一种确定肺结节密度的方法及装置制造方法及图纸

本发明专利技术公开了一种确定肺结节密度的方法及装置。所述方法包括：从患者的肺部CT图像中提取得到肺结节图像后，可以采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，并得到所述患者对应的特征向量；进一步地，可将患者对应的特征向量输入预设密度分类神经网络模型，从而得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度。由于以上模型均是通过对大量数据进行训练得到的，从而使得通过模型得到的结果较为合理，且具有一定的科学依据。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高确定肺结节密度的准确性。

Method and device for determining density of pulmonary nodules

The invention discloses a method and a device for determining the density of pulmonary nodules. The method comprises the following steps: after the pulmonary nodule image is extracted from the patient's lung CT image, a preset feature extraction neural network model can be used to extract the features of the patient's lung nodule image, and the corresponding feature vectors of the patient can be obtained; furthermore, the corresponding feature vectors of the patient can be input into the preset density score. A neural network-like model is used to obtain the density of the pulmonary nodules corresponding to the pulmonary nodules of the patient. Because the above models are obtained by training a large number of data, so that the results obtained through the model are more reasonable and have a certain scientific basis. Compared with the traditional way of doctor diagnosis, it can reduce the diagnostic error rate caused by doctor's level differences, thus improving the accuracy of determining the density of pulmonary nodules.

【技术实现步骤摘要】
一种确定肺结节密度的方法及装置
本专利技术涉及数据处理
，尤其涉及一种确定肺结节密度的方法及装置。
技术介绍
肺结节是一种非干酪样坏死的上皮肉芽肿病变。肺结节有良性和恶性之分，良性的肺结节可以自行缓解，对人体的危害相对较小；恶性的肺结节容易引起功能损害、肺广泛纤维化，甚至导致肺癌，对人体的危害极大。目前，对肺结节的良恶性情况可以根据肺结节密度来确定。现有技术中，医生在确定肺结节密度时，往往是通过观察胸部影像，这种诊断方法需要医生人为地进行判断，效率较低，且容易受到地区医疗水平以及医生个人经验水平的影响，准确性较低。基于此，目前亟需一种确定肺结节密度的方法，以提高确定肺结节密度的效率和准确性。
技术实现思路
本专利技术实施例提供一种确定肺结节密度的方法及装置，以提高确定肺结节密度的效率和准确性。本专利技术实施例提供一种确定肺结节密度的方法，所述方法包括：获取患者的肺部电子计算机断层扫描(ComputedTomography，CT)图像；确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。如此，本专利技术实施例采用预设特征提取神经网络模型，并结合预设密度分类神经网络来对肺结节密度进行分析，由于以上模型均是通过对大量数据进行训练得到的，从而使得通过模型得到的结果较为合理，且具有一定的科学依据。相比于传统的医生诊断的方式而言，能够降低因医生水平差异导致的诊断误差率，从而提高确定肺结节密度的准确性；进一步地，由神经网络模型对肺结节进行分析，能够大大提高确定肺结节密度的效率。在一种可能的实现方式中，将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度，包括：将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。在一种可能的实现方式中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的，包括：将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。如此，通过预测肺结节密度和实际肺结节密度之间的对比，可以准确的调整预设密度分类神经网络模型的参数，提高生成的预设密度分类神经网络模型的准确度。在一种可能的实现方式中，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化(BatchNormalization，BN)层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的maxpooling层。在一种可能的实现方式中，所述肺结节密度包括实性肺结节密度、磨玻璃肺结节密度、半实性肺结节密度中的任意一项。本专利技术实施例提供一种确定肺结节密度的装置，所述装置包括：获取单元，用于获取患者的肺部电子计算机断层扫描CT图像；处理单元，用于确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；所述处理单元，还用于采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；以及将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。在一种可能的实现方式中，所述处理单元具体用于：将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。在一种可能的实现方式中，所述处理单元具体用于：将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。在一种可能的实现方式中，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化BN层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的maxpooling层。在一种可能的实现方式中，所述肺结节密度包括实性肺结节密度、磨玻璃肺结节密度、半实性肺结节密度中的任意一项。本专利技术实施例还提供一种装置，所述装置可以为确定肺结节密度的装置，所述装置包括：存储器，用于存储软件程序；处理器，用于读取所述存储器中的软件程序并执行上述各种可能的实现方式中所描述的确定肺结节密度的方法。本专利技术实施例还提供一种计算机存储介质，所述存储介质中存储软件程序，该软件程序在被一个或多个处理器读取并执行时实现上述各种可能的实现方式中所描述的确定肺结节密度的方法。本专利技术实施例还提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各种可能的实现方式中所描述的确定肺结节密度的方法。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。图1为本专利技术实施例提供的一种确定肺结节密度的方法所对应的流程示意图；图2为本专利技术实施例提供的一种提取后的肺结节图像的示意图；图3为本专利技术实施例提供的一种预设特征提取神经网络模型的结构示意图；图4a为本专利技术实施例提供的一种实性肺结节密度的肺结节图像的示意图；图4b为本专利技术实施例提供的一种磨玻璃肺结节密度的肺结节图像的示意图；图4c为本专利技术实施例提供的一种半实性肺结节密度的肺结节图像的示意图；图5为本专利技术实施例提供的一种预设密度分类神经网络模型的结构示意图；图6为本专利技术实施例提供一种确定肺结节密度的装置的结构示意图。具体实施方式下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例中。图1示例性示出了本专利技术实施例提供的一种确定肺结节密度的本文档来自技高网...

【技术保护点】
1.一种确定肺结节密度的方法，其特征在于，所述方法包括：获取患者的肺部电子计算机断层扫描CT图像；确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。

【技术特征摘要】
1.一种确定肺结节密度的方法，其特征在于，所述方法包括：获取患者的肺部电子计算机断层扫描CT图像；确定所述患者的肺结节在所述患者的肺部CT图像中的位置，并从所述患者的肺部CT图像中提取得到所述患者的肺结节图像；其中，所述肺部CT图像和所述肺结节图像均为三维图像；采用预设特征提取神经网络模型对所述患者的肺结节图像进行特征提取，得到所述患者对应的特征向量；所述预设特征提取神经网络模型的参数是通过对所述多个患者的肺结节图像进行训练得到的；将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度；其中，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的。2.根据权利要求1所述的方法，其特征在于，将所述患者对应的特征向量输入预设密度分类神经网络模型，并得到所述预设密度分类神经网络模型输出的所述患者患有的肺结节对应的肺结节密度，包括：将所述患者对应的特征向量输入预设密度分类神经网络模型，得到多个预设肺结节密度对应的置信度；将所述多个预设肺结节密度对应的置信度中置信度最高的预设肺结节密度作为所述患者患有的肺结节对应的肺结节密度。3.根据权利要求1所述的方法，其特征在于，所述预设的密度分类神经网络模型的参数是通过对多个患者对应的特征向量、每个患者患有的肺结节对应的肺结节密度进行训练得到的，包括：将所述多个患者对应的特征向量输入到初始的密度分类神经网络模型，得到每个患者患有的肺结节对应的预测肺结节密度；根据所述每个患者患有的肺结节对应的预测肺结节密度以及每个患者患有的肺结节对应的实际肺结节密度，进行反向训练，生成所述预设密度分类神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述预设特征提取神经网络模型包括N个卷积模块；N小于或等于第一阈值；其中，每个卷积模块包括卷积层、与所述卷积层连接的归一化BN层、与所述BN层连接的激活函数层、以及与所述激活函数层连接的maxpooling层。5.根据权利要求1至4中任一项所述的方法，其特征在于...

【专利技术属性】
技术研发人员：魏子昆，杨忠程，丁泽震，
申请(专利权)人：杭州依图医疗技术有限公司，杭州依图网络科技有限公司，广州依图医疗技术有限公司，
类型：发明
国别省市：浙江,33