肺磨玻璃结节识别方法、系统、终端及存储介质技术方案

本发明专利技术提供一种肺磨玻璃结节识别方法、系统、终端及存储介质，包括：利用预先构建的图像识别模型从CT图像中识别肺磨玻璃结节，得到图像识别结果；接收血清肿瘤标志物检测结果，并将图像识别结果和血清肿瘤标志物检测结果输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果。本发明专利技术大大提升了肺磨玻璃结节的识别准确度，为肺磨玻璃结节诊断提供了客观的数据支撑。据支撑。据支撑。

【技术实现步骤摘要】
肺磨玻璃结节识别方法、系统、终端及存储介质


[0001]本专利技术涉及人工智能
，具体涉及一种肺磨玻璃结节识别方法、系统、终端及存储介质。

技术介绍

[0002]随着高分辨率CT的普及，大量的肺小结节被发现，其中磨玻璃结节(ground glass nodule,GGN)很大一部分最后被证实为早期肺癌。由于磨玻璃结节在CT中较为模糊，且不同程度的磨玻璃结节的处理方法是不同的，一旦对磨玻璃结节的程度把握不准就会导致处理方法不当，对病人造成不利影响。现有的磨玻璃结节严重依赖医生经验，导致磨玻璃结节诊断准确率不佳。

技术实现思路

[0003]针对现有技术的上述不足，本专利技术提供一种肺磨玻璃结节识别方法、系统、终端及存储介质，以解决上述技术问题。
[0004]第一方面，本专利技术提供一种肺磨玻璃结节识别方法，包括：
[0005]利用预先构建的图像识别模型从CT图像中识别肺磨玻璃结节，得到图像识别结果；
[0006]接收血清肿瘤标志物检测结果，并将图像识别结果和血清肿瘤标志物检测结果输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果。
[0007]进一步的，图像识别模型包括：
[0008]轮廓检测子模型，用于利用canny轮廓检测算法识别CT图像中的轮廓线，并从所有轮廓线中筛选出闭合轮廓线，将闭合轮廓线所在区域从CT图像中分割出来作为识别目标；
[0009]神经网络子模型，用于对所述识别目标进行处理，得到所述识别目标所属的肺磨玻璃结节种类及概率。
>[0010]进一步的，所述神经网络子模型的训练方法包括：
[0011]收集大量的CT图像，并对所有CT图像进行边缘检测，并从中提取闭合轮廓线区域，将闭合轮廓线区域标记所属肺磨玻璃结节种类后保存至训练集；
[0012]利用所述训练集对神经网络子模型进行训练。
[0013]进一步的，接收血清肿瘤标志物检测结果，并将图像识别结果和血清肿瘤标志物检测结果输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果，包括：
[0014]从对外接口接收用户上传的血清肿瘤标志物检测结果，所述血清肿瘤标志物检测结果包括癌胚抗原和糖类抗原的含量检测结果；
[0015]从神经网络子模型输出的所有识别目标的概率中选取最大概率；
[0016]将血清肿瘤标志物检测结果和所述最大概率对应的肺磨玻璃结节类型输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果。
[0017]进一步的，所述聚类检测模型的构建方法包括：
[0018]收集大量的肺磨玻璃结节患者的诊断数据和非肺磨玻璃结节患者的诊断数据，诊断数据包括图像识别结果和血清肿瘤标志物检测结果，将收集的所有数据保存至聚类训练集；
[0019]构建K
‑
Means聚类模型，并指定K
‑
Means聚类模型的聚类中心为肺磨玻璃结节种类数量；
[0020]利用聚类训练集对所述K
‑
Means聚类模型训练。
[0021]第二方面，本专利技术提供一种肺磨玻璃结节识别系统，包括：
[0022]图像识别单元，用于利用预先构建的图像识别模型从CT图像中识别肺磨玻璃结节，得到图像识别结果；
[0023]结果识别单元，用于接收血清肿瘤标志物检测结果，并将图像识别结果和血清肿瘤标志物检测结果输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果。
[0024]进一步的，图像识别模型包括：
[0025]轮廓检测子模型，用于利用canny轮廓检测算法识别CT图像中的轮廓线，并从所有轮廓线中筛选出闭合轮廓线，将闭合轮廓线所在区域从CT图像中分割出来作为识别目标；
[0026]神经网络子模型，用于对所述识别目标进行处理，得到所述识别目标所属的肺磨玻璃结节种类及概率。
[0027]进一步的，所述神经网络子模型的训练方法包括：
[0028]收集大量的CT图像，并对所有CT图像进行边缘检测，并从中提取闭合轮廓线区域，将闭合轮廓线区域标记所属肺磨玻璃结节种类后保存至训练集；
[0029]利用所述训练集对神经网络子模型进行训练。
[0030]进一步的，所述结果识别单元用于：
[0031]从对外接口接收用户上传的血清肿瘤标志物检测结果，所述血清肿瘤标志物检测结果包括癌胚抗原和糖类抗原的含量检测结果；
[0032]从神经网络子模型输出的所有识别目标的概率中选取最大概率；
[0033]将血清肿瘤标志物检测结果和所述最大概率对应的肺磨玻璃结节类型输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果。
[0034]进一步的，所述聚类检测模型的构建方法包括：
[0035]收集大量的肺磨玻璃结节患者的诊断数据和非肺磨玻璃结节患者的诊断数据，诊断数据包括图像识别结果和血清肿瘤标志物检测结果，将收集的所有数据保存至聚类训练集；
[0036]构建K
‑
Means聚类模型，并指定K
‑
Means聚类模型的聚类中心为肺磨玻璃结节种类数量；
[0037]利用聚类训练集对所述K
‑
Means聚类模型训练。
[0038]第三方面，提供一种终端，包括：
[0039]处理器、存储器，其中，
[0040]该存储器用于存储计算机程序，
[0041]该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
[0042]第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，
当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
[0043]本专利技术的有益效果在于，
[0044]本专利技术提供的肺磨玻璃结节识别方法、系统、终端及存储介质，通过利用神经网络模型对CT图像进行识别，并基于图像识别结果，结合血清肿瘤标志物检测结果，通过聚类检测模型得到准确的肺磨玻璃结节识别结果。本专利技术大大提升了肺磨玻璃结节的识别准确度，为肺磨玻璃结节诊断提供了客观的数据支撑。
[0045]此外，本专利技术设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
[0046]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，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。
[0047]图1是本专利技术一个实施例的方法的示意性流程图。
[0048]图2是本专利技术一个实施例的系统的示意性框图。
[0049]图3为本专利技术实施例提供的一种终端的结构示意图。
具体实施方式
[0050]为了使本
的人员更好地理解本专利技术中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺磨玻璃结节识别方法，其特征在于，包括：利用预先构建的图像识别模型从CT图像中识别肺磨玻璃结节，得到图像识别结果；接收血清肿瘤标志物检测结果，并将图像识别结果和血清肿瘤标志物检测结果输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果。2.根据权利要求1所述的方法，其特征在于，图像识别模型包括：轮廓检测子模型，用于利用canny轮廓检测算法识别CT图像中的轮廓线，并从所有轮廓线中筛选出闭合轮廓线，将闭合轮廓线所在区域从CT图像中分割出来作为识别目标；神经网络子模型，用于对所述识别目标进行处理，得到所述识别目标所属的肺磨玻璃结节种类及概率。3.根据权利要求2所述的方法，其特征在于，所述神经网络子模型的训练方法包括：收集大量的CT图像，并对所有CT图像进行边缘检测，并从中提取闭合轮廓线区域，将闭合轮廓线区域标记所属肺磨玻璃结节种类后保存至训练集；利用所述训练集对神经网络子模型进行训练。4.根据权利要求3所述的方法，其特征在于，接收血清肿瘤标志物检测结果，并将图像识别结果和血清肿瘤标志物检测结果输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果，包括：从对外接口接收用户上传的血清肿瘤标志物检测结果，所述血清肿瘤标志物检测结果包括癌胚抗原和糖类抗原的含量检测结果；从神经网络子模型输出的所有识别目标的概率中选取最大概率；将血清肿瘤标志物检测结果和所述最大概率对应的肺磨玻璃结节类型输入预先构建的聚类检测模型，得到肺磨玻璃结节识别结果。5.根据权利要求4所述的方法，其特征在于，所述聚类检测模型的构建方法包括：收集大量的肺磨玻璃结节患者的诊断数据和非肺磨玻璃结节患者的诊断数据，诊断数据包括图像识别结果和血清肿瘤标志物检...

【专利技术属性】
技术研发人员：周永，许晓燕，齐琦，冷晓玲，张忠双，
申请(专利权)人：新疆医科大学第三附属医院，
类型：发明
国别省市：