[發明專利]基于深度學習的新冠肺炎肺部病灶區域分割系統

有效

• 申請號: 202010873685.6
• 申請日: 2020-08-26
• 公開（公告）號: CN111932559B
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 單飛;薛向陽;史維雅;王麗;張志勇;張力;施裕新;付彥偉
• 申請（專利權）人: 上海市公共衛生臨床中心;復旦大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/194
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 盧泓宇

本發明提供了基于深度學習的新冠肺炎肺部病灶區域分割系統，其特征在于，包括：數據獲取部用于獲取CT斷層影像；數據預處理部根據HU值對CT斷層影像進行預處理，得到待分割肺部影像；圖像分割模型部利用預先訓練好的圖像分割模型直接對待分割肺部影像進行分割得到肺部病灶區域并輸出；畫面存儲部用于存儲肺部病灶區域畫面；顯示部用于顯示肺部病灶區域畫面以及肺部病灶區域。本系統可以精準地將肺部病灶區域從肺部區域中分割出來，完成COVID?19感染區域輪廓的快速自動勾畫，便于在現場應用中定性評估疾病，節省了大量人力與時間，同時提高了對COVID?19疑似病患的診斷準確率，降低假陰性概率較高。

技術領域

本發明屬于計算機視覺分析技術領域，具體涉及一種基于深度學習的新冠肺炎肺部病灶區域分割系統。

背景技術

目前，新冠肺炎疫情(簡稱COVID-19)正日益嚴重，而每個COVID-19疑似病例都需要通過痰液的實時聚合酶鏈反應(RT-PCR)分析來確認。盡管這是診斷的金標準，但在許多國家/地區使用RT-PCR確認每個疑似COVID-19病例非常耗時，而且其假陰性概率較高。

另外，從收集到的COVID-19患者胸部計算機斷層掃描影像(CT)中可以明顯看出肺部雙側多灶性斑塊狀合并或玻璃樣混濁(GGO)等特征，因此，將上述特征作為COVID-19篩查中的重要補充指標。

雖然，CT提供了豐富的胸部成像信息，但是由于缺乏精確量化肺部病灶區域及其縱向變化的計算機化工具，CT僅在放射學報告中提供了定性評估。所以在定性評估前先勾畫出胸部CT中的感染區域輪廓是十分必要的。但是在實際應用中，手動繪制感染區域輪廓是一項繁瑣且耗時的工作，并且手動繪制的感染區域輪廓與實際感染區域不一致時會導致隨后的定性評估存在較大差異。因此，在定性評估COVID-19疑似病例的實際應用中，迫切需要一種用于將感染區域輪廓快速自動勾畫出來的工具來為COVID-19疑似病例的定性評估提供有效的基礎。

近年來，深度學習因其高精確度而在視覺領域中得到廣泛應用。深度學習為了得到精確的目標結果，一般需要大量的數據及目標標簽進行訓練。而對于深度學習中圖像分割這類像素級別的任務，訓練過程中對于像素級別的目標標簽的標注需要耗費大量的人力以及時間，造成圖像分割任務進程緩慢。

目前，文獻[1]提出了基于弱監督的圖像分割方法為先利用圖片在經過分類器過程中產生的特征圖與全連接層相乘后相加得到一張類別感應的注意力圖CAM(ClassActivation Mapping)，然后利用CAM獲取目標類別所在的區域。但是由于CAM產生的分割圖較粗糙，文獻[2]提出了三個弱監督的基本原則，即1)先對分割物體進行定位2)根據正負樣本對區域進行擴張3)限制分割的物體的邊界，使其不會越界。但是該方法在實際應用中，定位到的位置十分小，該位置信息不能直接作為監督信息。

[1]B.Zhou,A.Khosla,L.A.,A.Oliva,and A.Torralba.Learning Deep Featuresfor Discriminative Localization.In CVPR,2016.2,3,4,5

[2]A.Kolesnikov and C.H.Lampert,Seed expand and constrain:Threeprinciples forweakly-supervised image segmentation,Proc.14thEur.Conf.Comput.Vis.,pp.695-711,2016.

發明內容

為解決上述問題，本發明提供了一種能夠將新冠肺炎肺部病灶區域從肺部區域精準分割出來的圖像分割弱監督方法，本發明采用了如下技術方案：