[發(fā)明專利]一種基于深度學習的計算新冠肺炎病變區(qū)域占比的方法

在審

• 申請?zhí)枺?/td>: 202010531416.1
• 申請日: 2020-06-11
• 公開（公告）號: CN111738997A
• 公開（公告）日: 2020-10-02
• 發(fā)明（設(shè)計）人: 梁廷波;盛吉芳;吳煒
• 申請（專利權(quán)）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/187;G06T7/62
• 代理公司: 北京盛凡智榮知識產(chǎn)權(quán)代理有限公司 11616
• 代理人: 鄭豐平

1.一種基于深度學習的計算新冠肺炎病變區(qū)域占比的方法，其特征在于，包括以下步驟：

對原始CT圖像集進行歸一化處理，以適應深度學習模型的數(shù)據(jù)輸入；

將訓練集中CT圖像數(shù)據(jù)分別輸入到2DUnet和2.5DUnet兩種網(wǎng)絡(luò)學習模型中，預測出肺部病變區(qū)域的二值掩模和肺部整個區(qū)域的二值掩模；

計算訓練集預測的二值掩模與真實標簽掩模之間的相似性，選取最優(yōu)網(wǎng)絡(luò)學習模型；

使用最優(yōu)網(wǎng)絡(luò)學習模型對訓練集中的CT圖像進行肺部病變區(qū)域掩模和肺部整個區(qū)域掩模的預測，并計算出病變區(qū)域掩模和整個區(qū)域掩模之間的占比。

2.根據(jù)權(quán)利要求1所述的基于深度學習計算新冠肺炎體積占比的方法，其特征在于，所述原始CT圖像處理方法包括：

a、將原始CT圖像的Hu值轉(zhuǎn)換到[-1200,600]的區(qū)間；

b、對于小于-1200和大于600的Hu值則分別設(shè)置為-1200和600；

c、將上述區(qū)間的Hu值矩陣歸一化到[0,255]，以適應深度學習模型數(shù)據(jù)的輸入。

3.根據(jù)權(quán)利要求1所述的基于深度學習計算新冠肺炎體積占比的方法，其特征在于，所述網(wǎng)絡(luò)學習模型采用的真實標簽掩模包括病變區(qū)域標簽掩模和全部區(qū)域標簽掩模，其中:

使用-750和-200兩個閾值進行肺部分割，將-200得到的掩模減去-750得到的掩模，最終的掩模作為病變區(qū)域標簽掩模；

人工對肺部整個區(qū)域進行標注，作為全部區(qū)域標簽掩模。

4.根據(jù)權(quán)利要求1所述的基于深度學習計算新冠肺炎體積占比的方法，其特征在于，所述網(wǎng)絡(luò)學習模型預測的肺部病變區(qū)域二值掩模為濾除正常軟組織的二值掩模，濾除方法包括：

通過連通域?qū)⑸傻亩笛谀７譃椴煌膮^(qū)塊，再利用基于resnet18的二分類模型判斷每個區(qū)塊掩模包含的病變區(qū)域掩模和正常軟組織掩模，最后將正常軟組織掩模濾除。

5.根據(jù)權(quán)利要求1所述的基于深度學習計算新冠肺炎體積占比的方法，其特征在于，所述二值掩模與真實標簽掩模之間的相似性采用Dice系數(shù)進行計算，用來選取相似性最高的網(wǎng)絡(luò)學習模型，Dice系數(shù)計算公式如下：

其中，A代表使用網(wǎng)絡(luò)學習模型預測出來的二值掩模，B為真實標簽掩模。

6.根據(jù)權(quán)利要求1所述的基于深度學習計算新冠肺炎體積占比的方法，其特征在于，所述病變區(qū)域掩模和整個區(qū)域掩模之間的占比PoIR計算公式如下：

其中volume of infected regions代表預測的肺部病變區(qū)域二值掩模，volume ofintact lung代表預測的整個肺部區(qū)域的二值掩模。