基于CT图像的病灶检测方法、装置及计算机可读存储介质转让专利
申请号 : CN202211037404.9
文献号 : CN115131345B
文献日 : 2023-02-03
发明人 : 陈日清 , 徐宏 , 李楠宇 , 李延祥 , 余坤璋
申请人 : 杭州堃博生物科技有限公司
摘要 :
权利要求 :
1.一种基于CT图像的病灶检测方法,其特征在于,包括:
对胸部CT图像进行处理得到肺部图像;
对所述肺部图像进行病灶分割,得到对应于所述肺部图像内的各个病灶区域的分割结果,并同步对所述肺部图像进行病灶检测,得到各个病灶区域的检测结果;
对所述分割结果和所述检测结果进行融合,得到各个病灶区域在所述胸部CT图像中的位置和尺寸;
其中,所述对所述分割结果和所述检测结果进行融合,得到所述各个病灶区域在胸部CT图像中的位置和尺寸包括:基于所述分割结果,得到所述肺部图像内的各个病灶区域的分割点的第一位置信息和各个病灶区域的第一尺寸数据;
基于所述检测结果,得到各个病灶区域的检测点的第二位置信息和各个病灶区域的第二尺寸数据,其中所述分割点和所述检测点为各自对应的病灶区域的中心点;
根据所述第一位置信息和所述第二位置信息,将所述分割点和所述检测点进行融合以得到点组,并得到所述点组内各个位置点的融合位置信息和融合尺寸数据;
其中,所述根据所述第一位置信息和所述第二位置信息,将所述分割点和所述检测点进行融合以得到点组,并得到所述点组内各个位置点的融合位置信息和融合尺寸数据,包括:将欧式距离小于预设距离的所述分割点和所述检测点融合为所述点组内的一个位置点,将所述分割点和所述检测点的平均坐标作为所述点组的坐标,平均直径作为所述点组的直径。
2.根据权利要求1所述的方法,其特征在于,所述对所述肺部图像进行病灶分割,得到对应于所述肺部图像内的各个病灶区域的分割结果包括:通过预先训练得到的病灶分割模型对所述肺部图像进行病灶分割,获得所述分割结果,所述分割结果包括所述肺部图像内的各个病灶区域所含的分割点的第一位置信息以及各个病灶区域的第一尺寸数据。
3.根据权利要求2所述的方法,其特征在于,所述通过预先训练得到的病灶分割模型对所述肺部图像进行病灶分割,获得所述分割结果包括:按照预设的三维重叠滑动提取算法,从所述肺部图像中提取多个立方体子区域;
将各所述立方体子区域输入到预先训练得到的病灶分割模型中进行病灶分割,获得所述分割结果。
4.根据权利要求3所述的方法,其特征在于,所述将各所述立方体子区域输入到预先训练得到的病灶分割模型中进行病灶分割,获得所述分割结果包括:将各所述立方体子区域通过所述病灶分割模型进行分割,输出各所述立方体子区域对应的概率图;
对各所述立方体子区域对应的概率图进行拼接,得到所述肺部图像对应的概率图;
按照第一预设概率阈值对所述肺部图像对应的概率图进行处理,确定出所述分割结果。
5.根据权利要求1所述的方法,其特征在于,所述对所述肺部图像进行病灶检测,得到各个病灶区域的检测结果包括:将所述肺部图像处理为多个三维预测病灶区域,并根据各个三维预测病灶区域,确定出所述肺部图像内的各个病灶区域的检测结果。
6.根据权利要求5所述的方法,其特征在于,所述将所述肺部图像处理为多个三维预测病灶区域包括:将所述肺部图像处理为多个二维切片,并通过预设的二维检测模型对所述多个二维切片进行病灶检测,得到各个二维切片所包含的预测病灶区域的信息;
根据所述预测病灶区域的信息进行三维重建,得到相应的所述三维预测病灶区域。
7.根据权利要求6所述的方法,其特征在于,所述预测病灶区域的信息包括所述预测病灶区域的边缘点位置信息,所述根据所述预测病灶区域的信息进行三维重建,得到相应的所述三维预测病灶区域包括:根据所述预测病灶区域的边缘点位置信息,按照预设的三维重建算法,得到所述边缘点位置信息对应的三维边缘点位置信息,并按照所述三维边缘点位置信息对所述预测病灶区域进行三维重建,得到多个所述三维预测病灶区域。
8.根据权利要求7所述的方法,其特征在于,所述根据各个三维预测病灶区域,确定出所述肺部图像内的各个病灶区域的检测结果包括:通过将所述三维预测病灶区域输入预先训练得到的三维分类模型,获得各个三维预测病灶区域属于真阳类别的概率值;
根据所述各个三维预测病灶区域属于真阳类别的概率值,确定目标病灶区域,将所述目标病灶区域的位置坐标作为所述肺部图像内的相应病灶区域的位置坐标,得到所述检测结果。
9.根据权利要求8所述的方法,其特征在于,所述根据所述各个三维预测病灶区域属于真阳类别的概率值,确定目标病灶区域,包括:筛选出属于真阳类别的概率值不小于第二预设概率阈值的三维预测病灶区域,并将筛选出的三维预测病灶区域确定为所述目标病灶区域;
或者,筛选出属于真阳类别的概率值不小于所述第二预设概率阈值的三维预测病灶区域,并根据筛选出的各个三维预测病灶区域的概率值确定第三预设概率阈值,将筛选出的且属于真阳类别的概率值不小于所述第三预设概率阈值的三维预测病灶区域确定为目标病灶区域。
10.根据权利要求1所述的方法,其特征在于,所述对所述分割结果和所述检测结果进行融合,得到所述各个病灶区域在胸部CT图像中的位置和尺寸还包括:根据所述点组内各个位置点的融合位置信息和融合尺寸数据,从所述病灶的图像中提取对应于各个位置点的三维子区域,并将提取的三维子区域通过预设的病灶判别模型进行假阳性识别;
根据排除假阳性的三维子区域,得到各个病灶区域在所述胸部CT图像中的位置和尺寸。
11.根据权利要求10所述的方法,其特征在于,所述根据排除假阳性的三维子区域,得到各个病灶区域在所述胸部CT图像中的位置和尺寸包括:根据所述排除假阳性的三维子区域的分割掩膜以及所述排除假阳性的三维子区域中的所述点组的直径,判断是否将所述排除假阳性的三维子区域输入到精细病灶分割模型进行分割;
若所述排除假阳性的三维子区域包含所述分割掩膜,且所述排除假阳性的三维子区域中的所述点组的直径小于第一直径,或者,若所述排除假阳性的三维子区域不包含所述分割掩膜,且所述排除假阳性的三维子区域中的所述点组的直径大于第二直径,则将所述排除假阳性的三维子区域输入到所述精细病灶分割模型进行分割;
基于所述精细病灶分割模型输出的分割结果得到各个病灶区域在所述胸部CT图像中的位置和尺寸。
12.根据权利要求1所述的方法,其特征在于,所述对胸部CT图像进行处理得到肺部图像包括:通过预设的肺实质提取模型,从所述胸部CT图像中提取出特定图像,并将所述特定图像作为所述肺部图像,其中所述特定图像匹配于包含左肺区域和右肺区域的外接包围盒。
13.根据权利要求1所述的方法,其特征在于,所述对胸部CT图像进行处理得到肺部图像包括:通过预设的肺实质提取模型,从所述胸部CT图像中提取出特定图像,其中所述特定图像匹配于包含左肺区域和右肺区域的外接包围盒;
将所述特定图像输入预设的肺叶分割模型进行处理,获得由所述肺叶分割模型输出的肺部图像。
14.一种基于CT图像的病灶检测装置,其特征在于,包括:
处理模块,用于对胸部CT图像进行处理得到肺部图像;
分割模块,用于对所述肺部图像进行病灶分割,得到对应于所述肺部图像内的各个病灶区域的分割结果;
检测模块,用于同步对所述肺部图像进行病灶检测,得到各个病灶区域的检测结果;
融合模块,用于对所述分割结果和所述检测结果进行融合,得到各个病灶区域在所述胸部CT图像中的位置和尺寸;
所述融合模块,还用于基于所述分割结果,得到所述肺部图像内的各个病灶区域的分割点的第一位置信息和各个病灶区域的第一尺寸数据,基于所述检测结果,得到各个病灶区域的检测点的第二位置信息和各个病灶区域的第二尺寸数据,以及根据所述第一位置信息和所述第二位置信息,将所述分割点和所述检测点进行融合以得到点组,并得到所述点组内各个位置点的融合位置信息和融合尺寸数据,其中所述分割点和所述检测点为各自对应的病灶区域的中心点;
所述融合模块,还用于将欧式距离小于预设距离的所述分割点和所述检测点融合为所述点组内的一个位置点,将所述分割点和所述检测点的平均坐标作为所述点组的坐标,平均直径作为所述点组的直径。
15.一种电子装置,其特征在于,包括:
存储器和处理器;
所述存储器存储有可执行计算机程序;
与所述存储器耦合的所述处理器,调用所述存储器中存储的所述可执行计算机程序,执行如权利要求1‑13任一项所述的基于CT图像的病灶检测方法中的各步骤。
16.一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,所述计算机程序被处理器执行时,实现如权利要求1‑13任一项所述的基于CT图像的病灶检测方法。
说明书 :
基于CT图像的病灶检测方法、装置及计算机可读存储介质
技术领域
背景技术
发明内容
图像,解决检测病灶精度不高的问题。
法。
割结果,并同步对该肺部图像进行病灶检测,得到各个病灶区域的检测结果,可提高病灶检
测的速度,另一方面通过将病灶的分割结果和检测结果进行融合,得到各个病灶区域在该
胸部CT图像上的位置和尺寸,由于最终输出的病灶区域的位置和尺寸是通过融合同步获取
的病灶分割结果和病灶检测结果得到,两种处理结果互补,因此可以提高病灶检测的精准
度和检测效率。
附图说明
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性的前提下,还可以
根据这些附图获得其他的附图。
具体实施方式
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。
易遗漏形态不规则的检测目标的问题。
和尺寸,提高对病灶的检测精度。
智能手机、平板电脑、手提电脑、机器人等可在移动中进行数据处理的计算机装置。如图1所
示,该方法包括:
点的第二位置信息和各个病灶区域的第二尺寸数据。
中的位置和尺寸。
部图像进行病灶检测,得到各个病灶区域的检测结果,可提高病灶检测的速度,另一方面通
过将病灶的分割结果和检测结果进行融合,得到各个病灶区域在该胸部CT图像上的位置和
尺寸,由于最终输出的病灶区域的位置和尺寸是通过融合同步获取的病灶分割结果和病灶
检测结果得到,两种处理结果互补,因此可以提高病灶检测的精准度和检测效率。
者,智能手机、平板电脑、手提电脑、机器人等可在移动中进行数据处理的计算机装置。如图
2所示,该方法包括:
域和右肺区域的外接包围盒(Bounding Box)。
600],其中HU窗的数值范围可以按照实际需求进行设置,本说明书并不对此进行限制。并基
于该HU窗将该CT图像的HU值归一化为像素值。其中,HU是CT中普遍使用的无量纲单位,用于
标准、便捷地表达CT数值,具体可通过对测量得到的衰减系数进行线性变换得到。
取模型提取肺实质,得到左肺类别体素、右肺类别体素和背景(即除去左肺和右肺的部分)
类别体素。该肺实质提取模型优选为一个轻量化的三维卷积神经网络,例如3D CNN
(Convolutional Neural Network)网络模型。具体的,将下采样后的CT图像输入3D CNN网
络,通过该3D CNN网络将体素分割为左肺类别、右肺类别和背景类别,以此可剔除背景类别
的体素。
接包围盒,从而粗略提取出如图5所示的左肺区域和右肺区域,预设像素区域的大小可以按
照实际需求进行设置,或者,也可以不对最大连通域进行外扩,本说明书并不对此进行限
制。其中外接包围盒如图5中的3D长方体。
至该CT图像(原始图像)的空间坐标系,从而得到该CT图像中对应于该外接包围盒的图像,
也即,得到该CT图像中去除了背景噪声的该特定图像。
和病灶检测的过程。于本申请中,在经过上述肺实质提取模型的处理后,从CT图像中提取对
应于外接包围盒的区域,由于此时提取得到的外接包围盒的区域只包含肺实质部分,因此
可以有效避免该CT图像的外围部分的干扰。
果的特定图像,并可以将该包含肺叶分割结果的特定图像作为对CT图像进行处理得到的肺
部图像。其中,肺叶分割结果用于指示特定图像中分别对应于右肺上叶、右肺中叶、右肺下
叶、左肺上叶以及左肺下叶的肺叶类别的区域。当然,还可以将去除背景噪声的特定图像先
划分为左肺图像和右肺图像,然后再分别将左肺图像和右肺图像输入肺叶分割模型进行处
理,通过划分为左肺图像和右肺图像,减小输入肺叶分割模型的图像尺寸,提升肺叶分割模
型的处理速度,本说明书并不对此进行限制。
割模型,以通过该肺叶分割模型对左肺图像和该右肺图像进行肺叶分割,并得到分割后的
左肺图像和右肺图像。接着,将分割后的左肺图像和右肺图像各自反向上采样(Resize↑)以
恢复到下采样之前的图像尺寸,并将上采样后的左肺图像和右肺图像粘贴(paste into)至
与该CT图像相同尺寸的全0矩阵上,从而得到最终肺叶分割结果,即该肺部图像,此时得到
的肺部图像上被划分有相应的肺叶类别。其中,通过对左肺图像和右肺图像进行下采样,可
以减小左肺图像和右肺图像的尺寸,从而降低肺叶分割模型的计算量,提升肺叶分割模型
的处理效率。当然,还可以不对左肺图像和右肺图像进行下采样和上采样的操作,本说明书
并不对此进行限制。
模型是浅度的卷积网络模型,其结构大约为5 6层,肺叶分割模型是深度的卷积网络模型,
~
其结构可以为十几层。此外,上述肺实质提取模型与肺叶分割模型的目标不一样,前者是二
类别分割(如:背景和肺实质类别)或三类别分割(如:左肺类别、右肺类别和背景类别),后者是多类别分割(如:5个肺叶类别以及背景分类)。
部图像,也可以是基于步骤S302得到的划分了各个肺叶类别的肺部图像,为便于描述,以下
各实施例以基于步骤S201得到的肺部图像进行病灶分割和病灶检测的处理基础为例,以步
骤S302得到的肺部图像为基础进行病灶分割、病灶检测以及对病灶分割结果和病灶检测结
果进行融合等操作的具体过程可参照以下各实施例,此处不再赘述。
步骤S302得到的肺叶分割结果,确定出各个病灶区域所属的肺叶类别,其中,该肺叶类别可
以包括右肺的上叶、右肺的中叶、右肺的下叶、左肺的上叶或者左肺的下叶等,从而无需医
生等操作人员按照经验确定各个病灶区域所属的肺叶类别,有利于医生等操作人员准确判
断患者的病情,提升诊断的准确性和效率。
获得该分割结果,该分割结果包括该肺部图像内的各个病灶区域所含的分割点的第一位置
信息以及各个病灶区域的第一尺寸数据。分割点是确定病灶区域位置的点。分割点可以按
照实际需求进行设置,例如,在病灶区域为圆形时,该分割点可以是该病灶区域的圆心,而
第一尺寸数据可以是病灶区域的半径或者直径等。各病灶区域可以为圆形、四边形、三角形
等规则的形状,该分割点可以是该病灶区域的中心点。
兴趣区域(region of interest,ROI)图像。将该肺部图像下采样至第二数值,例如:1mm ,其中mm为毫米。然后,利用滑窗分块预测(shift window)算法对下采样后的肺部图像进行
分块,具体地,按照预设的滑窗尺寸(window size)和步长,从下采样后的肺部图像中提取
3 3
立方体子区域(cube),其中该滑窗尺寸优选为128px ,步长优选为64px ,提取的立方体子区
3
域的尺寸为128px。
以及各个病灶区域的第一尺寸数据。
区域的概率值。
将该病灶区域对应的图像反向上采样恢复到该肺部图像大小,从而确定出各个病灶区域所
含的分割点在肺部图像中的第一位置信息以及各个病灶区域的第一尺寸数据。
上每个像素点的坐标位置或者该2D方形区域对应的坐标位置为已知量。当然,该预测病灶
区域的信息还可以包括预测病灶区域内部点的位置信息或者预测病灶区域的尺寸数据等,
本说明书并不对此进行限制。
计算得到该边缘点位置信息对应的三维边缘点位置信息,并按照该三维边缘点位置信息对
该预测病灶区域进行三维重建,得到多个该三维预测病灶区域。
且属于真阳类别的概率值不小于第三预设概率阈值的三维预测病灶区域确定为目标病灶
区域。
据,将对应的属于真阳类别的概率值不小于第二预设概率阈值的三维预测病灶区域作为目
标病灶区域,将对应的属于真阳类别的概率值小于第二预设概率阈值的三维预测病灶区域
划分为假阳类别,从而排除属于假阳类别的三维预测病灶区域,并将该目标病灶区域的位
置坐标作为肺部图像内相应的病灶区域的位置坐标,得到检测结果,该三维分类模型优选
Efficient‑Net网络模型。而第二预设概率阈值是基于三维分类模型的训练过程而确定的。
其中,可以利用三维分类模型直接获得各个三维预测病灶区域属于真阳类别的概率值;或
者,可以利用三维分类模型获得各个三维预测病灶区域属于假阳类别的概率值,然后根据
属于假阳类别的概率值,求解出各个三维预测病灶区域属于真阳类别的概率值,本说明书
并不对此进行限制。
为依据,筛选出对应的概率值不小于第二预设概率阈值的三维预测病灶区域,然后可以根
据筛选出的各个三维预测病灶区域的对应的概率值确定出第三预设概率阈值,再以第三预
设概率阈值为依据,将前述筛选出的且属于真阳类别的概率值不小于第三预设概率阈值的
三维预测病灶区域确定为目标病灶区域。其中,第三预设概率阈值可以是基于筛选出的各
个三维预测病灶区域对应的概率值的平均值或者加权求和值而确定的。对基于第二预设概
率阈值筛选出的三维预测病灶区域再次进行处理,可以提升确定出的目标病灶区域的准确
性,显著降低误判或者误分类的可能性,也可以进一步减少确定出的目标病灶区域的数量。
具体地,如图10所示,三维分类模型为“3D版分类模型Efficient‑Net”,那么可以获得该“3D版分类模型Efficient‑Net”输出的各个三维预测病灶区域属于真阳类别的概率值,可以先
以第二预设概率阈值为依据,筛选出对应的概率值不小于第二预设概率阈值的三维预测病
灶区域,过滤大量属于假阳类别的三维预测病灶区域,然后计算筛选出的三维预测病灶区
域对应的概率值的平均值,并根据计算出来的平均值确定出第三预设概率阈值,再以第三
预设概率阈值为依据,将前述筛选出的且属于真阳类别的概率值不小于第三预设概率阈值
的三维预测病灶区域确定为目标病灶区域。
获得较好的假阳排除效果,并且可以根据各个三维预测病灶区域,确定出三维的肺部图像
内的各个病灶区域的检测结果。
计算相应的病灶区域的参数,该参数包括病灶区域的分割点的位置的坐标和病灶区域的直
径,其中,各病灶区域的坐标可以用分割点的位置的三维坐标表示,直径用d表示,具体可以
是第一分割病灶区域(z1,y1,x1,d1),第二分割病灶区域(z2,y2,x2,d2)和第三分割病灶区域(z3,y3,x3,d3)等。
用d’表示,具体如:第一检测病灶区域(z1’,y1’,x1’,d1’),第二检测病灶区域(z2’,y2’,x2’,d2’)和第三检测病灶区域(z3’,y3’,x3’,d3’)等。
一个位置点的若干分割点和若干检测点的平均坐标作为该点组的该位置点的坐标,若干分
割点和若干检测点所属病灶区域的平均直径作为该点组的该位置点所对应的直径。当然,
还可以将若干分割点和若干检测点的坐标的加权求和值作为该位置点的坐标,将若干分割
点和若干检测点所属病灶区域的直径的加权求和值作为该位置点所对应的直径,本说明书
并不对此进行限制。具体地,假设上述第一分割病灶区域的分割点的位置与第一检测病灶
区域的检测点之间的欧氏距离小于预设距离,则需要将第一分割病灶区域和第一检测病灶
区域进行融合,得到的融合位置信息和融合尺寸数据为(z1’’,y1’’,x1’’,d1’’),其中z1’’为z1和z1’的平均值、y1’’为y1和y1’的平均值、x1’’为x1和x1’的平均值、d1’’为d1和d1’的平均值;假设上述第二分割病灶区域的分割点的位置与第二检测病灶区域的检测点之间的欧氏
距离小于预设距离,则需要将第二分割病灶区域和第二检测病灶区域进行融合,得到的融
合位置信息和融合尺寸数据为(z2’’,y2’’,x2’’,d2’’),其中,z2’’,y2’’,x2’’,d2’’的计算过程与前述类似,此处不再赘述。
型进行假阳性识别;
得各个三维子区域属于病灶区域的概率值。该三维子区域可以是立方体,以点组的各个位
置点的直径为边长,位置点为中心点计算得到的。当然,三维子区域还可以是其他形状,本
说明书并不对此进行限制。
子区域,并将保留下来的三维子区域直接输入预设的精细病灶分割模型,例如 3D‑Unet,得
到各个三维子区域对应的精细分割后的病灶区域,精细分割后的病灶区域可以呈现出各个
病灶区域的具体轮廓,其中,精细病灶分割模型相较于上述的病灶分割模型,区别在于模型
的参数设置,精细病灶分割模型可以得到更细粒度,分割效果更好。由精细病灶分割模型对
保留下来的各个三维子区域进行处理,可以得到各个病灶区域的准确轮廓,有利于最终得
到的各个病灶区域在胸部CT图像中的位置和尺寸的准确性。
果确定出胸部CT图像的最终的病灶分割图像中的各最终病灶的参数,包括各最终病灶的中
心位置坐标和病灶直径。当然,还可以对映射结果中所含的相邻的连通域进行融合,使得获
得的最终的病灶区域更加准确。
病灶的直径,并根据确定出的最终病灶的直径得到各个三维子区域对应的精细分割后的病
灶区域的具体轮廓。
的分割掩膜以及该排除假阳性的三维子区域中的该点组的直径,判断是否将该排除假阳性
的三维子区域输入到该精细病灶分割模型进行分割,从而可以降低精细病灶分割模型的训
练难度,提升精细病灶分割模型的处理效率;若该排除假阳性的三维子区域包含该分割掩
膜,且该排除假阳性的三维子区域中的该点组的直径小于第一直径,或者,若该排除假阳性
的三维子区域不包含该分割掩膜,且该排除假阳性的三维子区域中的该点组的直径大于第
二直径,则将该排除假阳性的三维子区域输入到该精细病灶分割模型进行分割。
点是基于分割点和检测点融合得到的,那么该三维子区域包含对应的分割掩膜;若三维子
区域内的位置点是仅基于分割点融合得到的,那么该三维子区域包含对应的分割掩膜;而
若三维子区域内的位置点是仅基于检测点融合得到的,那么该三维子区域则不存在对应的
分割掩膜。
病灶区域,无需经过精细病灶分割模型的处理,简化处理过程;若小于预设的第一直径,则
将保留的三维子区域输入上述预设的精细病灶分割模型,得到第二病灶区域。
大于预设的第二直径,则按照该三维子区域的大小构建新的掩膜,并基于构建的掩模得到
第三病灶区域。若点组的直径大于预设的第二直径,可以将保留的三维子区域输入上述预
设的精细病灶分割模型,得到第四病灶区域。
原胸部CT图像大小,从而可以根据映射结果确定出胸部CT图像的最终的病灶分割图像中的
各最终病灶的参数,包括各最终病灶的中心位置坐标和病灶直径。当然,还可以对映射结果
中所含的相邻的连通域进行融合,使得获得的最终的病灶区域更加准确。其中,第一病灶区
域所对应的掩膜图像即为上述分割掩膜,第三病灶区域所对应的掩膜图像即为上述构建的
新的掩膜。
以及相应点组的直径大小不同的三维子区域采用不同的获取病灶区域的方式,可以实现针
对不同的保留下来的三维子区域进行个性化处理,提升获取到的最终病灶的精准度。
保留的三维子区域输入预设的精细病灶分割模型进行处理。其中,细化处理的过程如下:若
点组的直径小于第三直径(如,32mm),则将保留的三维子区域中的点组的直径调整为该第
三直径;若点组的直径不小于该第三直径,且小于第四直径(如,64mm),则将保留的三维子
区域中的点组的直径调整为该第四直径;若点组的直径大于该第四直径,则仍然不对保留
的三维子区域中的点组的直径进行调整。其中该第三直径小于该第四直径。后续,可以基于
上述调整后的直径重新提取更新后的三维子区域,再将更新后的三维子区域输入上述预设
的精细病灶分割模型,输入预设的精细病灶分割模型进行处理。实际上,在细化处理的过程
中,可以按照原来的点组的直径大小对不同的三维子区域进行再次更新,有利于后续根据
更新后的三维子区域确定出的最终病灶的位置和尺寸的准确性,提升确定出的病灶区域在
胸部CT图像中的位置和尺寸的可靠性。当然,上述第一直径、第二直径、第三直径和第四直
径可以按照实际需求进行调整,本说明书并不对此进行限制。在任一保留的三维子区域中
的点组的直径与特定直径相同的情况下,可以采用相应的点组直径小于特定直径的方式或
者相应的点组直径大于特定直径的方式对该保留的三维子区域进行处理,本说明书并不对
此进行限制,其中,特定直径可以是第一直径、第二直径、第三直径或者第四直径。
中的位置和尺寸的文字信息和/或图像信息的检测报告并在屏幕中进行展示,或者,根据该
病灶在该胸部CT图像中的位置和尺寸生成导航信息并保存等等。
部图像进行病灶检测,得到各个病灶区域的检测结果,可提高病灶检测的速度,另一方面通
过将病灶的分割结果和检测结果进行融合,得到各个病灶区域在该胸部CT图像上的位置和
尺寸,由于最终输出的病灶区域的位置和尺寸是通过融合同步获取的病灶分割结果和病灶
检测结果得到,两种处理结果互补,因此可以提高病灶检测的精准度和检测效率。
计算机装置,或者,可以作为虚拟模块配置在具有数据处理功能的计算机装置中。如图13所
示,该装置包括:
部图像进行病灶检测,得到各个病灶区域的检测结果,可提高病灶检测的速度,另一方面通
过将病灶的分割结果和检测结果进行融合,得到各个病灶区域在该胸部CT图像上的位置和
尺寸,由于最终输出的病灶区域的位置和尺寸是通过融合同步获取的病灶分割结果和病灶
检测结果得到,两种处理结果互补,因此可以提高病灶检测的精准度和检测效率。
所含的分割点的第一位置信息以及各个病灶区域的第一尺寸数据。
息;
位置信息对所述预测病灶区域进行三维重建,得到多个所述三维预测病灶区域。
到所述检测结果。
出的且属于真阳类别的概率值不小于所述第三预设概率阈值的三维预测病灶区域确定为
目标病灶区域。
进行假阳性识别;
标,平均直径作为所述点组的直径。
入到精细病灶分割模型进行分割;
述分割掩膜,且所述排除假阳性的三维子区域中的所述点组的直径大于第二直径,则将所
述排除假阳性的三维子区域输入到所述精细病灶分割模型进行分割;
右肺区域的外接包围盒。
像的病灶检测方法。
块/单元可以包括上述实施例中的基于CT图像的病灶检测装置中的各个模块,如:处理模块
501、分割模块502、检测模块503以及融合模块504。
(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field‑
Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器
等。
取存储器等)等,本申请实施例不作限制。具体的,存储器11可以是该电子装置的内部存储
单元,例如:该电子装置的硬盘或内存。存储器11也可以是该电子装置的外部存储设备,例
如该电子装置上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字
(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括该电子装置的内部存储单元也包括外部存储设备。存储器11用于存储计算机程序以及终端所需
的其他程序和数据。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
所示实施例中的存储器11,具体例如可以是非暂时性计算机可读存储介质。该计算机可读
存储介质上存储有计算机程序,该程序被处理器执行时实现如前述图1至图12所示各实施
例中描述的基于CT图像的病灶检测方法。进一步的,该计算机可存储介质还可以是U盘、移
动硬盘、只读存储器(ROM,Read‑Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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,例如多个模块或组件可以结
合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的
相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通
信连接,可以是电性,机械或其它的形式。
网络模块上。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。
块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式
体现出来,该计算机软件产品存储在一个可读存储介质中,包括若干指令用以使得一台计
算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法
的全部或部分步骤。而前述的可读存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知
悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本申
请所必须的。
必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任
意一个或者多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域
的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进
行结合和组合。
然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进
行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术
方案的范围。
及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。