CN114332023A - 气胸自动诊断及危机预警方法、装置、设备及存储介质 - Google Patents
气胸自动诊断及危机预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114332023A CN114332023A CN202111648452.7A CN202111648452A CN114332023A CN 114332023 A CN114332023 A CN 114332023A CN 202111648452 A CN202111648452 A CN 202111648452A CN 114332023 A CN114332023 A CN 114332023A
- Authority
- CN
- China
- Prior art keywords
- lung
- pneumothorax
- image
- region
- volume
- 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
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例属于医学智能和人工智能技术领域,涉及一种气胸自动诊断及危机预警方法,方法包括:获取肺部CT图像,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积,基于3D U‑net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例。实现了对气胸区域的精准识别和分割。本申请还提供一种气胸自动诊断及危机预警装置、设备及存储介质。此外,本申请还涉及区块链技术,气胸诊断结果可存储于区块链中。本申请完成对气胸自动诊断及危机预警。
Description
技术领域
本申请涉及医学智能与人工智能技术领域,尤其涉及一种气胸自动诊断及危机预警方法、装置、设备及存储介质。
背景技术
在气胸诊断方面,目前的算法依旧存在如下问题:第一、已精确标记的气胸肺部图像数量不足、分辨率较低,大部分图像分割算法,尤其是基于深度学习的分割算法需要准备大量精确标记的训练图像,然而,医学图像的标记不仅依赖于医生的专业知识,还需要考虑到医学伦理和病人的隐私,因此可以获取到的专病医学图像数据库并不多,并且还受到不同医生临床实践的差异影响,对于标记后的医学图像可能存在错误;第二、目前气胸区域的分割算法的精准度还需提高,气胸病灶的形状不规则,个体差异大,较小的气胸可能是微小的,难以识别,目前的分割算法还有很高的提升空间;第三、大部分气胸诊断***无法自动诊断出患者的危急情况,较大面积的气胸可能会引起通气障碍,就会让人出现呼吸困难等现象,若是没有进行及时的医疗介入,可能会引起许多危险的情况。
发明内容
本申请实施例的目的在于提出一种气胸自动诊断及危机预警方法、装置、设备及存储介质,以解决现有技术中已精确标记的气胸肺部图像数量不足、分辨率较低、精准度较低的技术问题。
为了解决上述技术问题,本申请实施例提供一种气胸自动诊断及危机预警方法,采用了如下所述的技术方案:所述方法包括下述步骤:
获取肺部CT图像;
通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值;
将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积;
基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积;
根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例;
当达到预设数值时,提供危机预警;
当未达到预设数值时,提供保养方案。
进一步地,所述通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值的步骤包括:
根据所述肺部CT图像的概率密度函数以及每个肺部CT图像的像素强度进行关系映射;
获取所述肺部CT图像的灰度值。
进一步地,所述将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积的步骤包括:
根据所述肺部CT图像的灰度值计算类间方差;
当所述类间方差最大时,基于最大所述类间方差对应的最佳灰度值进行肺实质区域分割;
基于形态学滤波计算分割后的肺实质区域的体积。
进一步地,肺部CT图像的灰度值包括前景部分与后景部分,所述根据所述肺部CT图像的灰度值计算类间方差的步骤包括:
获取所述肺部CT图像的灰度值的前景部分的平均值以及后景部分的平均值、前景部分中的像素数占总像素数的比例、背景部分中的像素数占总像素数的比例;
根据所述前景部分的平均值与所述后景部分的平均值的差的平方乘以所述前景部分中的像素数占总像素数的比例以及所述背景部分中的像素数占总像素数的比例,计算结果为类间方差。
进一步地,所述基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积的步骤包括:
构建所述肺部CT图像的3D U-net深度卷积网络;
根据3D U-net深度卷积网络挖掘所述肺部CT图像的关键特征,并由所述关键特征建立网络模型;
识别网络模块中的气胸区域并分割气胸区域以及计算气胸区域体积。
进一步地,所述构建所述肺部CT图像的3D U-net深度卷积网络的步骤包括:
建立编码路径,其中,编码路径的每一层包含两个卷积核大小为3×3×3的卷积层、一个ReLU激活层,再连接卷积核为2×2×2、步长为2的池化层;
建立解码路劲,其中,解码路劲的每一层包含一个步长为2的2×2×2的反卷积层,紧跟两个卷积核大小为3×3×3的卷积层,后接一个ReLU激活层;
根据所述编码路径与所述解码路径构建3D U-net深度卷积网络。
进一步地,所述根据3D U-net深度卷积网络挖掘所述肺部CT图像的关键特征,并由所述关键特征建立网络模型的步骤具体包括:
挖掘所述编码路径中相同分辨率的关键特征;
将所述关键特征传递到所述解码路径中,并输出二值标签;
根据所述编码路径、所述解码路径以及所述二值标签建立网络模型。
为了解决上述技术问题,本申请实施例还提供一种气胸自动诊断及危机预警装置,所述装置包括:
获取模块,获取肺部CT图像;
图像处理模块,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值;
肺实质获取模块,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积;
气胸区域获取模块,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积;
判断模块,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例,当达到预设数值时,提供危机预警;当未达到预设数值时,提供保养方案。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述的气胸自动诊断及危机预警方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的气胸自动诊断及危机预警方法的步骤。
与现有技术相比,本申请通过获取肺部CT图像,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例,当达到预设数值时,提供危机预警,当未达到预设数值时,提供保养方案。实现了对气胸区域的精准识别和分割,有助于实现气胸病灶的自动诊断、定位和量化分析,提示放射科医师按照病情危重程度优先处理,减少气胸患者在放射科等候报告的时间,保障危急患者医疗安全。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2是气胸自动诊断及危机预警方法的一个实施例的流程图;
图3是3D U-net深度卷积网络的构建图;
图4是气胸自动诊断及危机预警方法的流程实现施例图;
图5是气胸自动诊断及危机预警装置的一个实施例的结构示意图;
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于语音语义的信息检索方法一般由服务器执行,相应地,基于语音语义的信息检索装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2-图4,示出了根据本申请的气胸自动诊断及危机预警方法的一个实施例的流程图。所述的气胸自动诊断及危机预警方法,包括以下步骤:
步骤S1,获取肺部CT图像;
肺部CT图像一方面有患者实时检测获取,一方面还可从气胸专病数据库中提取,其中,气胸专病数据库的建立具体为采集临床医院肺部CT图像,并请医生对气胸区域进行标记,建立了气胸专病数据库。具体地利用ITK-SNAP专用标注软件对气胸区域区域进行标记,用于算法的训练与测试。目前气胸专病数据库中共收集61组三维肺部CT图像,每组三维肺部CT图像至少包括150个二维横断面。
步骤S2,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值;
具体地,灰度直方图是将肺部CT图像中的所有像素,按照灰度值的大小,统计其出现的频率。灰度直方图是灰度级的函数,它表示肺部CT图像中具有某种灰度级的像素的个数,反映了肺部CT图像中某种灰度出现的频率。
如果将肺部CT图像的总像素亮度(灰度级别)看成是一个随机变量,则其分布情况就反映了肺部CT图像的统计特性,这可用probability density function(PDF)来刻画和描述,表现为灰度直方图。
直方图均衡化是一种通过使用图像直方图,调整对比度的图像处理方法;通过对肺部CT图像的强度(intensity)进行某种非线性变换,使得变换后的图像直方图为近似均匀分布,从而,达到提高图像对比度和增强图片的目的。在本实施例中,直方图均衡化采用如下形式的非线性变换:
设f为原始灰度图像,g为直方图均衡化的灰度图像,则g和f的每个像素的映射关系如下:
其中,pn等于图像f中强度为n的像素数占总像素数的比例,即原始肺部CT图像处理的灰度图直方图的概率密度函数;fi,j表示在图像f中,第i行,第j列的像素强度;gi,j表示在图像g中,第i行,第j列的像素强度。根据所述肺部CT图像的概率密度函数以及每个肺部CT图像的像素强度进行关系映射,获取所述肺部CT图像的灰度值。
步骤S3,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积;
按图像的灰度特性,将肺部CT图像分成背景和前景。背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
根据所述肺部CT图像的灰度值计算类间方差,包括:获取所述肺部CT图像的灰度值的前景部分的平均值以及后景部分的平均值、前景部分中的像素数占总像素数的比例、背景部分中的像素数占总像素数的比例;根据所述前景部分的平均值与所述后景部分的平均值的差的平方乘以所述前景部分中的像素数占总像素数的比例以及所述背景部分中的像素数占总像素数的比例,计算结果为类间方差。
当所述类间方差最大时,基于最大所述类间方差对应的最佳灰度值进行肺实质区域分割;基于形态学滤波计算分割后的肺实质区域的体积。
具体地,任意选取一个灰度值t,设置一个分类的阈值,也即一个灰度级,开始从0迭代,根据阈值分割法,可以将肺部CT图像分成两部分,分别是大于灰度值t的前景部分和低于灰度值t的背景部分。前景部分和背景部分对应的平均值为If和Ibg,前景部分里的像素数占总像素数的比例记作Pf,背景部分里的像素数占总像素数的比例记作Pbg,计算肺部CT图像的灰度值均值记Im,和类间方差C可以定义为:
Im=IfPf+IbgPbg
C=Pf(If-Im)2+Pbg(Ibg-Im)2
将Im带入C中可得:
C=PfPbg(If-Ibg)2
OSTU的优化目标是寻找t使得C的值最大,主要通过遍历灰度值将最大C相应的灰度值作为肺部CT图像的全局阈值,实现基于阈值的肺实质分割。随后,利用形态学滤波,即进行一次图像腐蚀和图像膨胀,去除零散的孤立点。计算最终分割出的肺实质区域的体积,记为Vlung。
步骤S4,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积;
具体地,先构建所述肺部CT图像的3D U-net深度卷积网络,3D U-net深度卷积网络构建方法如下:建立编码路径,其中,编码路径的每一层包含两个卷积核大小为3×3×3的卷积层、一个ReLU激活层,再连接卷积核为2×2×2、步长为2的池化层;建立解码路劲,其中,解码路劲的每一层包含一个步长为2的2×2×2的反卷积层,紧跟两个卷积核大小为3×3×3的卷积层,后接一个ReLU激活层;根据所述编码路径与所述解码路径构建3D U-net深度卷积网络。
根据3D U-net深度卷积网络挖掘所述肺部CT图像的关键特征,并由所述关键特征建立网络模型,具体地,挖掘所述编码路径中相同分辨率的关键特征;将所述关键特征传递到所述解码路径中,并输出二值标签;根据所述编码路径、所述解码路径以及所述二值标签建立网络模型。
最后通过识别网络模块中的气胸区域并分割气胸区域以及计算气胸区域体积。
需要说明的是,构建3D U-net深度卷积网络,根据3D U-net深度卷积网络挖掘肺部CT图像的关键特征,实现气胸区域的智能识别和分割。3D U-net深度卷积网络包括一条编码路径和一条解码路径。在编码路径中,每一层包含两个卷积核大小为3×3×3的卷积层、一个ReLU激活层,再连接卷积核为2×2×2、步长为2的池化层。在解码路径中,每一层包含一个步长为2的2×2×2的反卷积层,紧跟两个卷积核大小为3×3×3的卷积层,后接一个ReLU激活层。通过跳跃连接,将编码路径中相同分辨率的关键特征传递到解码路径中,以增大3D U-net深度卷积网络的信息流。3D U-net深度卷积网络最后的输出层输出的是二值标签,网络模型如图2。模型采用Adam优化器进行参数优化,权重衰减为1e-6,学习率为1e-4,Adam优化器结合了AdaGrad和RMSProp两种优化算法的特点,其公式如下:
其中,t为迭代次数,α表示步长,β1和β2是衰弱速率,θ代表模型的参数,m表示指数移动均值,v表示平方梯度,∈代表非常小参数,防止在计算中除以0。函数的损失函数为交叉损失熵,其公式如下:
通过网络模型可以分割出的气胸区域计算出其体积,记为Vleision。
步骤S5,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例;
通过S3和S4获得的肺实质体积Vlung和气胸区域体积Vleision,计算定量分析气胸的占比,Pleision=Vleision/Vlung。按照小于30%,30%-70%和高于70%,赋予低、中和高风险,给予医生提示。
步骤S6,当达到预设数值时,提供危机预警;
在本实施例中,预设数值为70%,即超过70%则患者处于高风险状态,根据患者的病灶情况出具手术方案、治疗方案以及后续康复方案。
步骤S7,当未达到预设数值时,提供保养方案。
在本实施例中,预设数值为70%,即低于70%则患者处于中风险或低风险状态,根据患者的病灶情况出具保养方案,当然在气胸的占比低于70%中还可在进行细分,例如小于30%以及30%至70%区间,30%至70%区间为中风险,小于30%为低风险,针对中风险提出身体的保养方案以及恶化警示,针对低风险给出身体良好的检测状态。
发明验证结果:根据以上方法获得的结果随机抽取12组肺部CT图像作为测试集A,其余作为训练集B,用DICE系数,如下式作为衡量,实验结果为0.84,因此,本方法输出的结果对于中、高风险气胸病灶的敏感性为100%。
本实施例通过获取肺部CT图像,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例,当达到预设数值时,提供危机预警,当未达到预设数值时,提供保养方案。实现了对气胸区域的精准识别和分割,有助于实现气胸病灶的自动诊断、定位和量化分析,提示放射科医师按照病情危重程度优先处理,减少气胸患者在放射科等候报告的时间,保障危急患者医疗安全。
需要强调的是,为进一步保证上述气胸诊断结果的私密和安全性,上述气胸诊断结果还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图5,作为对上述图2-4所示方法的实现,本申请提供了一种气胸自动诊断及危机预警装置的一个实施例,该装置实施例与图2-4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例所述的气胸自动诊断及危机预警装置400包括:获取模块401、图像处理模块402、肺实质获取模块403、气胸区域获取模块404、判断模块405。其中:
获取模块401,获取肺部CT图像;
图像处理模块402,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值;
肺实质获取模块403,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积;
气胸区域获取模块404,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积;
判断模块405,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例,当达到预设数值时,提供危机预警;当未达到预设数值时,提供保养方案。
本实施例通过获取肺部CT图像,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例,当达到预设数值时,提供危机预警,当未达到预设数值时,提供保养方案。实现了对气胸区域的精准识别和分割,有助于实现气胸病灶的自动诊断、定位和量化分析,提示放射科医师按照病情危重程度优先处理,减少气胸患者在放射科等候报告的时间,保障危急患者医疗安全。
在本实施例的一些可选的实现方式中,所述图像处理模块402包括:
映射子模块,根据所述肺部CT图像的概率密度函数以及每个肺部CT图像的像素强度进行关系映射;
获取子模块,获取所述肺部CT图像的灰度值。
在本实施例的一些可选的实现方式中,所述肺实质获取模块403包括:
计算类间方差子模块,根据所述肺部CT图像的灰度值计算类间方差;
分割子模块,当所述类间方差最大时,基于最大所述类间方差对应的最佳灰度值进行肺实质区域分割;
计算肺实质区域子模块,基于形态学滤波计算分割后的肺实质区域的体积。
所述计算类间方差子模块包括:
获取子单元,获取所述肺部CT图像的灰度值的前景部分的平均值以及后景部分的平均值、前景部分中的像素数占总像素数的比例、背景部分中的像素数占总像素数的比例;
计算类间方差子单元,根据所述前景部分的平均值与所述后景部分的平均值的差的平方乘以所述前景部分中的像素数占总像素数的比例以及所述背景部分中的像素数占总像素数的比例,计算结果为类间方差。
在本实施例的一些可选的实现方式中,所述气胸区域获取模块404包括:
构建子模块,构建所述肺部CT图像的3D U-net深度卷积网络;
建立模型子模块,根据3D U-net深度卷积网络挖掘所述肺部CT图像的关键特征,并由所述关键特征建立网络模型;
识别子模块,识别网络模块中的气胸区域并分割气胸区域以及计算气胸区域体积。
所述构建子模块包括:
编码路径建立子单元,建立编码路径,其中,编码路径的每一层包含两个卷积核大小为3×3×3的卷积层、一个ReLU激活层,再连接卷积核为2×2×2、步长为2的池化层;
解码路径建立子单元,建立解码路劲,其中,解码路劲的每一层包含一个步长为2的2×2×2的反卷积层,紧跟两个卷积核大小为3×3×3的卷积层,后接一个ReLU激活层;
网络构建子单元,根据所述编码路径与所述解码路径构建3D U-net深度卷积网络。
所述建立模型子模块包括:
挖掘子单元,挖掘所述编码路径中相同分辨率的关键特征;
传递子单元,将所述关键特征传递到所述解码路径中,并输出二值标签;
建立模型子单元,根据所述编码路径、所述解码路径以及所述二值标签建立网络模型。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图6,图6为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图6中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备6的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如气胸自动诊断及危机预警方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述气胸自动诊断及危机预警方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过获取肺部CT图像,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例,当达到预设数值时,提供危机预警,当未达到预设数值时,提供保养方案。实现了对气胸区域的精准识别和分割,有助于实现气胸病灶的自动诊断、定位和量化分析,提示放射科医师按照病情危重程度优先处理,减少气胸患者在放射科等候报告的时间,保障危急患者医疗安全。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的气胸自动诊断及危机预警方法的步骤。
本实施例通过获取肺部CT图像,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例,当达到预设数值时,提供危机预警,当未达到预设数值时,提供保养方案。实现了对气胸区域的精准识别和分割,有助于实现气胸病灶的自动诊断、定位和量化分析,提示放射科医师按照病情危重程度优先处理,减少气胸患者在放射科等候报告的时间,保障危急患者医疗安全。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种气胸自动诊断及危机预警方法,其特征在于,所述方法包括下述步骤:
获取肺部CT图像;
通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值;
将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积;
基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积;
根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例;
当达到预设数值时,提供危机预警;
当未达到预设数值时,提供保养方案。
2.根据权利要求1所述的气胸自动诊断及危机预警方法,其特征在于,所述通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值的步骤包括:
根据所述肺部CT图像的概率密度函数以及每个肺部CT图像的像素强度进行关系映射;
获取所述肺部CT图像的灰度值。
3.根据权利要求1所述的气胸自动诊断及危机预警方法,其特征在于,所述将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积的步骤包括:
根据所述肺部CT图像的灰度值计算类间方差;
当所述类间方差最大时,基于最大所述类间方差对应的最佳灰度值进行肺实质区域分割;
基于形态学滤波计算分割后的肺实质区域的体积。
4.根据权利要求3所述的气胸自动诊断及危机预警方法,其特征在于,肺部CT图像的灰度值包括前景部分与后景部分,所述根据所述肺部CT图像的灰度值计算类间方差的步骤包括:
获取所述肺部CT图像的灰度值的前景部分的平均值以及后景部分的平均值、前景部分中的像素数占总像素数的比例、背景部分中的像素数占总像素数的比例;
根据所述前景部分的平均值与所述后景部分的平均值的差的平方乘以所述前景部分中的像素数占总像素数的比例以及所述背景部分中的像素数占总像素数的比例,计算结果为类间方差。
5.根据权利要求1所述的气胸自动诊断及危机预警方法,其特征在于,所述基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积的步骤包括:
构建所述肺部CT图像的3D U-net深度卷积网络;
根据3D U-net深度卷积网络挖掘所述肺部CT图像的关键特征,并由所述关键特征建立网络模型;
识别网络模块中的气胸区域并分割气胸区域以及计算气胸区域体积。
6.根据权利要求5所述的气胸自动诊断及危机预警方法,其特征在于,所述构建所述肺部CT图像的3D U-net深度卷积网络的步骤包括:
建立编码路径,其中,编码路径的每一层包含两个卷积核大小为3×3×3的卷积层、一个ReLU激活层,再连接卷积核为2×2×2、步长为2的池化层;
建立解码路劲,其中,解码路劲的每一层包含一个步长为2的2×2×2的反卷积层,紧跟两个卷积核大小为3×3×3的卷积层,后接一个ReLU激活层;
根据所述编码路径与所述解码路径构建3D U-net深度卷积网络。
7.根据权利要求6所述的气胸自动诊断及危机预警方法,其特征在于,所述根据3D U-net深度卷积网络挖掘所述肺部CT图像的关键特征,并由所述关键特征建立网络模型的步骤具体包括:
挖掘所述编码路径中相同分辨率的关键特征;
将所述关键特征传递到所述解码路径中,并输出二值标签;
根据所述编码路径、所述解码路径以及所述二值标签建立网络模型。
8.一种气胸自动诊断及危机预警装置,其特征在于,所述装置包括:
获取模块,获取肺部CT图像;
图像处理模块,通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值;
肺实质获取模块,将所述肺部CT图像的灰度值基于OSTU进行优化,并计算得出肺实质区域的体积;
气胸区域获取模块,基于3D U-net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积;
判断模块,根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例,当达到预设数值时,提供危机预警;当未达到预设数值时,提供保养方案。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的气胸自动诊断及危机预警方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的气胸自动诊断及危机预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111648452.7A CN114332023A (zh) | 2021-12-30 | 2021-12-30 | 气胸自动诊断及危机预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111648452.7A CN114332023A (zh) | 2021-12-30 | 2021-12-30 | 气胸自动诊断及危机预警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332023A true CN114332023A (zh) | 2022-04-12 |
Family
ID=81018415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111648452.7A Pending CN114332023A (zh) | 2021-12-30 | 2021-12-30 | 气胸自动诊断及危机预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332023A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102240212A (zh) * | 2010-05-14 | 2011-11-16 | Ge医疗***环球技术有限公司 | 测量气胸的方法和装置 |
CN109727251A (zh) * | 2018-12-29 | 2019-05-07 | 上海联影智能医疗科技有限公司 | 一种定量肺部病症分割的***、方法和设备 |
CN111047591A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 基于深度学习的病灶体积测量方法、***、终端及存储介质 |
WO2021248187A1 (en) * | 2020-06-09 | 2021-12-16 | Annalise-Ai Pty Ltd | Systems and methods for automated analysis of medical images |
-
2021
- 2021-12-30 CN CN202111648452.7A patent/CN114332023A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102240212A (zh) * | 2010-05-14 | 2011-11-16 | Ge医疗***环球技术有限公司 | 测量气胸的方法和装置 |
CN109727251A (zh) * | 2018-12-29 | 2019-05-07 | 上海联影智能医疗科技有限公司 | 一种定量肺部病症分割的***、方法和设备 |
CN111047591A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 基于深度学习的病灶体积测量方法、***、终端及存储介质 |
WO2021248187A1 (en) * | 2020-06-09 | 2021-12-16 | Annalise-Ai Pty Ltd | Systems and methods for automated analysis of medical images |
Non-Patent Citations (2)
Title |
---|
柳杨: "《数字图像物体识别理论详解与实战》", 北京邮电大学出版社, pages: 17 * |
王继元: "基于深度学习的正位DR胸片质控体系研究与应用", 《万方学术期刊数据库》, pages 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
WO2021135449A1 (zh) | 基于深度强化学习的数据分类方法、装置、设备及介质 | |
CN114462412B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
Xiao et al. | An automated segmentation method for lung parenchyma image sequences based on fractal geometry and convex hull algorithm | |
CN113168912A (zh) | 使用深度学习确定3d数据集中对象的增长速度 | |
CN109871866B (zh) | 用于医院内感染预测的模型训练方法、装置、设备及介质 | |
CN114822741A (zh) | 患者分类模型的处理装置、计算机设备及存储介质 | |
CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN113850260B (zh) | 关键信息抽取方法、装置、电子设备及可读存储介质 | |
US20240161035A1 (en) | Multi-model medical scan analysis system and methods for use therewith | |
CN115036034B (zh) | 一种基于患者表征图的相似患者识别方法及*** | |
CN116521915A (zh) | 一种相似医学图像的检索方法、***、设备及介质 | |
CN114511569B (zh) | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 | |
CN114332023A (zh) | 气胸自动诊断及危机预警方法、装置、设备及存储介质 | |
CN113821641B (zh) | 基于权重分配的药品分类的方法、装置、设备及存储介质 | |
CN116166999A (zh) | 异常交易数据识别方法、装置、计算机设备及存储介质 | |
CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 | |
CN114664458A (zh) | 患者分类装置、计算机设备及存储介质 | |
CN113822846A (zh) | 医学图像中确定感兴趣区域的方法、装置、设备及介质 | |
CN113780855A (zh) | 医疗机构监管方法、装置、计算机设备及存储介质 | |
CN112086154A (zh) | 儿科信息智能建档方法、装置、设备及存储介质 |
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 |