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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。