CN113344887A - 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 - Google Patents
一种基于深度学习与模糊逻辑的间质性肺炎评估方法 Download PDFInfo
- Publication number
- CN113344887A CN113344887A CN202110664376.2A CN202110664376A CN113344887A CN 113344887 A CN113344887 A CN 113344887A CN 202110664376 A CN202110664376 A CN 202110664376A CN 113344887 A CN113344887 A CN 113344887A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- images
- interstitial pneumonia
- model
- lung
- 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.)
- Pending
Links
- 208000029523 Interstitial Lung disease Diseases 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 210000004072 lung Anatomy 0.000 claims abstract description 37
- 238000013136 deep learning model Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000003902 lesion Effects 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 241000566145 Otus Species 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 abstract description 2
- 206010035664 Pneumonia Diseases 0.000 description 10
- 230000003176 fibrotic effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 206010016654 Fibrosis Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004761 fibrosis Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 201000003838 Idiopathic interstitial pneumonia Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 2
- 229960004134 propofol Drugs 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 208000031071 Hamman-Rich Syndrome Diseases 0.000 description 1
- 201000009794 Idiopathic Pulmonary Fibrosis Diseases 0.000 description 1
- 208000004852 Lung Injury Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010069363 Traumatic lung injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 201000004073 acute interstitial pneumonia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 208000018631 connective tissue disease Diseases 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 208000017574 dry cough Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 208000036971 interstitial lung disease 2 Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000002085 irritant Substances 0.000 description 1
- 231100000021 irritant Toxicity 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 231100000515 lung injury Toxicity 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 201000003651 pulmonary sarcoidosis Diseases 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Optics & Photonics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习与模糊逻辑的间质性肺炎评估方法，包括以下步骤：收集汇总间质性肺病图像，制作样本数据集；输入病例图像，训练深度学习模型，深度学习模型并部署；导入实时肺部CT图像，通过深度学习模型自动标记出所有病变区域；对所有病变区域进行模糊，该发明采用模型训练和模型预测分离的形式，在胸部纵隔窗CT图像数据中心的电脑上对间质性肺炎深度学习模型进行训练和优化，将训练后深度学习模型部署到搭建了深度学习环境的服务器设备中，通过接收科室主机传递的患者CT图像，由模型读取图像，在服务器中进行间质性肺炎推理预测，实现检测自动化，缓解医生每天因阅读大量CT图像产生的疲劳和误诊，辅助医生决策的速度和准确度。
Description
技术领域
本发明涉及基于深度学习与模糊逻辑的间质性肺炎评估方法技术领域，具体为一种基于深度学习与模糊逻辑的间质性肺炎评估方法。
背景技术
间质性肺炎属于肺炎的一种，但是截止到2021年4月，还没有完整的流行病学数据统计，但临床较为常见的特发性间质性肺炎，近年来发病率有所升高。2016年的一项调查显示，韩国每10万人群中，有74～88人患有特发性间质性肺炎。其中特发性肺纤维化的发病率随年龄的增长而显著升高，男性患病率高于女性。在已知病因中，常见病因包括：吸入无机粉尘、有机粉尘和各种刺激性的有毒气体；各类***病以及药物或放疗相关性间质性肺炎等。部分间质性肺炎的病因虽然还不清楚，但病情的进展与一些危险因素有关。在感染慢性间质性肺炎后，患者会出现不明原因的呼吸困难和干咳，若不及时就医，不可逆的肺部损伤往往就发生了。在感染急性间质性肺炎，若不及时就医，可能危及生命。现在，胸透技术仍然是世界范围内的重要的间质性肺炎诊断方法。
胸部纵膈窗CT图像需要有完备知识和经验丰富的专家来仔细阅读，并且作为间质性肺炎等胸部疾病的最重要依据，它们也会伴随着其他种类的肺部疾病，比如：肺癌，肺部积液过多，肺结节病等，这些疾病也会显现出类似与间质性肺炎或者肺炎的视觉信号，从而导致通过人工阅读胸部CT图像来检测患者是否患有间质性肺炎的过程会相当浪费时间，因为阅片专家需要排除一些可疑特征，从而降低了结果的准确度。为此，为了更好的辅助甚至是代替放射科医生阅读胸部CT图像，从而开发一个自动的间质性肺炎检测的模型是十分有意义的，因此，亟待一种改进的技术来解决现有技术中所存在的这一问题。
发明内容
本发明的目的在于提供一种基于深度学习与模糊逻辑的间质性肺炎评估方法，采用模型训练和模型预测分离的形式，在胸部纵隔窗CT图像数据中心的电脑上对间质性肺炎深度学习模型进行训练和优化，将训练后的深度学习模型部署到搭建了深度学习环境的服务器设备中，设备通过接收科室主机传递的患者CT图像，由模型读取图像，在服务器的环境中进行间质性肺炎推理预测，实现检测自动化，缓解医生每天因阅读大量CT图像产生的疲劳和误诊，辅助医生决策的速度和准确度，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习与模糊逻辑的间质性肺炎评估方法，包括以下步骤：
S1：收集汇总间质性肺病图像，制作样本数据集；
S2：对肺部CT图像进行肺实质分割，获得仅存在双肺而不包含躯干部分、床板、隔膜等对检测工作没有作用的图像，输入病例图像，训练深度学习模型，深度学习模型并部署；
S3：导入实时肺部CT图像，通过深度学习模型自动标记出所有病变区域，具体为将深度学习模型远程部署到医院的主服务器中，通过科室办公电脑将病人会诊的CT图像传送给主服务器，通过主服务器中部署的深度学习模型对CT图像进行自动识别检测，得出是否发生间质性肺病现象，并输出结果，并对异常的图片进行报警；
S4：对所有病变区域进行模糊化，模糊推理和去模糊化，输出评估结果。
优选的，所述S1中样本数据集上传至网络数据库。
优选的，所述S2中对肺部CT图像进行肺实质分割采用OTUS算法将CT图像分为前景和背景，得到二值图像，然后对开运算后的二值图像进行一次区域生长算法提取肺部掩膜。
优选的，所述S2中训练深度学习模型采用SoftNMS的FasterRCNN深度学习算法对制作的样本数据集进行训练。
优选的，所述S3中深度学习模型部署到服务器上，并在本地使用模型进行推理预测。
优选的，所述S4中模糊化通过模糊逻辑控制模块实现，模糊逻辑控制模块可以对模型输出结果进行进一步评估，使得结果更易读。
与现有技术相比，本发明的有益效果是：
(1)本发明的间质性肺炎检测***与传统的检测方法不同，主要计算由信息科服务器来完成，将深度学习模型对目标图片的预测推理运算由科室电脑转移到网络中的服务器上进行处理。
(2)可以及时对CT图像出现病变现象进行识别，并做出报警响应，提高了对间质性肺炎的的检测速度和效率。
(3)服务器通过科室主机传递的CT图像进行实时监测，提高了自动化程度，降低了人工检测的成本。
(4)通过模糊逻辑的模糊化和去模糊化过程，可以综合评价深度学习模型的输出结果，使结果更加合理易读，降低医生的阅片负担。
附图说明
图1是基于深度学习与模糊逻辑的间质性肺炎评估方法原理流程图；
图2是OTUS分割后的CT图像；
图3是开运算后的CT图像；
图4是区域生长法生成的最大联通分量图；
图5是原图与掩膜与运算后的肺实质图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种基于深度学习与模糊逻辑的间质性肺炎评估方法，包括以下步骤：
S1：收集汇总间质性肺病图像，制作样本数据集；
S2：对肺部CT图像进行肺实质分割，获得仅存在双肺而不包含躯干部分、床板、隔膜等对检测工作没有作用的图像，输入病例图像，训练深度学习模型，深度学习模型并部署；
S3：导入实时肺部CT图像，通过深度学习模型自动标记出所有病变区域，具体为将深度学习模型远程部署到医院的主服务器中，通过科室办公电脑将病人会诊的CT图像传送给主服务器，通过主服务器中部署的深度学习模型对CT图像进行自动识别检测，得出是否发生间质性肺病现象，并输出结果，并对异常的图片进行报警；
S4：对所有病变区域进行模糊化，模糊推理和去模糊化，输出评估结果。
在FasterRCNN深度学习算法的双阶段目标检测过程中，通过修改特征提取网络对训练样本数据集中每张图像提取特征。得到一种规格为(512*37*50)的特征图。特征图经过Anchor生成模块会产生数量众多的候选框，即Anchor。然后生成的Anchor会经过区域生成模块，在此阶段模型会从众多的Anchor中筛选并调整位置得到建议框，即Proposal。在训练时，由于Proposal的数量依旧很多，所以需要进一步筛选Proposal得到感兴趣区域，即ROI。最后将ROI送进全连接网络中计算与对应真实物体的的预测得分和预测回归偏移量。间质性肺炎检测***流程图如图1所示。
在特征提取部分，本发明首先对肺部CT图像进行肺实质分割，获得仅存在双肺而不包含躯干部分、床板、隔膜等对检测工作没有作用的图像。首先，采用OTUS算法(大津法—最大类间方法)将CT图像分为前景和背景，得到二值化图像；设T为分割阈值；N，N0和N1分别表示为整幅图像的像素点数，前景像素点数和背景像素点数；ω0和ω1分别为前景和背景的象素点数占整幅图像的比例；μ，μ0和μ1分别为整幅图像的平均像素值，前景平均像素值和背景平均像素值；则有以下两条公式
设前景μ0与背景μ1的方差为g(Ti)2，则g(Ti)2计算公式为
g(Ti)2＝ω0*ω1*(μ0-μ1)2
表达式中g(Ti)2表示分割阈值为Ti的两类间方差，其中i＝1，2，3，...n，这个值越大说明前景与背景的差别也就越大，效果越好；如果Tk对任意的Ti满足g(Tk)2＞g(Ti)2则会选择Tk作为分割阈值，分割结果如图2所示。
经过实验对比，使用7*7的圆形矩阵S对分割后的二值图像进行一次开运算
去除二值图像的噪点效果最佳，结果如图3所示。
然后对开运算后的二值图像进行一次区域生长算法提取肺部掩膜。区域生长法的思想是将组成的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性(像强度、灰度级、纹理颜色等的相邻像素合并到此区域)。所以该算法的显著优势就是能后将相同特征的联通区域划分出来，能够提供很好的边界信息和分割结果。分割结果如图4所示。得到了肺实质区域的掩膜后，对原图和掩膜进行按位与操作，即可得到肺实质图像，如图5所示。
通过肺部纵膈窗CT扫描机器对患者进行采集肺部CT图像，对采集到的CT图像手动标注出发生间质性肺炎和纤维化肺炎部位，将间质性肺炎的目标位置和纤维化肺炎部位的目标位置记为
和
其中
和
分别表示第i个间质性肺炎区域目标位置和第j个纤维化肺炎区域目标位置在第k张图像中的坐标位置，(xmin，ymin，xmax，ymax)表示为标记出目标位置的左上角坐标和右下角坐标，N为所有肺部CT图像的数量，M1，M2分别为间质性肺炎目标区域和纤维化肺炎目标区域在第k张CT图像中的数量，制作样本数据集。
采用引入了SoftNMS的FasterRCNN深度学习算法对制作的样本数据集进行训练：设置训练学习率为0.0001，训练轮数epoch为50，每批次训练图片数batch_size为2，设置权重系数α＝0.25。将经过肺实质提取的的肺部CT图像调整大小为600*600的尺寸，将调整后的图片送入卷积神经网络，对调整后的图片分别进行4次2倍的下采样得到37*37的特征图用来检测目标区域。采用反向传播算法和梯度下降方法来训练卷积神经网络，直至模型收敛，得到检测间质性肺炎的深度学习模型Model。
由于该模型的输出是多条目输出形式的，输出结果形如
其中P1,P2和P3表示的是模型推理出的目标位置的概率∈[0，1]，考虑到多输出不容易直接看出肺部严重程度，故本文继而提出采用模糊逻辑算法对模型输出结果进行进一步的精确评估分析，使得模型推理的结果更加显而易见。
模糊逻辑是指模仿人脑的不确定性概念判断、推理的思维方式，对模型位置或者不能确定的描述***，应用模糊集合和模糊规则进行推理，表达过渡性界限或者定型知识经验，模拟人脑方式，实行模糊综合判断，推理解决常规方法难于对付的规则性模糊信息问题。将模型输出的目标区域的位置坐标(xmin，ymin，xmax，ymax)进行归一化
得到的
是目标区域i的面积图像k的面积的比例，其中Wk*Hk代表图像k的面积，设定肺部CT图像患有间质性肺炎的区域面积Si对整幅CT图像面积的隶属度函数为
另外设定目标区域患病概率Pi对整个肺部患病的概率的隶属度函数为
其中隶属度函数中每条曲线的系数根据实际情况设定。并由专家提供模糊控制规则
本文为了清楚的表述该算法，假设S＝0.35，P＝0.68，对输入变量模糊化，得到面积和概率对应于模糊标记的隶属度如表：
面积的隶属度Ai(Si)
概率的隶属度Li(Pi)
| 模糊标记 | 隶属度 |
| 低 | 0.04 |
| 中 | 0.27 |
| 高 | 0 |
会激活4条控制规则：
A.面积小且概率低，则低危，min(A＝0.125，L＝0.04)＝0.04；
B.面积小且概率中，则中危，min(A＝0.125，L＝0.27)＝0.125；
C.面积中且概率低，则低危，min(A＝0.1，L＝0.04)＝0.04；
D.面积中且概率中，则高危，min(A＝0.1，L＝0.27)＝0.1。
进一步的计算模糊控制规则的强度，由于规则内条件连接的关键字是“且”，所以选用最小值原则确定4条规则强度，再规则间采用最大值确定触发的规则为ABD,对规则进行去模糊化，该个目标位置的强度输出结果F为
对于一整张CT图像，必然存在自然数N个目标，借用数学期望的概念，综合所有目标区域的强度，最终结果为
在主服务器上搭建间质性肺炎检测环境，并通过训练优化后的深度学习模型部署到服务器上，在本地使用模型进行推理预测。已部署的模型对输入的肺部CT图像经过模型并进行预测，得到所有预测框，经过模糊逻辑的综合评价得到最终的检测结果，对异常的图片进行报警。
实施例：
以5000张包含间质性肺炎的工业机器图片为训练样本，对采集到的CT图像手动标注出发生间质性肺炎和纤维化肺炎部位，将间质性肺炎的目标位置和纤维化肺炎部位的目标位置记为
和
其中
和
分别表示第i个间质性肺炎区域目标位置和第j个纤维化肺炎区域目标位置在第k张图像中的坐标位置，制作样本数据集。在间质性肺炎检测项目中，深度学习模型的检测目标类别数目为2，即间质性肺炎和纤维化肺炎，设置训练学习率为0.001，训练轮数epoch为50，每批次训练图片数batch_size为2，训练用于检测间质性肺炎的FasterRCNN深度学习模型，直至模型收敛。
本发明对肺部CT图像进行肺实质分割，提高检测的注意力，有效避免了气管，床板，隔膜等不重要信息的干扰，提高模型的精确度；在模型的输出端进行模糊逻辑分析所有目标的信息并进一步处理成的一个数，提高模型的可读性和易用性。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于深度学习与模糊逻辑的间质性肺炎评估方法，其特征在于：包括以下步骤：
S1：收集汇总间质性肺病图像，制作样本数据集；
S2：对肺部CT图像进行肺实质分割，获得仅存在双肺而不包含躯干部分、床板、隔膜等对检测工作没有作用的图像，输入病例图像，训练深度学习模型，深度学习模型并部署；
S3：导入实时肺部CT图像，通过深度学习模型自动标记出所有病变区域，具体为将深度学习模型远程部署到医院的主服务器中，通过科室办公电脑将病人会诊的CT图像传送给主服务器，通过主服务器中部署的深度学习模型对CT图像进行自动识别检测，得出是否发生间质性肺病现象，并输出结果，并对异常的图片进行报警；
S4：对所有病变区域进行模糊化，模糊推理和去模糊化，输出评估结果。
2.根据权利要求1所述的一种基于深度学习与模糊逻辑的间质性肺炎评估方法，其特征在于：所述S1中样本数据集上传至网络数据库。
3.根据权利要求1所述的一种基于深度学习与模糊逻辑的间质性肺炎评估方法，其特征在于：所述S2中对肺部CT图像进行肺实质分割采用OTUS算法将CT图像分为前景和背景，得到二值图像，然后对开运算后的二值图像进行一次区域生长算法提取肺部掩膜。
4.根据权利要求1所述的一种基于深度学习与模糊逻辑的间质性肺炎评估方法，其特征在于：所述S2中训练深度学习模型采用SoftNMS的FasterRCNN深度学习算法对制作的样本数据集进行训练。
5.根据权利要求1所述的一种基于深度学习与模糊逻辑的间质性肺炎评估方法，其特征在于：所述S3中深度学习模型部署到服务器上，并在本地使用模型进行推理预测。
6.根据权利要求1所述的一种基于深度学习与模糊逻辑的间质性肺炎评估方法，其特征在于：所述S4中模糊化通过模糊逻辑控制模块实现，模糊逻辑控制模块可以对模型输出结果进行进一步评估，使得结果更易读。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110664376.2A CN113344887A (zh) | 2021-06-16 | 2021-06-16 | 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110664376.2A CN113344887A (zh) | 2021-06-16 | 2021-06-16 | 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344887A true CN113344887A (zh) | 2021-09-03 |
Family
ID=77475529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110664376.2A Pending CN113344887A (zh) | 2021-06-16 | 2021-06-16 | 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344887A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757942A (zh) * | 2022-05-27 | 2022-07-15 | 南通大学 | 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180055414A1 (en) * | 2016-08-30 | 2018-03-01 | Universitätsspital Basel | Assessment of the lung parenchyma by means of magnetic resonance images |
| CN108010013A (zh) * | 2017-11-03 | 2018-05-08 | 天津大学 | 一种肺ct图像肺结节检测方法 |
| CN109003672A (zh) * | 2018-07-16 | 2018-12-14 | 北京睿客邦科技有限公司 | 一种基于深度学习的早期肺癌检测分类一体化设备及*** |
| CN111738997A (zh) * | 2020-06-11 | 2020-10-02 | 浙江大学 | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 |
| CN112132800A (zh) * | 2020-09-18 | 2020-12-25 | 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*** |
-
2021
- 2021-06-16 CN CN202110664376.2A patent/CN113344887A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180055414A1 (en) * | 2016-08-30 | 2018-03-01 | Universitätsspital Basel | Assessment of the lung parenchyma by means of magnetic resonance images |
| CN108010013A (zh) * | 2017-11-03 | 2018-05-08 | 天津大学 | 一种肺ct图像肺结节检测方法 |
| CN109003672A (zh) * | 2018-07-16 | 2018-12-14 | 北京睿客邦科技有限公司 | 一种基于深度学习的早期肺癌检测分类一体化设备及*** |
| CN111738997A (zh) * | 2020-06-11 | 2020-10-02 | 浙江大学 | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 |
| CN112132800A (zh) * | 2020-09-18 | 2020-12-25 | 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*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757942A (zh) * | 2022-05-27 | 2022-07-15 | 南通大学 | 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110599448B (zh) | 基于MaskScoring R-CNN网络的迁移学习肺部病变组织检测*** | |
| van Ginneken | Fifty years of computer analysis in chest imaging: rule-based, machine learning, deep learning | |
| CN110680326B (zh) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 | |
| Lin et al. | Autonomous detection of pulmonary nodules on CT images with a neural network-based fuzzy system | |
| CN109272048B (zh) | 一种基于深度卷积神经网络的模式识别方法 | |
| US8391603B2 (en) | System and method for image segmentation | |
| Li et al. | Attention-guided convolutional neural network for detecting pneumonia on chest x-rays | |
| CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断*** | |
| Liu et al. | A fully automatic segmentation algorithm for CT lung images based on random forest | |
| Boban et al. | Lung diseases classification based on machine learning algorithms and performance evaluation | |
| CN112990344B (zh) | 一种肺结节多视图分类方法 | |
| R-Prabha et al. | Design of hybrid deep learning approach for covid-19 infected lung image segmentation | |
| Dhindsa et al. | Grading prenatal hydronephrosis from ultrasound imaging using deep convolutional neural networks | |
| Manikandan et al. | Lung cancer diagnosis from CT images using fuzzy inference system | |
| CN113344887A (zh) | 一种基于深度学习与模糊逻辑的间质性肺炎评估方法 | |
| JP2020188872A (ja) | 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 | |
| CN112633336A (zh) | 一种基于多尺度特征融合的肺结节识别分类方法 | |
| CN112364924A (zh) | 一种基于深度学习的口腔医疗图像识别方法 | |
| Garea-Llano et al. | Affectation index and severity degree by COVID-19 in Chest X-ray images using artificial intelligence | |
| Liu et al. | A locating model for pulmonary tuberculosis diagnosis in radiographs | |
| Mannepalli et al. | An Early Detection of Pneumonia in CXR Images using Deep Learning Techniques | |
| Chandrakantha et al. | A Survey on Artificial Intelligence-based Lung Tumor Segmentation and Classification | |
| Kumar et al. | A computer aided diagnosis framework for detection and classification of interstitial lung diseases using computed tomography (CT) images | |
| Reddy et al. | Different algorithms for lung cancer detection and prediction | |
| Krishnan et al. | A Comparative Analysis of Chest X-rays and CT Scans Towards COVID-19 Detection |
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 |