基于机器学习的肺部气胸CT影像分类诊断方法技术

本发明专利技术公开了一种基于机器学习的肺部气胸CT影像分类诊断方法，其步骤包括：步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测分类诊断；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。本发明专利技术利用机器学习的方法，将临床医生从繁重的阅片任务中解脱出来，减轻了医生负担，同时还大大提高了诊断的准确率。

【技术实现步骤摘要】
基于机器学习的肺部气胸CT影像分类诊断方法
本专利技术属于医疗影像大数据分类研究领域，特别是涉及一种基于机器学习的肺部气胸CT影像分类诊断方法。
技术介绍
随着计算机技术和医疗影像技术的发展，特别是最近发展迅速的机器学习，深度学习和大数据技术，给现代医疗影像诊断的发展提供了巨大的技术支持。因此有必要将这些技术运用到计算机辅助诊断系统中，利用机器学习，深度学习和大数据技术自身的强大优势，进一步提高医学影像自动诊断的准确率和误诊率，减轻临床医生的负担。气胸一般认为是气体进入胸膜腔形成气体堆积状态，造成气胸的原因有多种。一般认为是由于肺部组织，气管，支气管破裂，空气逸入胸膜腔或者是因为胸壁伤口穿破胸膜，造成胸膜腔与外界联通，外界空气进入所致。典型症状为突发性胸痛，继之有胸闷和呼吸困难，并可有刺激性咳嗽。临床上气胸可以分为闭合性气胸，开放性气胸，张力性气胸等，其中闭合性气胸胸膜破裂口较小，随肺萎缩而闭合，空气不再继续进入胸膜腔；开放性气胸患者常在伤后迅速出现严重呼吸困难、不安、脉搏细弱频数、发绀和休克。检查时可见胸壁有明显创口通入胸腔，并可听到空气随呼吸进出的“嘶嘶”声音。伤侧叩诊鼓音，呼吸音消失，有时可听到纵隔摆动声。张力性气胸破裂口呈单向活瓣或活塞作用，胸膜腔内空气越积越多。支持向量机(supportvectormachine)是一种分类算法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计效果的目的。通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。因此本专利技术利用医学图像处理技术和SVM对气胸进行分类诊断，达到辅助医生诊断和提高诊断准确率降低误诊率的目的。
技术实现思路
针对现有气胸CT影像完全依靠临床医生主观诊断的不足，本专利技术公开了一种基于机器学习的肺部气胸CT影像分类诊断方法。为了实现上述目的，本专利技术公开的分类方法步骤如下：步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测诊断；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。进一步地，所述步骤1中的气胸标定区域包括气胸区域的边界，中心点等。进一步地，所述步骤2中对标定后的气胸CT影像进行图像处理具体步骤包括：(1)肺部区域的分割，滤波，增强操作，首先自适应阈值法对气胸CT影像进行分割操作，得到二值化图像；然后由于肺部CT影像自身的复杂性，存在背景床等噪声区域，因此对分割后的CT图像需要进行去除床的操作，采用的方法是区域生长法，在经过阈值分割后的肺mask上设置种子点生长并进行腐蚀操作去掉面积较小的区域；再对得到的肺mask区域进行高斯滤波去除噪声并进行增强操作，最后对得到的肺区域进行联通域分析重新生成标签获取联通域的面积，保留面积最大的区域作为最终的肺胸腔；(2)因为人体胸腔内部结构复杂，存在多个非肺部区域和组织，这反映到肺部CT影像上就是各种噪声，因此需要对肺胸腔中的这些噪声进行去除，去除方法包括直接阈值分割和基于手动设定的规则法进行去除，设定规则包括这些噪声的面积、分散度、距离三个属性，对符合条件的区域进行保留，不符合条件的区域进行舍去，并结合形态学操作进行多次膨胀腐蚀操作去掉这些噪声区域，得到最终的肺实质分割图像。进一步地，所述步骤3中对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本的步骤包括：(1)采用高斯滤波操作对得到的肺实质图像进行滤波操作，去掉某些异常噪声。其中高斯滤波操作中的高斯函数和高斯核如下：(2)采用自适应阈值法加形态学操作提取低密度灶区域；(3)对得到的低密度灶区域进行联通域分析得到气胸区域和非气胸区域，其中的气胸区域标注为正样本，非气胸区域标注为负样本。进一步地，所述步骤4中对SVM进行训练预测诊断过程包括：(1)将样本数据分为训练集和测试集；(2)利用训练集对SVM进行训练得到训练好的SVM模型，本专利技术采用的主要特征包括圆度，方差，峰度，偏度，灰度共生矩阵中的对比度，差异性，熵，相关性，角二阶矩等，表达式为：圆度：其中A为区域面积，P为区域周长。方差：峰度：偏度：对比度：熵：-∑p(i,j)ln[p(i,j)]角二阶矩：其中N为图像像素总和，μ为图像均值，g(i,j)为图像像素值，R为图像大小，p(i,j)为图像(i,j)点的概率值。(3)将SVM模型在测试集上进行测试得到测试结果。与现有肺部气胸CT影像分类诊断方法相比，本专利技术的优势在于：(1)利用机器学习的方法，将临床医生从繁重的阅片任务中解脱出来，减轻了医生负担；(2)将以往完全依据医生的经验和知识进行气胸疾病诊断改为利用计算机进行诊断，提高了诊断的准确率和误诊率。附图说明为更加清楚的说明本专利技术所采用的实现方法，现将对实施例进行简单的介绍，下面描述中的附图仅仅是本专利技术中的一些实施例。图1是本专利技术的流程图。图2是本专利技术所采用的临床气胸CT影像原始图像。图3是本专利技术二值化阈值分割的效果图。图4是本专利技术背景移除后的图像效果图。图5是本专利技术去除肺实质部分的效果图。图6是本专利技术最终得到的肺区域效果图。图7是本专利技术得到的正样本效果图。图8是本专利技术得到的负样本效果图。具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。如图1所示，基于机器学习的肺部气胸CT影像分类诊断方法，步骤包括：步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作，其标定区域包括气胸区域的边界，中心点等；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测诊断分类；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。上述步骤2中主要对标定后的气胸CT影像进行图像处理具体包括，肺部区域的分割，滤波，增强操作，首先自适应阈值法对气胸CT影像进行分割操作，得到二值化图像，如图3所示，由于肺部CT影像自身的复杂性，存在背景床等噪声区域，因此对分割后的CT图像需要进行去除床的操作，采用的方法是区域生长法，在经过阈值分割后的肺mask上设置种子点生长并进行腐蚀操作去掉面积较小的区域，下一步是对得到的肺mask区域进行高斯滤波去除噪声并进行增强操作，最后对得到的肺区域进行联通域分析重新生成标签获取联通域的面积，保留面积最大的区域作为最终的肺胸腔，如图4所示。由于人体胸腔内部结构复杂，存在多个非肺部区域和组织。这反映到肺部CT影像上就是各种噪声，因此需要对图4中的这些噪声进行去除，去除方法包括直接阈值分割和基于手动设定的规则法进行去除，如图5所示。设定规则包括这些噪声的面积、分散度、距离三个属性，对符合条件的区域进行保留，不符合条件的区域进行舍去，并结合形态学操作进行多次膨胀腐蚀操作去掉这些噪声区域，得到最终的肺实质分割图像，如图本文档来自技高网...

【技术保护点】
基于机器学习的肺部气胸CT影像分类诊断方法，步骤包括：步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测诊断；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。

【技术特征摘要】
1.基于机器学习的肺部气胸CT影像分类诊断方法，步骤包括：步骤1，从临床医院中获得气胸CT影像数据并进行气胸区域标定操作；步骤2，对标定后的气胸CT影像进行图像处理；步骤3，对经过图像处理的CT影像数据进行正负样本标定，得到正样本和负样本；步骤4，利用得到的样本数据对SVM进行训练预测诊断；步骤5，用训练好的SVM模型对肺部气胸CT影像进行分类诊断。2.根据权利要求1所述的基于机器学习的肺部气胸CT影像分类诊断方法，其特征在于，所述步骤1中的气胸标定区域包括气胸区域的边界，中心点等。3.根据权利要求1所述的基于机器学习的肺部气胸CT影像分类诊断方法，其特征在于，所述步骤2中对标定后的气胸CT影像进行图像处理具体步骤包括：（1）肺部区域的分割，滤波，增强操作得到最终的肺胸腔，其具体操作包括：首先自适应阈值法对气胸CT影像进行分割操作，得到二值化图像；然后采用区域生长法对分割后的CT图像进行去除床的操作；再对得到的肺mask区域进行高斯滤波去除噪声并进行增强操作；最后对得到的肺区域进行联通域分析重新生成标签获取联通域的面积，保留面积最大的区域作为最终的肺胸腔；（2）对肺胸腔中的噪声进行...

【专利技术属性】
技术研发人员：苏宝星，程国华，谢玮宜，许卫东，季红丽，
申请(专利权)人：杭州健培科技有限公司，
类型：发明
国别省市：浙江,33