一种肺部CT影像数据处理分析方法及系统技术方案

本发明专利技术公开了一种肺部CT影像数据处理分析方法及系统，属于医学图像处理和人工智能技术领域。所述方法包括：根据肺部CT影像和肺部轮廓进行神经网络训练学习，得到肺部轮廓分割模型；根据肺部轮廓分割模型和目标区域进行神经网络训练学习，得到肺部目标区域分割模型；分割出肺部目标区域，并使用分类网络进行训练学习，得到CT平扫影像数据分类模型；根据CT平扫影像数据分类模型，确定肺部CT影像数据的类别。所述系统包括标注模块、第一训练学习模块、第二训练学习模块、第三训练学习模块和计算分析模块。本发明专利技术提高了肺部CT影像数据的处理效率，可快速地分割出肺部区域及肺内的目标区域，并对目标区域图像进行准确分类。

A data processing and analysis method and system of lung CT image

【技术实现步骤摘要】
一种肺部CT影像数据处理分析方法及系统
本专利技术涉及医学图像处理和人工智能
，特别涉及一种肺部CT影像数据处理分析方法及系统。
技术介绍
CT影像是CT设备使用X射线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器转化为数字信号，输入计算机处理。CT影像技术在医学检查上得到了广泛的应用，尤其对CT影像中的目标检测与分析已经成为多种疾病诊断的前置步骤。目前，对于肺部CT影像中的目标检测主要是通过医生的肉眼进行查看，这种检测方法依赖医生对目标区域的检测经验，并且医生阅读肺部CT影像耗费时间长、速度慢、效率低，不同医生对目标区域的判断结果各不相同。对于目标区域的定性分析主要是通过医生本人的医疗经验来作出，并未与其他医学分析手段结合，导致目标区域定性分析的结果往往过于主观，准确性不高。近期随着新型冠状病毒的快速蔓延，被感染的新冠肺炎患者急剧增加。由于新冠病毒感染者的肺部CT影像表征要早于临床表征，因此普遍采用肺部CT平扫检查为主。新冠疫情环境下，医疗资源紧缺，疫情重灾区每日有近千名患者排队等待肺部CT检查，由于没有足够多的医生来阅读大量的CT影像，并且人工阅读CT影像速度慢、效率低，增加了患者院内排队等候检查时间，容易引发交叉感染，贻误病情。此外，对于肺部CT影像数据中目标区域的分析也由于缺少足够多的医生及分析标准不规范，无法在短时间内给出正确的结果，这也会贻误疾病的及时治疗。因此，针对新冠肺炎病毒疫情，急需一种能够快速处理及分析肺部CT影像数据的方法，以替代现有人工阅读肺部CT影像数据及分析目标区域的处理方式。
技术实现思路
为了解决现有人工阅读肺部CT影像数据及分析目标区域存在的耗费时间长、速度慢、效率低等问题，本专利技术提供了一种肺部CT影像数据处理分析方法，包括：在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并根据所述CT平扫影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；根据所述肺部轮廓分割模型和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；根据所述CT平扫影像数据和肺部目标区域分割模型，分割出肺部目标区域，并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据，使用分类网络对所述肺部目标区域进行训练学习，得到CT平扫影像数据分类模型；根据所述CT平扫影像数据和CT平扫影像数据分类模型，计算出所述CT平扫影像数据的分类概率，并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。所述在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并根据所述CT平扫影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型的步骤具体包括：获取及清洗肺部CT平扫影像数据，采用手工勾勒标注法在清洗后的CT平扫影像数据中标注肺部轮廓与目标区域；调整清洗后的CT平扫影像分辨率至第一分辨率统一值，并根据预设的第一灰度值裁剪范围裁剪所述CT平扫影像的数值矩阵，对所述影像的数值矩阵中的数据进行归一化处理，使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值；使用归一化处理后的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据，并利用第一神经网络进行训练学习，得到肺部轮廓分割模型。所述根据所述肺部轮廓分割模型和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型的步骤具体包括：根据所述肺部轮廓分割模型提取出肺部轮廓，以所述肺部轮廓外接立方体作为肺部感兴趣区域，并对所述肺部感兴趣区域作数值裁剪和归一化处理；将归一化处理后的肺部感兴趣区域进行裁剪，并使用裁剪后的肺部感兴趣区域数据和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型。所述对所述肺部感兴趣区域作数值裁剪和归一化处理的步骤具体包括：调整所述肺部感兴趣区域分辨率至第二分辨率统一值；根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵，对所述肺部感兴趣区域数值矩阵中的数据进行归一化处理，使裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。所述根据所述CT平扫影像数据和肺部目标区域分割模型，分割出肺部目标区域，并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据，使用分类网络对所述肺部目标区域进行训练学习，得到CT平扫影像数据分类模型的步骤具体包括：根据所述归一化处理后的肺部感兴趣区域和肺部目标区域分割模型，得到肺部目标区域；调整所述归一化处理后的肺部感兴趣区域和肺部目标区域的图像尺寸至固定尺寸；将固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼接，得到拼接后的图像；使用所述拼接后的图像作为训练数据，利用分类网络进行训练学习，得到CT平扫影像数据分类模型。所述第一神经网络为3D-Unet网络，所述3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss；所述第二神经网络为加入attention机制的3D-Unet网络；所述分类网络为带有注意力机制的3D-SE_Resnet50网络。所述根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别的步骤之后还包括：根据概率值大于等于预设分类阈值的比较结果，计算出所述肺部目标区域与整个肺部区域的体积比，并根据所述体积比与预设体积比阈值的比较结果修改或维持所述CT平扫影像数据的类别。本专利技术还提供了一种肺部CT影像数据处理分析系统，包括：标注模块，用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域；第一训练学习模块，用于根据所述CT平扫影像数据和所述标注模块已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；第二训练学习模块，用于根据所述第一训练学习模块得到的肺部轮廓分割模型和所述标注模块已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；第三训练学习模块，用于根据所述CT平扫影像数据和所述第二训练学习模块得到的肺部目标区域分割模型，分割出肺部目标区域，并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据，使用分类网络对所述肺部目标区域进行训练学习，得到CT平扫影像数据分类模型；计算分析模块，用于根据所述CT平扫影像数据和所述第三训练学习模块得到的CT平扫影像数据分类模型，计算出所述CT平扫影像数据的分类概率，并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。所述标注模块包括：获取清洗单元，用于获取及清洗肺部CT平扫影像数据，去除存在伪影和/或扭曲变形的CT平扫影像数据；标注单元，用于采用手工勾勒标注法在所述获取清洗单元清洗后的CT平扫本文档来自技高网...

【技术保护点】
1.一种肺部CT影像数据处理分析方法，其特征在于，包括：/n在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并根据所述CT平扫影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；/n根据所述肺部轮廓分割模型和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；/n根据所述CT平扫影像数据和肺部目标区域分割模型，分割出肺部目标区域，并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据，使用分类网络对所述肺部目标区域进行训练学习，得到CT平扫影像数据分类模型；/n根据所述CT平扫影像数据和CT平扫影像数据分类模型，计算出所述CT平扫影像数据的分类概率，并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。/n

【技术特征摘要】
1.一种肺部CT影像数据处理分析方法，其特征在于，包括：
在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并根据所述CT平扫影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型；
根据所述肺部轮廓分割模型和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型；
根据所述CT平扫影像数据和肺部目标区域分割模型，分割出肺部目标区域，并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据，使用分类网络对所述肺部目标区域进行训练学习，得到CT平扫影像数据分类模型；
根据所述CT平扫影像数据和CT平扫影像数据分类模型，计算出所述CT平扫影像数据的分类概率，并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。


2.如权利要求1所述的肺部CT影像数据处理分析方法，其特征在于，所述在肺部CT平扫影像数据中标注肺部轮廓与目标区域，并根据所述CT平扫影像数据和已标注的肺部轮廓数据，利用第一神经网络进行训练学习，得到肺部轮廓分割模型的步骤具体包括：
获取及清洗肺部CT平扫影像数据，采用手工勾勒标注法在清洗后的CT平扫影像数据中标注肺部轮廓与目标区域；
调整清洗后的CT平扫影像分辨率至第一分辨率统一值，并根据预设的第一灰度值裁剪范围裁剪所述CT平扫影像的数值矩阵，对所述影像的数值矩阵中的数据进行归一化处理，使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值；
使用归一化处理后的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据，并利用第一神经网络进行训练学习，得到肺部轮廓分割模型。


3.如权利要求2所述的肺部CT影像数据处理分析方法，其特征在于，所述根据所述肺部轮廓分割模型和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型的步骤具体包括：
根据所述肺部轮廓分割模型提取出肺部轮廓，以所述肺部轮廓外接立方体作为肺部感兴趣区域，并对所述肺部感兴趣区域作数值裁剪和归一化处理；
将归一化处理后的肺部感兴趣区域进行裁剪，并使用裁剪后的肺部感兴趣区域数据和已标注的目标区域，利用第二神经网络进行训练学习，得到肺部目标区域分割模型。


4.如权利要求3所述的肺部CT影像数据处理分析方法，其特征在于，所述对所述肺部感兴趣区域作数值裁剪和归一化处理的步骤具体包括：
调整所述肺部感兴趣区域分辨率至第二分辨率统一值；
根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵，对所述肺部感兴趣区域数值矩阵中的数据进行归一化处理，使裁剪后的所述肺部感兴趣区域数值矩阵中所有数值变为0-1之间的一个数值。


5.如权利要求4所述的肺部CT影像数据处理分析方法，其特征在于，所述根据所述CT平扫影像数据和肺部目标区域分割模型，分割出肺部目标区域，并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据，使用分类网络对所述肺部目标区域进行训练学习，得到CT平扫影像数据分类模型的步骤具体包括：
根据所述归一化处理后的肺部感兴趣区域和肺部目标区域分割模型，得到肺部目标区域；
调整所述归一化处理后的肺部感兴趣区域和肺部目标区域的图像尺寸至固定尺寸；
将固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼接，得到拼接后的图像；
使用所述拼接后的图像作为训练数据，利用分类网络进行训练学习，得到CT平扫影像数据分类模型。


6.如权利要求5所述的肺部CT影像数据处理分析方法，其特征在于，所述第一神经网络为3D-Unet网络，所述3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal-loss；所述第二神经网络为加入attention机制的3D-Unet网络；所述分类网络为带有注意力机制的3D-SE_Resnet50网络。


7.如权利要求1-6中任一所述的肺部CT影像数据处理分析方法，其特征在于，所述根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别的步骤之后还包括：根据概率值大于等于预设分类阈值的比较结果，计算出所述肺部目...

【专利技术属性】
技术研发人员：王博，赵威，代笃伟，侯雪雪，徐正清，金烁，申建虎，张伟，金洪波，靳博方，潘承燕，
申请(专利权)人：天津精诊医疗科技有限公司，
类型：发明
国别省市：天津;12