[發明專利]肺炎病灶分割方法和裝置

有效

• 申請號: 202010173203.6
• 申請日: 2020-03-13
• 公開（公告）號: CN111275707B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 吳子豐;張樹;俞益洲
• 申請（專利權）人: 北京深睿博聯科技有限責任公司;杭州深睿博聯科技有限公司;上海深睿博聯醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/62
• 代理公司: 北京天方智力知識產權代理事務所(普通合伙) 11719
• 代理人: 張廷利

本申請實施例提供了一種肺炎病灶分割方法和裝置，解決了現有肺炎病灶分割方式的準確率低和效率低的問題。該肺炎病灶分割方法包括：基于圖像語義分割模型預測出所述陽性層面的醫學影像數據上的病灶區域；基于所述病灶檢測模型預測的病灶檢測框以及肺葉肺段分割模型預測出的肺部區域從預測出的病灶區域中篩除低級假陽區域；以及統計各平行層面的病灶面積，并結合所述各平行層面的病灶面積計算出病灶體積。

技術領域

本申請涉及影像分析技術領域，具體涉及一種肺炎病灶分割方法、裝置、電子設備和計算機可讀存儲介質。

背景技術

近年，深度機器學習在圖像理解領域得到廣泛應用。其中，針對圖像語義分割問題提出的深度全卷積網絡在分割精度方面相比傳統算法有明顯優勢，且較好地控制了推理時所需消耗的時間。此外，GPU的廣泛使用又能進一步極大地提高全卷積網絡的推理速度。這使得在醫學影像場景中應用高精度的全卷積網絡成為可能。傳統的醫學影像診斷依賴于臨床醫生經驗性的主觀判斷，因而存在耗時長穩定性差等問題，漸已成為制約現代醫學影像發展的瓶頸。隨著計算機輔助技術在醫學影像領域的發展，越來越多的醫生開始使用自動算法輔助定位病灶或者異常區域，從而提高效率并降低漏診風險。具體來說，肺部炎癥病灶區域的體積大小，是醫生診斷肺炎和設計治療方案的重要依據。但是因為量化指標的缺失，往往只能粗略地判斷（例如：少量、中量或大量）。針對這一問題，計算機輔助技術有了用武之地。

過去，人們主要使用啟發式的計算機視覺算法或傳統機器學習算法分割醫學影像中的肺炎病灶。這類方法往往依賴于病灶區域和背景區域的顏色或亮度差異，人工設計的特征或者使用少量數據訓練的機器學習模型，難以保證魯棒性，限制了其應用范圍。近年來，基于深度機器學習的通用的圖像語義分割方法雖有多次被應用于醫學影像領域的例子，但是在肺炎病灶分割方面，卻少有針對性的優化或改進。

一方面，啟發式的計算機視覺算法或傳統機器學習算法往往依賴于病灶區域和背景區域的顏色或亮度差異，這類人工設計的特征或者使用少量數據訓練的機器學習模型，難以保證魯棒性。另一方面，基于深度機器學習的圖像語義分割方法很少就肺炎病灶分割這一具體問題進行有針對性的優化或改進，存在生產成本高、運行速度慢、預測精度低、低級假陽高等問題。

發明內容

有鑒于此，本申請實施例提供了一種肺炎病灶分割方法和裝置，解決了現有肺炎病灶分割方式的準確率低和效率低的問題。

根據本申請的一個方面，本申請一實施例提供的一種肺炎病灶分割方法包括：基于圖像語義分割模型預測出所述陽性層面的醫學影像數據上的病灶區域；基于所述病灶檢測模型預測的病灶檢測框以及肺葉肺段分割模型預測出的肺部區域從預測出的病灶區域中篩除低級假陽區域；以及統計各平行層面的病灶面積，并結合所述各平行層面的病灶面積計算出病灶體積。

在本申請一實施例中，所述圖像語義分割模型通過如下訓練步驟建立：將全部已標記或部分已標記的樣本數據輸入病灶分割模型，以獲得所述病灶分割模型輸出的預測結果；基于所述病灶檢測模型預測的病灶檢測框以及肺葉肺段分割模型預測出的肺部區域，從預測結果中篩除低級假陽區域以獲得所述樣本數據的偽標簽，并加入未標記的樣本數據；以及復查所述偽標簽，并對標記的樣本數據進行標記以更新所述已標記的樣本數據。

在本申請一實施例中，在基于圖像語義分割模型預測出所述陽性層面的醫學影像數據上的病灶區域之前，該方法進一步包括：基于病灶檢測模型從多個平行層面的醫學影像數據中篩選出陽性層面的醫學影像數據。

在本申請一實施例中，在所述統計各平行層面的病灶面積，并結合所述各平行層面的病灶面積計算出病灶體積之后，該方法進一步包括：基于所述病灶體積，結合所述肺葉肺段分割模型預測出的肺葉肺段分割結果計算出病灶在各肺葉肺段的體積。