[發(fā)明專利]一種基于深度學習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（設計）人: 李惠萍;鄔學寧
• 申請（專利權）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: 上海元好知識產權代理有限公司 31323
• 代理人: 張靜潔;徐雯瓊

本發(fā)明提供一種基于深度學習的肺大泡病灶檢測方法，包含步驟：S1、讀取若干肺大泡患者的胸部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、肺大泡病灶區(qū)域，生成訓練集和驗證集；S3、預訓練第一、第二深度卷積神經網絡模型，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(qū)域，第二深度神經網絡模型用于從已識別有肺部區(qū)域的CT圖像中識別肺大泡病灶區(qū)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圖像所包含的肺部區(qū)域和肺大泡病灶區(qū)域，計算得到該患者肺大泡病灶在其肺中的占比。本發(fā)明還提供一種基于深度學習的肺大泡病灶檢測系統(tǒng)。

技術領域

本發(fā)明涉及醫(yī)學影像分析領域，具體涉及一種基于深度學習的肺大泡病灶檢測方法及系統(tǒng)。

背景技術

肺大泡(Pulmonary?bullae,PB)是各種原因導致的肺組織內形成的含氣囊腔，在肺部CT上通常表現為薄壁，圓形的空腔性結構，直徑大小不等，通常大于1cm。肺大泡是肺氣腫的一種表現形式，較多、較大的肺大泡會影響患者的呼吸功能，從而導致肺功能減退，嚴重影響患者生活質量。如果肺大泡合并肺大泡則患者的肺功能減退更快，預后極差。

當前臨床識別肺大泡主要依賴于臨床醫(yī)生對肺部CT圖片進行肉眼判斷并粗略評估其嚴重程度，評估準確性完全依賴于醫(yī)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(yī)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(fā)展，計算機輔助診斷技術也被用幫助完成基于醫(yī)學影像的肺大泡疾病診斷，以減輕醫(yī)生的工作負擔。但現有的方法對肺大泡識別率較低，并且識別速度較慢。

因此，目前亟需一種基于深度學習的肺大泡病灶檢測方法及系統(tǒng)，以提高肺大泡檢測的精確度和效率。

發(fā)明內容

本發(fā)明的目的本發(fā)明提供一種基于深度學習的肺大泡病灶檢測方法及系統(tǒng)，能夠自動識別待檢測患者CT序列圖像中的肺部區(qū)域，并從識別的肺部區(qū)域中進一步識別出肺大泡區(qū)域，同時還自動計算得到該患者的肺大泡在其肺中的占比。

為了達到上述目的，本發(fā)明提供一種基于深度學習的肺大泡病灶檢測方法，包含步驟：

S1、讀取若干肺大泡患者的胸部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(qū)域和肺大泡病灶區(qū)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(qū)域；所述第二深度神經網絡模型用于從已識別有肺部區(qū)域的CT圖像中識別肺大泡病灶區(qū)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(qū)域和肺大泡病灶區(qū)域；計算得到該患者肺大泡病灶在其肺中的占比。

步驟S1所述進行預處理包含：

S11、依據預設肺窗窗寬和肺窗窗位，對肺大泡患者的胸部CT序列圖像進行肺窗處理；

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

步驟S11中所述肺窗處理包含：

S111、對所述CT序列圖像中每個CT圖像的每個像素的CT值進行調整，使每個像素的CT值位于所述窗寬和所述窗位界定的CT值范圍內；

S112、將像素的CT值歸一化至[0,255]之間。

步驟S2包含：