CN111598853B - 针对肺炎的ct影像评分方法、装置及设备 - Google Patents
针对肺炎的ct影像评分方法、装置及设备 Download PDFInfo
- Publication number
- CN111598853B CN111598853B CN202010367707.1A CN202010367707A CN111598853B CN 111598853 B CN111598853 B CN 111598853B CN 202010367707 A CN202010367707 A CN 202010367707A CN 111598853 B CN111598853 B CN 111598853B
- Authority
- CN
- China
- Prior art keywords
- score
- image
- lung
- scoring
- focus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 28
- 238000013077 scoring method Methods 0.000 title claims abstract description 12
- 210000004072 lung Anatomy 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 15
- 230000003902 lesion Effects 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000036285 pathological change Effects 0.000 claims description 4
- 231100000915 pathological change Toxicity 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 14
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 9
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000295 complement effect Effects 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000005337 ground glass Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000025721 COVID-19 Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010035742 Pneumonitis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种针对肺炎的CT影像评分方法、装置及设备。主要构思是利用计算机图像处理技术对CT影像采用两种模式进行打分，一种是由识别出的病灶与肺叶区域打分，另一种是基于CT数值提取的图像特征，由模型预测得分。本发明并不单单依赖唯一种打分结果，而是综合两种模式给出的判断，得到相互取长补短、更为精确可靠的评分结果。本发明可以迅速地对患者肺炎程度进行高效精准的评分，尤其针对新冠肺炎这里新发疾病，本发明可以有效规避数据偏差、分布不均等缺陷，使得最终评分结果更为合理、可靠，并进而能够协助医生高效地采取对应的分级诊疗手段。
Description
技术领域
本发明涉及影像学检查技术领域，尤其涉及一种针对肺炎的CT影像评分方法、装置及设备。
背景技术
CT影像诊断结果作为临床诊断标准之一，在将患者、疑似患者确诊为临床诊断病例时，由CT提示出的肺炎影像学特征是重要的参考因素，尤其当下，肺部影像学在新冠肺炎诊断、治疗中起到了关键作用。
对不同患者按照疾病的轻重程度会进行分级诊疗，因此，需要基于CT影像学对患者进行轻重程度的定量评分。例如《Radiology》期刊中记载，针对新型冠状病毒肺炎(COVID-19)患者恢复期间胸部CT的实时变化，定义了一种“视觉评分规则”，即根据可视的病灶面积占肺部面积的比例进行评分。
在当前诊治新冠肺炎的严峻阶段，影像数据庞大且复杂，即便采用上述定量评分，也多是直接在原始CT影片上依赖医生的个人专业知识和经验进行人眼观察、主观打分，因此，该评分方式凸显出标准结论不一、精确度不高、效率低下、费时费力等弊端，并直接影响到对肺炎患者的分级诊疗的实施。
发明内容
鉴于上述，本发明旨在提供一种针对肺炎的CT影像评分方法、装置及设备，并相应地提出一种计算机可读存储介质以及计算机程序产品，通过上述各方面，能够自动且有效提升肺炎CT影像评分的效率和精度。
本发明采用的技术方案如下：
第一方面，本发明提供了一种针对肺炎的CT影像评分方法，包括：
从输入的CT影像中分割出各肺叶区域以及若干病灶区域；
根据所述病灶区域以及所述肺叶区域，计算所述CT影像的第一得分；
基于预设的CT数值，从所述CT影像中提取图像特征；
根据所述图像特征以及预先训练的评分模型，预测所述CT影像的第二得分；
融合所述第一得分以及所述第二得分，确定所述CT影像的最终得分。
在其中一种可能的实现方式中，所述根据所述病灶区域以及所述肺叶区域，计算所述CT影像的第一得分包括：
建立所述病灶区域与各所述肺叶区域的对应关系；
基于所述对应关系，求取各肺叶中病灶相对肺叶的占比值；
根据所述占比值，得到各肺叶的量化得分；
融合各肺叶的所述量化得分，得到所述CT影像的第一得分。
在其中一种可能的实现方式中，所述基于预设的CT数值，从所述CT影像中提取图像特征包括：根据预设的肺部病变组织的密度值区间，提取所述CT影像的直方图特征。
在其中一种可能的实现方式中，所述评分模型包括基于所述直方图特征训练的多层感知器。
在其中一种可能的实现方式中，所述融合所述第一得分以及所述第二得分，确定所述CT影像的最终得分包括：基于所述第二得分与预设分数阈值的关系，由所述第一得分和/或第二得分确定所述最终得分。
在其中一种可能的实现方式中，所述基于所述第二得分与预设分数阈值的关系，由所述第一得分和/或第二得分确定所述最终得分包括：
当所述第二得分大于等于预设的分数上限值时，以所述第二得分作为所述最终得分；
当所述第二得分小于等于预设的分数下限值时，以所述第一得分作为所述最终得分；
当所述第二得分介于所述分数上限值以及所述分数下限值之间时，根据所述第一得分与所述第二得分的接近程度，由所述第一得分和/或第二得分得到所述最终得分。
在其中一种可能的实现方式中，所述从输入的CT影像中分割出各肺叶区域包括：
从输入的CT影像中分割出包含完整肺部的初始图像；
对所述初始图像去噪处理，得到肺部区域；
从所述肺部区域中分割出各所述肺叶区域。
在其中一种可能的实现方式中，从输入的CT影像中分割出若干病灶区域包括：
从所述CT影像中或从所述初始图像中或从所述肺部区域中，分割出所述病灶区域。
第二方面，本发明提供了一种针对肺炎的CT影像评分装置，包括：
图像分割模块，用于从输入的CT影像中分割出各肺叶区域以及若干病灶区域；
量化打分模块，用于根据所述病灶区域以及所述肺叶区域，计算所述CT影像的第一得分；
特征提取模块，用于基于预设的CT数值，从所述CT影像中提取图像特征；
预测打分模块，用于根据所述图像特征以及预先训练的评分模型，预测所述CT影像的第二得分；
最终打分模块，用于融合所述第一得分以及所述第二得分，确定所述CT影像的最终得分。
在其中一种可能的实现方式中，所述量化打分模块包括：
病灶肺叶匹配单元，用于建立所述病灶区域与各所述肺叶区域的对应关系；
病灶占比计算单元，用于基于所述对应关系，求取各肺叶中病灶相对肺叶的占比值；
肺叶打分单元，用于根据所述占比值，得到各肺叶的量化得分；
整肺打分单元，用于融合各肺叶的所述量化得分，得到所述CT影像的第一得分。
在其中一种可能的实现方式中，所述特征提取模块包括：直方图特诊提取单元，用于根据预设的肺部病变组织的密度值区间，提取所述CT影像的直方图特征。
在其中一种可能的实现方式中，所述评分模型包括基于所述直方图特征训练的多层感知器。
在其中一种可能的实现方式中，所述最终打分模块包括：分值比较子模块，用于基于所述第二得分与预设分数阈值的关系，由所述第一得分和/或第二得分确定所述最终得分。
在其中一种可能的实现方式中，所述分值比较子模块具体包括：
第一比较打分单元，用于当所述第二得分大于等于预设的分数上限值时，以所述第二得分作为所述最终得分；
第二比较打分单元，用于当所述第二得分小于等于预设的分数下限值时，以所述第一得分作为所述最终得分；
第三比较打分单元，用于当所述第二得分介于所述分数上限值以及所述分数下限值之间时，根据所述第一得分与所述第二得分的接近程度，由所述第一得分和/或第二得分得到所述最终得分。
在其中一种可能的实现方式中，所述图像分割模块包括：
肺部分割单元，用于从输入的CT影像中分割出包含完整肺部的初始图像；
图像裁剪单元，用于对所述初始图像去噪处理，得到肺部区域；
肺叶分割单元，用于从所述肺部区域中分割出各所述肺叶区域。
在其中一种可能的实现方式中，所述图像分割模块还包括：
病灶分割单元，用于从所述CT影像中或从所述初始图像中或从所述肺部区域中，分割出所述病灶区域。
第三方面，本发明提供了一种CT影像评分设备，包括：
一个或多个处理器、存储器以及一个或多个计算机程序，所述存储器可以采用非易失性存储介质，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
第五方面，本发明还提供了一种计算机程序产品，当所述计算机程序产品被计算机执行时，用于执行第一方面或者第一方面的任一可能实现方式中的所述方法。
在第五方面的一种可能的设计中，该产品涉及到的相关程序可以全部或者部分存储在与处理器封装在一起的存储器上，也可以部分或者全部存储在不与处理器封装在一起的存储介质上。
本发明的构思在于由计算机图像处理技术对CT影像采用两种打分模式，一种是基于图像分割技术由识别出的病灶与肺叶关系打出的量化得分，另一种是基于CT数值的图像特征，由模型预测出的得分，由于二者各有利弊，因而本发明并不单单依赖唯一种打分结果，而是综合两种模式给出的判断，得到相互取长补短、更为精确可靠的评分结果。本发明的实施可以迅速地对患者肺炎程度进行高效精准的评分，尤其针对当前流行的新冠肺炎，由于属于新发现的疾病，因而数据规模及分布有限，单一依靠某一打分思路，必然会导致打分结果不准确的问题，而采用本发明提供的上述解决方案，可以有效规避新发疾病的数据偏差缺陷，使得最终评分结果更为合理、可靠，并进而能够协助医生高效地采取对应的分级诊疗手段。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
图1为本发明提供的针对肺炎的CT影像评分方法的实施例的流程图；
图2为本发明提供的分割肺叶区域的实施例的流程图；
图3为本发明提供的求取第一得分的实施例的流程图；
图4为本发明提供的针对肺炎的CT影像评分装置的实施例的方框图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
在对本发明技术方案进行说明之前，首先对前述打分规则以及现有评分方式进行示意性说明，人的肺共分成5个肺叶，每个肺叶评分可是从0～5，而每个肺叶按照病灶占比，可以映射为相应得分：例如病灶提及占比为0％(正常情况)，得分为0；占比为1％～5％，得分为1，以此类推，占比为75％～100％，得分为5。而整个肺部的CT影像的综合评分可以是各个肺叶的得分之和，如前例所示，其分值范围为0～25。
但是，基于人眼观察以及主观判断的打分方式存在诸多不确定因素，并且还需要手动测量病灶的尺寸、体积等(尤其地，对3D影像的病灶体积测量难度较大)，另外还需要观察病人不同时期的病灶变化情况，更甚者，像新冠肺炎这类大规模突发的流行性肺炎，随着疫情发展，CT影像资料较多，现有评分手段明显已力不从心。
有鉴于此，本发明基于肺炎影像学特点，并充分分析了不同的评分方式的优劣，提出了双打分并行思路，并在最终决策阶段将双打分结果进行综合考虑，以给出更为合理精准的分数，为后续分级诊疗提供了可靠的参考依据。
结合具体实施例而言，本发明提供了一种针对肺炎的CT影像评分方法的实施例，如图1所示，其可以包括如下步骤：
步骤S0、获取输入的肺部CT影像。
该CT影像可通过现有医疗影像设备拍摄获取，也可以通过其他拍照设备转拍获取，本发明不对与CT影像相关的患者/设备/环境等因素做限制。
步骤S10、从CT影像中分割出各肺叶区域以及若干病灶区域。
该过程即为图像分割处理，即是利用计算机图像处理技术从所述CT影像中识别出各肺叶区域和病灶区域，此过程可以借鉴现有的医疗领域的图像分割技术，此处过多不做赘述，而需要进一步说明的是，在本发明的其他实施例中，该步骤可以做更为细化的处理，并区分出对两种目标的分割方式，以图2为例，对肺叶区域分割可以包括：
步骤S100、从输入的CT影像中分割出包含完整肺部的初始图像；
步骤S101、对所述初始图像去噪处理，得到纯净的肺部区域；
步骤S102、从所述肺部区域中分割出各所述肺叶区域。
而在其他可能的实现方式中，对病灶区域的分割，则可以考虑从输入的所述CT影像中，或者从前述包含肺部的初始图像中，或者从前述CT影像中获得的纯净的肺部区域中，分割出病灶区域。
具体来说，该细化的肺叶分割处理方案可以对CT影像中的肺部关键区域进行识别与标记，目标是最终得到完整且纯净的肺部区域。实现方法可以是：将原始图像下采样成175*225*225，采用深度学习U-NET分割网络，得到175*225*225的mask二值图像，其中0是背景，1是前景，再上采样至原图大小，从而得肺部完整区域。
接着，结合传统的图像分割、深度学习等算法和策略，在得到的完整肺部区域基础上进行裁剪，之后再进行肺叶分割。这样处理的优势在于，后续打分环节的图像输入仅为肺部图像，可以大大降低资源占用和消耗，同时可以去除体外或者人体躯干等部位的噪音干扰。具体实现过程可以是，对包含完整肺部的初始图像进行原图裁剪，得到仅包含肺部区域的纯净图像，接着采用但不限于V-Net网络对该图像进行区域细节预测，得到各肺叶的mask图像，再根据先验知识(左肺是两个肺叶、右肺是三个肺叶)以及各个肺叶在肺部的实际位置，去除肺叶mask图像中明显错误的像素点，从而分割出精确的、纯净的肺叶区域。病灶区域也基于相似的处理思路进行分割预测，例如可以通过深度学习的方式得到特定疾病(新冠肺炎)的病灶区域图像，对此不作赘述，但需强调的是，对于病灶区域的识别可以在不同方案中，基于疾病种类、病情以及实际情况所需，在原CT影像中、或在包含肺部的CT影像中、或在去除干扰的纯净肺部区域图像中进行相应检测，对此本发明不做限定。
由上可知，本发明在实际操作中可以采用至少两个分割模型，即肺叶分割模型、病灶分割模型进行上述图像处理，而具体采用何种模型则不在本发明限定中，例如但不限于采用成熟的Encoder-Decoder等。
步骤S11、根据所述病灶区域以及所述肺叶区域，计算所述CT影像的第一得分。
在得到图像分割结果后，便可以利用各分割结果对肺叶及整肺进行打分，例如在一种可能的实现方式中，如图3所示，本发明采取了如下打分模式：
步骤S111、建立所述病灶区域与各所述肺叶区域的对应关系；
步骤S112、基于所述对应关系，求取各肺叶中病灶相对肺叶的占比值；
步骤S113、根据所述占比值，得到各肺叶的量化得分；
步骤S114、融合各肺叶的所述量化得分，得到所述CT影像的第一得分。
具体来说，由前述分割出的病灶区域，便可以求得病灶体积和相对原图的位置，再结合分割出的肺叶相对原图的位置，就可以建立起二者的对应关系，即若干病灶体具体是属于哪一肺叶的。接着，便可以计算出每一肺叶中所含病灶区域相对肺叶体积的占比(这里采用体积表述仅为示意，并非限定，对于某些场景中也可以根据面积占比进行考量)，获得占比值后则可以结合前文提及的占比与得分映射关系求取出每一个肺叶的CT得分，最终可以将各个肺叶的评分相加得到整个CT影像的评分(可记为score_lobe)，当然，也可以求取所有肺叶分值得均值作为整个肺部的得分，具体采用何种计算方式可根据实际所需进行调整，本发明对此不作限定。
但是，需要客观指出的是，对于一些特殊情况，例如当下正流行的新冠肺炎，即便患病人数在迅速增加，但相对于传统的、常见的肺部疾病，新冠肺炎的数据分布仍然存在一定限制，例如数据分布中大病灶或全肺病灶较少，这就是会导致分割处理方案对这些数据的鲁棒性不佳，进而使得部分数据分割失衡，易出现漏分割或分割缺失等情况，也即是说，仅仅基于图像分割结果统计出的占比值进行打分，会影响最终CT得分的准确度。
为了克服上述缺陷，进一步提升打分的合理性，本发明提出了另一种打分模式。
步骤S20、基于预设的CT数值，从所述CT影像中提取图像特征；
步骤S21、根据所述图像特征以及预先训练的评分模型，预测所述CT影像的第二得分。
该打分策略是利用专家知识对CT影像的判断，结合CT影像信息中给出的CT值，从输入的图像(当然，还可以是经过分割处理的原始或纯净的肺部区域图像)提取相应的图像特征，并结合模型预测构思，由评分模型给出基于专家知识的分值预测。
例如，可以根据预设的肺部病变组织的密度值区间，提取所述CT影像的直方图特征。并且进一步地，该评分模型可以是基于所述直方图特征训练的多层感知器MLP。
具体来说，根据临床专业知识，肺部正常区域与病变区域的HU值(反映组织的密度)之间存在明显差异：肺部组织HU数值在-900～-700之间，属于正常肺实质范围；而大部分病变HU值多在-600以上，据此，在某些实施例中，可以提取肺部区域HU值在[-600～200]的800维直方图一维特征，并经过多层感知器MLP，预测肺部CT的整体得分(即第二得分，记为score_mlp)。
结合前文，还需要指出的是，上述直方图特征源于医生专业的阅片模式，其可解释性相对更强，尤其对重症患者或病灶很大患者有较高的敏感性。但对于轻症患者或者病灶较小数据，容易受血管、其他病灶等因素影响，同时对于磨玻璃影病灶，直方图特征表征病灶特征的性能略差，因而本发明认为单一依靠直方图特征以及评分模型进行得分预测，也可能导致最终评分存在偏差。
因此，此处再次强调本发明的联合打分构思，由于图像分割技术可根据诸如深度学习等策略由人工对细微病灶或血管等干扰进行标注进，因而训练出的分割模型可以有效抑制血管、磨玻璃影病灶、其他病灶等影响，从而使得前述基于分割技术的打分机制对轻症或易混淆病灶有较高的敏感性。
由此，在前述内容基础上，本发明提出对上述两种打分机制的评判结果进行融合。
步骤S30、融合所述第一得分以及所述第二得分，确定所述CT影像的最终得分。
在实际操作中，对两种得分的融合方式本身可有多种选择，例如直接利用二者求均值或者设置不同权重进行加权求和，也可以以其中一种为主要参考，进行融合策略的设计，这里本发明提供了一种示意性融合方案，可以基于第二得分与预设分数阈值的关系，由所述第一得分和/或第二得分确定所述最终得分。因为第二得分源于可靠的CT值并基于专家的临床经验，因而在该实施例中可以将第二得分作为先行判定的条件。
具体来说，在其中一种可能的实现方式中，
当所述第二得分大于等于预设的分数上限值时，以所述第二得分作为所述最终得分；例如，score_mlp>＝18，则取score_mlp作为最终得分。
当所述第二得分小于等于预设的分数下限值时，以所述第一得分作为所述最终得分；例如，score_mlp＜＝9，则取score_lobe作为最终得分。
当所述第二得分介于所述分数上限值以及所述分数下限值之间时，根据所述第一得分与所述第二得分的接近程度，由所述第一得分和/或第二得分得到所述最终得分；例如score_mlp>9，同时|score_lobe-score_mlp|<4(表示二者得分接近),则仍取score_mlp为最终得分，否则以score_lobe作为最终得分。当然，本领域技术人员可以理解，此处非绝对限定，根据不同应用场景和处理经验，也可以考虑在二者得分接近时，将第一得分作为最终得分，或者将二者均值作为最终得分，本发明对此不作限定。
综上所述，本发明的构思在于由计算机图像处理技术对CT影像采用两种打分模式，一种是基于图像分割技术由识别出的病灶与肺叶关系打出的量化得分，另一种是基于CT数值的图像特征，由模型预测出的得分，由于二者各有利弊，因而本发明并不单单依赖唯一种打分结果，而是综合两种模式给出的判断，得到相互取长补短、更为精确可靠的评分结果。本发明的实施可以迅速地对患者肺炎程度进行高效精准的评分，尤其针对当前流行的新冠肺炎，由于属于新发现的疾病，因而数据规模及分布有限，单一依靠某一打分思路，必然会导致打分结果不准确的问题，而采用本发明提供的上述解决方案，可以有效规避新发疾病的数据偏差缺陷，使得最终评分结果更为合理、可靠，并进而能够协助医生高效地采取对应的分级诊疗手段。
相应于上述各实施例及优选方案，本发明还提供了一种针对肺炎的CT影像评分装置的实施例，如图4所示，具体可以包括如下部件：
CT影像获取模块0，用于获取输入的原始肺部CT影像；
图像分割模块10，用于从输入的CT影像中分割出各肺叶区域以及若干病灶区域；
量化打分模块11，用于根据所述病灶区域以及所述肺叶区域，计算所述CT影像的第一得分；
特征提取模块20，用于基于预设的CT数值，从所述CT影像中提取图像特征；
预测打分模块21，用于根据所述图像特征以及预先训练的评分模型，预测所述CT影像的第二得分；
最终打分模块30，用于融合所述第一得分以及所述第二得分，确定所述CT影像的最终得分。
在其中一种可能的实现方式中，所述量化打分模块包括：
病灶肺叶匹配单元，用于建立所述病灶区域与各所述肺叶区域的对应关系；
病灶占比计算单元，用于基于所述对应关系，求取各肺叶中病灶相对肺叶的占比值；
肺叶打分单元，用于根据所述占比值，得到各肺叶的量化得分；
整肺打分单元，用于融合各肺叶的所述量化得分，得到所述CT影像的第一得分。
在其中一种可能的实现方式中，所述特征提取模块包括：直方图特诊提取单元，用于根据预设的肺部病变组织的密度值区间，提取所述CT影像的直方图特征。
在其中一种可能的实现方式中，所述评分模型包括基于所述直方图特征训练的多层感知器。
在其中一种可能的实现方式中，所述最终打分模块包括：分值比较子模块，用于基于所述第二得分与预设分数阈值的关系，由所述第一得分和/或第二得分确定所述最终得分。
在其中一种可能的实现方式中，所述分值比较子模块具体包括：
第一比较打分单元，用于当所述第二得分大于等于预设的分数上限值时，以所述第二得分作为所述最终得分；
第二比较打分单元，用于当所述第二得分小于等于预设的分数下限值时，以所述第一得分作为所述最终得分；
第三比较打分单元，用于当所述第二得分介于所述分数上限值以及所述分数下限值之间时，根据所述第一得分与所述第二得分的接近程度，由所述第一得分和/或第二得分得到所述最终得分。
在其中一种可能的实现方式中，所述图像分割模块包括：
肺部分割单元，用于从输入的CT影像中分割出包含完整肺部的初始图像；
图像裁剪单元，用于对所述初始图像去噪处理，得到肺部区域；
肺叶分割单元，用于从所述肺部区域中分割出各所述肺叶区域。
在其中一种可能的实现方式中，所述图像分割模块还包括：
病灶分割单元，用于从所述CT影像中或从所述初始图像中或从所述肺部区域中，分割出所述病灶区域。
应理解以上图4所示的针对肺炎的CT影像评分装置可以作为线上***的子***，也可单独作为一个问答***使用。并且，其中各个部件的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分部件以软件通过处理元件调用的形式实现，部分部件通过硬件的形式实现。例如，某个上述模块可以为单独设立的处理元件，也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起，也可以独立实现。在实现过程中，上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些部件可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit；以下简称：ASIC)，或，一个或多个微处理器(Digital Singnal Processor；以下简称：DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array；以下简称：FPGA)等。再如，这些部件可以集成在一起，以片上***(System-On-a-Chip；以下简称：SOC)的形式实现。
综合上述各实施例及其优选方案，本领域技术人员可以理解的是，在实际操作中，本发明适用于多种实施方式，本发明以下述载体作为示意性说明：
(1)一种CT影像评分设备，其可以包括：
一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行前述实施例或等效实施方式的步骤/功能。
(2)一种可读存储介质，在可读存储介质上存储有计算机程序或上述装置，当计算机程序或上述装置被执行时，使得计算机执行前述实施例或等效实施方式的步骤/功能。
在本发明所提供的几个实施例中，任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的某些技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以如下所述软件产品的形式体现出来。
(3)一种计算机程序产品(该产品可以包括上述装置)，该计算机程序产品在书本辅助阅读设备上运行时，使设备执行前述实施例或等效实施方式的针对肺炎的CT影像评分方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。
再者，本发明实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
本领域技术人员可以意识到，本说明书中公开的实施例中描述的各模块、单元及方法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方式来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以及，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可。尤其，对于装置、设备等实施例而言，由于其基本相似于方法实施例，所以相关之处可参见方法实施例的部分说明即可。以上所描述的装置、设备等实施例仅仅是示意性的，其中作为分离部件说明的模块、单元等可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个地方，例如***网络的节点上。具体可根据实际的需要选择其中的部分或者全部模块、单元来实现上述实施例方案的目的。本领域技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。
Claims (8)
1.一种针对肺炎的CT影像评分方法，其特征在于，包括：
从输入的CT影像中分割出各肺叶区域以及若干病灶区域；
根据所述肺叶区域以及所述病灶区域，计算所述CT影像的第一得分，所述第一得分基于病灶相对肺叶的所占比例得到；
基于预设的CT数值，从所述CT影像中提取图像特征；
根据所述图像特征以及预先训练的评分模型，预测所述CT影像的第二得分；
融合所述第一得分以及所述第二得分，确定所述CT影像的最终得分，包括：当所述第二得分大于等于预设的分数上限值时，以所述第二得分作为所述最终得分；当所述第二得分小于等于预设的分数下限值时，以所述第一得分作为所述最终得分；当所述第二得分介于所述分数上限值以及所述分数下限值之间时，根据所述第一得分与所述第二得分的接近程度，由所述第一得分和/或第二得分得到所述最终得分。
2.根据权利要求1所述的CT影像评分方法，其特征在于，所述根据所述肺叶区域以及所述病灶区域，计算所述CT影像的第一得分包括：
建立所述病灶区域与各所述肺叶区域的对应关系；
基于所述对应关系，求取各肺叶中病灶相对肺叶的占比值；
根据所述占比值，得到各肺叶的量化得分；
融合各肺叶的所述量化得分，得到所述CT影像的第一得分。
3.根据权利要求1所述的CT影像评分方法，其特征在于，所述基于预设的CT数值，从所述CT影像中提取图像特征包括：根据预设的肺部病变组织的密度值区间，提取所述CT影像的直方图特征。
4.根据权利要求3所述的CT影像评分方法，其特征在于，所述评分模型包括基于所述直方图特征训练的多层感知器。
5.根据权利要求1～4任一项所述的CT影像评分方法，其特征在于，所述从输入的CT影像中分割出各肺叶区域包括：
从输入的CT影像中分割出包含完整肺部的初始图像；
对所述初始图像去噪处理，得到肺部区域；
从所述肺部区域中分割出各所述肺叶区域。
6.根据权利要求5所述的CT影像评分方法，其特征在于，从输入的CT影像中分割出若干病灶区域包括：
从所述CT影像中或从所述初始图像中或从所述肺部区域中，分割出所述病灶区域。
7.一种针对肺炎的CT影像评分装置，其特征在于，包括：
图像分割模块，用于从输入的CT影像中分割出各肺叶区域以及若干病灶区域；
量化打分模块，用于根据所述肺叶区域以及所述病灶区域，计算所述CT影像的第一得分，所述第一得分基于病灶相对肺叶的所占比例得到；
特征提取模块，用于基于预设的CT数值，从所述CT影像中提取图像特征；
预测打分模块，用于根据所述图像特征以及预先训练的评分模型，预测所述CT影像的第二得分；
最终打分模块，用于融合所述第一得分以及所述第二得分，确定所述CT影像的最终得分，包括：当所述第二得分大于等于预设的分数上限值时，以所述第二得分作为所述最终得分；当所述第二得分小于等于预设的分数下限值时，以所述第一得分作为所述最终得分；当所述第二得分介于所述分数上限值以及所述分数下限值之间时，根据所述第一得分与所述第二得分的接近程度，由所述第一得分和/或第二得分得到所述最终得分。
8.一种CT影像评分设备，其特征在于，包括：
一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行如权利要求1～6任一项所述的针对肺炎的CT影像评分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010367707.1A CN111598853B (zh) | 2020-04-30 | 2020-04-30 | 针对肺炎的ct影像评分方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010367707.1A CN111598853B (zh) | 2020-04-30 | 2020-04-30 | 针对肺炎的ct影像评分方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598853A CN111598853A (zh) | 2020-08-28 |
| CN111598853B true CN111598853B (zh) | 2024-02-13 |
Family
ID=72185302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010367707.1A Active CN111598853B (zh) | 2020-04-30 | 2020-04-30 | 针对肺炎的ct影像评分方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598853B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037218B (zh) * | 2020-09-15 | 2022-08-09 | 嘉兴市第一医院 | 一种基于ct影像的新冠肺炎量化分析方法 |
| CN112132800B (zh) * | 2020-09-18 | 2023-05-05 | 上海市肺科医院 | 基于深度学习的肺纤维化检测与严重度评估方法及*** |
| CN112132801B (zh) * | 2020-09-18 | 2023-05-05 | 上海市肺科医院 | 一种基于深度学习的肺大泡病灶检测方法及*** |
| CN112183465A (zh) * | 2020-10-26 | 2021-01-05 | 天津大学 | 一种基于人物属性和上下文的社会关系识别方法 |
| CN112365962B (zh) * | 2020-11-17 | 2023-08-18 | 中南大学湘雅二医院 | 基于肺部ct影像和临床信息的医疗资源分配方法及设备 |
| US20220327690A1 (en) * | 2021-04-07 | 2022-10-13 | Optellum Limited | Cad device and method for analysiing medical images |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
| CN102737379A (zh) * | 2012-06-07 | 2012-10-17 | 中山大学 | 一种基于自适应学习的ct图像分割方法 |
| CN105640577A (zh) * | 2015-12-16 | 2016-06-08 | 深圳市智影医疗科技有限公司 | 一种自动检测放射影像中局部性病变的方法和*** |
| WO2017150497A1 (ja) * | 2016-03-02 | 2017-09-08 | 地方独立行政法人神奈川県立病院機構 | 肺野病変の診断支援装置、該装置の制御方法及びプログラム |
| CN108257132A (zh) * | 2018-03-05 | 2018-07-06 | 南方医科大学 | 一种基于机器学习的ct图像质量评估的方法 |
| CN109658400A (zh) * | 2018-12-14 | 2019-04-19 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的评分方法及*** |
| CN109817336A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种结合影像学分析结果的早期肺癌风险评估模型建立方法 |
| CN110189318A (zh) * | 2019-05-30 | 2019-08-30 | 江南大学附属医院（无锡市第四人民医院） | 带有语义特征得分的肺结节检测方法和*** |
| CN110680326A (zh) * | 2019-10-11 | 2020-01-14 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
| CN111047609A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 肺炎病灶分割方法和装置 |
| CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10869647B2 (en) * | 2016-02-05 | 2020-12-22 | Pulmonx Corporation | Methods, systems, and devices for analyzing lung imaging data |
| FR3057094B1 (fr) * | 2016-10-04 | 2019-09-20 | Universite Paris Descartes | Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient |
-
2020
- 2020-04-30 CN CN202010367707.1A patent/CN111598853B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
| CN102737379A (zh) * | 2012-06-07 | 2012-10-17 | 中山大学 | 一种基于自适应学习的ct图像分割方法 |
| CN105640577A (zh) * | 2015-12-16 | 2016-06-08 | 深圳市智影医疗科技有限公司 | 一种自动检测放射影像中局部性病变的方法和*** |
| WO2017150497A1 (ja) * | 2016-03-02 | 2017-09-08 | 地方独立行政法人神奈川県立病院機構 | 肺野病変の診断支援装置、該装置の制御方法及びプログラム |
| CN108257132A (zh) * | 2018-03-05 | 2018-07-06 | 南方医科大学 | 一种基于机器学习的ct图像质量评估的方法 |
| CN109658400A (zh) * | 2018-12-14 | 2019-04-19 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的评分方法及*** |
| CN109817336A (zh) * | 2019-01-21 | 2019-05-28 | 杭州英库医疗科技有限公司 | 一种结合影像学分析结果的早期肺癌风险评估模型建立方法 |
| CN110189318A (zh) * | 2019-05-30 | 2019-08-30 | 江南大学附属医院（无锡市第四人民医院） | 带有语义特征得分的肺结节检测方法和*** |
| CN110680326A (zh) * | 2019-10-11 | 2020-01-14 | 北京大学第三医院（北京大学第三临床医学院） | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 |
| CN111047609A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 肺炎病灶分割方法和装置 |
| CN111047611A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 病灶体积测量方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| Brahim Ait Skourt等.Lung CT Image Segmentation Using Deep Neural Networks.《Procedia Computer Science》.2018,第127卷109-113. * |
| Fei Shan等.Lung Infection Quantification of COVID-19 in CT image with Deep Learning.《Arxiv》.2020,1-19. * |
| 王梦松.基于深度神经网络的CT影像肺结节检测与诊断研究.《中国优秀硕士学位论文全文数据库 医药卫生科技辑》.2020,2020年(1),E061-121. * |
| 金海滨.基于改进的SSD肺炎检测识别研究.《中国优秀硕士学位论文全文数据库 医药卫生科技辑》.2020,第2020年卷(第1期),E063-63. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598853A (zh) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598853B (zh) | 针对肺炎的ct影像评分方法、装置及设备 | |
| JP5851160B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
| CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
| CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估*** | |
| de Albuquerque et al. | Fast fully automatic heart fat segmentation in computed tomography datasets | |
| CN110929728A (zh) | 一种图像感兴趣区域划分方法、图像分割方法及装置 | |
| CN116703901B (zh) | 肺部医学ct影像分割及分类装置及设备 | |
| CN114037663A (zh) | 一种血管分割方法、装置及计算机可读介质 | |
| CN113592879A (zh) | 基于人工智能的颈动脉斑块分割方法、装置及存储介质 | |
| Salahuddin et al. | Multi-resolution 3d convolutional neural networks for automatic coronary centerline extraction in cardiac CT angiography scans | |
| CN113516639B (zh) | 基于全景x光片的口腔异常检测模型的训练方法及装置 | |
| CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
| CN111415341A (zh) | 肺炎阶段的评估方法、装置、介质及电子设备 | |
| CN116152492A (zh) | 基于多重注意力融合的医学图像分割方法 | |
| CN116363104A (zh) | 一种具有影像医学用自动诊断设备及*** | |
| Huang et al. | POST-IVUS: A perceptual organisation-aware selective transformer framework for intravascular ultrasound segmentation | |
| Sadikine et al. | Semi-overcomplete convolutional auto-encoder embedding as shape priors for deep vessel segmentation | |
| KR102258070B1 (ko) | 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스 | |
| JP2022117177A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| Vázquez et al. | Automatic arteriovenous ratio computation: Emulating the experts | |
| CN111627026A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN116152278B (zh) | 医疗图像的分割方法及装置、非易失性存储介质 | |
| Suna et al. | Automated computation of radiographic parameters of distal radial metaphyseal fractures in forearm X-rays |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201125 Address after: 230088 Room 288, H2 Building, Phase II, Innovation Industrial Park, 2800 Innovation Avenue, Hefei High-tech Zone, Anhui Province Applicant after: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY Co.,Ltd. Address before: Wangjiang Road high tech Development Zone Hefei city Anhui province 230088 No. 666 Applicant before: IFLYTEK Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant after: Anhui Xunfei Medical Co.,Ltd. Address before: Room 288, H2 / F, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province, 230088 Applicant before: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant after: IFLYTEK Medical Technology Co.,Ltd. Address before: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province Applicant before: Anhui Xunfei Medical Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |