CN114820571A - 一种基于dlpe算法的肺炎纤维化量化分析方法 - Google Patents
一种基于dlpe算法的肺炎纤维化量化分析方法 Download PDFInfo
- Publication number
- CN114820571A CN114820571A CN202210558970.8A CN202210558970A CN114820571A CN 114820571 A CN114820571 A CN 114820571A CN 202210558970 A CN202210558970 A CN 202210558970A CN 114820571 A CN114820571 A CN 114820571A
- Authority
- CN
- China
- Prior art keywords
- lung
- segmentation
- lesion
- data
- algorithm
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种基于DLPE算法的肺炎纤维化量化分析方法,涉及医学图像处理技术,针对肺炎CT扫描结果利用现有图像处理技术无法在原始肺窗下看到全部肺实质病变,也无法排除气管、血管这些有大CT值的组织对病变量化的影响,导致无法对肺炎病变进行准确识别以及对肺炎后遗症的准确预测。具体过程为:步骤一、采集肺部CT数据组,将采集的肺部CT数据组进行归一化;步骤二、设计分割模型,将归一化后的每个CT数据中肺部、呼吸道、血管和可见病变进行分割;步骤三、根据分割结果,确定观察肺实质病变的最佳窗宽窗位,在最佳窗宽窗位下得到增强的CT数据;步骤四、采用2.5D分割算法,并采用human‑in‑the‑loop程序,结合放射科医生对训练结果的标注,建立更强的分割和量化模型。
Description
技术领域
本发明涉及医学图像处理技术,具体而言,涉及一种基于DLPE算法的肺炎纤维化量化分析方法。
背景技术
肺炎是指肺部出现炎症,为呼吸***的多发病、常见病。肺炎可以发生在任何年龄层的人身上,但以年幼及年长者、以及患有免疫力缺乏症或免疫***比较差的人属于高危患者,他们比较容易发病。若病况严重,可以致命。重症肺炎会留下钙化灶或者纤维灶,严重者可能还会出现肺不张、肺纤维化等问题,从而导致肺功能下降。针对肺炎的后遗症,现有的CT扫描方式无法全面的显示引起患者后遗症的病变。
例如COVID-19常在出院数月后引起肺实质病变,如磨玻璃混浊(GGO)、实变和长期纤维化。目前,对COVID-19住院患者CT扫描病灶进行量化,将CT结果作为COVID-19住院患者症状及短期预后的预测指标。然而,有研究显示,在出院的COVID-19患者中,呼吸后遗症与其后续CT扫描之间存在不一致。首先,重度症状患者的6个月随访患者的肺功能总体上要比轻度症状患者差得多,而CT扫描结果几乎各方面都非常相似。第二,大部分COVID-19患者在出院6个月后仍有呼吸道后遗症。然而,经验丰富的放射科医生和最先进的人工智能***无法在大约一半的患者身上检测到CT病变,而另一半的患者的CT检测只能检测到微不足道的病变。由此可认为这些呼吸后遗症可能由胸部CT上肉眼看不清的肺部病变引起的。
由于CT扫描结果对有些肺部病变不能全部显示,这对病变识别的准确性存在一定影响,尤其对肺炎后遗症预测的准确性中影响较大。这就需要一种图像处理方法能够将CT扫描结果图像中的亚视觉病变显现出来,然而现有的图像处理技术无法针对肺部的亚视觉病变进行可视化和量化。
发明内容
本发明要解决的技术问题是:
针对肺炎CT扫描结果利用现有图像处理技术无法在原始肺窗下看到全部肺实质病变(即看不到有些肺实质病变),也无法排除气管、血管这些有大CT值的组织对病变量化的影响,导致无法对肺炎病变进行准确识别以及对肺炎后遗症的准确预测。
本发明为解决上述技术问题所采用的技术方案:
本发明提供一种基于DLPE算法的肺炎纤维化量化分析方法,本发明所述DLPE算法为Deep Lung Parenchyma Enhanced的缩写,所述亚视觉病变为在CT扫描过程看不见的病变,本发明实质是提供一种图像处理技术,将CT扫描图像中不易看到的病变进行可视化。本发明方法是按照如下步骤进行的:
步骤一、采集肺部CT数据组,将采集的肺部CT数据组进行归一化,使数据组转换到一个有相同维度和相同分辨率的标准空间中;
步骤二、设计分割模型,将归一化后的每个CT数据中肺部、呼吸道、血管和可见病变进行分割;
步骤三、根据分割结果得到健康肺实质区域,统计健康肺实质的CT信号中位数和标准差,以此确定观察肺实质病变的最佳窗宽窗位;在最佳窗宽窗位下进一步去掉除肺实质外的组织,得到增强的CT数据;
步骤四、采用2.5D分割算法,并采用human-in-the-loop程序,结合放射科医生对训练结果的标注,建立更强的分割和量化模型,此分割模型输入增强的CT数据,能够输出已知和新的亚视觉病变的分割,此量化模型可量化肺实质和下呼吸肺实质中病变的严重程度和体积。
进一步地,所述步骤一中,使用Lanczos插值将肺部CT数据的每个体素缩放到标准分辨率,然后将数据填充到标准形状中。
进一步地,所述步骤一中,还包括利用肺窗来归一化CT信号值:
式中,Ioriginal为未归一化的CT值,WL为肺窗窗位,WW为肺窗窗宽。
进一步地,所述步骤二中的分割模型,针对肺部和已知病变分割时,采用2.5D分割算法;所述2.5D分割算法为使用二维U-net得到XY、YZ、XZ三个面的二维分割结果,使用集成学习将不同视角的二维分割结果进行组合,然后输出三维分割结果。
进一步地,所述步骤二中的分割模型,针对呼吸道、血管的分割时,采用了两阶段分割模型:第一阶段确定气管、血管的大致范围,减小搜索空间;第二阶段在第一阶段的基础上对气管、血管进行稳定和准确的分割,两个阶段均为使用特征增强损失函数的2.5D分割模型;
所述特征增强损失函数是体素级的平衡交叉熵损失,它是一切体素损失的总和,每个体素损失为:
voxelloss=-w×ln(p)×p′-ln(1-p)×(1-p′)
式中,p为体素为正的预测概率,p′为体素为正的真实概率,w为预测错误的惩罚权重;
所述两阶段分割模型中第一阶段模型输入归一化的CT数据,分别输出高查全率掩模和高精度掩模;第二阶段模型输入归一化的CT数据、所述高查全率掩模和所述高精度掩模,输出最终的分割结果;在对呼吸道、血管和已知病变中的微小结构进行分割时,第二阶段模型只需要在所述高查全率掩模和高精度掩模的引导下进行搜索。
进一步地,所述步骤三中,所述步骤三中计算健康肺实质的标准差σ时,将健康肺实质CT数据中最大和最小CT值中的20%剔除,以剔除异常值和潜在的亚视觉病变,再根据得到的肺实质数据计算标准差σ。
进一步地,所述最佳窗宽窗位的确定方法为采用[baseline,baseline+3σ]和[baseline-3σ,baseline]确定观察肺实质病变的最佳窗宽窗位,其中baseline为基线CT值,即健康肺实质的CT信号中位数。
进一步地,所述步骤三中,获得增强的CT数据的具体方法为:
enhanced CT=(original CT-baseline)/σ
式中,original CT为原始CT数据。
进一步地,所述步骤四中,所述更强的分割模型的构建过程为:
(1)、采用2.5D分割算法,并采用human-in-the-loop程序构建肺部病变分割模型;
(2)、将肺部病变分割模型在步骤一中的归一化的CT数据组上进行训练,得到一个初始模型;
(3)、放射科医生对步骤三中肺实质增强的CT数据中可能包含亚视觉病变的区域进行粗标注,得到亚视觉病变数据集;将初始模型在亚视觉病变数据集上进行训练,得到预训练的分割模型;
(4)预训练的分割模型再对步骤一中的归一化的CT数据组中所有CT图像进行分割,放射科医生进一步将分割结果进行细化,得到精标注分割结果,将精标注分割结果组作为ground truth进行训练,最终得到肺部病变分割模型。
进一步地,所述步骤四中,量化模型可量化肺实质和下呼吸肺实质的病变体积比、中位病变严重程度和总病变严重程度;病变体积比为病变体积除以肺实质体积;病变的中位严重程度是病变与基线CT值差的中位值;病变总严重程度是病变与基线CT值差异的和;
可利用血管掩模近似“下呼吸实质”,即如果一个实质体素最近的血管有分支level>7,则认为这个体素是“下呼吸实质”。
相较于现有技术,本发明的有益效果是:
本发明基于DLPE算法的肺炎纤维化量化分析方法,能够检测和定量肺实质病变,通过提出多个基于深度学习的分割模型,并以可理解的方式将其组装起来,从肺实质的角度去除不相关的组织,计算出次CT扫描观察肺实质病变的最优窗宽窗位,相对于原始肺窗,实质病变明显增强,放射科医生能够发现新的、可解释的病变,这些病变以前在原始肺窗下是看不到的,从这些病变中提取的放射学特征对患者的后遗症具有很强的预测能力。
本发明DLPE方法结合了医学专家和人工智能的优势,通过训练方案提取肺实质的完全可解释的亚视觉病变CT特征,可以帮助放射科医生在许多场景下发现、标注和量化新的实质病变,为不同的任务定制“已知病变”分割模型。例如,将DLPE方法应用于不同肺部疾病的分割任务,包括不同的肺炎、肺结核、肺结节和肺癌。DLPE方法可以对各种肺部疾病进行鲁棒增强和关键分割,显示了其泛化能力和潜在的临床应用价值。
附图说明
图1为本发明实施例中基于DLPE算法的肺炎纤维化量化分析流程图及过程示意图;
图2为本发明实施例中原始CT图像与使用DLPE算法进行处理后CT图像的对比图;
图3为本发明实施例中CT数据空间归一化流程图;
图4为本发明实施例中2.5D分割算法的流程图;
图5为本发明实施例中不使用DLPE算法进行肺实质增强,采用各方法直接分割结果图;
图6为本发明实施例中使用DLPE算法进行肺实质增强后,再采用各方法进行分割结果图。
具体实施方式
在本发明的描述中,应当说明的是,在本发明的实施例中所提到的术语“第一”、“第二”仅用于描述目的,并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
具体实施方案一:结合图1至图4所示,本发明提供一种基于DLPE算法的肺炎纤维化量化分析方法,所述方法是按照如下步骤进行的:
步骤一、采集肺部CT数据组,将采集的肺部CT数据组进行归一化,使数据组转换到一个有相同维度和相同分辨率的标准空间中;
步骤二、设计分割模型,将归一化后的每个CT数据中肺部、呼吸道、血管和可见病变进行分割;
步骤三、根据分割结果得到健康肺实质区域,统计健康肺实质的CT信号中位数和标准差,以此确定观察肺实质病变的最佳窗宽窗位;在最佳窗宽窗位下进一步去掉除肺实质外的组织,得到增强的CT数据;
步骤四、采用2.5D分割算法,并采用human-in-the-loop程序,结合放射科医生对训练结果的标注,建立更强的分割和量化模型,此分割模型输入增强的CT数据,能够输出已知和新的亚视觉病变的分割,此量化模型可量化肺实质和下呼吸肺实质中病变的严重程度和体积。
如图2所示,本实施方案中DLPE算法对原始CT数据进行进行处理后,肺部的可见的病变和亚视觉病变能够更加清晰的显现,使CT数据更够更好的显示病变结果。
具体实施方案二:所述步骤一中,所述步骤一中,使用Lanczos插值将肺部CT数据的每个体素缩放到标准分辨率,然后将数据填充到标准形状中。本实施方案其它与具体实施方案一相同。
具体实施方案三:如图3所示,所述步骤一中,还包括利用肺窗来归一化CT信号值:
式中,Ioriginal为未归一化的CT值,WL为肺窗窗位,WW为肺窗窗宽。本实施方案其它与具体实施方案二相同。
本实施方案中,如图2所示,具体为首先使用Lanczos插值将胸部CT数据的每个体素缩放到标准分辨率然后将数据填充到标准形状512×512×512,即空间归一化数据对应的标准体积为334×334×512mm3,这对于实践中几乎所有的患者来说都是足够大的。接下来线性缩放数据中每个体素的CT值,将肺窗投射到[-0.5,0.5]的范围。
不同扫描仪的CT数据具有不同的像素间距、层厚和最佳肺窗;通过数据归一化,能够极大地提高鲁棒性和准确性。
具体实施方案四:如图4所示,所述步骤二中的分割模型,针对肺部和已知病变分割时,采用2.5D分割算法;所述2.5D分割算法为使用二维U-net得到XY、YZ、XZ三个面的二维分割结果,使用集成学习将不同视角的二维分割结果进行组合,然后输出三维分割结果。本实施方案其它与具体实施方案三相同。
具体实施方案五:所述步骤二中的分割模型,针对呼吸道、血管的分割时,采用了两阶段分割模型:第一阶段确定气管、血管的大致范围,减小搜索空间;第二阶段在第一阶段的基础上对气管、血管进行稳定和准确的分割,两个阶段均为使用特征增强损失函数的2.5D分割模型;
所述特征增强损失函数是体素级的平衡交叉熵损失,它是一切体素损失的总和,每个体素损失为:
voxelloss=-w×ln(p)×p′-ln(1-p)×(1-p′)
式中,p为体素为正的预测概率,p′为体素为正的真实概率,w为预测错误的惩罚权重;
所述两阶段分割模型中第一阶段模型输入归一化的CT数据,分别输出高查全率掩模和高精度掩模;第二阶段模型输入归一化的CT数据、所述高查全率掩模和所述高精度掩模,输出最终的分割结果;在对呼吸道、血管和已知病变中的微小结构进行分割时,第二阶段模型只需要在所述高查全率掩模和高精度掩模的引导下进行搜索。本实施方案其它与具体实施方案四相同。
本实施方案中,由于二维U-net的输入是人类胸部的横截面,在横截面图像中,气道和血管被呈现为断开的区域,这些区域的大小区别很大,主动脉的横截面是数百个像素,而小血管的横截面只有几个像素。传统的损失函数是基于体素级的性能的(如体素级的交叉熵损失、dice loss等),对微小结构区域的关注太少,这将导致对微小结构的误检,因此,本实施方案提出了特征增强损失,帮助二维U-net提取微小结构的特征特征增强损失。
两阶段分割协议中,第一阶段模型输出高查全率掩模(召回率=0.95)和高精度掩模(精度为0.93);第二阶段模型只需要在高查全率和高精度掩模的引导下进行搜索,搜索空间缩小数千倍。因此,第二阶段的模型给出了更好的分割性能,特别是对于微小的结构,分割效果更佳准确。
具体实施方案六:所述步骤三中,所述步骤三中计算健康肺实质的标准差σ时,将健康肺实质CT数据中最大和最小CT值中的20%剔除,以剔除异常值和潜在的亚视觉病变,再根据得到的肺实质数据计算标准差σ。本实施方案其它与具体实施方案五相同。
在健康人群数据集上,Hounsfield量表下的扫描水平标准差为39.5±6.2,本实施方案方法得到健康肺实质的标准差σ为40.6±6.9,与健康人群相近;这种一致性进一步验证了标准差的计算。此外,在随访数据集上,亚视觉病变CT信号的扫描水平标准差为154.6±47.2,远高于健康实质CT标准差(p<0.0001)。
具体实施方案七:所述最佳窗宽窗位的确定方法为采用[baseline,baseline+3σ]和[baseline-3σ,baseline]确定观察肺实质病变的最佳窗宽窗位,其中baseline为基线CT值,即健康肺实质的CT信号中位数。本实施方案其它与具体实施方案六相同。
具体实施方案八:所述步骤三中,获得增强的CT数据的具体方法为:
enhanced CT=(originalCT-baseline)/σ
式中,original CT为原始CT数据。本实施方案其它与具体实施方案七相同。
具体实施方案九:(1)、采用2.5D分割算法,并采用human-in-the-loop程序构建肺部病变分割模型;
(2)、将肺部病变分割模型在步骤一中的归一化的CT数据组上进行训练,得到一个初始模型;
(3)、放射科医生对步骤三中肺实质增强的CT数据中可能包含亚视觉病变的区域进行粗标注,得到亚视觉病变数据集;将初始模型在亚视觉病变数据集上进行训练,得到预训练的分割模型;
(4)预训练的分割模型再对步骤一中的归一化的CT数据组中所有CT图像进行分割,放射科医生进一步将分割结果进行细化,得到精标注分割结果,将精标注分割结果组作为ground truth进行训练,最终得到肺部病变分割模型。本实施方案其它与具体实施方案八相同。
本实施方案中步骤(2)中的初始模型能够准确分割已知病灶,步骤(3)中的粗分割模型能够进一步分割亚视觉病变,步骤(4)中通过放射科医生确定的精标准结果组,使模型的分割准确性进一步提升,能够对可见病变和亚可视病变的进行精准的体素级分割。
具体实施方案十:所述步骤四中,量化模型可量化肺实质和下呼吸肺实质的病变体积比、中位病变严重程度和总病变严重程度;病变体积比为病变体积除以肺实质体积;病变的中位严重程度是病变与基线CT值差的中位值;病变总严重程度是病变与基线CT值差异的和;
可利用血管掩模近似“下呼吸实质”,即如果一个实质体素最近的血管有分支level>7,则认为这个体素是“下呼吸实质”。本实施方案其它与具体实施方案九相同。
实施例1
各方法对原始CT数据的分割和经DLPE算法进行肺实质增强后的CT数据进行分割的效果进行对比。这里模型的ground truth和训练流程完全一样,对比DLPE增强是否有助于提高模型性能。如表1所示,在经DLPE进行肺实质增强后,现有的分割模型均能分割亚视觉病变,最佳平均dice为0.886,而在没有DLPE增强的情况下,所有分割模型的最佳平均dice仅为0.612。
表1
如图5和图6所示,在所有模型都使用相同的ground truth注释进行训练的情况下,通过DLPE算法将CT数据进行肺实质增强后作为模型的输入,模型才能够分割出亚视觉病变。
在一个包含3644个CT扫描图像的训练数据集上训练DLPE方法,用于肺分割、气道分割、血管分割、心脏分割,同样达到了较好的分割效果。
本实施例T扫描数据来自五家医院,由中国哈尔滨的黑龙江托盟科技有限公司提供;切片厚度范围为1.0mm~5.0mm。
实施例2
将DLPE算法应用于COVID-19的治愈者和住院患者。治愈者包括69名在住院期间处于重症或危重状态的参与者(住院期间被安置在重症监护室),提供了219张CT扫描图像;住院患者包括633名住院患者,提供了1193张CT扫描图像。
治愈者的CT扫描图像是由飞利浦iCT 256和UIH uCT 528这两种商用CT扫描仪之一收集的,切片厚度1.0mm~2.5mm。住院患者队列包含来自5家医院的住院患者,在中国黑龙江省于2020年1月至8月期间感染,切片厚度为1.0mm~2.5mm。
将DLPE算法在住院患者的CT扫描图像上进行训练和测试,发现了新的亚视觉病变,表现为较弱的磨玻璃混浊(GGO),反映了由于肺泡上皮破裂导致的轻度血浆液渗漏(血浆液渗漏通常会降低PaO2/FiO2比值(PFR))。在治愈者中发现,97%的病变是亚视觉的,这是COVID-19后遗症的最重要的元凶之一。
PFR是COVID-19患者分类的明确指标,DLPE算法也可用于预测PFR。仅在肺窗下观察可见病变时,预测PFR与ground truth PFR之间的PCC为0.760,MAE(平均绝对误差)为36.8;使用DLPE算法,预测PFR与ground truth PFR之间的PCC为0.853,且MAE只有29.2;相比之下,目前较先进的微创PFR测量和侵入性PFR ground truth之间的MAE是26.4;说明本发明DLPE算法对PFR具有较好的预测效果。
虽然本发明公开披露如上,但本发明的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述方法是按照如下步骤进行的:
步骤一、采集肺部CT数据组,将采集的肺部CT数据组进行归一化,使数据组转换到一个有相同维度和相同分辨率的标准空间中;
步骤二、设计分割模型,将归一化后的每个CT数据中肺部、呼吸道、血管和可见病变进行分割;
步骤三、根据分割结果得到健康肺实质区域,统计健康肺实质的CT信号中位数和标准差,以此确定观察肺实质病变的最佳窗宽窗位;在最佳窗宽窗位下进一步去掉除肺实质外的组织,得到增强的CT数据;
步骤四、采用2.5D分割算法,并采用human-in-the-loop程序,结合放射科医生对训练结果的标注,建立更强的分割和量化模型,此分割模型输入增强的CT数据,能够输出已知和新的亚视觉病变的分割,此量化模型可量化肺实质和下呼吸肺实质中病变的严重程度和体积。
2.根据权利要求1所述的一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述步骤一中,使用Lanczos插值将肺部CT数据的每个体素缩放到标准分辨率,然后将数据填充到标准形状中。
4.根据权利要求3所述的一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述步骤二中的分割模型,针对肺部和已知病变分割时,采用2.5D分割算法;所述2.5D分割算法为使用二维U-net得到XY、YZ、XZ三个面的二维分割结果,使用集成学习将不同视角的二维分割结果进行组合,然后输出三维分割结果。
5.根据权利要求4所述的一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述步骤二中的分割模型,针对呼吸道、血管的分割时,采用了两阶段分割模型:第一阶段确定气管、血管的大致范围,减小搜索空间;第二阶段在第一阶段的基础上对气管、血管进行稳定和准确的分割,两个阶段均为使用特征增强损失函数的2.5D分割模型;
所述特征增强损失函数是体素级的平衡交叉熵损失,它是一切体素损失的总和,每个体素损失为:
voxel loss=-w×ln(p)×p′-ln(1-p)×(1-p′)
式中,p为体素为正的预测概率,p’为体素为正的真实概率,w为预测错误的惩罚权重;
所述两阶段分割模型中第一阶段模型输入归一化的CT数据,分别输出高查全率掩模和高精度掩模;第二阶段模型输入归一化的CT数据、所述高查全率掩模和所述高精度掩模,输出最终的分割结果;在对呼吸道、血管和已知病变中的微小结构进行分割时,第二阶段模型只需要在所述高查全率掩模和高精度掩模的引导下进行搜索。
6.根据权利要求5所述的一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述步骤三中,所述步骤三中计算健康肺实质的标准差σ时,将健康肺实质CT数据中最大和最小CT值中的20%剔除,以剔除异常值和潜在的亚视觉病变,再根据得到的肺实质数据计算标准差σ。
7.根据权利要求6所述的一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述最佳窗宽窗位的确定方法为采用[baseline,baseline+3σ]和[baseline-3σ,baseline]确定观察肺实质病变的最佳窗宽窗位,其中baseline为基线CT值,即健康肺实质的CT信号中位数。
8.根据权利要求7所述的一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述步骤三中,获得增强的CT数据的具体方法为:
enhanced CT=(original CT-baseline)/σ
式中,original CT为原始CT数据。
9.根据权利要求8所述的一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述步骤四中,所述更强的分割模型的构建过程为:
(1)、采用2.5D分割算法,并采用human-in-the-loop程序构建肺部病变分割模型;
(2)、将肺部病变分割模型在步骤一中的归一化的CT数据组上进行训练,得到一个初始模型;
(3)、放射科医生对步骤三中肺实质增强的CT数据中可能包含亚视觉病变的区域进行粗标注,得到亚视觉病变数据集;将初始模型在亚视觉病变数据集上进行训练,得到预训练的分割模型;
(4)预训练的分割模型再对步骤一中的归一化的CT数据组中所有CT图像进行分割,放射科医生进一步将分割结果进行细化,得到精标注分割结果,将精标注分割结果组作为ground truth进行训练,最终得到肺部病变分割模型。
10.根据权利要求9所述的一种基于DLPE算法的肺炎纤维化量化分析方法,其特征在于所述步骤四中,量化模型可量化肺实质和下呼吸肺实质的病变体积比、中位病变严重程度和总病变严重程度;病变体积比为病变体积除以肺实质体积;病变的中位严重程度是病变与基线CT值差的中位值;病变总严重程度是病变与基线CT值差异的和;
可利用血管掩模近似“下呼吸实质”,即如果一个实质体素最近的血管有分支level>7,则认为这个体素是“下呼吸实质”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558970.8A CN114820571B (zh) | 2022-05-21 | 2022-05-21 | 一种基于dlpe算法的肺炎纤维化量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210558970.8A CN114820571B (zh) | 2022-05-21 | 2022-05-21 | 一种基于dlpe算法的肺炎纤维化量化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820571A true CN114820571A (zh) | 2022-07-29 |
CN114820571B CN114820571B (zh) | 2023-05-30 |
Family
ID=82517615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210558970.8A Active CN114820571B (zh) | 2022-05-21 | 2022-05-21 | 一种基于dlpe算法的肺炎纤维化量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820571B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023228085A1 (en) * | 2022-05-23 | 2023-11-30 | King Abdullah University Of Science And Technology | System and method for determining pulmonary parenchyma baseline value and enhance pulmonary parenchyma lesions |
CN117912692A (zh) * | 2024-01-29 | 2024-04-19 | 中国医学科学院北京协和医院 | 一种病毒性肺炎后肺纤维化发生的预测方法、设备和*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369736A (zh) * | 2015-10-14 | 2018-08-03 | 西门子股份公司 | 用于根据2d/2.5d术中图像数据计算切除的组织体积的方法和*** |
CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和*** |
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 |
CN112669235A (zh) * | 2020-12-30 | 2021-04-16 | 上海联影智能医疗科技有限公司 | 调整图像灰度的方法、装置、电子设备和存储介质 |
CN113052857A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于CovSegNet的肺部病变图像分割方法 |
CN113469963A (zh) * | 2021-06-24 | 2021-10-01 | 推想医疗科技股份有限公司 | 肺动脉图像分割方法及装置 |
WO2021209887A1 (en) * | 2020-04-13 | 2021-10-21 | King Abdullah University Of Science And Technology | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis |
CN114187252A (zh) * | 2021-12-03 | 2022-03-15 | 推想医疗科技股份有限公司 | 图像处理方法及装置、调整检测框的方法及装置 |
WO2022063198A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
-
2022
- 2022-05-21 CN CN202210558970.8A patent/CN114820571B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369736A (zh) * | 2015-10-14 | 2018-08-03 | 西门子股份公司 | 用于根据2d/2.5d术中图像数据计算切除的组织体积的方法和*** |
CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和*** |
WO2021209887A1 (en) * | 2020-04-13 | 2021-10-21 | King Abdullah University Of Science And Technology | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis |
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 |
WO2022063198A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 一种肺部图像处理方法、装置及设备 |
CN112669235A (zh) * | 2020-12-30 | 2021-04-16 | 上海联影智能医疗科技有限公司 | 调整图像灰度的方法、装置、电子设备和存储介质 |
CN113052857A (zh) * | 2021-03-22 | 2021-06-29 | 山西三友和智慧信息技术股份有限公司 | 一种基于CovSegNet的肺部病变图像分割方法 |
CN113469963A (zh) * | 2021-06-24 | 2021-10-01 | 推想医疗科技股份有限公司 | 肺动脉图像分割方法及装置 |
CN114187252A (zh) * | 2021-12-03 | 2022-03-15 | 推想医疗科技股份有限公司 | 图像处理方法及装置、调整检测框的方法及装置 |
Non-Patent Citations (2)
Title |
---|
KE HU ET AL: "A 2.5D cancer segmentation for MRI images based on U-net" * |
费非;剡昌锋;: "肺癌放疗计划的危及器官肺分割方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023228085A1 (en) * | 2022-05-23 | 2023-11-30 | King Abdullah University Of Science And Technology | System and method for determining pulmonary parenchyma baseline value and enhance pulmonary parenchyma lesions |
CN117912692A (zh) * | 2024-01-29 | 2024-04-19 | 中国医学科学院北京协和医院 | 一种病毒性肺炎后肺纤维化发生的预测方法、设备和*** |
Also Published As
Publication number | Publication date |
---|---|
CN114820571B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shiri et al. | Machine learning-based prognostic modeling using clinical data and quantitative radiomic features from chest CT images in COVID-19 patients | |
CN114820571B (zh) | 一种基于dlpe算法的肺炎纤维化量化分析方法 | |
Park et al. | Texture-based quantification of pulmonary emphysema on high-resolution computed tomography: comparison with density-based quantification and correlation with pulmonary function test | |
CN111429473B (zh) | 基于多尺度特征融合的胸片肺野分割模型建立及分割方法 | |
CN113420826B (zh) | 一种肝脏病灶图像处理***及图像处理方法 | |
Liu et al. | A fully automatic segmentation algorithm for CT lung images based on random forest | |
WO2021209887A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
CN113160974B (zh) | 一种基于超图聚类的精神疾病生物型发掘方法 | |
CN116864119B (zh) | 一种基于感染时期的肺炎风险预测方法、设备、***及可存储介质 | |
Li et al. | Development and multicenter validation of a CT-based radiomics signature for predicting severe COVID-19 pneumonia | |
Li et al. | A multi-organ fusion and lightgbm based radiomics algorithm for high-risk esophageal varices prediction in cirrhotic patients | |
Hu et al. | A GLCM embedded CNN strategy for computer-aided diagnosis in intracerebral hemorrhage | |
Zhi et al. | Deep neural network pulmonary nodule segmentation methods for CT images: Literature review and experimental comparisons | |
Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
US7440601B1 (en) | Automated identification of ileocecal valve | |
US12027255B2 (en) | System for predicting microsatellite instability and construction method thereof, terminal device and medium | |
Suman et al. | Recent advancements in computed Tomography Assessment of Fibrotic interstitial lung diseases | |
Kim et al. | Image biomarkers for quantitative analysis of idiopathic interstitial pneumonia | |
Silva et al. | The impact of interstitial diseases patterns on lung CT segmentation | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
Noguchi et al. | A fundamental study assessing the diagnostic performance of deep learning for a brain metastasis detection task | |
Støverud et al. | AeroPath: An airway segmentation benchmark dataset with challenging pathology | |
CN114300135A (zh) | 一种肝癌术后早期复发预测模型构建方法及装置 | |
Wu et al. | Deep learning to estimate the physical proportion of infected region of lung for covid-19 pneumonia with ct image set | |
Lai et al. | Severity-stratification of interstitial lung disease by deep learning enabled assessment and quantification of lesion indicators from HRCT images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |