Nothing Special   »   [go: up one dir, main page]

CN114170212A - 一种基于ct影像中肺小结节假阳检测方法及系统 - Google Patents

一种基于ct影像中肺小结节假阳检测方法及系统 Download PDF

Info

Publication number
CN114170212A
CN114170212A CN202111525836.XA CN202111525836A CN114170212A CN 114170212 A CN114170212 A CN 114170212A CN 202111525836 A CN202111525836 A CN 202111525836A CN 114170212 A CN114170212 A CN 114170212A
Authority
CN
China
Prior art keywords
false positive
nodules
nodule
candidate
image
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
CN202111525836.XA
Other languages
English (en)
Inventor
秦积涛
魏军
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.)
Zhejiang Boshi Medical Technology Co ltd
Perception Vision Medical Technology Co ltd
Original Assignee
Zhejiang Boshi Medical Technology Co ltd
Perception Vision 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 Zhejiang Boshi Medical Technology Co ltd, Perception Vision Medical Technology Co ltd filed Critical Zhejiang Boshi Medical Technology Co ltd
Priority to CN202111525836.XA priority Critical patent/CN114170212A/zh
Publication of CN114170212A publication Critical patent/CN114170212A/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
    • 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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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

Landscapes

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

Abstract

本发明属于图像处理技术领域，具体公开了一种基于CT影像中肺小结节假阳检测方法及系统，其中方法包括：获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；预处理；根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；建立基于深度学习的假阳分类模型，将候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。基于3D的假阳检测模型与肺结节检测模型解耦，对结节检测模型的输出结果进行降假阳处理，使得最终的结节检测结果具有高召回率低假阳数的特点。

Description

一种基于CT影像中肺小结节假阳检测方法及系统
技术领域
本发明属于图像处理技术领域，特别是关于一种基于CT影像中肺小结节假阳检测方法及系统。
背景技术
肺癌是世界上发病率和死亡率最高的癌症，及早发现并治疗肺结节可以显著提高患者的生存率，计算机断层扫描(CT)在诊断肺结节方面已得到广泛应用，并被证明是有效的。然而，在CT扫描中手动识别结节通常是耗时和繁琐的，因为放射科医生需要逐层阅读CT扫描，而胸部CT可能包含200多个切片，而且准确的结节分割可以更深入的评估结节的形状、大小和变化率。
近年来，深度卷积神经网络已经成为一种领先的肺结节自动检测和分割方法，并取得了巨大的成功，肺结节检测、减少结节假阳数和结节分割是计算机辅助胸部CT图像分析中最常见的三个任务。目前常见的结节自动检测架构为3D的目标检测网络进行初步筛选，然后紧跟着一个3D分类网络去除假阳结节，最后用一个3D分割网络对结节边界进行确认。
目前的肺结节检测技术中，基于深度神经卷积网络检测肺部CT图像中的肺结节的检出率很高，但是由于肺结节变化多样、形态各异，目标检测网络检出的候选框中包含很多假阳，导致检测出的候选结节较多，影响医生工作效率。因此，目前亟需一种肺部CT图像的肺结节假阳检测方法及装置，以保持肺结节高检出率的情况下有较少的假阳数。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于解决目标检测网络检出的候选框中包含很多假阳，导致检测出的候选结节较多，影响医生工作效率的技术难题。
本发明提供了一种基于CT影像中肺小结节假阳检测方法，包括以下步骤：
S1，获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；
S2，对获取的3D肺部CT序列图像进行预处理，得到预处理后的CT图像数据；
S3，根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；
S4，建立基于深度学习的假阳分类模型，将所述候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；
S5，以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。
优选地，所述S2具体包括：
S21，对3D肺部CT序列图像的三个方向(x、y、z)进行异性插值，使得肺部CT图像在三个方向的层厚相等；
S22，对异性插值后的肺部CT像素数据进行窗宽窗位处理；
S23，最后进行归一化统一灰度值范围内。
优选地，所述三个方向包括x轴方向、y轴方向和z轴方向，且分别对应为肺结节的横截面、矢状面和冠状面方向。
优选地，所述S3具体包括：
S31，获取结节检测模块输出的候选结节坐标以及候选框尺寸；
S32，以候选结节坐标为中心，以候选结节框的大小确定裁剪立方体块的长，将预处理后的CT图像数据按照预先设定的长来裁剪成多干个预设大小的立方体块；
S33，将各裁剪的立方体块重新采样，并统一尺寸到标准尺寸。
优选地，所述S4具体包括：
S41，建立3D肺结节假阳检测模型，包括先后连接的一个大尺度卷积、一个池化层、多个子模块、一个池化层、以及全连接层；
S42，将3D影像序列切块后构建训练集，利用训练集对3D肺结节假阳检测模型进行训练，获得训练分类准确率，计算损失函数，并使用梯度回传算法更新3D肺结节假阳检测模型的参数；
S43，将多个预先裁剪并重采样的立方体数据块依次送入3D肺结节假阳检测模型进行预测，得到每个候选结节模型输出的假阳概率。
优选地，所述子模块包括denseblock和transition layer；
其中，每个dense block包含n个串联的bottleneck，每个bottleneck是由两个BN+Relu+Conv串接组成；每个denseblock中每一层的输入来自于前面所有层的输出，[x0,x1,…,xl-1]表示0到l-1层的输出，H表示非线性变换，则l层的输出为：
xl＝H([x0,x1,…,xl-1])；
每一层的输出都是后面层的输入，使用连接结构(concatenate)将前面所有层的输出拼接起来；
每两个dense block之间用一个transition layer连接，transition layer是由一个卷积后接一个池化组成；最后的dense block后依次接一个池化和一个全连接层以用于分类。
优选地，所述S5具体包括：
S51，确定一个阈值，根据假阳分类模型输出的概率值把候选结节分为确定结节以及不确定结节；
S52，对于不确定结节，用区域生长法获取结节的粗略mask，计算mask的类球度以及体积与最大外接矩形体积之比，对不确定结节进一步的过滤；
S53，最终的结果即为S51获取的确定结节以及S52过滤后剩余的结节。
本发明还提供了一种用于实现基于CT影像中肺小结节假阳检测方法的系统，包括：
图像采集模块，用于获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；
数据预处理模块，用于对获取的3D肺部CT序列图像进行预处理，得到预处理后的CT图像数据；
切块模块，用于根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；
假阳判断模块，用于建立基于深度学习的假阳分类模型，将所述候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；
结果输出模块，用于以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。
本发明还提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于CT影像中肺小结节假阳检测方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现所述的基于CT影像中肺小结节假阳检测方法的步骤。
与现有技术相比，根据本发明的一种基于CT影像中肺小结节假阳检测方法及系统，其中方法包括S1，获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；S2，对获取的3D肺部CT序列图像进行预处理，得到预处理后的CT图像数据；S3，根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；S4，建立基于深度学习的假阳分类模型，将所述候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；S5，以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。该方案基于3D的假阳检测模型与肺结节检测模型解耦，对结节检测模型的输出结果进行降假阳处理，使得最终的结节检测结果具有高召回率低假阳数的特点。
附图说明
图1为本发明提供的一种基于CT影像中肺小结节假阳检测方法的流程图；
图2为本发明提供的一种可能的电子设备的硬件结构示意图；
图3为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图；
图4为本发明提供的一种基于CT影像中肺小结节假阳检测方法的详细原理图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
如图1所示，根据本发明优选实施方式的一种基于CT影像中肺小结节假阳检测方法，包括以下步骤：
S1)获取待检测的3D肺部CT图像序列。还可以同时获取候选节点坐标、候选框尺寸。
S2)对获取的3D肺部CT序列图像进行预处理，具体包括以下步骤：
S21)对3D肺部CT序列图像的三个方向(x、y、z)进行异性插值，使得肺部CT图像在三个方向得层厚均为1mm*1mm*1mm；
S22)对异性插值后的肺部CT像素数据进行肺窗处理；
S23)将经过肺窗处理后的肺部CT像素数据归一化到[0,1]范围内。
S3)根据检测模块输出的候选结节坐标对预处理后的数据进行切块后，包括以下步骤：
S31)获取结节检测模块输出结果为候选结节；
S32)根据每一个候选结节框的大小将候选结节分为三类：小于6mm的结节，大于6mm小于16mm的结节，大于16mm的结节；
S33)对于小于6mm的结节，以坐标为中心点，边长为32裁剪，获得若干个32*32*32的数据块，并将这些数据块重采样到48*48*48；
S34)对于大于6mm小于16mm的结节，以坐标为中心点，边长为48裁剪，获得若干个48*48*48的数据块；
S35)对于大于16mm的结节，以坐标为中心点，边长为结节框长度的3倍裁剪，获得若干个不同大小的数据块，并将这些数据块重采样到48*48*48；
S36)合并以上步骤获取的数据块，得到一批48*48*48大小的数据块。
S4)将以上步骤获取的数据块，送入训练好的肺结节假阳检测模型进行分类预测，获得最终的结节输出结果，包括以下步骤：
S41)建立基于3D的肺结节假阳的深度学习判别模型，模型的基本构成为一个大尺度卷积，后接一个池化层，随后连续接上3个子模块(dense block和transitionlayer)，最后接上一个池化层和全连接层。
S411)dense block的结构如下：
S4111)每个dense block包含4个bottleneck，bottleneck是串联在一起的，每个bottleneck是由两个BN+Relu+Conv串接组成；
S4112)每个dense block中每一层的输入来自于前面所有层的输出，[x0,x1,…,xl-1]表示0到l-1层的输出，H表示非线性变换，则l层的输出为：
xl＝H([x0,x1,…,xl-1])
S4113)每一层的输出都是后面层的输入，使用连接结构(concatenate)将前面所有层的输出拼接起来，这样的结构减少了网络参数。
S412)每两个denseblock之间用一个transition layer连接，transition layer是由一个1x1卷积层后接一个2x2池化层组成，实现了下采样。
S413)最后的denseblock后接一个池化，最后接一个全连接层用于分类。
S42)构建训练数据集，包括以下步骤：
S421)把有标签的结节数据切块作为唯一的正类训练集；
S422)挑选无结节CT数据，随机裁剪数据块，构建成负类训练数据的一部分；
S423)在候选结节中，根据金标准判断每一个候选结节是否为正结节，挑选假阳裁剪的数据块，构建成负类训练数据的一部分。
S43)利用构建的训练集对肺结节假阳检测模型进行训练，获得训练集的分类结果；根据分类结果计算损失函数，并使用梯度回传算法更新模型参数；由于金标准存在噪声，因此构建的训练集数据对应的标签也存在噪声，训练中加入以下步骤提升训练效率：
S431)训练一段时间后，记录每个结节的输出；
S432)更新每个结节的标签，更新方式如下：
l't＝αl't-1+(1-α)lt
其中，lt为当前时刻预测结果，l't-1为上一时刻预测结果。
S44)利用训练完成的结节假阳检测模型对已经切块的预处理数据块进行预测，获得每个结节的假阳概率。
S5)以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果，包括以下步骤：
S51)根据以上步骤获取的候选结节概率把候选结节分为两类：确定结节以及不确定结节；
S52)对于不确定结节，用区域生长法获取结节的粗略mask，计算mask的类球度以及体积与最大外接矩形体积之比，对不确定结节进一步的过滤；
S53)最终的结果即为S51获取的确定结节以及S52过滤后剩余的结节。
通过采用本发明公开的上述技术方案，得到了如下效果：
基于3D的假阳检测模型与肺结节检测模型解耦，对结节检测模型的输出结果进行降假阳处理，使得最终的结节检测结果具有高召回率低假阳数的特点。
本发明实施例还提供了一种用于基于CT影像中肺小结节假阳检测方法的系统，包括：
图像采集模块，用于获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；
数据预处理模块，用于对获取的3D肺部CT序列图像进行预处理，得到预处理后的CT图像数据；
切块模块，用于根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；
假阳判断模块，用于建立基于深度学习的假阳分类模型，将所述候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；
结果输出模块，用于以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。
请参阅图2为本发明实施例提供的电子设备的实施例示意图。如图2所示，本发明实施例提了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：S1，获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；
S2，对获取的3D肺部CT序列图像进行预处理，得到预处理后的CT图像数据；
S3，根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；
S4，建立基于深度学习的假阳分类模型，将所述候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；
S5，以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。
请参阅图3为本发明提供的一种计算机可读存储介质的实施例示意图。如图3所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：S1，获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；
S2，对获取的3D肺部CT序列图像进行预处理，得到预处理后的CT图像数据；
S3，根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；
S4，建立基于深度学习的假阳分类模型，将所述候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；
S5，以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (10)

1.一种基于CT影像中肺小结节假阳检测方法，其特征在于，包括以下步骤：
S1，获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；
S2，对获取的3D肺部CT序列图像进行预处理，得到预处理后的CT图像数据；
S3，根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；
S4，建立基于深度学习的假阳分类模型，将所述候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；
S5，以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。
2.根据权利要求1所述的基于CT影像中肺小结节假阳检测方法，其特征在于，所述S2具体包括：
S21，对3D肺部CT序列图像的三个方向(x、y、z)进行异性插值，使得肺部CT图像在三个方向的层厚相等；
S22，对异性插值后的肺部CT像素数据进行窗宽窗位处理；
S23，最后进行归一化统一灰度值范围内。
3.根据权利要求2所述的基于CT影像中肺小结节假阳检测方法，其特征在于，所述三个方向包括x轴方向、y轴方向和z轴方向，且分别对应为肺结节的横截面、矢状面和冠状面方向。
4.根据权利要求1所述的基于CT影像中肺小结节假阳检测方法，其特征在于，所述S3具体包括：
S31，获取结节检测模块输出的候选结节坐标以及候选框尺寸；
S32，以候选结节坐标为中心，以候选结节框的大小确定裁剪立方体块的长，将预处理后的CT图像数据按照预先设定的长来裁剪成多干个预设大小的立方体块；
S33，将各裁剪的立方体块重新采样，并统一尺寸到标准尺寸。
5.根据权利要求1所述的基于CT影像中肺小结节假阳检测方法，其特征在于，所述S4具体包括：
S41，建立3D肺结节假阳检测模型，包括先后连接的一个大尺度卷积、一个池化层、多个子模块、一个池化层、以及全连接层；
S42，将3D影像序列切块后构建训练集，利用训练集对3D肺结节假阳检测模型进行训练，获得训练分类准确率，计算损失函数，并使用梯度回传算法更新3D肺结节假阳检测模型的参数；
S43，将多个预先裁剪并重采样的立方体数据块依次送入3D肺结节假阳检测模型进行预测，得到每个候选结节模型输出的假阳概率。
6.根据权利要求5所述的基于CT影像中肺小结节假阳检测方法，其特征在于，所述子模块包括denseblock和transition layer；
其中，每个dense block包含n个串联的bottleneck，每个bottleneck是由两个BN+Relu+Conv串接组成；每个denseblock中每一层的输入来自于前面所有层的输出，[x0,x1,…,xl-1]表示0到l-1层的输出，H表示非线性变换，则l层的输出为：
xl＝H([x0,x1,…,xl-1])；
每一层的输出都是后面层的输入，使用连接结构(concatenate)将前面所有层的输出拼接起来；
每两个dense block之间用一个transition layer连接，transition layer是由一个卷积后接一个池化组成；最后的dense block后依次接一个池化和一个全连接层以用于分类。
7.根据权利要求1所述的基于CT影像中肺小结节假阳检测方法，其特征在于，所述S5具体包括：
S51，确定一个阈值，根据假阳分类模型输出的概率值把候选结节分为确定结节以及不确定结节；
S52，对于不确定结节，用区域生长法获取结节的粗略mask，计算mask的类球度以及体积与最大外接矩形体积之比，对不确定结节进一步的过滤；
S53，最终的结果即为S51获取的确定结节以及S52过滤后剩余的结节。
8.一种用于实现如权利要求1-7任一项所述的基于CT影像中肺小结节假阳检测方法的系统，其特征在于，包括：
图像采集模块，用于获取待检测的3D肺部CT图像序列、候选节点坐标、候选框尺寸；
数据预处理模块，用于对获取的3D肺部CT序列图像进行预处理，得到预处理后的CT图像数据；
切块模块，用于根据所述候选节点坐标及候选框尺寸对预处理后的CT图像数据进行切块；
假阳判断模块，用于建立基于深度学习的假阳分类模型，将所述候选结节坐标结果输入至预先训练好的深度假阳分类模型，获得每个结节为假阳的概率；
结果输出模块，用于以预设的阈值为分界线，根据假阳分类模型的输出概率将候选结节分为两类：确定结节与不确定结节，对不确定结节进行后处理后得到最终的结果。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的基于CT影像中肺小结节假阳检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的基于CT影像中肺小结节假阳检测方法的步骤。
CN202111525836.XA 2021-12-14 2021-12-14 一种基于ct影像中肺小结节假阳检测方法及系统 Pending CN114170212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111525836.XA CN114170212A (zh) 2021-12-14 2021-12-14 一种基于ct影像中肺小结节假阳检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111525836.XA CN114170212A (zh) 2021-12-14 2021-12-14 一种基于ct影像中肺小结节假阳检测方法及系统

Publications (1)

Publication Number Publication Date
CN114170212A true CN114170212A (zh) 2022-03-11

Family

ID=80486374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111525836.XA Pending CN114170212A (zh) 2021-12-14 2021-12-14 一种基于ct影像中肺小结节假阳检测方法及系统

Country Status (1)

Country Link
CN (1) CN114170212A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131333A (zh) * 2022-07-20 2022-09-30 珠海横琴圣澳云智科技有限公司 基于实例不确定性的图像检测及分割的方法和装置
CN115830020A (zh) * 2023-02-14 2023-03-21 成都泰莱生物科技有限公司 一种肺结节特征提取方法、分类方法、装置及介质
CN115984251A (zh) * 2023-02-14 2023-04-18 成都泰莱生物科技有限公司 基于肺部ct与多基因甲基化的肺结节分类方法及产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360495A (zh) * 2011-10-19 2012-02-22 西安电子科技大学 基于平均密度投影和平移高斯模型的肺结节分割方法
CN104751178A (zh) * 2015-03-31 2015-07-01 上海理工大学 基于形状模板匹配结合分类器的肺结节检测装置及方法
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系统
CN110852285A (zh) * 2019-11-14 2020-02-28 腾讯科技（深圳）有限公司 对象检测方法、装置、计算机设备和存储介质
CN111402254A (zh) * 2020-04-03 2020-07-10 杭州华卓信息科技有限公司 一种ct图像肺结节高性能自动检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360495A (zh) * 2011-10-19 2012-02-22 西安电子科技大学 基于平均密度投影和平移高斯模型的肺结节分割方法
CN104751178A (zh) * 2015-03-31 2015-07-01 上海理工大学 基于形状模板匹配结合分类器的肺结节检测装置及方法
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系统
CN110852285A (zh) * 2019-11-14 2020-02-28 腾讯科技（深圳）有限公司 对象检测方法、装置、计算机设备和存储介质
CN111402254A (zh) * 2020-04-03 2020-07-10 杭州华卓信息科技有限公司 一种ct图像肺结节高性能自动检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
伊凡·瓦西列夫: "Python深度学习 模型、方法与实现", 30 September 2021, 机械工业出版社, pages: 87 *
王克强: "人工智能原理及应用", 30 April 2021, 天津科学技术出版社, pages: 167 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115131333A (zh) * 2022-07-20 2022-09-30 珠海横琴圣澳云智科技有限公司 基于实例不确定性的图像检测及分割的方法和装置
CN115131333B (zh) * 2022-07-20 2023-03-28 珠海横琴圣澳云智科技有限公司 基于实例不确定性的图像检测及分割的方法和装置
CN115830020A (zh) * 2023-02-14 2023-03-21 成都泰莱生物科技有限公司 一种肺结节特征提取方法、分类方法、装置及介质
CN115984251A (zh) * 2023-02-14 2023-04-18 成都泰莱生物科技有限公司 基于肺部ct与多基因甲基化的肺结节分类方法及产品
CN115984251B (zh) * 2023-02-14 2023-05-09 成都泰莱生物科技有限公司 基于肺部ct与多基因甲基化的肺结节分类方法及产品

Similar Documents

Publication Publication Date Title
CN109685060B (zh) 图像处理方法和装置
CN107016665B (zh) 一种基于深度卷积神经网络的ct肺结节检测方法
CN114170212A (zh) 一种基于ct影像中肺小结节假阳检测方法及系统
CN111882560B (zh) 一种基于加权全卷积神经网络的肺实质ct图像分割方法
CN110807788A (zh) 医学图像处理方法、装置、电子设备及计算机存储介质
CN111507965A (zh) 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质
CN112699869A (zh) 基于深度学习的肋骨骨折辅助检测方法及图像识别方法
CN110059656B (zh) 基于卷积对抗生成神经网络的白细胞分类方法及系统
CN111310622A (zh) 一种面向水下机器人智能作业的鱼群目标识别方法
CN111598875A (zh) 甲状腺结节自动检测模型构建方法、系统及装置
Sadanandan et al. Segmentation and track-analysis in time-lapse imaging of bacteria
US11887303B2 (en) Image processing model generation method, image processing method and device, and electronic device
CN112381061A (zh) 一种面部表情识别方法及系统
CN112184684A (zh) 一种改进的YOLO-v3算法及其在肺结节检测中的应用
CN112381762A (zh) 一种基于深度学习算法的ct肋骨骨折辅助诊断系统
CN112488996A (zh) 非齐次三维食管癌能谱ct弱监督自动标注方法与系统
CN108597589B (zh) 模型生成方法、目标检测方法及医学成像系统
CN110992310A (zh) 一种确定纵隔淋巴结所在分区的方法及装置
CN110111307B (zh) 一种免疫教学用免疫系统反馈模拟系统及方法
CN118334336A (zh) 阴道镜图像分割模型构建方法、图像分类方法和装置
CN115631194B (zh) 颅内动脉瘤识别检测的方法、装置、设备及介质
CN116452845A (zh) 一种基于数据增强的鸟类细粒度图像分类方法
CN112712507B (zh) 一种确定冠状动脉的钙化区域的方法及装置
CN113408356A (zh) 基于深度学习的行人重识别方法、装置、设备及存储介质
CN114445419A (zh) 一种基于支气管拓扑结构的肺段分割方法、装置及系统

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