服务器，得到病例信息；
步骤二，通过肺部影像采集模块利用CT机进行患者肺部影像的采集，得到肺部三维影像；通过影像处理模块获取待处理肺部三维影像，确定所述待处理影像所属的状态类型；利用影像处理程序根据所述状态类型查找对应的采样模型；根据所述采样模型对所述待处理影像进行非线性采样，获得采样点，根据所述采样点将所述待处理的肺部三维影像进行归一化处理；
步骤三，服务器终端采用基于形状特征的模板匹配算法和基于SIFT特征的检测算法进行检测，通过影像分析模块调用OpenCV视觉类库中封装好的图像处理算子，编程完成相应的C++代码，并利用应用软件界面中各个控件按钮实现算法的功能；
步骤四，利用影像分析程序进行图像预处理，图像预处理完成图像滤波处理和目标子图像的获取及其直方图均衡处理，将图像数据中包含的无用信息删除，得到待治疗区域图像信息；图像分割和自动化定量分析，获得目标的外部轮廓特征，在图像分割的基础上，分别获取目标区域最长和最宽距离内包含的像素个数，并按比例尺系数换算成实体的长宽值，完成三维视角变换；根据交互式的区域选择，显示不同部分的组织，实现对处理后肺部三维影像的分析，并生成肺部三维影像分析报告；
步骤五，通过肺组织分割模块利用肺组织分割进行肺部三维影像中肺部区域的分割，得到肺部图像；通过特征提取模块利用特征提取程序进行病例结果与肺部图像进行对比，得到病变部位特征点并标注；通过筛查模型构建模块利用肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型的构建；
步骤六，通过模型训练模块利用模型训练程序进行肺结节筛查模型的训练，得到训练后的肺结节筛查模型；通过图像分割模块利用图像分割程序进行肺部三维影像的分割，得到小尺寸影像；通过肺部结节定性模块利用结节定性程序依照训练后的肺结节筛查模型对小尺寸影像进行筛查，得到肺部结节定性结果；
步骤七，通过云存储模块利用云数据库服务器存储获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果；通过更新显示模块利用显示器对获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果的实时数据进行更新显示。
2.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤一中，所述病例信息获取参数还包括本批病例信息获取需求指示的起始时间以及结束时间；当所述服务器检测到所述起始时间等于所述结束时间时，记录当前时间，将所述结束时间设置为所述当前时间。
3.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤二中，所述根据所述采样点将所述待处理的肺部三维影像进行归一化处理的方法，包括：
(1)获取预设点坐标，根据所述预设点坐标将所述采样模型转化为包含预设参数的方程组；
(2)按照预设规则对所述预设参数进行赋值，在当前赋值使所述方程组成立时，将当前赋值作为预设参数，获得目标采样模型；
(3)根据所述目标采样模型对所述待处理虹膜图像进行非线性采样，获得采样点，根据所述采样点将所述待处理影像的归一化。
4.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤四中，所述将图像数据中包含的无用信息删除的方法，包括：
用背景的灰度值来填充橡皮擦所经过路线上的原始灰度值，从定性到定量，将原始DICOM数据通过调和映射地方式转化为8位BMP灰度图。
5.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤五中，所述通过肺组织分割模块利用肺组织分割进行肺部三维影像中肺部区域分割的方法，包括：
(1)通过基于阈值的粗分割、背景体素移除、轮廓补全、气管组织移除得到初步肺部组织；
(2)在每一个切片上，分别统计2D连通域的外轮廓边缘点的凹凸性来确定需要填充的区域；
(3)结合形态学操作填充所述区域，获得肺部分割结果。
6.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤五中，所述通过筛查模型构建模块利用肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型构建的方法，包括：
确定病变部位，对病变部位进行区域框选，对选定的病变区域进行特征提取，筛选出低冗余高相关的特征，构建肺结节筛查模型。
7.如权利要求1所述的基于深度学习技术的肺结节筛查方法，其特征在于，步骤六中，所述通过模型训练模块利用模型训练程序进行肺结节筛查模型训练的方法，包括：
获取训练数据的数据特征；根据所述数据特征生成相同特征维度的代用数据；基于所述训练数据与所述代用数据进行模型训练。
8.一种应用如权利要求1～7任意一项所述的基于深度学习技术的肺结节筛查方法的基于深度学习技术的肺结节筛查***，其特征在于，所述基于深度学习技术的肺结节筛查***包括：
信息获取模块，与中央控制模块连接，用于通过信息获取程序进行病例信息的获取，得到病例信息；
肺部影像采集模块，与中央控制模块连接，用于通过CT机进行患者肺部影像的采集，得到肺部三维影像；
影像处理模块，与中央控制模块连接，用于通过影像处理程序对获取的肺部三维影像进行归一化处理；
中央控制模块，与信息获取模块、肺部影像采集模块、影像处理模块、影像分析模块、肺组织分割模块、特征提取模块、筛查模型构建模块、模型训练模块、图像分割模块、肺部结节定性模块、云存储模块、更新显示模块连接，用于通过中央处理器控制所述基于深度学习技术的肺结节筛查***各个模块的正常运行；
影像分析模块，与中央控制模块连接，用于通过影像分析程序进行处理后肺部三维影像的分析；
肺组织分割模块，与中央控制模块连接，用于通过肺组织分割进行肺部三维影像中肺部区域的分割，得到肺部图像；
特征提取模块，与中央控制模块连接，用于通过特征提取程序进行病例结果与肺部图像进行对比，得到病变部位特征点并进行标注；
筛查模型构建模块，与中央控制模块连接，用于通过肺结节筛查模型构建程序依照标注的特征点进行肺结节筛查模型的构建；
模型训练模块，与中央控制模块连接，用于通过模型训练程序进行肺结节筛查模型的训练，得到训练后的肺结节筛查模型；
图像分割模块，与中央控制模块连接，用于通过图像分割程序进行肺部三维影像的分割，得到小尺寸影像；
肺部结节定性模块，与中央控制模块连接，用于通过结节定性程序依照训练后的肺结节筛查模型对小尺寸影像进行筛查，得到肺部结节定性结果；
云存储模块，与中央控制模块连接，用于通过云数据库服务器存储获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果；
更新显示模块，与中央控制模块连接，用于通过显示器对获取的病例信息、肺部三维影像、肺部三维影像分析结果、肺部图像、病变部位特征点、肺结节筛查模型、小尺寸影像以及肺部结节定性结果的实时数据进行更新显示。
9.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1～7任意一项所述的基于深度学习技术的肺结节筛查方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的基于深度学习技术的肺结节筛查方法。
CN202110368194.0A 2021-04-06 2021-04-06 一种基于深度学习技术的肺结节筛查方法及筛查*** Pending CN113160153A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110368194.0A CN113160153A (zh) 2021-04-06 2021-04-06 一种基于深度学习技术的肺结节筛查方法及筛查***
ZA2022/01219A ZA202201219B (en) 2021-04-06 2022-01-26 Lung nodule screening method and screening system based on deep learning technology

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110368194.0A CN113160153A (zh) 2021-04-06 2021-04-06 一种基于深度学习技术的肺结节筛查方法及筛查***

Publications (1)

Publication Number Publication Date
CN113160153A true CN113160153A (zh) 2021-07-23

Family

ID=76888606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110368194.0A Pending CN113160153A (zh) 2021-04-06 2021-04-06 一种基于深度学习技术的肺结节筛查方法及筛查***

Country Status (2)

Country Link
CN (1) CN113160153A (zh)
ZA (1) ZA202201219B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506296A (zh) * 2021-09-10 2021-10-15 之江实验室 一种基于先验知识ct亚区影像组学的慢阻肺诊断装置
CN113610829A (zh) * 2021-08-17 2021-11-05 大连大学附属中山医院 一种基于人工智能检测筛查肺结节的***
CN113903452A (zh) * 2021-09-18 2022-01-07 宁波大学医学院附属医院 一种医生肺结节辅助诊断***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测***
CN108288052A (zh) * 2018-03-01 2018-07-17 武汉轻工大学 虹膜图像归一化方法、装置及计算机可读存储介质
CN110211143A (zh) * 2019-06-10 2019-09-06 张家港江苏科技大学产业技术研究院 一种基于计算机视觉的医学图像分析方法
CN111369530A (zh) * 2020-03-04 2020-07-03 浙江明峰智能医疗科技有限公司 一种基于深度学习的ct图像肺结节快速筛查方法
CN111882538A (zh) * 2020-07-28 2020-11-03 杭州市红十字会医院 一种区分肺结核与肿瘤信息的处理***及信息处理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测***
CN108288052A (zh) * 2018-03-01 2018-07-17 武汉轻工大学 虹膜图像归一化方法、装置及计算机可读存储介质
CN110211143A (zh) * 2019-06-10 2019-09-06 张家港江苏科技大学产业技术研究院 一种基于计算机视觉的医学图像分析方法
CN111369530A (zh) * 2020-03-04 2020-07-03 浙江明峰智能医疗科技有限公司 一种基于深度学习的ct图像肺结节快速筛查方法
CN111882538A (zh) * 2020-07-28 2020-11-03 杭州市红十字会医院 一种区分肺结核与肿瘤信息的处理***及信息处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
栗科峰: "《人脸图像处理与识别技术》", 30 September 2018, pages: 30 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610829A (zh) * 2021-08-17 2021-11-05 大连大学附属中山医院 一种基于人工智能检测筛查肺结节的***
CN113506296A (zh) * 2021-09-10 2021-10-15 之江实验室 一种基于先验知识ct亚区影像组学的慢阻肺诊断装置
CN113903452A (zh) * 2021-09-18 2022-01-07 宁波大学医学院附属医院 一种医生肺结节辅助诊断***
CN113903452B (zh) * 2021-09-18 2022-12-16 宁波大学医学院附属医院 一种医生肺结节辅助诊断***

Also Published As

Publication number Publication date
ZA202201219B (en) 2022-03-30

Similar Documents

Publication Publication Date Title
CN111127466B (zh) 医学图像检测方法、装置、设备及存储介质
CN109583440B (zh) 结合影像识别与报告编辑的医学影像辅助诊断方法及***
CN113160153A (zh) 一种基于深度学习技术的肺结节筛查方法及筛查***
CN108133476B (zh) 一种肺结节自动检测方法及***
JP2002523123A (ja) 病変の分割および分類のための方法およびシステム
CN111353978B (zh) 一种识别心脏解剖学结构的方法及装置
CN110648318A (zh) 用于皮肤病的辅助分析方法及装置、电子设备、存储介质
WO2020168647A1 (zh) 图像识别方法及相关设备
US20210327583A1 (en) Determination of a growth rate of an object in 3d data sets using deep learning
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、***、装置
CN114140378A (zh) 扫描图像处理方法、电子设备和可读介质
CN113096109A (zh) 一种肺部医学图像分析方法、设备及***
CN111986137B (zh) 生物器官病变检测方法、装置、设备及可读存储介质
CN113269721B (zh) 模型训练方法、装置、电子设备及存储介质
Tian et al. Radiomics and its clinical application: artificial intelligence and medical big data
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN114037719B (zh) 骨骼区域确定方法、装置、电子设备及存储介质
CN112634240B (zh) 基于阈值分割的甲状腺超声图像干扰界面自动识别去除方法
WO2022227193A1 (zh) 肝脏区域分割方法、装置、电子设备及存储介质
CN115147359A (zh) 肺叶分割网络模型训练方法、装置、电子设备及存储介质
CN114663443A (zh) 12导联纸质心电图数字化方法与装置
CN114187281A (zh) 一种图像处理方法、装置、电子设备和存储介质
CN113658198A (zh) 交互式肺气肿病灶分割方法、装置、存储介质及设备
CN117058292B (zh) 基于数字病理图像的色阶图渲染***

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