[發明專利]基于深度學習的肺纖維化檢測與嚴重度評估方法及系統

有效

• 申請號: 202010985175.8
• 申請日: 2020-09-18
• 公開（公告）號: CN112132800B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 李惠萍;鄔學寧
• 申請（專利權）人: 上海市肺科醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 張靜潔;徐雯瓊

本發明提供一種基于深度學習的肺纖維化檢測與嚴重度評估方法，包含步驟：S1、預處理若干肺纖維化患者的胸部CT序列圖像，得到若干第一CT圖像；S2、抽取并標注若干第一CT圖像生成訓練集和驗證集；S3、通過訓練集和驗證集預訓練第一、第二深度卷積神經網絡模型；S4、將待檢測患者的CT圖像序列輸入訓練好的第一、第二深度卷積神經網絡模型，識別該患者CT圖像序列中的每個CT圖像所包含的肺部區域和肺纖維化病灶區域；計算得到該患者肺纖維化病灶在其肺中的占比；S5、基于所述占比標志肺部纖維化分期；S6、基于生理學參數的檢測結果對患者肺纖維化嚴重度分級。本發明還包含一種基于深度學習的肺纖維化檢測與嚴重度評估系統。

技術領域

本發明涉及醫學影像分析領域，具體涉及一種基于深度學習的肺纖維化檢測與嚴重度評估方法及系統。

背景技術

肺纖維化(pulmonary?fibrosis,PF)是各種肺部疾病的共同結局，以肺組織疤痕化為主要表現，如果受累范圍廣泛則導致肺容積縮小，肺功能明顯下降，嚴重影響患者生存質量。尤其是特發性間質性肺炎(idiopathic?pulmonary?fibrosis,IPF)是最典型的代表，其病理和/或影像表現為尋常性間質性肺炎的慢性進展性肺部疾病。IPF病因不明，預后極差，確診后平均生存期僅為3-5年。IPF目前認為患者個體生存期差異很大，有些長期穩定存活多年，有些病情緩慢進展，有些則發生急性加重導致肺功能急速惡化，短時間內死亡。如何根據患者的情況做出較為精準的病情嚴重度評估和預后判斷，目前尚缺乏被廣泛接受的評估方法。

當前主要采用的人工評估方法，是通過選擇CT肺窗的4個代表層面：主動脈弓層面、氣管分叉層面、下葉上基底段氣管分叉層面和右側肺隔頂下層面；每個層面有左右兩個肺野，全肺共分為8個肺野，將8個肺野總共劃分為100個小片；通過對每個小片上蜂窩狀改變的面積是否大于該小片面積的二分之一為判斷陽性還是因陰性的標準，將陽性的片相加后得到全肺蜂窩狀改變的占比。

當前臨床識別肺纖維化病灶及評估其嚴重程度主要依賴于臨床醫生對肺部CT圖片進行肉眼判斷并粗略評估，評估準確性完全依賴于醫生個人的經驗。而且肺部CT影像數據呈現爆炸式增長，極大地增強了醫生的工作量，隨之在疾病檢測過程中容易造成誤診和漏診。

隨著大數據計算機視覺的發展，計算機輔助診斷技術也被用幫助完成基于醫學影像的肺纖維化疾病診斷，以減輕醫生的工作負擔。但現有的方法對肺纖維化識別率較低，并且識別速度較慢。

因此，目前亟需一種自動化的肺纖維化檢測與嚴重度評估方法及系統，以提高肺纖維化檢測的精確度和效率。

發明內容

本發明的目的本發明提供一種基于深度學習的肺纖維化檢測與嚴重度評估方法及系統，能夠自動識別待檢測患者CT序列圖像中的肺部區域，并從識別的肺部區域中進一步識別出肺纖維化區域，并評估該肺纖維化區域的嚴重程度。

為了達到上述目的，本發明提供一種基于深度學習的肺纖維化檢測與嚴重度評估方法，包含步驟：

S1、讀取若干肺纖維化患者的胸部CT序列圖像并進行預處理，獲得若干預處理后的第一CT圖像；

S2、抽取若干第一CT圖像并標注肺部區域和肺纖維化病灶區域，基于標注的第一CT圖像生成訓練集和驗證集；

S3、通過所述訓練集和驗證集預訓練第一、第二深度卷積神經網絡模型；所述第一深度神經網絡模型用于從輸入的CT圖像中識別肺部區域；所述第二深度神經網絡模型用于從已識別有肺部區域的CT圖像中識別肺纖維化病灶區域；

S4、將待檢測患者的CT圖像序列輸入訓練好的第一、第二深度卷積神經網絡模型，識別該患者CT圖像序列中的每個CT圖像所包含的肺部區域和肺纖維化病灶區域；計算得到該患者肺纖維化病灶在其肺中的占比γ；

S5、根據所述占比γ，為該患者肺部纖維化進行分期；