[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

本發明公開了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，屬于病理診斷技術領域，該方法包括以下步驟：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。通過深度分割模型大大減少了數據的標注量和標注難度，在分割出肺部的有效區域后在此基礎上對肺部充氣量和肺重量進行了計算，這些指標不僅可以多維度觀察患者病情的概況以及發展，還可以輔助醫生進行疾病的早期篩查和診斷。

技術領域

本發明屬于病理診斷技術領域，具體涉及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。

背景技術

在肺部CT圖像的分割與定量分析中，尤其是具有實質性病變的肺部CT圖像的研究中進展緩慢，在對病肺的有效區域進行精準分割，是對肺部研究的基礎步驟，而肺部有效充氣量和肺重量的評估上對臨床診斷有重要的意義。

傳統的深度學習算法對正常肺組織或者有輕微病變的肺部分割效果良好，但是在具有嚴重實質病變的肺部CT圖像中，因為其病變區域與肺部輪廓的HU值差別不明顯，相關軟組織粘連在一起，分割難度較大。其次在分割出肺部有效區域后，也缺少對肺部的充氣量和肺重量的評估。

發明內容

本發明的目的在于提供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，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種基于深度學習的病肺CT分割與定量分析的方法，該方法包括以下步驟：

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。

優選的，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。

優選的，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Futuremap中，然后反饋給解碼器，生成二值的mask。

優選的，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。

優選的，所述計算肺部有效的充氣量的方法為：