肺部病灶识别方法、装置和实现装置制造方法及图纸

本发明专利技术提供了一种肺部病灶识别方法、装置和实现装置；其中，该方法包括：获取肺部的CT图像；将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。本发明专利技术通过不同神经网络的识别模型识别不同尺寸的病灶区域，在保证运算速率的同时，可以更加全面地识别CT图像中的大小病灶区域。

Pulmonary focus recognition method, device and implementation device

The invention provides a device and method and device for realizing identification of pulmonary lesions; wherein the method comprises: acquiring CT images of lung CT images respectively; input to the pre established first recognition model and second recognition model, the first and second identification results output corresponding to the identification result; the first identification by neural model the network is trained, for lesion size is larger than the first threshold recognition; second recognition model through neural network training, for lesion size less than second recognition threshold; according to the first identification results and second recognition results, determine the final recognition result of pulmonary lesions. The recognition area of different sizes is identified by different neural network identification models, while ensuring the computing speed, it can identify the lesion areas in CT images more comprehensively.

【技术实现步骤摘要】
肺部病灶识别方法、装置和实现装置
本专利技术涉及医学影像
，尤其是涉及一种肺部病灶识别方法、装置和实现装置。
技术介绍
肺癌作为全球第一大癌症，发病率逐年提升。肺癌的生存率与首次确诊时所处的病程阶段高度相关，因此肺癌影像学诊断是发现早期肺癌的重要手段，但受限于设备、经验、人眼客观识别能力，外加超负荷工作的影响，医生难免会出现漏诊和误诊；将大数据驱动的人工智能应用于早期肺癌影像诊断中，通过机器辅助医生，提高诊疗效率，可以缓解医生的超负荷工作状态，降低漏诊及误诊，提升医生诊疗质量，进而挽救更多患者的生命。肺部病灶大多通过CT图像识别；现有的CT图像识别方式，通过图像检测、机器学习等手段可以识别出尺寸较大、特征明显的病灶区域，对于尺寸较小或特征不明显的病灶识别难度较大，依然难以有效解决漏诊的问题。针对上述现有的肺部病灶识别方式识别不全面，容易发生遗漏的问题，尚未提出有效的解决方案。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种肺部病灶识别方法、装置和实现装置，以更加全面地识别CT图像中的大小病灶区域。第一方面，本专利技术实施例提供了一种肺部病灶识别方法，该方法包括：获取肺部的CT图像；将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，上述获取肺部的CT图像的步骤，包括：采集肺部的初始CT图像；对初始CT图像进行预处理，生成与第一识别模型和第二识别模型相匹配的CT图像；预处理至少包括滤波处理和删除患者信息处理。结合第一方面，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，上述第一识别模型通过FasterRCNN神经网络训练而成；第二识别模型通过U-net神经网络训练而成。结合第一方面的第二种可能的实施方式，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，上述第一识别模型或第二识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中病灶的位置、病灶的特征和病灶的诊断结果；建立神经网络的网络结构，设置网络结构对应的训练参数；其中，第一识别模型对应的训练参数至少包括第一阈值；第二识别模型对应的训练参数至少包括第二阈值；将CT图像和对应的标注信息输入至网络结构中进行训练，生成第一识别模型或第二识别模型。结合第一方面，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，上述根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果的步骤，包括：查找第一识别结果和第二识别结果中，相互重复的病灶区域；删除第一识别结果或第二识别结果中重复的病灶区域；将第一识别结果和第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。第二方面，本专利技术实施例提供了一种肺部病灶识别装置，该装置包括：图像获取模块，用于获取肺部的CT图像；图像输入模块，用于将CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；结果确定模块，用于根据第一识别结果和第二识别结果，确定最终的肺部病灶识别结果。结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，上述第一识别模型通过FasterRCNN神经网络训练而成；第二识别模型通过U-net神经网络训练而成。结合第二方面的第一种可能的实施方式，本专利技术实施例提供了第二方面的第二种可能的实施方式，其中，上述第一识别模型或第二识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；标注信息包括CT图像中病灶的位置、病灶的特征和病灶的诊断结果；建立神经网络的网络结构，设置网络结构对应的训练参数；其中，第一识别模型对应的训练参数至少包括第一阈值；第二识别模型对应的训练参数至少包括第二阈值；将CT图像和对应的标注信息输入至网络结构中进行训练，生成第一识别模型或第二识别模型。结合第二方面，本专利技术实施例提供了第二方面的第三种可能的实施方式，其中，上述结果确定模块，还用于：查找第一识别结果和第二识别结果中，相互重复的病灶区域；删除第一识别结果或第二识别结果中重复的病灶区域；将第一识别结果和第二识别结果进行叠加处理，生成最终的肺部病灶识别结果。第三方面，本专利技术实施例提供了一种肺部病灶识别的实现装置，包括处理器和机器可读存储介质，机器可读存储介质存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述肺部病灶识别方法。本专利技术实施例带来了以下有益效果：本专利技术实施例提供的一种肺部病灶识别方法、装置和实现装置，第一识别模型和第二识别模型均通过神经网络训练而成，第一识别模型用于识别尺寸大于第一阈值的病灶区域，第二识别模型用于识别尺寸小于第二阈值的病灶区域；将获取到的肺部的CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果，进而确定最终的肺部病灶识别结果。该方式中，通过不同神经网络的识别模型识别不同尺寸的病灶区域，在保证运算速率的同时，可以更加全面地识别CT图像中的大小病灶区域。本专利技术的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本专利技术的上述技术即可得知。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种肺部病灶识别方法的流程图；图2为本专利技术实施例提供的另一种肺部病灶识别方法的流程图；图3为本专利技术实施例提供的一种肺部病灶识别装置的结构示意图；图4为本专利技术实施例提供的一种肺部病灶识别的实现装置的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。考虑到现有的肺部病灶识别方式识别不全面，容易发生遗漏的问题，本专利技术实施例提供了一种肺部病灶识别方法、装置和实现装置；该技术可以应用于肺癌、肺气肿等肺部病变的诊断过程中；尤其可以应用于通过CT(ComputedTomography，电子计算机断层扫描)图像或三维CT图像自动识别肺部结节、异常点或其他类型的病变区域的过程中；该技术可以采用相关的软件或硬件实现，下面通过实施例进行描述。参见图1所示的一种肺部病本文档来自技高网...

【技术保护点】
一种肺部病灶识别方法，其特征在于，所述方法包括：获取肺部的CT图像；将所述CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，所述第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；所述第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；根据所述第一识别结果和所述第二识别结果，确定最终的肺部病灶识别结果。

【技术特征摘要】
1.一种肺部病灶识别方法，其特征在于，所述方法包括：获取肺部的CT图像；将所述CT图像分别输入至预先建立的第一识别模型和第二识别模型中，输出对应的第一识别结果和第二识别结果；其中，所述第一识别模型通过神经网络训练而成，用于识别尺寸大于第一阈值的病灶区域；所述第二识别模型通过神经网络训练而成，用于识别尺寸小于第二阈值的病灶区域；根据所述第一识别结果和所述第二识别结果，确定最终的肺部病灶识别结果。2.根据权利要求1所述的方法，其特征在于，所述获取肺部的CT图像的步骤，包括：采集肺部的初始CT图像；对所述初始CT图像进行预处理，生成与所述第一识别模型和第二识别模型相匹配的CT图像；所述预处理至少包括滤波处理和删除患者信息处理。3.根据权利要求1所述的方法，其特征在于，所述第一识别模型通过FasterRCNN神经网络训练而成；所述第二识别模型通过U-net神经网络训练而成。4.根据权利要求3所述的方法，其特征在于，所述第一识别模型或所述第二识别模型的训练过程具体包括：获取设定数量的CT图像和对应的标注信息；所述标注信息包括所述CT图像中病灶的位置、所述病灶的特征和所述病灶的诊断结果；建立神经网络的网络结构，设置所述网络结构对应的训练参数；其中，所述第一识别模型对应的训练参数至少包括所述第一阈值；所述第二识别模型对应的训练参数至少包括所述第二阈值；将所述CT图像和对应的标注信息输入至所述网络结构中进行训练，生成所述第一识别模型或所述第二识别模型。5.根据权利要求1所述的方法，其特征在于，所述根据所述第一识别结果和所述第二识别结果，确定最终的肺部病灶识别结果的步骤，包括：查找所述第一识别结果和所述第二识别结果中，相互重复的病灶区域；删除所述第一识别结果或所述第二识别结果中所述重复的病灶区域；将所述第一识别结果和所述第二识别结果进行叠加处理，生成最终的肺部...

【专利技术属性】
技术研发人员：胡飞，王方，薛新颖，
申请(专利权)人：北京青燕祥云科技有限公司，
类型：发明
国别省市：北京,11