CN103246888A - 肺病的计算机诊断系统及方法 - Google Patents

Abstract

本发明涉及一种肺病的计算机诊断系统及方法，该诊断系统包括：第一训练单元，用于根据若干第一数字X射线图像样本产生一个平均肺部形状模型；第二训练单元，用于根据若干第二数字X射线图像样本产生至少一个用于对该肺病的特征进行分类的肺区分类器模型；分割单元，用于根据该平均肺部形状模型从待诊断的数字X射线图像中分割出肺野图像；及评估单元，用于比对该肺区分类器模型与该肺野图像来分析该待诊断的数字X射线图像中该肺病的特征。

Description

肺病的计算机诊断系统及方法

技术领域

本发明涉及一种计算机诊断系统及方法，特别涉及一种用于诊断如尘肺病等肺病的计算机诊断系统及方法。

背景技术

尘肺病(Pneumoconiosis)，是一种由于长期吸入大量细微粉尘而引起的以肺组织纤维化为主的职业病，据权威资料统计尘肺病是我国最严重的职业病之一，不仅患病人数多，而且也是严重降低劳动能力、致残和影响寿命的疾病。

目前，尘肺病的诊断与分期主要依据影像学上品质较好的X射线胸片。在有确切职业性粉尘接触史和一定粉尘接触量的前提下，胸片表现是作出尘肺诊断和鉴别诊断的肯定依据。现阶段，国内外诊断尘肺病以摄取标准后前位高千伏X射线胸片为首选，并对照多组标准片来对待诊断的X射线胸片进行诊断与分期。其中，该组标准片是根据以往数据及经验所制定的，现中国最新的诊断尘肺病的标准为GBZ 70-2009。简单举例来说，当该待诊断的X射线胸片根据某一个标准片或多个标准片判断出其上各区域的小阴影密集度时，则可根据此来判定该待诊断的X射线胸片是否患有尘肺病或者已经达到了尘肺病的某一期，具体判断标准请参考中国标准GBZ 70-2009。

但是，应用上述传统方法至少有如下的几点不足。首先，从事尘肺病诊断的人员必须通过国家职业病(尘肺病)诊断医师资格考核并取得资质证书，这在一定程度上限制了就医范围，给患者带来了不便，尤其对一些经济落后地区；第二，该待诊断的X射线胸片的胶片品质必须要达到一定的标准，例如X射线胸片须保证照片无伪影、漏光、污染、划痕、水渍及低外物影响(更多标准请参考GBZ 70-2009)；第三，使用大量的X射线胸片的胶片进行诊断，一方面大大增加了成本，另一方面也极其不环保；第四，由于诊断结果是通过医生主观比对及个人的经验综合进行判断的，因此不同的医生难免产生不同的结果，进而可能导致诊断结果不客观或者出现误判，影响了后续的治疗；第五，由于针对诊断结果是完全通过人工比对来判断的，工作量很大，无形中浪费了大量的时间与人力成本。

所以，需要提供一种新的肺病的计算机诊断系统及方法来解决至少上述问题。

发明内容

现在归纳本发明的一个或多个方面以便于本发明的基本理解，其中该归纳并不是本发明的扩展性纵览，且并非旨在标识本发明的某些要素，也并非旨在划出其范围。相反，该归纳的主要目的是在下文呈现更详细的描述之前用简化形式呈现本发明的一些概念。

本发明的一个方面在于提供一种肺病的计算机诊断系统。该肺病的计算机诊断系统包括：

第一训练单元，用于根据若干第一数字X射线图像样本产生一个平均肺部形状模型；

第二训练单元，用于根据若干第二数字X射线图像样本产生至少一个用于对该肺病的特征进行分类的肺区分类器模型；

分割单元，用于根据该平均肺部形状模型从待诊断的数字X射线图像中分割出肺野图像；及

评估单元，用于比对该肺区分类器模型与该肺野图像来分析该待诊断的数字X射线图像中该肺病的特征。

本发明的另一个方面在于提供一种肺病的计算机诊断方法。该肺病的计算机诊断方法包括：

根据若干第一数字X射线图像样本产生一个平均肺部形状模型；

若干第二数字X射线图像样本产生至少一个用于对该肺病的特征进行分类的肺区分类器模型；

根据该平均肺部形状模型从待诊断的数字X射线图像中分割出肺野图像；及

比对该肺区分类器模型与该肺野图像来分析该待诊断的数字X射线图像中该肺病的特征。

通过应用本发明肺病的计算机诊断系统及方法，无需使用X射线胸片的胶片来对肺病进行诊断，而只需对数字化的X射线图像进行处理分析即可快速诊断肺病及其分期。由此，诊断的人员无须通过国家职业病(尘肺病)诊断医师资格考核并取得资质证书。并且，由于诊断的依据仅为数字的图像信息，而无需使用实体的胶片，故可大大降低成本，并且不会造成环境污染。另外，由于诊断的过程是通过计算机程序来实现的，因而保证了诊断结果的客观性，降低了误判，并且可大大提供效率。

附图说明

通过结合附图对于本发明的实施方式进行描述，可以更好地理解本发明，在附图中：

图1为本发明肺病的计算机诊断系统的较佳实施方式的框图。

图2为图1中第一训练单元的较佳实施方式的框图。

图3为图2第一训练单元的执行过程的较佳实施方式的示意图。

图4为图2第一训练单元的执行过程的较佳实施方式的流程图。

图5为图1中第二训练单元的较佳实施方式的框图。

图6为图5第二训练单元的执行过程的较佳实施方式的示意图。

图7为一数字后前位X射线图像的示意图。

图8为图1中分割单元的较佳实施方式的框图。

图9及图10为图8分割单元的执行过程的较佳实施方式的示意图。

图11为图8分割单元的执行过程的较佳实施方式的流程图。

图12及图13为图1中切分单元的执行过程的较佳实施方式的示意图。

具体实施方式

以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。

除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。

请参考图1，为本发明肺病的计算机诊断系统100的较佳实施方式的框图。为方便理解发明，本实施方式中该计算机诊断系统100仅用于诊断尘肺病，其他实施方式中，可根据该诊断尘肺病的方法来对其他类似的肺病或其他类似的疾病进行诊断。与传统方法相比，本发明肺病的计算机诊断系统100直接处理数字X射线图像，并根据处理后的结果进行诊断。该计算机诊断系统100可以是一个独立操作的仪器(如计算机)，也可以嵌入到直接数字摄影(Direct digital radiography，DR)系统中，还可以嵌入到图片存档及通信系统(Picture archiving and communication system，PACS)中。此外，该计算机诊断系统100可应用于在线实时工作模式，也可应用于离线工作模式。

在图1的实施方式中，该计算机诊断系统100包括一个图像输入单元110、一个第一训练单元120、一个分割单元130、一个切分单元140、一个第二训练单元150、一个第一分类单元160、一个第二分类单元170、一个评估单元180及一个报告输出单元190。图1所示的功能模块单元可以通过硬件的形式来实现，也可以通过软件的形式来实现，或者通过硬件结合软件的形式来实现。

该图像输入单元110用于接收需要处理的数字X射线图像。更具体地，这些数字X射线图像包括训练所用的数字X射线图像，用于生成所需的分类器模型，还包括用于诊断的数字X射线图像，后续会详细说明。并且，这些数字X射线图像可由事先设定好的形式输入，例如真值(0或1)形式等，以方便后续的运算处理，其他实施方式中也可设定为其它运算的形式。这些数字X射线图像可以来自于DR系统、图片存档及通信系统、或其他类型的数据存储系统中。

该报告输出单元190用于输出诊断结果。例如，该报告输出单元190可将诊断结果输出至一个显示器进行显示，也可以将诊断结果存储至一个数据库中，以备后续统计分析之用。在一些实施方式中，该图像输入单元110、第一训练单元120、分割单元130、切分单元140、第二训练单元150、第一分类单元160、第二分类单元170、评估单元180及报告输出单元190为各自独立的单元或算法，而在其他实施方式中，上述单元中的任意两个或多个也可集成为一体成为一个独立的单元或算法，甚至根据需要还可将上述单元中的任意两个或多个单元的部分元素集成为一体成一个独立的单元或算法，而不拘泥于图1实施方式所给出的例子。

请参考图2，为图1中第一训练单元120的较佳实施方式的框图。该第一训练单元120用于为该分割单元130建立所需的训练模型。在图2的实施方式中，该第一训练单元120包括一个训练图像收集模组121、一个肺野标记模组122、一个校准模组123、一个点分布模型(Point distribution model，PDM)产生模组124及一个平均肺部形状模型产生模组125。在一个实施方式中，该第一训练单元120与分割单元130可应用主动形状模型(Active shapemodel，ASM)算法来获取待诊断的数字X射线图像中的实际肺野区域。在其他实施方式中，该第一训练单元120与分割单元130还可应用其他类型的统计学图像定位/识别算法来实现上述功能，例如还可应用水平集(level set)算法、规则推理(rule-based reasoning)算法、像素分类(pixel classification)算法、或者不同算法的结合算法等等。该第一训练单元120用于训练的数字图像包括若干个正常人(可理解为未患尘肺病且体形属于相对标准的一类人群)的数字X射线图像样本，例如选取二十个正常人的数字X射线图像作为样本，通过对这些正常人的数字X射线图像样本进行训练，即可建立一个平均肺部形状模型，以表征所有数字X射线图像样本中肺部形状的平均形状。

请继续参考图3及图4，分别为该第一训练单元120的执行过程的较佳实施方式的示意图与流程图。在图3中，通过该肺野标记模组122标记一个数字X射线图像样本310的肺野轮廓301，例如可通过手动方式沿着肺野轮廓301标记若干个关键的坐标点302(对应图4中的步骤401)。同理，其他的数字X射线图像样本310也以同样的方式标记各自的肺野轮廓301。为了获得一个平均/最佳的坐标点302，通过该校准模组123对所有数字X射线图像样本310上的坐标点302进行校准，例如可通过缩放、旋转、偏移等方式实现，即得到平均/最佳的肺野轮廓301(对应图4中的步骤402)。

在校准完所有数字X射线图像样本310上的坐标点302之后，一组平均/最佳的坐标点303通过该PDM产生模组124计算得出，同时由该组平均/最佳的坐标点303形成的PDM320也即产生了(对应图4中的步骤403)。在该PDM320产生之后，通过该平均肺部形状模型产生模组125产生一个平均肺部形状模型330，例如通过平滑的连接PDM320上每两个相邻坐标点303(对应图4中的步骤404)。该平均肺部形状模型330包括左右两侧肺野304，其表征了从若干个正常人的数字X射线图像样本310提取出来的平均/最佳肺野。在非限定的实施方式中，用于调整该平均肺部形状模型330变形的形状参数、位置参数或其他相关参数也通过适当的算法计算出来，用于后续的运算。简言之，通过该第一训练单元120对若干正常人的数字X射线图像样本310进行训练，建立了一个最佳的用于提取待诊断的数字X射线图像中的肺野区域的一个训练模型，即该平均肺部形状模型330。

请参考图5，为图1中第二训练单元150的较佳实施方式的框图。该第二训练单元150用于为该第一分类单元160及第二分类单元170建立所需的训练模型。在图5的实施方式中，该第二训练单元150包括一个训练图像收集模组151、一个图像切分模组152、一个特征提取模组153、一个特征选择模组154及一个分类器模型建立模组155。在一个实施方式中，该第二训练单元150应用结构分析算法(texture analysis algorithms)来提取表征尘肺病的各种特征(均为数字信息形式)。该结构分析算法可包括但不限于多尺度滤波器组算法(multi-scale filter bank algorithm)、直方图算法(histogramalgorithm)、共生矩阵算法(co-occurrence matrix algorithm)、光谱/空间频域算法(spectral/spatial frequency domain algorithm)等等。该第二训练单元150用于训练的数据包括若干个正常人的数字X射线图像样本及若干尘肺病人的数字X射线图像样本，例如100个正常人的数字X射线图像样本及1000个尘肺病人的数字X射线图像样本，通过对这些正常人及尘肺病人的数字X射线图像样本进行训练，即可建立用于表征尘肺病特征的各种需要的分类器模型。

请继续参考图6，为该第二训练单元150的执行过程的较佳实施方式的流程图。在步骤601中，通过该训练图像收集模组151收集用于训练所用的数字X射线图像样本。该数字X射线图像样本的数量可根据需要进行调整。

在步骤602中，每一个数字X射线图像样本通过该图像切分模组152被切分成六个肺区(即感兴趣的区域，regions of interest，ROI)。请参考图7，一个数字后前位X射线图像样本包括一个右侧肺野A及一个左侧肺野B，每侧肺野从肺尖到膈顶的垂直距离等分为3，用等分点的水平线把每侧肺野划分为上、中、下共六个肺区R1、R2、R3、L1、L2、L3。在其他实施方式中，该数字X射线图像样本也可以根据不同的需求被切分成其他数量的区域。具体地，切分该数字X射线图像样本的方法可应用如上述所述的肺野标记模组122所应用的手动标记方法来实现，也可通过自动切分的方法来实现，该自动切分的方法将在后续阐述该分割单元130及切分单元140中详细描述。另外，根据不同的需求，也可以不对数字X射线图像样本中的肺野区域进行任何形式的切分。

在步骤603中，通过该特征提取模组153分别提取每一个肺区(R1、R2、R3、L1、L2、L3)中表征尘肺病的特征。在一个实施方式中，由于表征尘肺病的特征体现但不局限数字X射线图像样本中的多种尺寸、多种小阴影密集程度、多种形状等特征，故可事先对数字X射线图像样本进行过滤(即图像增强)，如通过加亮小阴影或提高图像对比度等方式实现，经过过滤处理之后，可更容易提取特征。在一个实施方式中，表征尘肺病的特征可通过但不限于直方图算法、共生矩阵算法、光谱/空间频域算法等来计算得出，然后每一肺区的特征将分别被提取出来，例如记录在一个或多个特征向量中。这些特征可由但不限于如下统计函数来表征，如平均值(mean)、标准差(standarddeviation)、偏态(skewness)、峰态(kurtosis)、相关系数(correlation)、惯性(inertial)、均方根(root-mean-square，RMS)、一阶矩(first moment)等等。

在步骤604中，通过该特征选择模组154将该特征提取模组153提取到的所有特征进行进一步的选择，以将数量最少且最能表征尘肺病的特征选择出来。例如，通过该特征提取模组153得到的特征向量中共包括300个特征，而其中不相关的或冗余的特征包括250个，故该步骤604的目的就是将该250个不相关的或冗余的特征剔除掉，而仅选择出数量最少且最能表征尘肺病的50个特征，进而可使后续的运算更加简化，从而可节省诊断时间。当然，在其他实施方式中也可根据需要不对该特征提取模组153得到的特征向量中的特征进行选择。一些标准的数据分析算法可以被应用来进行特征的选择运算，例如，当一些特征经过分析后彼此非常相似，故可仅保留其中一个特征，而将其他特征剔除。这些标准的数据分析算法包括但不限于相关阈值算法(correlation threshold algorithm)、分级群集算法(hierarchical clusteringalgorithm)、特征选择算法(choice of feature algorithm)等。

在步骤605中，通过该分类器模型建立模组155分别对应该六个肺区R1、R2、R3、L1、L2、L3建立六个肺区分类器模型，该肺区分类器模型的建立基于上述选择后的特征及所有数字X射线图像样本的诊断结果。该所有数字X射线图像样本的诊断结果均是事先根据一种尘肺病的诊断标准得出的，例如根据中国的尘肺病的诊断标准GBZ 70-2009来诊断的。在一个实施方式中，每一个肺区分类器模型包括一个特征向量，且该特征向量中的特征对应各自相关尘肺病特征，例如特征向量中的一个特征对应直径不大于3毫米的圆形小阴影。

以下表格给出了中国的尘肺病的诊断标准GBZ 70-2009的分期定义。

其中，小阴影包括圆形小阴影及不规则小阴影。小阴影的直径或宽度为小于10毫米，大阴影的直径或宽度大于10毫米。小阴影密集度包括0、1、2、3四个总体水平，受影响的肺区的小阴影密集度为1、2、3。总体密集度是指六个肺区中小阴影的最大密集度。尘肺病的分期包括三个，即I期、II期及III期，根据上述表格即可诊断出尘肺病的分期。更多详细地分期诊断说明可参考中国的尘肺病的诊断标准GBZ 70-2009。

由于上述所有的数字X射线图像样本的诊断结果均为事先通过上述诊断标准已被确定好的，因此通过这些诊断好的样本数据及对应的选择后的特征向量即可对每一个肺区(R1、R2、R3、L1、L2、L3)建立各自的肺区分类器模型。根据建立该肺区分类器模型可确定一待诊断的数字X射线图像中各个肺区的特征，即小阴影密集度、大阴影情况或其他用于诊断的特征。在一个实施方式中，该肺区分类器模型可通过支持向量机(support vector machine，SVM)算法来建立，其他实施方式中，也可以应用其他合适的算法来建立。需要说明的是，如果所使用的尘肺病的诊断标准改变了或者升级了，则肺区分类器模型需要根据最新的诊断标准重新建立，同时建立标准所需要的数字X射线图像样本的诊断结果也需要重新根据最新的诊断标准来确定，以使肺区分类器模型能够适合最新的诊断标准。在其他实施方式中，如果肺区分类器模型的建立需要应用选择前的所有提取特征，则该特征选择模组154可以对应删除。另外，如果数字X射线图像样本没有被进行分区，则仅需建立一个分类器模型即可。

请再次参考图1，通过该第一训练单元120及第二训练单元150所执行的训练过程，一个平均肺部形状模型330及对应六个肺区的肺区分类器模型被建立了起来。该肺病的计算机诊断系统100在上述模型建立后即可对任意输入的待诊断的数字X射线图像进行肺病的诊断。如果诊断标准或建立模型的样本有所变化，则只需根据之前步骤重新建立模型，然后即可重新对待诊断的数字X射线图像进行诊断。

请共同参考图8及图11，分别示意出了该分割单元130的较佳实施方式的框图及该分割单元130的执行过程的较佳实施方式的流程图。该分割单元130用于从待诊断的数字X射线图像中分割出肺野形状。在图8的实施方式中，该分割单元130包括一个肺部位置形状提取模组131、一个肺部阈值形状提取模组132、一个肺野轮廓产生模组133及一个肺野形状产生模组134。在非限定的实施方式中，该分割单元130应用但不限于最大类间方差阈值算法(ostu thresholding algorithm)、直方图均衡算法(histogram equalizationalgorithm)及主动形状模型算法(active shape model algorithm)，并基于该平均肺部形状模型330来实现肺野形状的分割。

请共同参考图9及图11，图9示意了该肺部位置形状提取模组131、该肺部阈值形状提取模组132及该肺野轮廓产生模组133的执行过程的示意图，并分别对应图11中步骤1101、1102、1103。在步骤1101中，通过该肺部位置形状提取模组131将一个待诊断的数字X射线图像910中的肺部位置形状930提取出来。例如，先将该待诊断的数字X射线图像910中的胸部位置形状920提取出来，然后再将该胸部位置形状920中的肺部位置形状930提取出来。在步骤1102中，通过该肺部阈值形状提取模组132将该待诊断的数字X射线图像910中的肺部阈值形状950提取出来。例如，先将待诊断的数字X射线图像910的对比度增强，以使肺部区域与其他区域区别更明显，然后再将对比度增强后的待诊断的数字X射线图像940进行阈值运算，提取出肺部阈值形状950。在步骤1103中，通过该肺野轮廓产生模组133产生针对该待诊断的数字X射线图像910的肺野轮廓960，该肺野轮廓960可通过将该肺部位置形状930与该肺部阈值形状950相叠加而得到，其表征了该待诊断的数字X射线图像910大体的肺野轮廓位置，但还需要更准确的肺野形状。

请共同参考图10及图11，图10示意了该肺野形状产生模组134的执行过程的示意图，并对应图11中步骤1104。在步骤1104中，通过该肺野形状产生模组134产生该待诊断的数字X射线图像910中具体准确的肺野形状970。如上所述，由该第一训练单元120产生的该平均肺部形状模型330表征了若干数字X射线图像样本中肺部形状的平均形状，可以认为是标准的肺部形状模型。而该表征该待诊断的数字X射线图像910大体的肺野轮廓位置的肺野轮廓960，故通过获取该平均肺部形状模型330的相应参数即可调整得到该待诊断的数字X射线图像910的具体准确的肺野形状970。在其他实施方式中，若个别待诊断的数字X射线图像910所对应人员的肺部形状与标准的肺部形状差别较大，可通过手动模式进行微调。

请共同参考图12及图13，示意了该切分单元140的执行过程的示意图。根据上述应用的诊断标准，该待诊断的数字X射线图像910的肺野形状970需要被切分成六个肺区r1、r2、r3、l1、l2、l3(参考图12)。在其他实施方式中，该肺野形状970中的左右两个肺野972也可根据不同的诊断标准切分成不同数量的区域甚至不进行切分。

请继续参考图13，为了进行后续的诊断，该待诊断的数字X射线图像910可根据切分后的肺野形状970将其实际对应的六个肺区的数字图像信息分别提取出来，提取后的待诊断的数字X射线图像980所提取的数字信息可包括左右两侧肺野图像980的整体数字信息(肺野图像)及六个肺区r1、r2、r3、l1、l2、l3各自的数字信息(肺区图像)。在非限定的实施方式中，这些数字图像信息均可用统一的真值形式进行表示，以方便后续的运算处理。如此，提取后的待诊断的数字X射线图像980的各个肺区的数字信息将被用来进行后续的诊断。在其他实施方式中，如果根据诊断标准无需切分肺野，则仅有待诊断的数字X射线图像980的整体数字信息被提取出来进行后续的诊断，进而该切分单元140可被删除，而直接由该分割单元130将肺野图像980提取出来。

请再次参考图1，在该第二训练单元150对应肺野的六个肺区产生六个肺区分类器模型之后，一方面，该第一分类单元160用于将该六个肺区分类器模型进行整合，以建立一个筛选分类器模型。根据该筛选分类器模型可对待诊断的数字X射线图像910进行快速筛选，仅判断该待诊断的数字X射线图像910是否是尘肺病，而并不对其进行具体分期的判断；另一方面，该第二分类单元170用于将该六个肺区分类器模型进行整合，以建立一个分期分类器模型。根据该分期分类器模型可对待诊断的数字X射线图像910进行分期判断，以得出分期结果。该计算机诊断系统100可根据需要选择性的切换对该第一分类单元160及第二分类单元170的应用，例如，如果实际仅仅需要对众多的待诊断的数字X射线图像910进行尘肺病的筛选，则只需切换至该第一分类单元160，这样可大大节省时间。而当需要对已经筛选出来的尘肺病的数字X射线图像910进行进一步的分期诊断，则只要切换至该第二分类单元170即可。在其他实施方式中，该第二训练单元150、第一分类单元160及第二分类单元170也可集成在一起作为一个单元或算法，也可建立一个分类器模型或更多的分类器模型，来实现更多的诊断需求。

请继续参考图1，具体工作时，该评估单元180将接收该待诊断的数字X射线图像910的分割后的数字图像部分980及切分后的各个肺区r1、r2、r3、l1、l2、l3的数字图像信息，然后对上述部分分别提取由该第二训练单元150中特征选择模组154所选择确定的特征，然后根据由该第二训练单元150训练的肺区分类器模型及/或由该第一分类单元160与第二分类单元170整合所得筛选分类器模型与分期分类器模型进行尘肺病的诊断。具体来说，一方面，该评估单元180可确定该待诊断的数字X射线图像910是否是一个尘肺病图像，例如通过将提取出的各个肺区的特征与该筛选分类器模型比对即可；另一方面，该评估单元180可确定该待诊断的数字X射线图像910的具体分期情况，例如通过提取出的各个肺区的特征与该分期分类器模型比对即可。

为了获取最佳的诊断结果，该评估单元180可以对该待诊断的数字X射线图像910进行多次重复的评估，并通过适当的最佳值算法得出最佳的结果。该评估单元180评估之后，该报告输出单元190即可将评估得出的结果通过适当的形式输出，例如通过显示器输出结果，或输出至特定数据库以备后续分析之用。在其他实施方式中，如果评估单元180仅仅用于分析该待诊断的数字X射线图像910中尘肺病的特征，并不用来进行后续诊断与分期，则只需通过将提取出的各个肺区的特征与该六个肺区分类器模型比对即可，故而该第一分类单元160及第二分类单元170可对应删除。另外，本发明仅仅是以尘肺病为例来说明该计算机诊断系统100的诊断过程，其也可根据上述原理诊断其他类型的肺病，只需将用于训练所用的数字X射线图像样本替换成对应肺病的样本，然后重新建立用于诊断该肺病的分类器模型即可。

在非限定的实施方式中，该计算机诊断系统100可通过用户图形界面(Graphic user interface，GUI)来进行相关诊断的控制及结果的显示。例如，该用户图形界面可包括用于执行该计算机诊断系统100中各个单元的执行按钮区域，还包括用于显示原始的待诊断的数字X射线图像、切分后的待诊断的数字X射线图像的图像显示区域，还可包括用于显示诊断结果的结果显示区域等等。例如，当仅仅需要执行疾病的筛选功能，则只需按下对应的筛选功能按钮即可，此时仅仅使用第一分类单元160而忽略第二分类单元170，如此可节省时间，等等诸如此类功能的设定。

对应本发明计算机诊断系统100，由于其是应用客观的数据(数字X射线图像样本)来进行诊断，而并非通过人为进行比对来进行诊断，进而使诊断结果更加客观、准确。另外，由于该计算机诊断系统100完全是通过计算机进行分析诊断，故可大大减少诊断时间，并且无需通过取得资质证书的人员来进行诊断。其次，由于该计算机诊断系统100仅仅是对数字X射线图像进行提取，即仅仅对数字图像信号进行分析，而无需将X射线图像制成胶片后再进行诊断，这无疑大大节省了成本并且利于环保。

虽然结合特定的实施方式对本发明进行了说明，但本领域的技术人员可以理解，对本发明可以作出许多修改和变型。因此，要认识到，权利要求书的意图在于覆盖在本发明真正构思和范围内的所有这些修改和变型。

Claims (20)

1.一种肺病的计算机诊断系统，其特征在于，该系统包括：

第一训练单元，用于根据若干第一数字X射线图像样本产生一个平均肺部形状模型；

第二训练单元，用于根据若干第二数字X射线图像样本产生至少一个用于对该肺病的特征进行分类的肺区分类器模型；

分割单元，用于根据该平均肺部形状模型从待诊断的数字X射线图像中分割出肺野图像；及

评估单元，用于比对该肺区分类器模型与该肺野图像来分析该待诊断的数字X射线图像中该肺病的特征。

2.如权利要求1所述的诊断系统，其中该诊断系统还包括第一分类单元，用于将该至少一个肺区分类器模型整合为一个筛选分类器模型，该评估单元通过比对该筛选分类器模型与该肺野图像来判断该待诊断的数字X射线图像对应的人员是否患有该肺病。

3.如权利要求1或2所述的诊断系统，其中该诊断系统还包括第二分类单元，用于将该至少一个肺区分类器模型整合为一个分期分类器模型，该评估单元通过比对该分期分类器模型与该肺野图像来判断该待诊断的数字X射线图像对应的人员患有该肺病的分期情况。

4.如权利要求1所述的诊断系统，其中该诊断系统还包括切分单元，用于将该肺野图像切分成若干肺区图像，该至少一个肺区分类器模型对应该若干肺区图像包括若干肺区分类器模型，该评估单元分别比对该若干肺区分类器模型与对应的肺区图像来分析该待诊断的数字X射线图像的各个肺区图像中该肺病的特征。

5.如权利要求1所述的诊断系统，其中该第一训练单元包括：

肺野标记模组，用于在每一第一数字X射线图像样本中的肺野轮廓上标记若干坐标点；

校准模组，用于对该若干第一数字X射线图像样本中的肺野轮廓上的坐标点进行校准；

点分布模型产生模组，用于根据校准后的坐标点产生一个点分布模型；及

平均肺部形状模型产生模组，用于根据该点分布模型产生该平均肺部形状模型。

6.如权利要求1所述的诊断系统，其中该第二训练单元包括：

特征提取模组，用于根据该若干第二数字X射线图像样本提取该肺病的特征；及

分类器模型建立模组，用于根据该若干第二数字X射线图像样本的诊断结果及所述提取的特征产生该至少一个肺区分类器模型。

7.如权利要求6所述的诊断系统，其中该第二训练单元还包括：

图像切分模组，用于将每一第二数字X射线图像样本切分成若干肺区，该至少一个肺区分类器模型包括若干对应该若干肺区的肺区分类器模型。

8.如权利要求6或7所述的诊断系统，其中该第二训练单元还包括：

特征选择模组，用于将提取的该肺病的特征进行选择，以选择出数量最少且最能表征该肺病的特征，该分类器模型建立模组根据选择后的特征产生该至少一个肺区分类器模型。

9.如权利要求1所述的诊断系统，其中该分割单元包括：

肺野轮廓产生模组，用于从该待诊断的数字X射线图像中产生一个肺野轮廓；及

肺野形状产生模组，用于根据该平均肺部形状模型的参数将该肺野轮廓转换成一个肺野形状，该分割单元通过该肺野形状从该待诊断的数字X射线图像中分割出肺野图像。

10.如权利要求9所述的诊断系统，其中该分割单元还包括：

肺部位置形状提取模组，用于从该待诊断的数字X射线图像中提取出一个肺部位置形状；及

肺部阈值形状提取模组，用于从该待诊断的数字X射线图像中提取出一个肺部阈值形状，该肺野轮廓通过将该肺部位置形状与该肺部阈值形状相叠加产生的。

11.一种肺病的计算机诊断方法，其特征在于，该方法包括：

根据若干第一数字X射线图像样本产生一个平均肺部形状模型；

若干第二数字X射线图像样本产生至少一个用于对该肺病的特征进行分类的肺区分类器模型；

根据该平均肺部形状模型从待诊断的数字X射线图像中分割出肺野图像；及

比对该肺区分类器模型与该肺野图像来分析该待诊断的数字X射线图像中该肺病的特征。

12.如权利要求11所述的诊断方法，其中该诊断方法还包括：

将该至少一个肺区分类器模型整合为一个筛选分类器模型；及

通过比对该筛选分类器模型与该肺野图像来判断该待诊断的数字X射线图像对应的人员是否患有该肺病。

13.如权利要求11或12所述的诊断方法，其中该诊断方法还包括：

将该至少一个肺区分类器模型整合为一个分期分类器模型；及

通过比对该分期分类器模型与该肺野图像来判断该待诊断的数字X射线图像对应的人员患有该肺病的分期情况。

14.如权利要求11所述的诊断方法，其中该诊断方法还包括：

将该肺野图像切分成若干肺区图像，该至少一个肺区分类器模型对应该若干肺区图像包括若干肺区分类器模型；及

分别比对该若干肺区分类器模型与对应的肺区图像来分析该待诊断的数字X射线图像的各个肺区图像中该肺病的特征。

15.如权利要求11所述的诊断方法，其中该“根据若干第一数字X射线图像样本产生一个平均肺部形状模型”的步骤包括：

在每一第一数字X射线图像样本中的肺野轮廓上标记若干坐标点；

对该若干第一数字X射线图像样本中的肺野轮廓上的坐标点进行校准；

根据校准后的坐标点产生一个点分布模型；及

根据该点分布模型产生该平均肺部形状模型。

16.如权利要求11所述的诊断方法，其中该“若干第二数字X射线图像样本产生至少一个用于对该肺病的特征进行分类的肺区分类器模型”的步骤包括：

根据该若干第二数字X射线图像样本提取该肺病的特征；及

根据该若干第二数字X射线图像样本的诊断结果及所述提取的特征产生该至少一个肺区分类器模型。

17.如权利要求16所述的诊断方法，其中该“若干第二数字X射线图像样本产生至少一个用于对该肺病的特征进行分类的肺区分类器模型”的步骤还包括：

将每一第二数字X射线图像样本切分成若干肺区，该至少一个肺区分类器模型包括若干对应该若干肺区的肺区分类器模型。

18.如权利要求16或17所述的诊断方法，其中该“若干第二数字X射线图像样本产生至少一个用于对该肺病的特征进行分类的肺区分类器模型”的步骤还包括：

将提取的该肺病的特征进行选择，以选择出数量最少且最能表征该肺病的特征，该分类器模型建立模组根据选择后的特征产生该至少一个肺区分类器模型。

19.如权利要求11所述的诊断方法，其中该“根据该平均肺部形状模型从待诊断的数字X射线图像中分割出肺野图像”的步骤包括：

从该待诊断的数字X射线图像中提取出一个肺部位置形状；

从该待诊断的数字X射线图像中提取出一个肺部阈值形状；

叠加该肺部位置形状及肺部阈值形状来产生一个肺野轮廓；及

根据该平均肺部形状模型的参数将该肺野轮廓转换成一个肺野形状，通过该肺野形状从该待诊断的数字X射线图像中分割出肺野图像。

20.如权利要求11所述的诊断方法，其中该肺病为尘肺病。

Images