一种肺结节随访预测方法、装置、设备及存储介质

技术领域

本发明实施例涉及肺结节随访预测技术，尤其涉及一种肺结节随访预测方法、装置、设备及存储介质。

背景技术

受环境、吸烟以及遗传等因素的影响，肺癌是我国死亡率和发病率最高的恶性肿瘤。根据医学数据显示，早期肺癌5年生存率显著高于中晚期肺癌，早发现、早诊断和治疗是改善肺癌的重要途径。

判断肺部是否存在肺结节是判定癌症的一项有力指标，因此肺结节的早期筛查变得尤为重要。其中，胸部低剂量CT图像具有分层薄、视野清晰、干扰因素少等特点，因此，基于肺部CT图像检测肺结节是目前国际公认的有效手段。另外，通常需要根据肺结节的尺寸大小以及所属的纹理类别给出相应的随访推荐，以便患者按照随访推荐定期到医院进行检查，从而对患者的病情进行跟踪。

目前大多数有关肺结节随访推荐都只是单纯的依靠肺结节的尺寸大小以及所属的纹理类别，随访推荐的准确率较低。

发明内容

本发明提供一种肺结节随访预测方法、装置、设备及存储介质，能够大幅提高了随访预测的准确度。

第一方面，本发明实施例提供了一种肺结节随访预测方法，包括：

从肺部CT图像中检测出肺结节，并确定所述肺结节的尺寸和纹理类型；

基于所述肺结节的尺寸和纹理类型，结合肺结节随访指南确定各所述肺结节的第一随访方案；

基于各所述肺结节预测各所述肺结节的第二随访方案，和表示各所述肺结节的重要程度的权重参数；

综合所述第一随访方案、所述第二随访方案和所述权重参数，确定所述肺部CT图像的随访方案。

第二方面，本发明实施例还提供了一种肺结节随访预测装置，包括：

检测模块，用于从肺部CT图像中检测出肺结节，并确定所述肺结节的尺寸和纹理类型；

随访方案确定模块，用于基于所述肺结节的尺寸和纹理类型，结合肺结节随访指南确定各所述肺结节的第一随访方案；

预测模块，用于基于各所述肺结节预测各所述肺结节的第二随访方案，和表示各所述肺结节的重要程度的权重参数；

综合模块，用于综合所述第一随访方案、所述第二随访方案和所述权重参数，确定所述肺部CT图像的随访方案。

第三方面，本发明实施例还提供了一种计算机设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的肺结节随访预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面提供的肺结节随访预测方法。

本发明实施例提供的肺结节随访预测方法，从肺部CT图像中检测出肺结节，并确定肺结节的尺寸和纹理类型，基于肺结节的尺寸和纹理类型，结合肺结节随访指南确定各肺结节的第一随访方案，基于各肺结节预测各肺结节的第二随访方案，和表示各肺结节的重要程度的权重参数，综合第一随访方案、第二随访方案和权重参数，确定肺部CT图像的随访方案。通过综合肺结节随访指南确定各肺结节的第一随访方案、基于各肺结节预测各肺结节的第二随访方案和表示各肺结节的重要程度的权重参数，预测出肺部CT图像的随访方案，大幅提高了随访预测的准确度。

附图说明

图1为本发明实施例一提供的一种肺结节随访预测方法的流程图；

图2A是本发明实施例二提供的一种肺结节随访预测方法的流程图；

图2B为本发明实施例提供的一种肺结节随访预测方法的数据处理流程图；

图2C为本发明实施例提供的随访推荐算法的数据流程图；

图2D为肺结节随访指南的随访推荐逻辑图；

图3为本发明实施例三提供的一种肺结节随访预测装置；

图4为本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种肺结节随访预测方法的流程图，本实施例可适用于单纯的依靠肺结节的尺寸大小以及所属的纹理类别，随访推荐的准确率较低情况，该方法可以由本发明实施例中的肺结节随访预测装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中，如图1所示，该方法具体包括如下步骤：

S101、从肺部CT图像中检测出肺结节，并确定肺结节的尺寸和纹理类型。

CT(Computed Tomography)图像，即电子计算机断层扫描图像，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描。探测器接收透过该层面的X射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器(analog/digital converter)转为数字，输入计算机处理，得到CT图像。肺部CT图像即对胸腔肺部的断层扫描图像。肺部CT图像样本即为用于模型训练的肺部CT图像。

在本发明实施例中，肺部CT图像可以是二维CT图像或三维CT图像，本发明实施例在此不做限定。二维CT图像即普通CT图像就是CT平扫图像，只需对器官一次扫描即可。三维CT图像针对不同的区域则需要进行连续多次扫描，得到多张二维CT图像，然后针对多张二维CT图像进行重构，得到立体的三维CT图像。三维CT图像能够使得原来平面的图像变得立体起来，病变组织与临近正常组织间的密度差加大，能够更清楚地显示病变的组织的情况。因此，在本发明的一具体实施例中，肺部CT图像选用三维CT图像。

在本发明实施例中，基于目标检测算法从肺部CT图像中检测出肺结节。通常，检测出的肺结节以检测框示出，且包括肺结节的中心点的位置坐标(即检测框的中心点的位置坐标)和该检测框内的目标为肺结节的概率值。如目标检测算法从肺部CT图像中检测出多个肺结节，则分别以多个检测框示出。

进一步的，计算检测出的肺结节的尺寸大小，在本发明实施例中对计算肺结节的尺寸大小的方法不做限定，例如，可以从肺部CT图像分割出肺结节，然后计算出肺结节的像素大小，然后像素坐标与世界坐标的关系，将像素大小转换为实际尺寸大小。

进一步的，对检测出的肺结节进行纹理分类，示例性的，可以基于预先训练好的分类网络，对检测出的肺结节进行纹理分类，得到肺结节的纹理类型。示例性的，基于临床上肺结节的纹理特征，本发明实施例将肺结节的纹理分为实性、亚实性和磨玻璃三种纹理类型。

S102、基于肺结节的尺寸和纹理类型，结合肺结节随访指南确定各肺结节的第一随访方案。

肺结节随访指南为弗莱施纳学会(Fleischner Society)对肺结节的处理指南，其制定了随访推荐的标准，即综合考虑肺结节的尺寸和纹理类型，来对患者进行随访推荐。肺结节随访指南的随访推荐包括4中随访方案，分别为12个月后可选择性的拍摄CT、需6-12个月内再次拍摄CT、需3-6月内再次拍摄CT、需3个月内再次拍摄CT或拍摄PET-CT(正电子发射计算机断层显像)或组织采样等其他数据。本发明实施例在得到肺结节的尺寸和纹理类型之后，采用肺结节随访指南，综合考虑肺结节的尺寸和纹理类型，确定各肺结节的第一随访方案。例如，对于纹理类型为实性，且尺寸大于或等于250mm

S103、基于各肺结节预测各肺结节的第二随访方案，和表示各肺结节的重要程度的权重参数。

在本发明实施例中，在前述步骤检测出各肺结节之后，基于预先训练好的预测模型预测各肺结节的随访方案作为第二随访方案，以及基于预先训练好的权重计算模型，计算表示各肺结节的重要程度的权重参数。其中，权重参数表示肺结节对肺癌的影响的重要程度，权重参数越大，对肺癌的影响越大，即该肺结节发展为肺癌的几率越大。

其中，预测模型预测的肺结节随访方案以向量的形式表示，该向量包括4个元素，分别表示随访方案为4种随访类型的概率值。

S104、综合第一随访方案、第二随访方案和权重参数，确定肺部CT图像的随访方案。

本发明实施例中，综合第一随访方案、第二随访方案和权重参数，确定肺部CT图像的随访方案。示例性的，可以将第一随访方案和第二随访方案数值化例如，如前文所述，肺结节随访指南给出的随访类型总共有4，我们定义为4个类别，并定义一个向量来表示随访方案，该向量包括4个二值化的元素，分别对应4种随访类型。示例性的，若经肺结节随访指南确定的随访类型为12个月后可选择性的拍摄CT，则该向量中对应的元素为1，其他元素为0。将表示第一随访方案的向量与表示第二随访方案的向量进行融合，并乘以相应的权重参数，得到一个4维向量，该向量表示肺部CT图像的随访方案，该向量中各元素分别表示肺部CT图像的随访方案为4种随访类型的概率值，概率值越大，表示肺部CT图像的随访方案为该随访类型的可能性越大。示例性的，以该向量中概率值最大的元素对应的随访类型作为肺部CT图像的随访方案。

本发明实施例提供的肺结节随访预测方法，从肺部CT图像中检测出肺结节，并确定肺结节的尺寸和纹理类型，基于肺结节的尺寸和纹理类型，结合肺结节随访指南确定各肺结节的第一随访方案，基于各肺结节预测各肺结节的第二随访方案，和表示各肺结节的重要程度的权重参数，综合第一随访方案、第二随访方案和权重参数，确定肺部CT图像的随访方案。通过综合肺结节随访指南确定各肺结节的第一随访方案、基于各肺结节预测各肺结节的第二随访方案和表示各肺结节的重要程度的权重参数，预测出肺部CT图像的随访方案，大幅提高了随访预测的准确度。

实施例二

图2A是本发明实施例二提供的一种肺结节随访预测方法的流程图，图2B为本发明实施例提供的一种肺结节随访预测方法的数据处理流程图，本实施例在上述实施例一的基础上进行细化，详细描述了肺结节随访预测方法中各步骤的具体实现过程，如图2A、图2B所示，该方法包括：

S201、基于目标检测算法从肺部CT图像中检测出肺结节的中心点。

在本发明实施例中，可以基于one-stage或和two-stage的目标检测算法从肺部CT图像中检测出肺结节的中心点，本发明实施例在此不做限定。将two-stage指的是检测算法需要分两步完成，首先需要获取候选区域，然后进行分类，比如R-CNN模型系列。one-stage检测，可以理解为一步到位，不需要单独寻找候选区域，典型的有SSD(Single-ShotMultiBox Detector)模型或YOLO(You Only Look Once)模型。通常，目标检测算法检测出的肺结节以检测框示出，且包括肺结节的中心点的位置坐标(即检测框的中心点的位置坐标)和该检测框内的目标为肺结节的概率值。

示例性的，在本发明实施例中，肺部CT图像为三维CT图像。将获取的肺部CT图像经预处理(例如调整尺寸)后输入预先训练好的目标检测网络D中进行目标检测处理，得到该肺部CT图像的预测结果

S202、以中心点为中心截取预设尺寸的切块。

示例性的，对于肺部CT图像中检测出的肺结节，以各肺结节的中心点为中心，截取预设尺寸的切块。示例性的，在本发明实施例中，以各肺结节的中心点为中心，截取80×80×80的切块。对于整个肺部CT图像，每个肺结节截取到对应的一个切块，得到的截取结果为

S203、对切块进行语义分割，得到肺结节，并计算肺结节的尺寸。

在本发明实施例中，在进行语义分割之前，以中心点为中心截取预设尺寸的切块，然后基于语义分割网络S对切块进行语义分割，能够减少语义分割网络S的工作量，提高语义分割效率。

由于在实际临床上我们不会考虑单个肺结节的实际体积大小，而是用阈值将肺结节分为小结节、中结节和大结节。其中，将体积小于100mm

示例性的，基于预先训练好的U-Net模型对切块进行语义分割，从切块中分割出肺结节，然后计算出肺结节的像素大小，然后像素坐标与世界坐标的关系，将像素大小转换为实际尺寸大小。U-Net模型是一种改进的全连接网络结构，因其结构形似字母U而得名。它由左半边的压缩通道(Contracting Path)和右半边扩展通道(Expansive Path)组成。压缩通道是典型的卷积神经网络结构，它重复采用2个卷积层和1个最大池化层的结构，每进行一次池化操作后特征图的维数就增加1倍。在扩展通道，先进行1次反卷积操作，使特征图的维数减半，然后拼接对应压缩通道裁剪得到的特征图，重新组成一个2倍大小的特征图，再采用2个卷积层进行特征提取，并重复这一结构。在最后的输出层，用2个卷积层将64维的特征图映射成2维的输出图。U-Net模型的“U形”结构让裁剪和拼接过程更加直观、合理，高层特征图与底层特征图的拼接以及卷积的反复、连续操作，使得模型能够从上下文信息和细节信息由组合得到更加精确的输出特征图。

需要说明的是，本发明实施例对于语义分割所采用的分割模型不做限定，例如，也可以是全卷积网络模型、DeepLab模型、PSPNet或RefineNet等。

S204、基于纹理特征对切块进行分类，确定肺结节的纹理类型。

在本发明实施例中，基于纹理特征对切块进行分类，确定各肺结节的纹理类型。示例性的，可以基于预先训练好的纹理分类网络C，对切块进行纹理分类，得到肺结节的纹理类型。示例性的，基于临床上肺结节的纹理特征，本发明实施例将肺结节的纹理分为实性、亚实性和磨玻璃三种纹理类型。纹理分类结果

示例性的，在本发明实施例中纹理分类网络C可以是常见的卷积层、池化层和softmax函数组成的网络，本发明实施例在此不做限定。

在得到包含肺结节的切块、每个肺结节的体积和纹理类型后，我们可以综合以上信息来对该病人做出随访推荐。以下对随访推荐算法进行详细描述，图2C为本发明实施例提供的随访推荐算法的数据流程图。

S205、基于肺结节的尺寸和纹理类型，结合肺结节随访指南确定各肺结节的随访类型。

示例性的，如图2C所示，基于肺结节的尺寸V和纹理类型E，结合肺结节随访指南确定各肺结节的随访类型。

图2D为肺结节随访指南的随访推荐逻辑图，如图2D所示，示例性的，对于单个肺结节，若肺结节的纹理类型为实性，且以尺寸划分为小结节，则推荐随访类型为12个月后可选择性的拍摄CT。

在实际处理过程中，基于目标检测算法从各肺部CT图像中检测出的肺结节的数量通常不相同，有的肺部CT图像中肺结节的数量较多，有的肺部CT图像中肺结节的数量较少，而随访推荐算法中的网络通常具有固定的数据输入格式。因此，为了满足随访推荐算法中的网络的数据输入格式要求，取目标检测算法检测出的各肺结节的预测概率的前K个作为目标结节，然后基于目标结节的尺寸和纹理类型，结合肺结节随访指南确定各肺结节的随访类型。同时，取目标检测算法检测出的各肺结节的预测概率的前K个作为目标结节，在保证预测准确率的前提下，减少了计算量，提高了预测效率。

具体的，将检测出的各肺结节的预测概率按照降序排列，取排序靠前的K个(示例性的，在本发明实施例中K＝5)预测概率对应的肺结节作为目标结节，基于目标结节的尺寸和纹理类型，结合肺结节随访指南确定各目标结节的随访类型。

S206、基于各肺结节的随访类型，生成各肺结节的第一向量作为第一随访方案。

示例性的，如前文所述，肺结节随访指南给出的随访类型总共有4，我们定义为4个类别，并定义第一向量来表示第一随访方案，其中，第一向量包括4个元素，分别对应4种随访类型，第一向量中肺结节的随访类型对应的元素为1，其余元素为0。

对于K个目标肺结节，第一随访方案

S207、对切块进行特征提取，得到特征向量。

在本发明实施例中，将各切块输入预先训练好的特征提取网络F中进行处理，得到特征向量f，在本发明实施例中，特征向量为一个64维的向量。在本发明实施例中，特征提取网络可以是3D-ResNet，3D-ResNet能够对切块进行深度挖掘，同时避免深层网络的梯度下降和过拟合问题。

如前文所述，为了满足随访推荐算法中的网络的数据输入格式要求，取目标检测算法检测出的各肺结节的预测概率的前K个作为目标结节，该K个目标结节对应的K个切块作为目标切块，然后对K个目标切块进行特征提取，得到各目标切块的特征向量。

接下来，基于特征向量确定各肺结节的第二随访方案，和用于表示各肺结节的重要程度的权重参数。在本发明实施例中，在前述步骤检测出各肺结节之后，基于预先训练好的预测模型预测各肺结节的随访方案作为第二随访方案，以及基于预先训练好的权重计算模型，计算表示各肺结节的重要程度的权重参数。示例性的，参考步骤S208-S209。

S208、将特征向量映射为表示肺结节的重要程度的权重参数。

在本发明实施例中，权重参数表示肺结节对肺癌的影响的重要程度，权重参数越大，对肺癌的影响越大，即该肺结节发展为肺癌的几率越大。对于K个目标切块对应的K个特征向量，通过映射得到一个K维的向量，该K维向量中的元素即为K个目标结节的权重参数。

示例性的，步骤S208包括如下子步骤：

1、将所有特征向量组成的特征矩阵输入第一全连接层中进行处理，得到第一特征。示例性的，在本发明实施例中，K个目标切块对应的特征向量组成K×64的特征矩阵。第一全连接层FC1将特征矩阵映射为K×32的第一特征。

2、将第一特征输入第二全连接层中进行处理，得到第二特征。示例性的，在本发明实施例中，第二全连接层FC2将第一特征映射为第二特征，第二特征为一个K维向量。

3、对第二特征进行归一化处理，得到表示各肺结节的重要程度的权重参数的第三向量。示例性的，在本发明实施例中，通过softmax函数对第二特征进行归一化处理，得到第三向量p

S209、将特征向量映射为第二向量作为第二随访方案。

在本发明实施例中，对于K个目标切块对应的K个特征向量，通过映射得到K个4维的第二向量，每个第二向量即为对应的目标肺结节的第二随访方案，第二向量包括4个元素，表示预测目标肺结节的随访类型的概率值。

示例性的，将K个目标切块对应的K个特征向量组成的特征矩阵输入第三全连接层FC3中进行处理，第三全连接层FC3将特征矩阵映射为K×4的第三特征。然后对第三特征进行归一化处理，得到由K个第二向量组成的矩阵p

S210、融合肺结节的第一向量与第二向量，得到第四向量。

在本发明实施例中，融合肺结节的第一向量与第二向量，得到第四向量。示例性的，第一向量与第二向量的融合可以是对应元素相加，也可以对第一向量和第二向量分别赋予相应的权值后，再将第一向量和第二向量对应元素相加。

示例性的，前述步骤中得到K个目标肺结节对应的第一向量组成的矩阵R和K个第二向量组成的矩阵p

示例性的，在本发明一具体实施例中，对第一向量和第二向量分别赋予相应的权值后，再将第一向量和第二向量对应元素相加。具体的过程如下：

1、为了削弱0对后续计算的影响，将第一向量中的各元素加上一个极小值ε，得到第六向量。

2、将第六向量乘以第一权重w，得到第七向量。

3、将第二向量乘以第二权重(1-w)，得到第八向量。

4、将第七向量与第八向量对应元素相加，得到第四向量。

上述融合过程的公式表达为：

其中，r

S211、将所有肺结节的第四向量组成的矩阵与第三向量相乘，得到第五向量作为肺部CT图像的随访方案。

示例性的，在本发明实施例中，将K个目标肺结节的第四向量组成的矩阵p

其中，

本发明实施例提供的肺结节随访预测方法，通过综合肺结节随访指南确定各肺结节的第一随访方案、基于各肺结节预测各肺结节的第二随访方案和表示各肺结节的重要程度的权重参数，预测出肺部CT图像的随访方案，大幅提高了随访预测的准确度。在进行语义分割之前，以中心点为中心截取预设尺寸的切块，能够减少语义分割网络S的工作量，提高语义分割效率。取目标检测算法检测出的各肺结节的预测概率的前K个作为目标结节，在保证预测准确率的前提下，减少了计算量，提高了预测效率。

实施例三

图3为本发明实施例三提供的一种肺结节随访预测装置，如图3所示，该装置包括：

检测模块301，用于从肺部CT图像中检测出肺结节，并确定所述肺结节的尺寸和纹理类型；

随访方案确定模块302，用于基于所述肺结节的尺寸和纹理类型，结合肺结节随访指南确定各所述肺结节的第一随访方案；

预测模块303，用于基于各所述肺结节预测各所述肺结节的第二随访方案，和表示各所述肺结节的重要程度的权重参数；

综合模块304，用于综合所述第一随访方案、所述第二随访方案和所述权重参数，确定所述肺部CT图像的随访方案。

在本发明的一些实施例中，检测模块301包括：

中心点检测子模块，用于基于目标检测算法从肺部CT图像中检测出肺结节的中心点；

截取子模块，用于以所述中心点为中心截取预设尺寸的切块；

语义分割子模块，用于对所述切块进行语义分割，得到所述肺结节，并计算所述肺结节的尺寸；

纹理分类子模块，用于基于纹理特征对所述切块进行分类，确定所述肺结节的纹理类型。

在本发明的一些实施例中，第一随访方案确定模块302包括：

随访类型确定子模块，用于基于所述肺结节的尺寸和纹理类型，结合肺结节随访指南确定各所述肺结节的随访类型；

第一向量生成子模块，用于基于所述各所述肺结节的随访类型，生成各所述肺结节的第一向量作为第一随访方案，其中，所述第一向量中所述肺结节的随访类型对应的元素为1，其余元素为0。

在本发明的一些实施例中，预测模块303包括：

特征提取子模块，用于对所述切块进行特征提取，得到特征向量；

预测子模块，用于基于所述特征向量确定各所述肺结节的第二随访方案，和用于表示各所述肺结节的重要程度的权重参数。

在本发明的一些实施例中，预测子模块包括：

权重参数确定单元，用于将所述特征向量映射为表示所述肺结节的重要程度的权重参数；

第二向量确定单元，用于将所述特征向量映射为第二向量作为第二随访方案，所述第二向量中的元素表示预测所述肺结节的随访类型的概率值。

在本发明的一些实施例中，权重参数确定单元包括：

第一特征确定子单元，用于将所有所述特征向量组成的特征矩阵输入第一全连接层中进行处理，得到第一特征；

第二特征确定子单元，用于将所述第一特征输入第二全连接层中进行处理，得到第二特征；

第三向量确定子单元，用于对所述第二特征进行归一化处理，得到表示各所述肺结节的重要程度的权重参数的第三向量，第三向量中的元素表示所述肺结节的重要程度的权重参数。

在本发明的一些实施例中，第二向量确定单元包括：

第三特征确定子单元，用于将所述特征向量组成的特征矩阵输入第三全连接层中进行处理，得到第三特征；

第二向量确定子单元，用于对所述第三特征进行归一化处理，得到第二向量作为第二随访方案。

在本发明的一些实施例中，所述第一随访方案用第一向量表示，所述第一向量中所述肺结节的随访类型对应的元素为1，其余元素为0，所述第二随访方案用第二向量表示，所述第二向量中的元素表示预测所述肺结节的随访类型的概率值，各所述肺结节的所述权重参数用第三向量表示，综合模块304包括：

融合子模块，用于融合所述肺结节的所述第一向量与所述第二向量，得到第四向量；

向量乘积子模块，用于将所有所述肺结节的第四向量组成的矩阵与所述第三向量相乘，得到第五向量作为所述肺部CT图像的随访方案，所述第五向量中的元素表示所述肺部CT图像的随访类型的概率值。

在本发明的一些实施例中，融合子模块包括：

第六向量确定单元，用于将所述第一向量中的各元素加上一个极小值，得到第六向量；

第七向量确定单元，用于将所述第六向量乘以第一权重，得到第七向量；

第八向量确定单元，用于将所述第二向量乘以第二权重，得到第八向量；

第四向量确定单元，用于将所述第七向量与所述第八向量对应元素相加，得到第四向量。

在本发明的一些实施例中，随访方案确定模块302还包括：

排序子模块，用于将检测出的各所述肺结节的预测概率按照降序排列；

目标结节确定子模块，用于取排序靠前的K个预测概率对应的肺结节作为目标结节；

随访方案确定子模块，用于基于所述目标结节的尺寸和纹理类型，结合肺结节随访指南确定各所述目标结节的第一随访方案。

上述肺结节随访预测装置可执行本发明任意实施例所提供的肺结节随访预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

本发明实施例四提供了一种计算机设备，图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括：

处理器401、存储器402、通信模块403、输入装置404和输出装置405；计算机设备中处理器401的数量可以是一个或多个，图4中以一个处理器401为例；计算机设备中的处理器401、存储器402、通信模块403、输入装置404和输出装置405可以通过总线或其他方式连接，图4中以通过总线连接为例。上述处理器401、存储器402、通信模块403、输入装置404和输出装置405可以集成在计算机设备上。

存储器402作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如上述实施例中的心肺异常检测方法对应的模块。处理器401通过运行存储在存储器402中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的肺结节随访预测方法。

存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据微型计算机的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器402可进一步包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块403，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置404可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。

本实施例提供的计算机设备，可执行本发明上述任意实施例提供的肺结节随访预测方法，具有相应的功能和有益效果。

实施例五

本发明实施例五提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的肺结节随访预测方法，该方法包括：

从肺部CT图像中检测出肺结节，并确定所述肺结节的尺寸和纹理类型；

基于所述肺结节的尺寸和纹理类型，结合肺结节随访指南确定各所述肺结节的第一随访方案；

基于各所述肺结节预测各所述肺结节的第二随访方案，和表示各所述肺结节的重要程度的权重参数；

综合所述第一随访方案、所述第二随访方案和所述权重参数，确定所述肺部CT图像的随访方案。

需要说明的是，对于装置、计算机设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的肺结节随访预测方法。

值得注意的是，上述装置中，所包括的各个模块、子模块、单元、子单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。