[發(fā)明專利]一種基于深度學(xué)習(xí)的肺大泡病灶檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010985176.2
• 申請日: 2020-09-18
• 公開（公告）號: CN112132801B
• 公開（公告）日: 2023-05-05
• 發(fā)明（設(shè)計(jì)）人: 李惠萍;鄔學(xué)寧
• 申請（專利權(quán)）人: 上海市肺科醫(yī)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 上海元好知識(shí)產(chǎn)權(quán)代理有限公司 31323
• 代理人: 張靜潔;徐雯瓊

1.一種基于深度學(xué)習(xí)的肺大泡病灶檢測方法，其特征在于，包含步驟：

S1、讀取若干肺大泡患者的胸部CT序列圖像并進(jìn)行預(yù)處理，獲得若干預(yù)處理后的第一CT圖像；

S2、抽取若干第一CT圖像并標(biāo)注肺部區(qū)域和肺大泡病灶區(qū)域，基于標(biāo)注的第一CT圖像生成訓(xùn)練集和驗(yàn)證集；

S3、通過所述訓(xùn)練集和驗(yàn)證集預(yù)訓(xùn)練第一、第二深度卷積神經(jīng)網(wǎng)絡(luò)模型；所述第一深度神經(jīng)網(wǎng)絡(luò)模型用于從輸入的CT圖像中識(shí)別肺部區(qū)域；所述第二深度神經(jīng)網(wǎng)絡(luò)模型用于從已識(shí)別有肺部區(qū)域的CT圖像中識(shí)別肺大泡病灶區(qū)域；所述第一、第二深度卷積神經(jīng)網(wǎng)絡(luò)模型采用相同的AttentionSEResUNet神經(jīng)網(wǎng)絡(luò)模型；

所述AttentionSEResUnet神經(jīng)網(wǎng)絡(luò)模型包括依序連接的輸入卷積層、第一至第四下采樣層、殘差模塊、第一至第四上采樣層、輸出卷積層；第i層下采樣層與第5-i層上采樣層之間按通道拼接，1≤i≤4；第一至第四下采樣層為注意力機(jī)制池化層；所述輸入卷積層具有3×3的卷積核；所述輸出卷積層具有1×1的卷積核；

所述注意力機(jī)制池化層包含擠壓激發(fā)模塊/殘差模塊，以及連接所述擠壓激發(fā)模塊/殘差模塊的最大池化層；

第一至第四上采樣層為殘差模塊加反卷積層或者擠壓激發(fā)模塊加反卷積層；

S4、將待檢測患者的CT圖像序列輸入訓(xùn)練好的第一、第二深度卷積神經(jīng)網(wǎng)絡(luò)模型，識(shí)別該患者CT圖像序列中的每個(gè)CT圖像所包含的肺部區(qū)域和肺大泡病灶區(qū)域；計(jì)算得到該患者肺大泡病灶在其肺中的占比；

步驟S4包含：

S41、將待檢測患者的CT圖像序列輸入訓(xùn)練好的第一深度卷積神經(jīng)網(wǎng)絡(luò)模型，識(shí)別得到該CT圖像序列中包含肺部區(qū)域的若干第五CT圖像；

S42、將所有第五CT圖像中肺部區(qū)域的面積進(jìn)行累加，得到面積值S；

S43、將所述第五CT圖像輸入訓(xùn)練好的第二深度卷積神經(jīng)網(wǎng)絡(luò)模型，識(shí)別該第五CT圖像序列中包含的肺大泡區(qū)域；將所有第五CT圖像中肺大泡區(qū)域的面積進(jìn)行累加，得到面積值s；

S44、計(jì)算得到該待檢測患者肺大泡病灶在其肺中的占比

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的肺大泡病灶檢測方法，其特征在于，步驟S1所述進(jìn)行預(yù)處理包含：

S11、依據(jù)預(yù)設(shè)肺窗窗寬和肺窗窗位，對肺大泡患者的胸部CT序列圖像進(jìn)行肺窗處理；

S12、對肺窗處理后的所述CT序列圖像的每個(gè)CT圖像進(jìn)行重采樣，將該CT圖像裁剪為設(shè)定的分辨率大小，獲得對應(yīng)的第一CT圖像。

3.如權(quán)利要求2所述的基于深度學(xué)習(xí)的肺大泡病灶檢測方法，其特征在于，步驟S11中所述肺窗處理包含：

S111、對所述CT序列圖像中每個(gè)CT圖像的每個(gè)像素的CT值進(jìn)行調(diào)整，使每個(gè)像素的CT值位于所述窗寬和所述窗位界定的CT值范圍內(nèi)；

S112、將像素的CT值歸一化至[0,255]之間。

4.如權(quán)利要求1所述的基于深度學(xué)習(xí)的肺大泡病灶檢測方法，其特征在于，步驟S2包含：

S21、為每個(gè)肺大泡患者抽取相同數(shù)量的所述第一CT圖像，且抽取的第一CT圖像包含肺部圖像和肺大泡病灶；

S22、采用不同顏色填充的語義分割方式標(biāo)注第一CT圖像中的肺部區(qū)域和肺大泡病灶區(qū)域；

S23、通過水平翻轉(zhuǎn)第一CT圖像生成對應(yīng)的第二CT圖像；通過縮放第一、第二CT圖像得到對應(yīng)的第三、第四CT圖像；從第一至第四CT圖像中選取部分CT圖像建立訓(xùn)練集，其余CT圖像歸于驗(yàn)證集。

5.如權(quán)利要求1所述的基于深度學(xué)習(xí)的肺大泡病灶檢測方法，其特征在于，所述AttentionSEResUNet神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)為dice函數(shù)，梯度下降器為Adam函數(shù)；輸出卷積層的激活函數(shù)采用sigmoid函數(shù)；當(dāng)損失函數(shù)的計(jì)算值小于設(shè)定的第一閾值或迭代次數(shù)達(dá)到預(yù)設(shè)的第二閾值，AttentionSEResUnet神經(jīng)網(wǎng)絡(luò)模型停止迭代更新。