練完成后,整個(gè)數(shù)據(jù)集被應(yīng)用 到網(wǎng)絡(luò)中,以在每個(gè)神經(jīng)元產(chǎn)生從-1到1范圍的輸出值,代表真陽性和假陽性的可能性。
[0103] 3、111區(qū)一一我們用圓度、大小和矩不變量(上面討論的七階矩中的第二和第三階 矩)特征訓(xùn)練誤差反向傳播神經(jīng)網(wǎng)絡(luò)。反向傳播神經(jīng)網(wǎng)絡(luò)包含四個(gè)處理層。輸入層由九個(gè)神 經(jīng)元的組合而成,并對應(yīng)圓、大小和七階矩不變量。兩個(gè)隱層分別包含,例如,36和18個(gè)神經(jīng) 元。最后,包含一個(gè)神經(jīng)元的輸出層被用來區(qū)分真陽性或假陽性(異常)。一個(gè)從-1到+1的S 型傳遞函數(shù)作為每個(gè)神經(jīng)元的激活函數(shù)。上述討論的包含S形非線性的兩個(gè)隱藏層BP神經(jīng) 網(wǎng)絡(luò)已被理論和實(shí)驗(yàn)證實(shí)可以區(qū)分決策區(qū)域的任何形狀和近似復(fù)雜的非線性函數(shù)??梢僧?常區(qū)圖像塊的數(shù)據(jù)集首先被分離為訓(xùn)練集和測試集。在BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)階段(權(quán)重適應(yīng) 階段)從訓(xùn)練集中開始學(xué)習(xí),直到大部分的訓(xùn)練案例得到適當(dāng)?shù)挠?xùn)練(這就是所謂的反向傳 播學(xué)習(xí)算法)結(jié)束。經(jīng)訓(xùn)練的網(wǎng)絡(luò),然后被運(yùn)用到測試數(shù)據(jù)集。大約50%的數(shù)據(jù)集被用作訓(xùn) 練實(shí)例,其余被用作測試集。由于BP神經(jīng)網(wǎng)絡(luò)是由在學(xué)習(xí)階段(權(quán)重適應(yīng)階段)提交給它的 訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí),訓(xùn)練樣本必須在各類中平均分配。通過這樣做,BP神經(jīng)網(wǎng)絡(luò)將不會(huì)偏 向任何結(jié)果類(在此處指真正的局部性病變類和假局部性病變類)。在一個(gè)案例中,真陽性 樣本重復(fù)訓(xùn)練數(shù)次,假陽性樣本也根據(jù)訓(xùn)練數(shù)據(jù)集中真假陽性數(shù)量相當(dāng)這個(gè)統(tǒng)計(jì)學(xué)特性來 進(jìn)行重復(fù)多次地訓(xùn)練。訓(xùn)練過程是交叉驗(yàn)證,特異性高的區(qū)域的SUB-A Z面積達(dá)到最大時(shí),訓(xùn) 練停止。深度學(xué)習(xí)人工智能的訓(xùn)練結(jié)束后,整個(gè)數(shù)據(jù)集,然后應(yīng)用到網(wǎng)絡(luò)產(chǎn)生每個(gè)神經(jīng)元范 圍從-1至+1輸出值,代表的發(fā)生的真實(shí)或假局部性病變的可能性。
[0104] IV區(qū)-圓度、大小、幅度和方向信息的特征用作輸入特征來訓(xùn)練監(jiān)督BP神經(jīng)網(wǎng)絡(luò)。 反向傳播神經(jīng)網(wǎng)絡(luò)包含四個(gè)處理層。輸入層由對應(yīng)圓度、大小、邊緣分布的幅度和取向倉組 合的64個(gè)神經(jīng)元組成。每兩個(gè)數(shù)據(jù)集(幅度和方向元素)中輸入層的神經(jīng)元執(zhí)行基于每個(gè)單 獨(dú)的特征集的計(jì)算。因此,每個(gè)神經(jīng)元數(shù)據(jù)集作為一個(gè)單獨(dú)的分類器。同時(shí)包含兩個(gè)隱藏 層,例如,132和66神經(jīng)元。最后,包含兩個(gè)神經(jīng)元的輸出層被用來為真陽性或假陽性的局部 性病變分類。從-1變化到1的S形傳遞函數(shù),用作每個(gè)神經(jīng)元的激活函數(shù)。在這個(gè)區(qū)域中的圖 像塊數(shù)據(jù)集被首先分成訓(xùn)練集和測試集。分類器是由反向傳播學(xué)習(xí)算法來訓(xùn)練。大約40% 的數(shù)據(jù)集通常用作訓(xùn)練樣本,其余用作測試集。由于BP神經(jīng)網(wǎng)絡(luò)對在學(xué)習(xí)階段(權(quán)重適應(yīng)階 段)提交給它的訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí),所以訓(xùn)練樣本必須按類平均分配。通過這樣做,BP神 經(jīng)網(wǎng)絡(luò)將不會(huì)偏向任何結(jié)果類(在此處為真正的局部性病變類和假局部性病變類)。在一個(gè) 案例中,真局部性病變樣本重復(fù)訓(xùn)練數(shù)次,假局部性病變樣本也被基于在訓(xùn)練集中真假陽 性分別相同數(shù)量訓(xùn)練的統(tǒng)計(jì)特性重復(fù)訓(xùn)練多次。神經(jīng)網(wǎng)絡(luò)使用SUB-A Z方法(見III區(qū)中的描 述)進(jìn)行訓(xùn)練和交叉驗(yàn)證高特異性。深度學(xué)習(xí)人工智能的訓(xùn)練結(jié)束后,整個(gè)數(shù)據(jù)集,然后應(yīng) 用到網(wǎng)絡(luò)產(chǎn)生每個(gè)神經(jīng)元范圍從-1至+1輸出值,代表的發(fā)生的真實(shí)或假局部性病變的可能 性。
[0105] V區(qū)-疑似異常區(qū)域的像素歸一化圖像被用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)具 有一個(gè)輸入層,一個(gè)隱藏層,和一個(gè)輸出層。輸入層包括歸一化的圖像塊(64X64像素)的像 素,輸出層由一個(gè)輸出神經(jīng)元組成。隱藏層由10組60X60的神經(jīng)元組成,排列成η個(gè)獨(dú)立的 60X60的特征圖,其中60等于64-5+1,卷積核對應(yīng)5X5的面積。隱蔽層的每個(gè)隱蔽神經(jīng)元會(huì)把 輸入傳遞到輸入圖像塊附近的一個(gè)5x5矩陣中。在一張?zhí)卣鲌D中的的神經(jīng)元如果是單獨(dú)開 來的,那么它在輸入層的感受野為一個(gè)單獨(dú)的像素。同一特征圖中的神經(jīng)元被限制為25個(gè) 權(quán)重值并在輸入圖像中的相應(yīng)位置使用相同的算法卷積神經(jīng)網(wǎng)絡(luò)采用反向傳播學(xué)習(xí)算法 訓(xùn)練和通過SUB-A Z方法交叉驗(yàn)證(見III區(qū)描述)。對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使其具有高特 異性。
[0106] VI區(qū)-對疑似異常區(qū)域的分類規(guī)則是基于特征的圓度和有效半徑的。圓度和大小 的分布被用于異常和假陽性分析,通過為各圓度和尺寸設(shè)定一個(gè)閥值,可用于篩選出一個(gè) 潛在的異常,例如,局部性病變,其規(guī)則如下:1)對每個(gè)不同的區(qū)域使用不同的閥值。閥值是 基于每個(gè)區(qū)域特定深度學(xué)習(xí)分類器的靈敏度和特異性來確定。2)如果圓度小于0.8,則疑似 異常區(qū)域不作為懷疑對象。3)如直徑大于30毫米,則疑似異常區(qū)域不作為懷疑對象。4)如果 圓度大于或等于0.8,直徑尺寸小于30毫米,則疑似異常區(qū)域被選擇為可疑對象。5)大小*圓 度被用作分類分值去判定疑似異常區(qū)域。
[0107] 圖8描述了圖7所示系統(tǒng)的具體實(shí)施情況,顯示出了在平行處理結(jié)構(gòu)525中的一些 內(nèi)部結(jié)構(gòu)的細(xì)節(jié)。
[0108] 基于區(qū)域的數(shù)據(jù)融合單元(600)
[0109]圖9描述了"基于區(qū)域數(shù)據(jù)融合單元600"(位于圖2中示出的"圖像處理單元40"中) 的具體實(shí)施情況。
[0110] 不同區(qū)域的不同分類器所產(chǎn)生的"疑似分類得分550"通過基于區(qū)域得分N〇-I,N〇-II等標(biāo)準(zhǔn)化得到。同一區(qū)域中每個(gè)疑似分類評(píng)分經(jīng)過該區(qū)域的最高得分標(biāo)準(zhǔn)化得到。標(biāo)準(zhǔn) 化處理如下:
[0112] Si是在Μ區(qū)第i個(gè)懷疑區(qū)的分類評(píng)分,下標(biāo)i表示第i個(gè)懷疑,max {Si}設(shè)定最大值。
[0113] 不同區(qū)域的疑似區(qū)的標(biāo)準(zhǔn)分?jǐn)?shù)被送入一個(gè)最終的"疑似選擇單元625"。根據(jù)標(biāo)準(zhǔn) 分?jǐn)?shù),"疑似選擇單元625"使用下列規(guī)則選擇出異常:1)僅選擇標(biāo)準(zhǔn)化疑似分類分?jǐn)?shù)大于預(yù) 設(shè)閥值的疑似區(qū),例如,〇.5。2)限制最終的疑似的數(shù)目是(例如,對每個(gè)圖像只能有六個(gè)疑 似區(qū))。3)如果有一個(gè)區(qū)域有不止一個(gè)異常的標(biāo)準(zhǔn)得分大于的閥值,則從每個(gè)區(qū)域選擇得分 最高的一個(gè)(即,最高得分的疑似區(qū))。4)選擇具有最高得分的6個(gè)疑似區(qū)作為最終疑似區(qū)。
[0114] 并行處理引擎
[0115] 圖10所示為圖2所示"圖像處理單元40的一個(gè)并行處理案例示意圖。
[0116] 在多處理器環(huán)境中實(shí)現(xiàn)了肺局部性病變檢測的自動(dòng)化系統(tǒng)和方法?;诿總€(gè)處理 器的處理速度和容量,分別處理方法可以以流水線形式或平行處理的方式來實(shí)現(xiàn)。例如,一 個(gè)處理器可以是處理I區(qū),而其他處理單元正在處理的其他區(qū)域。來自不同區(qū)域的結(jié)果將根 據(jù)每個(gè)處理元件的容量進(jìn)行組合。
[0117] 本文所描述的方法和系統(tǒng)可以在本發(fā)明的范圍內(nèi)進(jìn)行修改。例如,雖然本發(fā)明的 方法和系統(tǒng)是與肺部局部性病變的檢測相關(guān),但這些方法和系統(tǒng)可用于檢測其它類型的癌 癥,如在乳腺癌中的微鈣化團(tuán)簇或腫塊,在身體其他部位的局部性病變,腫塊,不規(guī)則性,或 腫瘤。它也可以用于其它模式,例如,在計(jì)算機(jī)斷層攝影(CT)下得檢測異常,像肺局部性病 變。
【主權(quán)項(xiàng)】
1. 識(shí)別所述胸部放射圖像異常的方法,該方法包括以下步驟:接收數(shù)字胸部圖像;丟棄 肺部區(qū)域之外的像素;用各個(gè)擊破的方法將肺部區(qū)域分割成緊密、幾何形狀且不同的重疊 區(qū)域;通過使用專門為每個(gè)區(qū)域開發(fā)的增強(qiáng)技術(shù)提高對異常的識(shí)別;初步選擇在每個(gè)區(qū)域 可疑異常;提取每個(gè)區(qū)域中圖像特征;在每個(gè)區(qū)域中用深度學(xué)習(xí)人工智能分類異常和正常 的組織結(jié)構(gòu);整合來自不同區(qū)域的輸出;并提供異常的指示。2. 根據(jù)權(quán)利要求1的方法,其中進(jìn)一步分割的步驟如下:使用深度學(xué)習(xí)人工智能提取非 遮蔽肺區(qū);并通過從肺部區(qū)域中排除非隱蔽肺區(qū)圖像的像素獲得隱蔽肺區(qū)。3. 根據(jù)權(quán)利要求2的方法,其中所述不同重疊區(qū)域包括:隱蔽肺區(qū)域;鎖骨區(qū)域;周圍型 肺邊緣區(qū)域;周圍型肺中心區(qū)域;肺門區(qū)域;和隔膜區(qū)域。4. 根據(jù)權(quán)利要求3的方法,其中所述鎖骨區(qū)域包括從非遮蔽肺區(qū)的左/右邊的頂部延伸 并覆蓋區(qū)域,包括上述非隱蔽肺區(qū)域左右部分垂直向下的規(guī)定部分。5. 根據(jù)權(quán)利要求3的方法,其中所述隱蔽肺的區(qū)域包括脊柱,心臟和縱隔。6. 根據(jù)權(quán)利要求3的方法,其中所述周圍型肺邊緣區(qū)域獲取方法:采用圖像處理的方 法,包括用形態(tài)學(xué)處理沿肋骨輪廓的1個(gè)結(jié)構(gòu)要素。7. 根據(jù)權(quán)利要求6的方法,其中,所述形態(tài)處理包括侵蝕。8. 根據(jù)權(quán)利要求3的方法,其中所述周圍型肺中央?yún)^(qū)域的獲取方法:采用圖像處理的方 法,包括形態(tài)學(xué)處理沿肋骨輪廓的2個(gè)結(jié)構(gòu)要素。9. 根據(jù)權(quán)利要求8的方法,其中,所述形態(tài)處理包括侵蝕。10. 根據(jù)權(quán)利要求3的方法,其中所述肺門區(qū)域的獲取方法:執(zhí)行圖像處理的方法,包括 形態(tài)學(xué)處理沿肋骨輪廓的2結(jié)構(gòu)要素;采用圖像處理的方法,包括形態(tài)學(xué)處理沿著心臟和脊 柱輪廓的結(jié)構(gòu)要素。
【專利摘要】分割方法和系統(tǒng)提高了異常病灶的檢測準(zhǔn)確度,如肺局部性病變,即在放射圖像中使用基于區(qū)域的數(shù)字圖像處理和深度學(xué)習(xí)人工智能。分割的方法和系統(tǒng)就是將肺部劃分為不同的區(qū)域,以便提高檢測的效率。不同的圖像增強(qiáng)技術(shù)被用于每個(gè)不同的區(qū)域,以增強(qiáng)局部性病變圖像顯示,通過在不同的區(qū)域應(yīng)用相應(yīng)技術(shù),篩選出可疑的異常,提取選擇異常對應(yīng)的圖像特征,并對異常進(jìn)行分類,無論是真或假異常。
【IPC分類】G06T7/00
【公開號(hào)】CN105574871
【申請?zhí)枴緾N201510944345
【發(fā)明人】劉遠(yuǎn)明, 權(quán)申文, 周浩, 段淑婷
【申請人】深圳市智影醫(yī)療科技有限公司
【公開日】2016年5月11日
【申請日】2015年12月16日...