[發明專利]一種基于深度學習的病肺CT分割與定量分析的方法及系統

在審

• 申請號: 202210319928.0
• 申請日: 2022-03-29
• 公開（公告）號: CN114820648A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 杜維波;吳煒;李旭錕;杜鵬
• 申請（專利權）人: 浙江大學醫學院附屬第一醫院
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/08;G06T7/62;G06V10/774;G06V10/26
• 代理公司: 深圳市育科知識產權代理有限公司 44509
• 代理人: 蔡滿

1.一種基于深度學習的病肺CT分割與定量分析的方法，其特征在于，該包括以下步驟：

利用深度分割模型分割出CT肺部掃描圖像的有效區域作為分割掩模；

統計分割掩膜的Hu值分布，根據不同Hu值下，充氣組織所擁有的氣體百分比，計算肺部有效的充氣量；

提取分割掩膜圖像，利用深度對抗網絡模型計算肺部密度。

2.根據權利要求1所述的一種基于深度學習的病肺CT分割與定量分析的方法，其特征在于，所述深度分割模型由主分割模型訓練而成，所述主分割模型的訓練方法為：

收集具有實質性病變的病肺CT以及健康肺部CT數據的數據集；

將所述數據集分為兩部分，其中一部分使用pixel級別的肺部CT標注數據，即完整的掩模標注數據，用F表示；另外一部分使用boundingbox進行標注，用W表示；

主分割模型使用基于u-net的網絡結構對F數據集進行標簽為掩模mask和boundingbox標注框進行語義級別的分割訓練，將F數據集轉換為boundingbox形式的標注，結合W數據集的圖像和boundingbox的標注輸入到輔助分割模型中進行校正。

3.根據權利要求2所述的一種基于深度學習的病肺CT分割與定量分析的方法，其特征在于，所述輔助分割模型包括編碼器和解碼器，編碼器使用5*5的卷積和sigmoid激活函數，生成兩個尺度的Featuremap，作為attentionmap以element-wisemultiple的方式加入原始圖像的Featuremap中，然后反饋給解碼器，生成二值的mask。

4.根據權利要求3所述的一種基于深度學習的病肺CT分割與定量分析的方法，其特征在于，所述輔助分割模型校正判斷標準應滿足如下公式：

其中第一項為在F數據集上，對主網絡參數輸入x經過網絡，最大化其輸出結果為真實標注y的概率，第二項分為兩部分，第一部分即在數據集W上，優化主網絡參數第二部分是對無監督的標注y進行計算的過程，其q為：

q是動態更新的，一開始和無校正一樣，隨著網絡模型的訓練迭代主網絡的分割結果逐漸準確，輔助網絡的指導校正意義開始下降，q逐漸增加對主網絡的權重。

5.根據權利要求1所述的一種基于深度學習的病肺CT分割與定量分析的方法，其特征在于，所述計算肺部有效的充氣量的方法為：

肺組織充氣量分為充氣良好組織和充氣不良組織氣體之和除以總肺體積不同組織間充氣組織所占比例，計算公式為：

總的肺體積計算公式為：

其中S_i為上述得到肺部的有效掩模第i張的橫截面積，h為相鄰兩張CT切片的實際物理距離。

6.根據權利要求1所述的一種基于深度學習的病肺CT分割與定量分析的方法，其特征在于，所述深度對抗網絡模型包括生成模型和判別模型，生成模型學習得到聯合概率分布P(x,y)，即特征x和標記y共同出現的概率；判別模型學習得到條件概率分布P(y|x)，即在特征x出現的情況下標記y出現的概率；利用對抗網絡使用下式對模型效果進行評估：

其中T_data是真實數據分布，D(x)是將真實CT歸一化后的數據x代入判別模型D(x),判別模型輸出范圍是0-1，生成模型使用2DU-net生成和輸入相同尺寸的密度圖G(z)，D模型希望D(G(z))＝0，1-D(G(z))＝1。

7.一種基于深度學習的病肺CT分割與定量分析系統，其特征在于，包括：

分割單元，用于利用深度分割模型分割出CT肺部掃描圖像的有效區域作為分割掩模；

充氣量計算單元，用于統計分割掩膜的Hu值分布，根據不同Hu值下，充氣組織所擁有的氣體百分比，計算肺部有效的充氣量；

密度計算單元，用于提取分割掩膜圖像，利用深度對抗網絡模型計算肺部密度。