一种肺部医学图像分析方法、设备及系统技术方案

本发明专利技术属于机器学习技术领域，具体涉及一种肺部医学图像分析方法、设备及系统。本发明专利技术的肺部医学图像分析方法是从获取的肺部医学图像中分割出肺野和肺部病变区域，计算包含肺野和肺部病变区域的感兴趣区域ROI，根据感兴趣区域ROI在所述肺部医学图像中裁剪出用于图像识别的输入图片。将所述输入图片输入第二阶段检测模型，可进一步提取特征参数，得到预设语义分割模型输出的最终病变分析结果。通过本发明专利技术的肺部医学图像分析方法、装置和系统，能够同时对多种肺部病变进行识别和分类判断，本发明专利技术的装置分析肺部医学图像的效率高、准确度高，具有很好的应用前景。具有很好的应用前景。具有很好的应用前景。

【技术实现步骤摘要】
一种肺部医学图像分析方法、设备及系统


[0001]本专利技术属于机器学习
，具体涉及一种肺部医学图像分析方法用于肺部病变分析的、设备及系统。

技术介绍

[0002]近年来，肺部疾病始终呈现出高爆发率。在肺部疾病诊断中，包括CT 影像学诊断等方法在内的医学影像诊断具有无可取代的作用。现有技术中，肺部CT诊断依然是通过医生人工观察CT影像，并结合自身的知识和经验做出判断，从而查找出对应的存在的病变。然而，肺部疾病在CT影像学表现上有着“异病异征、同病异征、异病同征”三大特征，这要求CT医生具有极高的理论知识以及临床经验。然而由于各个地区的医疗水平很不一致，且医生的个人经验水平也参差不齐。因此，传统的医生人工观察CT影像诊断肺部疾病的方法容易受到地区医疗水平、医生个人经验水平的影响，从而导致诊断结果可能出现误差较大的问题。
[0003]目前，医疗领域依靠人工智能辅助诊断的方法越来越多。例如，中国专利技术专利申请“CN202010985175.8基于深度学习的肺纤维化检测与严重度评估方法及系统”提供了一种针对肺纤维化检测的深度学习模型，能够根据肺部CT图像判断患者是否有肺纤维化，并判断其严重程度。然而，该申请的模型仅针对肺纤维化一种病变进行设计和训练，因此仍然需要医生初步判断患者的肺部可能发生这种病变后才适宜使用该方法。
[0004]此外，该申请的模型中，直接从CT图像的整个肺窗中识别肺纤维化的病灶区域，然而，对于其他肺部疾病(例如肺部的肿瘤)，具有病变特征的图像可能超出肺窗的范围，因而直接从整个肺窗中识别病灶的准确度不高。加之模型种类选取、模型构建和图像规格等各种参数对疾病识别和分析的准确性均有显著的影响。因此，上述模型只适用于肺纤维化一种肺部病变，其他肺部疾病若直接采用上述专利申请的方法进行识别和分析，其结果的准确性将显著降低。进一步的，上述专利申请的方法更加不可能同时对多种肺部疾病的患病可能性进行准确的分析。
[0005]因此，仍然有必要开发一种机器学习的方法，对肺部CT等医学图像进行识别和分析，实现同时对多种肺部疾病患病可能性的准确分析。

技术实现思路

[0006]针对现有技术的问题，本专利技术提供一种肺部医学图像分析方法、设备及系统。目的在于：利用机器学习的方法分析肺部CT等医学图像，针对磨玻璃影、肺纤维化、胸膜增厚等多种肺部病变进行准确的识别和分析。
[0007]一种肺部医学图像分析方法，它是从获取的肺部医学图像中分割出肺野和肺部病变区域，计算包含肺野和肺部病变区域的感兴趣区域ROI，根据感兴趣区域ROI在所述肺部医学图像中裁剪出用于图像识别的输入图片。
[0008]优选的，它通过第一阶段分割模型实现，所述第一阶段分割模型包括如下步骤：
[0009](1.1)从所述肺部医学图像中分割出肺野和肺部病变区域，根据所述肺野和肺部病变区域分割结果计算感兴趣区域ROI；
[0010](1.2)从所述肺部医学图像中裁剪出感兴趣区域ROI，得到裁剪后图像；
[0011](1.3)调整所述裁剪后图像的大小，得到用于图像识别的输入图片。
[0012]优选的，所述第一阶段分割模型是以DeepLabv3作为骨架构建的语义分割模型。
[0013]优选的，所述第一阶段分割模型通过像素级别的加权二元交叉熵损失函数和骰子系数损失函数进行优化；
[0014]和/或，所述第一阶段分割模型中包括SGD优化器，所述第一阶段分割模型的训练过程中，所述SGD优化器的初始学习率为0.01，动量为0.9，权重衰减为0.0001；学习率每5代训练衰减0.9倍，训练批量为4。
[0015]优选的，所述肺部医学图像为肺部CT影像、数字X线摄影影像，所述肺部CT影像在512
×
512到128
×
128的矩阵尺寸下进行采样；
[0016]和/或，所述输入图片的矩阵尺寸为256
×
256。
[0017]本专利技术还提供一种用于肺部医学图像分析的设备，包括获取单元、处理单元和分析单元；
[0018]所述获取单元用于获取肺部医学图像；
[0019]所述处理单元用执行上述图像分析方法，得到用于图像识别的输入图片；
[0020]所述分析单元用于将所述输入图片输入第二阶段检测模型，并进行如下步骤：
[0021](2.1)提取特征参数；
[0022](2.2)根据通过所述第二阶段检测模型进行判断后输出肺部病变的分析结果。
[0023]优选的，所述第二阶段检测模型是以DeepLabv3作为骨架构建的语义分割模型。
[0024]优选的，步骤(2.2)中，所述分析结果为所述感兴趣区域ROI发生肺部病变的概率，所述肺部病变包括磨玻璃影、肺纤维化、胸膜增厚、胸腔积液、肺炎、肺结节、肺部肿瘤、结核、肺气肿、支气管扩张、尘肺、气胸、肺栓塞、肺脓肿、结节病或肋骨骨折中的至少一种；所述肺部肿瘤包括恶性肿瘤、良性肿瘤或转移瘤中的至少一种；
[0025]和/或，步骤(2.2)中，得到所述分析结果后，将所述分析结果转移到所述肺部医学图像的坐标，形成用于表示肺部病变区域的分割掩模。
[0026]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使计算机执行上述图像分析方法和/或步骤。
[0027]本专利技术还提供一种用于肺部病变分析的系统，包括通过数据线和/或数据接口连接的如下设备：
[0028]肺部医学图像采集和/或输入设备；
[0029]上述用于肺部医学图像分析的设备。
[0030]所述“感兴趣区域ROI”是指关注的区域，在本专利技术中“感兴趣区域ROI”包括肺野和肺部病变的区域，在一些实施例中，“感兴趣区域ROI”还包括肺部病变的区域附近正常组织的区域。所述“肺部病变的分析结果”是指输入图片所覆盖的区域内发生肺部病变的种类及其概率。
[0031]采用本专利技术的技术方案后，具有如下有益的效果：
[0032]1、本专利技术的模型分为两个阶段，其中，第一阶段分割模型专注于对包含肺野以及
所有肺部病变的感兴趣区域ROI进行分割，而第二阶段分割模型专注于对肺部病变(磨玻璃影、肺纤维化、胸膜增厚等)进行分析。这种两阶段模型使计算机能够专注于影像中在医学上有意义的区域，将显著提高计算效率和病变识别的准确度。
[0033]2、本专利技术的方法能够同时对多种肺部病变进行识别和判断，而不仅限于某一种肺部病变。
[0034]3、本专利技术优选准确度、适配度较高的Deeplabv3作为算法骨架，对肺部病变的识别和分类准确度更高。
[0035]4、本专利技术优选肺部医学图像的采样规格和输入图片的规格，能够进一步提高了肺部病变分析的准确率。
[0036]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0037]以下通过实施例形式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺部医学图像分析方法，其特征在于：它是从获取的肺部医学图像中分割出肺野和肺部病变区域，计算包含肺野和肺部病变区域的感兴趣区域ROI，根据感兴趣区域ROI在所述肺部医学图像中裁剪出用于图像识别的输入图片。2.按照权利要求1所述的图像分析方法，其特征在于，它通过第一阶段分割模型实现，所述第一阶段分割模型包括如下步骤：(1.1)从所述肺部医学图像中分割出肺野和肺部病变区域，根据所述肺野和肺部病变区域分割结果计算感兴趣区域ROI；(1.2)从所述肺部医学图像中裁剪出感兴趣区域ROI，得到裁剪后图像；(1.3)调整所述裁剪后图像的大小，得到用于图像识别的输入图片。3.按照权利要求2所述的图像分析方法，其特征在于：所述第一阶段分割模型是以DeepLabv3作为骨架构建的语义分割模型。4.按照权利要求2或3所述的图像分析方法，其特征在于：所述第一阶段分割模型通过像素级别的加权二元交叉熵损失函数和骰子系数损失函数进行优化；和/或，所述第一阶段分割模型中包括SGD优化器，所述第一阶段分割模型的训练过程中，所述SGD优化器的初始学习率为0.01，动量为0.9，权重衰减为0.0001；学习率每5代训练衰减0.9倍，训练批量为4。5.按照权利要求1或2所述的图像分析方法，其特征在于：所述肺部医学图像为肺部CT影像、数字X线摄影影像，所述肺部CT影像在512
×
512到128
×
128的矩阵尺寸下进行采样；和/或，所述输入图片的矩阵尺寸为256
×
256。6.一种用于肺部医学图像分析的设备...

【专利技术属性】
技术研发人员：李经纬，赵哲昊，张琪然，高子毅，肖雨璇，邱炳润，翁义航，奇鑫，
申请(专利权)人：四川大学，
类型：发明
国别省市：