一种肺部图像处理方法及图像处理设备技术

本发明专利技术公开了一种肺部图像处理方法及图像处理设备。其中，方法包括：获取肺部图像；使用图像处理模型处理所述肺部图像，得到肺结节信息，所述肺结节信息用于描述肺结节的生长情况；生成包含所述肺结节信息的处理报告。还公开了相应的图像处理设备。本发明专利技术利用图像处理模型对肺部图像进行处理，检测了肺结节状态，用以描述结节的生长状况，有效提高了肺部图像处理的效率。

【技术实现步骤摘要】
一种肺部图像处理方法及图像处理设备
本专利技术涉及图像处理
，尤其涉及一种肺部图像处理方法及图像处理设备。
技术介绍
由于环境空气污染严重，人们长期吸入各种重金属离子、颗粒以及雾霾，使其聚集于肺内无法排除，加之现代人生活节奏快，使得许多人处于亚健康状态且免疫力低下。甚至也有不少人因此患上肺癌这种发病率及死亡率都极高的癌症。早期肺癌的预防和发现，除了医生对身体出现的外在症状进行初步判断以外，更最常用的方法是通过针对胸部的计算机断层扫描(CT，ComputedTomography)技术来检查肺部是否有肺结节。目前，大部分地方的医院都会对体检及门诊患者进行肺癌的筛查，其中，低剂量筛查(LDCT，LowDoseComputedTomography)及相应的随访，是用于发现肺癌的重要手段。因此在临床中，医生通过对胸部CT读片来得到肺结节的检测结果，但由于胸部CT检查患者数量众多，不同医生技术水平和经验的差异，以及个人主观判断的影响，很难保证能够毫无遗漏的识别出胸部CT图像中的肺结节，总的来说，即使投入了大量人力以及时间，肺部图像的处理效率依然很低。
技术实现思路
本专利技术实施例提供一种肺部图像处理方法及图像处理设备，能够同时对肺部图像进行目标分割、目标检测以及病灶分类中的两项，从而有效提高肺部图像处理的效率。第一方面，本专利技术实施例提供了一种肺部图像处理方法，该方法包括：获取肺部图像；使用图像处理模型处理所述肺部图像，得到肺结节信息，所述肺结节信息用于描述肺结节的目前状态及生长情况；生成包含所述肺结节信息的处理报告。结合第一方面，在第一方面的第一种实现方式中，所述图像处理模型为卷积神经网络，用于对所述肺部图像进行目标分割、目标检测和病灶分类中的至少两项；所述目标分割用于确定所述肺结节的边界信息，所述目标检测用于确定所述肺结节的位置信息，所述病灶分类用于确定所述肺结节的病灶类型，所述病灶类型包括良性和恶性，或者进一步的细分类别，恶性包括腺癌，鳞癌和小细胞癌等，良性包括血管瘤，肺结核，肺肉芽肿和肺炎等；所述肺结节信息包括所述肺结节的边界信息、位置信息以及病灶类型。结合第一方面的第一种实现方式，在第一方面的第二种实现方式中，所述使用所述图像处理模型处理所述肺部图像，包括：使用所述图像处理模型对所述肺部图像进行目标分割、目标检测以及病灶分类，得到所述肺结节的边界信息、位置信息以及病灶类型；或者使用所述图像处理模型对所述肺部图像进行目标分割和目标检测，得到所述肺结节的边界信息和位置信息；利用所述边界信息和所述位置信息计算所述肺结节的体积、直径和/或形状；结合所述肺结节的体积、直径和/或形状确定所述肺结节的病灶类型。结合第一方面的第一种实现方式，在第一方面的三种实现方式中，所述生成包含所述肺结节信息的处理报告之前，还包括：获取反馈信息和损失函数；代入所述反馈信息和所述肺结节信息到所述损失函数中，计算得到损失；利用所述损失对所述图像处理模型进行优化；所述生成包含所述肺结节信息的处理报告，包括：生成包含所述反馈信息的处理报告。结合第一方面的第三种实现方式，在第一方面的第四种实现方式中，所述获取损失函数之前，还包括：获取分割损失函数、检测损失函数和分类损失函数中的至少两个；对所述分割损失函数、所述检测损失函数和所述分类损失函数中的至少两个进行加权求和，得到所述损失函数。结合第一方面的第一种实现方式，在第一方面的第五种实现方式中，在所述获取图像处理模型之前，还包括：构建卷积神经网络；获得训练样本；利用所述训练样本对所述卷积神经网络进行训练；获取所述训练后的卷积神经网络为所述图像处理模型。结合第一方面，在第一方面的第六种实现方式中，所述获取肺部图像之前，包括：获取肺部原始图像，所述肺部原始图像包括骨骼图像、血管图像以及所述肺部图像；对所述肺部原始图像进行目标分割，得到所述肺部图像；将所述肺部图像重采样到预设分辨率。第二方面，本专利技术实施例提供了一种图像处理设备，该图像处理设备包括用于执行上述第一方面的方法的单元，该图像处理设备包括：获取单元，用于获取肺部图像；处理单元，用于使用图像处理模型处理所述肺部图像，得到肺结节信息，所述肺结节信息用于描述肺结节的生长情况；生成单元，用于利用所述肺结节信息生成处理报告。结合第二方面，在第二方面的第一种实现方式中：所述图像处理模型为卷积神经网络，用于对所述肺部图像进行目标分割、目标检测和病灶分类中的至少两项；所述目标分割用于确定所述肺结节的边界信息，所述目标检测用于确定所述肺结节的位置信息，所述病灶分类用于确定所述肺结节的病灶类型，所述病灶类型包括良性和恶性，或者进一步的细分类别，恶性包括腺癌，鳞癌和小细胞癌等，良性包括血管瘤，肺结核，肺肉芽肿和肺炎等；所述肺结节信息包括所述肺结节的边界信息、位置信息以及病灶类型。结合第二方面的第一种实现方式，在第二方面的第二种实现方式中：所述处理单元，用于使用所述图像处理模型对所述肺部图像进行目标分割、目标检测以及病灶分类，得到所述肺结节的边界信息、位置信息以及病灶类型；或者，所述处理单元，用于使用所述图像处理模型对所述肺部图像进行目标分割和目标检测，得到所述肺结节的边界信息和位置信息；利用所述边界信息和所述位置信息计算所述肺结节的体积、直径和/或形状；结合所述肺结节的体积、直径和/或形状确定所述肺结节的病灶类型。结合第二方面的第一种实现方式，在第二方面的第三种实现方式中：所述获取单元，还用于获取反馈信息和损失函数；计算单元，用于代入所述反馈信息和所述肺结节信息到所述损失函数中，计算得到损失；优化单元，用于利用所述损失对所述图像处理模型进行优化；相应的，所述生成单元，用于生成包含所述反馈信息的处理报告。结合第二方面的第三种实现方式，在第二方面的第四种实现方式中：所述获取单元，还用于获取分割损失函数、检测损失函数和分类损失函数中的至少两个；所述计算单元，还用于对所述分割损失函数、所述检测损失函数和所述分类损失函数中的至少两个进行加权求和，得到所述损失函数。结合第二方面的第一种实现方式，在第二方面的第五种实现方式中，还包括：构建单元，用于构建卷积神经网络；相应的，所述获取单元，用于获得训练样本；训练单元，用于利用所述训练样本对所述卷积神经网络进行训练；相应的，所述获取单元，用于获取所述训练后的卷积神经网络为所述图像处理模型。结合第二方面，在第二方面的第六种实现方式中：所述获取单元，还用于获取肺部原始图像，所述肺部原始图像包括骨骼图像、血管图像以及所述肺部图像；所述处理单元，还用于对所述肺部原始图像进行目标分割，得到所述肺部图像；将所述肺部图像重采样到预设分辨率。结合第二方面，在第二方面的第七种实现方式中：所述图像处理设备包含所述图像处理模型；或者所述图像处理设备还包括接收单元，所述接收单元用于接收所述图像处理模型。第三方面，本专利技术实施例提供了另一种图像处理设备，包括处理器、通信接口和存储器，所述处理器、通信接口和存储器相互连接，其中，所述存储器用于存储支持图像处理设备执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，用以执行上述第一方面的方法。第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有本文档来自技高网...

【技术保护点】
1.一种肺部图像处理方法，其特征在于，所述方法包括：获取肺部图像；使用图像处理模型处理所述肺部图像，得到肺结节信息，所述肺结节信息用于描述肺结节的生长情况；生成包含所述肺结节信息的处理报告。

【技术特征摘要】
1.一种肺部图像处理方法，其特征在于，所述方法包括：获取肺部图像；使用图像处理模型处理所述肺部图像，得到肺结节信息，所述肺结节信息用于描述肺结节的生长情况；生成包含所述肺结节信息的处理报告。2.根据权利要求1所述的方法，其特征在于，所述图像处理模型为卷积神经网络，用于对所述肺部图像进行目标分割、目标检测和病灶分类中的至少两项；所述目标分割用于确定所述肺结节的边界信息，所述目标检测用于确定所述肺结节的位置信息，所述病灶分类用于确定所述肺结节的病灶类型；所述肺结节信息包括所述肺结节的边界信息、位置信息以及病灶类型。3.根据权利要求2所述的方法，其特征在于，所述使用所述图像处理模型处理所述肺部图像，包括：使用所述图像处理模型对所述肺部图像进行目标分割、目标检测以及病灶分类，得到所述肺结节的边界信息、位置信息以及病灶类型；或者使用所述图像处理模型对所述肺部图像进行目标分割和目标检测，得到所述肺结节的边界信息和位置信息；利用所述边界信息和所述位置信息计算所述肺结节的体积、直径和/或形状；结合所述肺结节的体积、直径和/或形状确定所述肺结节的病灶类型。4.根据权利要求2所述的方法，其特征在于，所述生成包含所述肺结节信息的处理报告之前，还包括：获取反馈信息和损失函数；代入所述反馈信息和所述肺结节信息到所述损失函数中，计算得到损失；利用所述损失对所述图像处理模型进行优化；...

【专利技术属性】
技术研发人员：黄晓迪，公茂亮，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海,31