【技术实现步骤摘要】
基于深度学习的结节测量装置和终端设备
[0001]本专利技术实施例涉及医学影像
，尤其涉及基于深度学习的结节测量装置和终端设备。
技术介绍
[0002]癌症是全球发病率和死亡率增长最快的恶性疾病之一，严重威胁着人类的健康。低剂量CT(Low
‑
Dose Computed Tomography,LDCT)筛查已被证明是一种实用的技术，可以提高癌症(例如肺癌)早期诊断结节的检测和分类准确性，有助于降低死亡率。结节分析是有效的癌症预防干预措施之一，通过对病灶CT图像进行处理和分析，可以进一步确定结节的大小(直径、体积)和类型，提供丰富的影像信息辅助医生进行诊疗。
[0003]在结节检测的基础上，结节大小的精确测量是极为重要的环节，为疾病诊疗提供客观的依据。当前，医生主要利用阅片软件中的测量工具进行结节直径的手动测量。手动测量结节的方式效率较低，测量结果的精度依赖于医生的阅片经验相关，不同医生的测量结果不一致。
技术实现思路
[0004]本专利技术提供了一种基于深度学习的结节测量装置和...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于深度学习的结节测量装置，其特征在于，包括：图像提取单元，用于根据待测量的脏器肿瘤扫描图像中结节的中心坐标，提取包含所述结节的标准三维图像；结节分割单元，用于将所述标准三维图像输入基于编码
‑
解码结构的图像分割模型进行分割，得到结节二值图像，所述图像分割模型的编码部分包括级联的三个编码卷积模块和两个残差卷积模块，所述图像分割模型的解码部分包括级联的四个残差模块，所述编码部分的输出通过中间卷积模块输入到所述解码部分，所述残差模块的输入由上一级的输出和对应的编码层级的输出进行联合得到；直径计算单元，用于确认所述结节二值图像的每层图像中结节的最小外接矩形，基于所述最小外接矩形确认所述结节的长径和短径；体积计算单元，用于对所述结节二值图像进行三维重建得到结节三维网格模型，基于所述结节三维网格模型计算所述结节的体积。2.根据权利要求1所述的装置，其特征在于，所述图像提取单元，包括：中心确认模块，用于将待测量的脏器肿瘤扫描图像中结节的像素中心坐标，作为标准三维图像的几何中心坐标；坐标计算模块，用于基于预设的标准三维图像的物理尺寸和体素间距，将所述几何中心坐标的坐标值对应在每条坐标轴的两个方向进行增减，得到对应于每条所述坐标轴的最大值和最小值；顶点确认模块，用于根据每条所述坐标轴的最大值和最小值，得到所述标准三维图像的顶点坐标；像素提取模块，用于提取所述顶点坐标范围内的像素值作为标准三维图像的像素值。3.根据权利要求2所述的装置，其特征在于，所述像素提取模块，包括：像素填充子模块，用于若所述顶点坐标在待测量的脏器肿瘤扫描图像的原始范围之外，则将所述原始范围之外的像素用预设像素值进行填充。4.根据权利要求1所述的装置，其特征在于，每个所述编码卷积模块包括第二激活函数以及级联的第一卷积层、第一群组归一化层、第二卷积层、第二群组归一化层、第一激活函数、第三卷积层和第三群组归一化层；所述编码卷积模块的输入作为对应的第一卷积层的输入，所述第二激活函数的输出作为对应的编码卷积模块的输出；所述第一群组归一化层的输出和所述第三群组归一化层的输出，进行残差连接后作为对应的编码卷积模块的输出。5.根据权利要求4所述的装置，其特征在于，所述第一卷积层、第二卷积层和第三卷积层的卷积核均为3
×3×
3。6.根据权利要求1所述的装置，其特征在于，每个所述残差卷积模块包括第四激活函数，级联的第四卷积层、第四群组归一化层和第三激活函数，以及级联的第五卷积层和第五群组归一化层；所述残差卷积模块的输入作为对应的第四卷积层的输入，所述第三激活函数的输出进行分组得到分组特征，所述分组特征经过卷积模块和残差连接得到分组输出特征，将所述分组输出特征进行联合，作为所述第五卷积层的输入；所述第三激活函数的输出和所述第五群组归一化层的输出，进行残差连接后作为第四激活函数的输入，所述第四激活函数的
输出作为对应的残差卷积模块的输出。7.根据权利要求6所述的装置，其特征在于，所述第四卷积层的卷积核为3
×3×
3，所述第五卷积层的卷积核为1
技术研发人员：曹桂平，
申请(专利权)人：广州视源人工智能创新研究院有限公司，
类型：发明
国别省市：
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。