[發(fā)明專利]基于肺部非均勻池化的新冠肺炎CT圖像處理方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011184333.6
• 申請(qǐng)日: 2020-10-30
• 公開（公告）號(hào): CN112017184B
• 公開（公告）日: 2021-01-26
• 發(fā)明（設(shè)計(jì)）人: 高全勝;薛新穎;薛志強(qiáng);王志軍
• 申請(qǐng)（專利權(quán)）人: 北京信諾衛(wèi)康科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/187;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中和立達(dá)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11756
• 代理人: 楊磊

本發(fā)明公開了一種基于肺部非均勻池化的新冠肺炎CT圖像處理方法，包括以下步驟：S1、基于FPN的全自動(dòng)肺分割算法；S2、雙肺中心線的識(shí)別；S3、肺部池化操作；S4、基于肺部池化的卷積神經(jīng)網(wǎng)絡(luò)。針對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)使用均勻的池化層，在進(jìn)行CT圖像分類時(shí)不能對(duì)肺內(nèi)的重要區(qū)域進(jìn)行重點(diǎn)關(guān)注，對(duì)肺內(nèi)特征和病灶特征挖掘不夠，本方法則提出了肺部池化層，在卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行池化時(shí)將肺部區(qū)域的特征進(jìn)行放大，對(duì)肺外的區(qū)域進(jìn)行壓縮，排除冗余特征，強(qiáng)化肺內(nèi)圖像信息，提高了新冠肺炎CT圖像處理方法精度，同時(shí)不依賴任何人工標(biāo)注圖像，提高了算法的實(shí)用性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種醫(yī)療技術(shù)，尤其涉及一種基于肺部非均勻池化的新冠肺炎CT圖像處理方法。

背景技術(shù)

核酸檢測作為新冠肺炎診斷的金標(biāo)準(zhǔn)，存在假陰性高、對(duì)試劑盒穩(wěn)定性要求高、測試時(shí)間較長等缺點(diǎn)。通過CT圖像進(jìn)行新冠肺炎診斷可提高診斷的敏感度，實(shí)現(xiàn)快速的新冠肺炎診斷，而CT圖像處理方法對(duì)CT圖像處理方法精度具有重要意義。現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的CT圖像分類算法存在以下兩點(diǎn)不足：1）依賴人工或半自動(dòng)的病灶分割，需要從CT圖像中分割出病灶組織，再進(jìn)行分類診斷。由于炎癥區(qū)域在肺內(nèi)分布較廣且形態(tài)變化大，人工分割病灶區(qū)域耗時(shí)且存在主觀差異，而半自動(dòng)分割算法難以保證將所有炎癥區(qū)域都正確分割出來。2）傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)使用最大值池化或均值池化這種均勻的池化操作，這種方式忽略了圖像的空間位置信息，對(duì)于肺內(nèi)區(qū)域和肺外的無關(guān)區(qū)域都同等對(duì)待，在池化過程中造成了肺內(nèi)信息的丟失和肺外無關(guān)信息的干擾。

由此可見，需要一種全自動(dòng)的圖像分析方法，可不依賴人工標(biāo)注數(shù)據(jù)，且可對(duì)肺內(nèi)所有的驗(yàn)證區(qū)域進(jìn)行分析，還需要一種可考慮圖像中空間位置信息的池化方式，對(duì)肺內(nèi)區(qū)域保留更多特征，對(duì)肺外的無關(guān)區(qū)域保留較少的特征以減少噪聲干擾。

對(duì)于現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明人發(fā)現(xiàn)，當(dāng)將采用基于加入肺部非池化處理DenseNet構(gòu)建的特征金字塔全卷積網(wǎng)絡(luò)FPN運(yùn)用到新冠肺炎CT圖像處理中時(shí)，能夠很好地克服現(xiàn)有的基于其他卷積神經(jīng)網(wǎng)絡(luò)的CT圖像分類算法的不足，取得了預(yù)料不到的效果。相較于其他卷積神經(jīng)網(wǎng)絡(luò)，DenseNet是一種具有密集連接的卷積神經(jīng)網(wǎng)絡(luò)。在該網(wǎng)絡(luò)中，任何兩層之間都有直接的連接，也就是說，網(wǎng)絡(luò)每一層的輸入都是前面所有層輸出的并集，而該層所學(xué)習(xí)的特征圖也會(huì)被直接傳給其后面所有層作為輸入，這使得DenseNet的參數(shù)量較其他模型大大減少，而在此基礎(chǔ)上再加入肺部非均勻池化處理能夠更進(jìn)一步提高模型精度。

將加入肺部非池化處理的DenseNet運(yùn)用于新冠肺炎CT圖像處理在基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的特征提取模型對(duì)CT圖像進(jìn)行處理的領(lǐng)域尚屬首創(chuàng)。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于肺部非均勻池化的新冠肺炎CT圖像分析方法，不依賴人工標(biāo)注圖像，可全自動(dòng)的從CT圖像中分割出肺區(qū)域，再自動(dòng)識(shí)別出左右雙肺的中心線，然后構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，通過肺部池化操作逐步放大肺內(nèi)的信息，去除肺外的無關(guān)信息，從而對(duì)全肺CT圖像進(jìn)行全自動(dòng)的圖像分析，以實(shí)現(xiàn)對(duì)新冠肺炎CT圖像的高精確診斷。采用該CT圖像分析方法，可實(shí)現(xiàn)全自動(dòng)的輔助診斷，方便推廣應(yīng)用，避免人工勾畫感興趣區(qū)域造成的主觀性差異和耗費(fèi)人力勞動(dòng)。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于肺部非均勻池化的新冠肺炎CT圖像分析方法，包括以下步驟：

S1、基于特征金字塔全卷積網(wǎng)絡(luò)FPN的全自動(dòng)肺分割算法：

構(gòu)建基于DenseNet的特征金字塔全卷積網(wǎng)絡(luò)FPN，從新冠肺炎CT圖像中全自動(dòng)地分割出肺部區(qū)域；

S2、雙肺中心線的識(shí)別：

在通過步驟S1全自動(dòng)地從新冠肺炎CT圖像中分割出肺區(qū)域后，首先，對(duì)分割出的肺區(qū)域圖像進(jìn)行連通域篩選，得到分別對(duì)應(yīng)于左肺和右肺的連通域1和連通域2，然后，分別檢測連通域1和連通域2的最小橫坐標(biāo)a1和b1，最大橫坐標(biāo)a2和b2，進(jìn)而得到左肺的中心線ac=a1+(a2-a1)/2和右肺的中心線bc=b1+(b2-b1)/2；