肿瘤检测方法及肿瘤检测装置与流程

[0001]
本发明属于图像处理技术领域，特别涉及到一种肿瘤检测方法及肿瘤检测装置。


背景技术：

[0002]
目前由于卷积神经网络算法模型的训练数据的输入尺寸限制，如果直接输入高分辨率的图片(例如，4000*5000)作为训练数据，训练时间较长且训练效率低下。通常是将高分辨的图片调整为训练数据的尺寸再进行检测，但是图像压缩之后会丢失一些图片特点，导致图像识别仅仅可以识别图像类别及其概率值。例如，利用图像识别仅可以获知是否有肿瘤，但无法确定肿瘤的位置，无法协助专业医护人员对肿瘤作进一步地处理。


技术实现要素：

[0003]
鉴于上述状况，有必要提供一种肿瘤检测方法及肿瘤检测装置，以解决上述问题。
[0004]
本发明第一方面提供了一种肿瘤检测方法，所述肿瘤检测方法包括如下步骤：
[0005]
获取检测图像；
[0006]
依据卷积神经网络架构的训练数据的输入尺寸，将所述检测图像进行重叠切割，以形成多个图像块，并标记切割之前的每个所述图像块的坐标值；
[0007]
将多个所述图像块分别输入至预设的识别检测模型中，获取相应的检测结果图像块；
[0008]
依据所述图像块的坐标值将所述检测结果图像块拼合成检测结果图像，以获取肿瘤的检测结果，其中所述检测结果图像中，正常区域、非正常区域及其重叠区域显示为不同的颜色，依据检测结果图像的色深来获取检测结果。
[0009]
进一步地，所述图像块呈方形，每个所述图像块与其相邻所述图像块部分重叠。
[0010]
进一步地，每个所述图像块分别与其四边相邻的每个所述图像块的重叠面积占所述图像块面积的一半，每个所述图像块与沿其对角方向相邻的每个所述图像块的重叠面积占所述图像块面积的四分之一。
[0011]
进一步地，所述识别检测模型的建立方法包含如下步骤：
[0012]
获取历史图像；
[0013]
依据卷积神经网络架构的训练数据的输入尺寸，将所述历史图像切割成若干图像块；
[0014]
利用所述图像块训练卷积神经网络架构，获取识别检测模型。
[0015]
进一步地，依据卷积神经网络架构的训练数据的输入尺寸，将所述历史图像切割成若干图像块之后，还包括步骤：
[0016]
清除处理所述图像块，所述清除处理包括清除背景占比超过50％的所述图像块。
[0017]
进一步地，还包括步骤：
[0018]
利用图片增广技术扩大所述训练数据的规模，所述图片增广技术包括图像扭曲、翻转、颜色空间变换及镜像中的一种或多种。
[0019]
本发明第二方面提供一种肿瘤检测装置，所述肿瘤检测装置包括：
[0020]
显示单元；
[0021]
处理器；以及
[0022]
存储器，所述存储器中存储有多个程序模块，多个所述程序模块由所述处理器运行并执行如下步骤：
[0023]
获取检测图像；
[0024]
依据卷积神经网络架构的训练数据的输入尺寸，将所述检测图像进行重叠切割，以形成多个图像块，并标记切割之前的每个所述图像块的坐标值；
[0025]
将多个所述图像块分别输入至预设的识别检测模型中，获取相应的检测结果图像块；
[0026]
依据所述图像块的坐标值将所述检测结果图像块拼合成检测结果图像，以获取肿瘤的检测结果，其中所述检测结果图像中，正常区域、非正常区域及其重叠区域显示为不同的颜色，依据检测结果图像的色深来获取检测结果。
[0027]
进一步地，所述图像块呈方形，每个所述图像块与相邻所述图像块部分重叠。
[0028]
进一步地，每个所述图像块与其四边相邻的每个所述图像块的重叠面积占所述图像块面积的一半，每个所述图像块与沿其对角方向相邻的每个所述图像块的重叠面积占所述图像块面积的四分之一。
[0029]
进一步地，所述识别检测模型的建立方法包含如下步骤：
[0030]
获取历史图像；
[0031]
依据卷积神经网络架构的训练数据的输入尺寸，将所述历史图像切割成若干图像块；
[0032]
利用所述图像块训练卷积神经网络架构，获取识别检测模型。
[0033]
进一步地，依据卷积神经网络架构的训练数据的输入尺寸，将所述历史图像切割成若干图像块之后，还包括步骤：
[0034]
清除处理所述图像块，所述清除处理包括清除背景占比超过50％的所述图像块。
[0035]
进一步地，还包括步骤：利用图片增广技术扩大所述训练数据的规模，所述图片增广技术包括图像扭曲、翻转、颜色空间变换及镜像中的一种或多种。
[0036]
本发明能够通过图像检测是否存在肿瘤，以及确定肿瘤的具体位置，构思新颖，检测速度快，检测精度高。
附图说明
[0037]
图1是本发明的一个实施例肺部肿瘤检测装置的硬件架构示意图。
[0038]
图2是图1所示肺部肿瘤检测装置的肺部肿瘤检测系统的模块示意图。
[0039]
图3是本发明的一个实施例肺部肿瘤识别检测模型建立方法的流程示意图。
[0040]
图4是本发明的一个实施例肺部肿瘤识别检测方法的流程示意图。
[0041]
图5是本发明的一个实施例检测结果图像块拼合成检测结果图像的示意图。
[0042]
主要元件符号说明
[0043][0044][0045]
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
[0046]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施方式及实施方式中的特征可以相互组合。
[0047]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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它实施方式，都属于本发明保护的范围。
[0048]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在限制本发明。
[0049]
本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0050]
请参照图1，本发明提供了一种肺部肿瘤检测装置100，用于通过图像检测肺部是
否存在肿瘤，以及确定肺部肿瘤的具体位置。
[0051]
可以理解，本发明仅以肺部肿瘤为例进行说明，但是，本发明的应用范围不限于此。
[0052]
肺部肿瘤检测装置100包括存储器10、处理器20及显示单元30，显示单元30、存储器10分别和处理器20电性连接。
[0053]
存储器10用于存储肺部肿瘤检测装置100中的各种数据，例如历史图像、检测图像及检测结果等。在本实施例中，存储器10可以包括但不限于只读存储器(read-only memory，rom)、随机存储器(random access memory，ram)、可编程只读存储器(programmable read-only memory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、一次可编程只读存储器(one-time programmable read-only memory，otprom)、电子擦除式可复写只读存储器(electrically-erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0054]
处理器20可以为中央处理器(cpu，central processing unit)、微处理器、数字处理芯片或任何能够执行数据处理功能的处理器芯片。
[0055]
显示单元30用于显示肺部肿瘤检测装置100的检测结果图像等。在本实施例中，显示单元30可以是但不限于触摸显示屏、液晶显示屏等显示装置。
[0056]
请参照图2，肺部肿瘤检测装置100中还运行有肺部肿瘤检测系统6。图2为本发明一个实施例中的肺部肿瘤检测系统6的功能模块示意图。在本实施例中，肺部肿瘤检测系统6包括一个或多个程序形式的计算机指令，该一个或多个程序形式的计算机指令储存于存储器10中，并由处理器20执行。肺部肿瘤检测系统6包括图像获取模块61、切割模块62、清除模块63、预处理模块64、训练模块65、检测模块66及拼合模块67。
[0057]
图像获取模块61用于获取图像，所述图像包括历史图像和检测图像。
[0058]
在一实施例中，所述图像为肺部ct(thin-section)高分辨率图像。
[0059]
切割模块62用于依据卷积神经网络架构的训练数据的输入尺寸，将图像重叠切割成符合训练数据的输入尺寸的多个图像块，并标记切割之前的每个图像块的坐标值，每个所述图像块与其相邻图像块部分重叠。
[0060]
可以理解，在另一优选实施例中，图像块呈方形，每个图像块分别与其四条边相邻的每个图像块的重叠面积占所述图像块面积的一半，每个图像块分别与沿其对角方向的相邻的每个图像块的重叠面积占所述图像块面积的四分之一。
[0061]
可以理解，在另一优选实施例中，切割之前的每个图像块与其相邻的一个图像块的重叠区域的面积占所述图像块的面积的四分之一。
[0062]
清除模块63用于对图像块进行清除处理，所述清除处理包括清除背景占比超过50％的图像块。
[0063]
预处理模块64用于基于图片增广(image augmentation)技术扩大图像块的规模，所述图片增广技术包括图像块扭曲、翻转、颜色空间变换及镜像变换中的一种或多种。
[0064]
其中，图片增广技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本,从而扩大训练数据集的规模。
[0065]
训练模块65用于利用图像块训练卷积神经网络架构，获取识别检测模型。所述卷积神经网络架构包括resnet、alexnet、vgg、inception，但不限于此。
[0066]
检测模块66用于将检测图像输入架构模型，以获取检测结果图像。
[0067]
拼合模块67用于依据图像块的坐标值将检测结果图像块拼合为检测结果图像。
[0068]
在一实施例中，依据多个图像块显示的不同颜色，判断并获取相应的检测结果。
[0069]
例如，在一实施例中，图像块的颜色中：白色表示正常，灰色表示不正常，根据灰色的颜色深度表示肺部肿瘤的感染程度。
[0070]
请参照图3，本发明还提供了一种肺部肿瘤识别检测模型建立方法，图3为肺部肿瘤识别检测模型建立方法的流程示意图，该肺部肿瘤的识别检测模型建立方法包括如下步骤：
[0071]
步骤301，获取历史图像。
[0072]
具体地，图像获取模块61获取历史图像。例如，肺部ct(thin-section)高分辨率图像。
[0073]
步骤302，依据卷积神经网络架构的训练数据的输入尺寸，将历史图像切割成多个第一图像块。
[0074]
具体地，切割模块62依据卷积神经网络架构的训练数据的输入尺寸，将历史图像切割成多个第一图像块，使第一图像块符合训练数据的输入尺寸。
[0075]
步骤303，清除处理第一图像块，所述清除处理包括清除背景占比超过50％的第一图像块。
[0076]
具体地，清除模块63第一图像块进行清除处理，所述清除处理包括清除背景占比超过50％的第一图像块，但不限于此。
[0077]
步骤304，利用图片增广技术扩大第一图像块的规模。所述图片增广技术包括图像扭曲、翻转、颜色空间变换及镜像中的一种或多种。
[0078]
具体地，预处理模块64基于图片增广技术扩大训练数据的中第一图像块的规模，所述图片增广技术包括扭曲、翻转、颜色空间变换及镜像第一图像块。
[0079]
其中图像增广(image augmentation)技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。
[0080]
步骤305，利用第一图像块训练卷积神经网络架构，获取识别检测模型。
[0081]
具体地，训练模块65利用第一图像块训练卷积神经网络架构，获取识别检测模型。
[0082]
可以理解，步骤303和步骤304可以省略。
[0083]
请参照图4，本发明还提供了一种肺部肿瘤检测方法，图4为该肺部肿瘤检测方法的流程示意图，该肺部肿瘤检测方法包括如下步骤：
[0084]
步骤401，获取肺部的检测图像。
[0085]
具体地，图像获取模块61获取肺部的检测图像。
[0086]
步骤402，依据卷积神经网络架构的训练数据的输入尺寸，将检测图像进行重叠切割，以形成多个第二图像块，并标记切割之前每个第二图像块的坐标值。
[0087]
具体地，切割模块62依据卷积神经网络架构的训练数据的输入尺寸，将检测图像重叠切割为多个第二图像块，相邻第二图像块之间部分重叠，标记每个第二图像块设定坐标值。
[0088]
在一实施例中，图像块呈方形，每个图像块分别与其四条边相邻的每个图像块的重叠面积占所述图像块面积的一半，每个图像块分别与沿其对角方向相邻的每个图像块的重叠面积占所述图像块面积的四分之一。
[0089]
可以理解，在其他实施例中，切割之前的两个相邻第二图像块之间的重叠区域占每个所述第二图像块的面积的四分之一。
[0090]
步骤403，将多个第二图像块分别输入至预设的识别检测模型中，以获取检测结果图像块。
[0091]
具体地，检测模块66将多个第二图像块输入步骤304建立的识别检测模型，获取检测结果图像块。
[0092]
步骤404，依据第二图像块的坐标值将检测结果图像块拼合为检测结果图像，以获取肺部肿瘤检测结果。
[0093]
具体地，拼合模块67依据多个第二图像块的坐标值将多个检测结果图像块拼合为检测结果图像。依据检测结果图像显示的颜色，判断并获取相应的检测结果。
[0094]
具体地，检测结果图像中，正常区域、非正常区域及多个非正常区域的重叠区域显示不同的颜色，根据色深判断并获取检测结果。
[0095]
如图5所示，图5为检测结果图像块拼合成检测结果图像的示意图，根据第二图像块的坐标值，将四个检测结果图像块210拼合成一个检测结果图像220，其中第二图像块和其相应的检测结果图像块210形状完全相同，四个第二图像块均呈方形，每个第二图像块分别与其四边相邻的每个第二图像块的重叠区域占其面积的一半，每个第二图像块与沿其对角方向的相邻的每个第二图像块的重叠区域占其面积的四分之一。
[0096]
如图5所示，四个检测结果图像块210中，白色区域表示检测正常，灰色区域表示检测不正常。
[0097]
检测结果图像220中，两个或三个灰色区域的检测结果图像块210的重叠区域显示深灰色，表示该检测区域可能是肿瘤扩散的地方，四个灰色区域的检测结果图像块210的重叠区域显示黑色，表示检测为肿瘤区域。可以理解，所述检测结果图像块210中，正常区域、非正常区域显示为不同的颜色；在拼合成所述检测结果图像220时，相邻的检测结果图像块210之间部分重叠；在分析所述检测结果图像220时，依据重叠区域的色深来获取检测结果。
[0098]
可以理解，检测结果图像220中，正常区域、非正常区域及多个非正常区域的重叠区域显示不同的颜色，可以根据色深来获取获取检测结果。
[0099]
可以理解，在其他实施例中，第二图像块的数量大于四个。
[0100]
可以理解，在另一优选实施例中，检测图像的数量为多个，多个检测图像拼合成一个完整图像，可以显示整个肺部的检测结果，多个检测图像输入检测识别模型，得出多个检测结果图像，然后拼合一个完整的检测结果图像，呈现肺部的检测结果。
[0101]
本发明提供的肺部肿瘤检测方法和装置，依据卷积神经网络架构的训练数据的输入尺寸，将检测图像切割成多个图像块，将图像块输入识别检测模型，获取检测结果图像块，依据切割之前的图像块坐标值将检测结果图像块拼合成检测图像，获取检测结果，通过检测结果得出是否存在肺部肿瘤以及肺部肿瘤的特定位置，本发明构思新颖，检测速度快，检测精度高。
[0102]
另外，在本发明各个实施例中的各功能单元可以集成在相同数据处理单元中，也
可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0103]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0104]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。