CN111544021A - 一种基于胸部ct的covid-19疾病进展评价方法及装置 - Google Patents
一种基于胸部ct的covid-19疾病进展评价方法及装置 Download PDFInfo
- Publication number
- CN111544021A CN111544021A CN202010393011.6A CN202010393011A CN111544021A CN 111544021 A CN111544021 A CN 111544021A CN 202010393011 A CN202010393011 A CN 202010393011A CN 111544021 A CN111544021 A CN 111544021A
- Authority
- CN
- China
- Prior art keywords
- image
- chest
- covid
- unit
- score
- 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
- 208000025721 COVID-19 Diseases 0.000 title claims abstract description 59
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 230000005750 disease progression Effects 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 238000003384 imaging method Methods 0.000 claims abstract description 23
- 230000003902 lesion Effects 0.000 claims abstract description 22
- 201000010099 disease Diseases 0.000 claims abstract description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 210000004072 lung Anatomy 0.000 claims abstract description 17
- 206010061818 Disease progression Diseases 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 210000000038 chest Anatomy 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 4
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 3
- 210000000481 breast Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002757 inflammatory effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 62
- 230000008859 change Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010035737 Pneumonia viral Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001514 detection method Methods 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
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003757 reverse transcription PCR Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 208000009421 viral pneumonia Diseases 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于胸部CT的COVID‑19疾病进展评价方法及装置，对COVID‑19患者的胸部CT图像进行主观评分和手工病灶勾画，构建COVID‑19疾病进展CT图像数据集；对COVID‑19患者胸部CT图像进行预处理，预处理包括肺部自动分割、纵向配准和切片融合，并将融合后的切片图像与勾画的病灶图像进行相乘，获得融合后的病灶图像；对融合后的病灶图像分别进行方差测量和梯度图像的切比雪夫矩能量测量，得到方差测量值和切比雪夫矩能量测量值；将方差测量值归一化梯度图像的切比雪夫矩能量测量值，得到疾病进展客观分数；将影像科医生的主观分数和疾病进展客观分数进行一致性测量。本发明可以根据COVID‑19患者胸部CT自动评价疾病进展，评价结果与放射科医生的评分具有很好的一致性。
Description
技术领域
本发明涉及一种评价方法，具体涉及一种基于胸部CT的COVID-19疾病进展 评价方法及装置。
背景技术
冠状病毒引起的传染病被世界卫生组织称为COVID-19。其临床表现为肺炎 伴发热、咳嗽、呼吸困难。COVID-19确诊的金标准是病毒核酸的实时逆转录聚 合酶链反应。然而，该确诊方法具有较高的假阴性率。胸部计算机断层扫描(CT) 对COVID-19的诊断具有较高的敏感性。此外，根据国家卫生委员会《新型冠状 病毒性肺炎诊治方案》(第7版)，CT被认为是我国诊断、监测和评价COVID-19 进展的重要工具。
随着COVID-19确诊和疑似病例的爆炸性增加，由于时间紧迫，放射科医生 的数量严重缺乏。因此，迫切需要对COVID-19疾病进展进行自动定量评价。 COVID-19疾病进展CT图像数据集可直接用于同一患者疾病进展的检测和比较。 因此首先需要构建COVID-19疾病进展CT图像数据集，在数据集的基础上，获得 放射科医生的主观评分和手动勾画，为了节省医生的时间，手动绘制取最大病变 的切片。虽然主观评价是一种直接可靠的方法。但CT图像的细微变化一般会被 忽略，不一致的人工阅片也会影响后续治疗。客观的评价方法具有简单、实时， 可重复和易集成等特点。所以研究符合主观视觉系统的客观评价方法是COVID-19疾病进展的评价的重点。
据报道，磨玻璃混浊与肺实质是COVID-19的主要特征，表现为肺部密度增 加的阴影区。COVID-19的CT表现呈不规则形状以不同的模糊为特征。感染区域 出现的模糊表现包含不同的边缘特征，模糊会导致边缘扩展，从而影响感染区域 的形状变化。切比雪夫矩是一种有效的形状表示方法，能够有效地捕捉边缘特征， 由于不同的模糊程度会引起感染区切比雪夫矩值的变化，利用切比雪夫矩可以捕 捉到感染区的模糊，同一患者的疾病进展过程中CT表现的特征可以用不同的感 染区图像模糊度来表示。因此，需要构建一个基于胸部CT的COVID-19疾病进展 评价模型，可以在现实中对不同感染区图像模糊度程度进行快速地客观评价。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于胸部CT的COVID-19 疾病进展评价方法及装置，利用切比雪夫矩可以有效的捕捉到感染区的模糊程 度，建立一种基于胸部CT的COVID-19疾病进展评价方法，可以自动评价 COVID-19患者胸部CT疾病进展的结果，评价结果与放射科医生的评分具有很好 的一致性。
为实现上述目的，本发明提供如下技术方案：一种基于胸部CT的COVID-19 疾病进展评价方法，包括以下步骤：
步骤一：对COVID-19患者的胸部CT图像进行主观评分和手工病灶勾画， 构建COVID-19疾病进展CT图像数据集；
步骤二：对COVID-19患者的胸部CT图像进行预处理，预处理包括肺部自动 分割、纵向配准和切片融合，并将融合后的切片图像与勾画的病灶图像进行相乘， 获得融合后的病灶图像；
步骤三：对融合后的病灶图像分别进行方差测量和梯度图像的切比雪夫矩能 量测量，得到方差测量值和切比雪夫矩能量测量值；
步骤四：将方差测量值归一化梯度图像的切比雪夫矩能量测量值，得到疾病 进展客观分数；
步骤五：将影像科医生的主观分数和疾病进展客观分数进行一致性测量。
进一步的，所述步骤一中，根据同一病人的病情随时间变化的原始胸部CT 图像，按照累及每个肺叶的急性肺部炎性病变，由五个肺叶评分相加，累及程度 分为0％、1-25％、26-50％、51-75％、76-100％，通过高级职称放射科医师对病灶 进行手工勾画并给出0-5的评分，其中4-5分表示恢复健康，3-4分表示轻度， 2-3分表示一般，1-2分表示严重，0-1分表示重度，放射科医师给出的平均分 值作为最终主观评分。
进一步的，所述步骤二中胸部CT图像的纵向配准采用对称规范化算法对每 个病人随时间变化的CT图像进行纵向配准。
进一步的，所述步骤二中胸部CT图像的切片融合采用导频滤波法在一次扫 描中融合同一病人的每一个切片，将每个切片的信息整合到一个视觉增强的融合 图像中。
进一步的，所述步骤三的具体步骤为：
步骤A.提取病灶图像的梯度，计算公式为：
gx＝[-1 0 1]*F(x，y)，gy＝[-1 0 1]′*F(x，y)，
其中，gx，gy分别表示梯度的横向量和纵向量,F(x，y)表示融合后的病灶图 像，x∈{1，2，3，…，N},y∈{1，2，3，…，N}.“′”和“*”分别表示转置和卷积；
步骤B.将病灶图像和病灶的梯度图像都分割成相同大小的块(Q×Q)，其 中的Q表示行数和列数；病灶图像块表示为
病灶的梯度图像块表示为
在
中分块方差为
其中， i∈{1，2，3，…K}，j∈{1，2，3，…L},
表示向下取整；计算 梯度图像的分块切比雪夫矩，在
中分块的切比雪夫矩表示为
公式如下：
步骤C.利用非直流切比雪夫矩的平方和，计算梯度图像块的切比雪夫矩的 能量，
是梯度图像块的切比雪夫矩的能量，公式如下：
其中，u，v∈{0，1，2，3，…Q-1},
表示0阶矩，被移除，保留非直流分 量。
进一步的，所述步骤四中方差测量值归一化梯度图像的切比雪夫矩能量测量 值，计算公式为
进一步的，所述步骤五采用四参数逻辑非线性回归方程对主观分数和客观分 数进行非线性回归，分别计算斯皮尔曼秩相关系数和肯德尔秩次相关系数，得到 影像科医生的主观分数和疾病进展客观分数的一致性测量值。
一种基于胸部CT的COVID-19疾病进展评价方法的装置，包括胸部CT疾病 进展数据集单元、影像科医生主观评价单元、胸部CT预处理单元、方差测量单 元、切比雪夫矩能量测量单元、客观质量分数单元、一致性评价单元；所述胸部 CT疾病进展数据集单元连接影像科医生主观评价单元；所述影像科医生主观评 价单元连接胸部CT预处理单元；所述胸部CT预处理单元分别连接方差测量单元、 切比雪夫矩能量测量单元；所述方差测量单元、切比雪夫矩能量测量单元分别连 接客观质量分数单元；所述客观质量分数单元连接一致性评价单元。
与现有技术相比：本发明是针对COVID-19患者胸部CT疾病进展设计的评价 模型，对根据胸部CT对COVID-19患者疾病进展评价效果显著。
本发明分别利用方差测量和切比雪夫矩能量测量来反应COVID-19患者胸部 CT图像的模糊特点，此方法在评价COVID-19患者胸部CT疾病进展上与影像科 医生的主观评价十分契合，能够准确的进行评价。
因为影像科医生在分析和理解图像时，大脑关注的是COVID-19患者胸部CT 图像的病灶区域，模糊是COVID-19患者胸部CT图像被人眼感知的关键特性，大 脑往往首先抽象出含有更多语义的中高层次特征，所以本发明方法更符合人脑对 图像的分析与理解，与影像科医生的主观感受基本一致。
本发明将COVID-19患者胸部CT图像经过主观评分和预处理后，通过评价模 型得到准确的COVID-19患者胸部CT疾病进展分数，具有很大的实际应用价值。 更重要的是本发明方法可以嵌入到应用系统中，便于进行后期推广。
本发明所设计的方法简单有效，技术方案合理有效，可以很好的快速模拟医 生对COVID-19患者胸部CT疾病进展的评价结果，可行性高，更贴近实际。
附图说明
图1为本发明评价方法流程图；
图2为COVID-19疾病进展胸部CT图像预处理模型图；
图3为融合后的病灶图像在梯度变换中边缘扩展模型图；
图4为方差测量和切比雪夫矩能量测量模型图；
图5为影像科医生的MOS值和客观分数一致性示例图；
图6为本发明实施评价方法的装置方框图。
具体实施方式
下面结合附图对本发明作进一步说明。
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。
如图1所示，本发明提供一种基于胸部CT的COVID-19疾病进展评价方法：
步骤一：对COVID-19患者的胸部CT图像进行主观评分和手工病灶勾画， 构建COVID-19疾病进展CT图像数据集；
步骤二：对COVID-19患者的胸部CT图像进行预处理，预处理包括肺部自动 分割、纵向配准和切片融合，并将融合后的切片图像与勾画的病灶图像进行相乘， 获得融合后的病灶图像；
步骤三：对融合后的病灶图像分别进行方差测量和梯度图像的切比雪夫矩能 量测量，得到方差测量值和切比雪夫矩能量测量值；
步骤四：将方差测量值归一化梯度图像的切比雪夫矩能量测量值，得到疾病 进展客观分数；
步骤五：将影像科医生的主观分数和疾病进展客观分数进行一致性测量。
如图6所示，实施评价方法的装置包括胸部CT疾病进展数据集单元、影像 科医生主观评价单元、胸部CT预处理单元、方差测量单元、切比雪夫矩能量测 量单元、客观质量分数单元、一致性评价单元；所述胸部CT疾病进展数据集单 元连接影像科医生主观评价单元；所述影像科医生主观评价单元连接胸部CT预 处理单元；所述胸部CT预处理单元分别连接方差测量单元、切比雪夫矩能量测 量单元；所述方差测量单元、切比雪夫矩能量测量单元分别连接客观质量分数单 元；所述客观质量分数单元连接一致性评价单元。
将COVID-19病人每次扫描的胸部CT图像输入到本发明提出的基于胸部CT 的COVID-19疾病进展评价方法中；具体为：从2020年1月23日到2020年2 月14日，共有70名患者(男34名，女36名，中位年龄40.5岁)被用于构建 COVID-19疾病进展CT图像数据集，其中23例患者在徐州医科大学附属医院使 用64排CT系统(GE Healthcare，Milwaukee，WI，USA)在Discovery PET/CT 690扫描仪上进行CT扫描。47例患者在徐州市传染病医院使用16排CT系统 (Brilliance 16；Philips Healthcare，Cleveland，Ohio)进行CT扫描。所 有患者均行非增强平扫。同一病人保持3次CT扫描，共210幅CT图像。
对COVID-19患者胸部CT图像进行主观评分和手工病灶勾画，构建COVID-19 疾病进展CT图像数据集；
根据同一病人随时间变化的原始胸部CT图像，要求2名高级职称放射科医 师对病灶进行勾画。随着COVID-19患者确诊和疑似病例的爆炸性增加，由于时 间紧迫，放射科医生的数量严重缺乏。在疫情下的特殊时期，为了节省放射科医 生的时间，通过对最大病变的切片进行勾画得到病灶区域。按照累及每个肺叶的 急性肺部炎性病变，由五个肺叶评分相加，累及程度分为0％、1-25％、26-50％、 51-75％、76-100％。通过高级职称放射科医师对病灶进行0-5的评分，对疾病的 进展的主观评分标准是4-5分表示恢复健康，3-4分表示轻度，2-3分表示一般， 1-2分表示严重，0-1分表示重度。若2名医生的主观评分和手动勾画不一致， 需要第三位高级放射科医生进行确认，平均分MOS值作为最终主观评分。
如图2所示，为了准确定位肺部，首先在GE Advantage工作站上的胸腔VCAR 2.0版图像分析软件包(GE公司)中执行自动肺分割；然后，由于在治疗过程中 对同一患者的CT图像随时间的变化进行定量比较，需要对肺切片进行纵向配准， 采用ANTsPy配准工具，网址：https://ANTsPy.readthedocs.io/en/latest/index.html，其中对称规范化算法 用于切片纵向配准，是一种基于仿射变换和变形变换的互信息优化方法；其次， 单一的肺切片不能满足放射科医生的临床需要，采用导频滤波法在一次扫描中融 合同一病人的每一个切片，将每个切片的信息整合到一个视觉增强的融合图像 中，有助于影像科医生进行诊断；最后将融合后的切片图像与勾画的病灶图像进 行相乘，获得融合后的病灶图像。
提取融合后病灶图像的方差测量：
将病灶图像分割成相同大小的块(Q×Q)，其中的Q表示行数和列数；F表示 融合后的病灶图像，则病灶图像块表示为
在
中分块方差为
其中， i∈{1，2，3，…K}，j∈{1，2，3，…L},
表示向下取整。
提出切比雪夫矩能量测量步骤如下：
步骤A.提取病灶图像的梯度，计算公式为：
gx＝[-1 0 1]*F(x，y)，gy＝[-1 0 1]′*F(x，y)，
其中，gx，gy分别表示梯度的横向量和纵向量,F(x，y)表示融合后的病灶图 像，x∈{1，2，3，…M},y∈{1，2，3，…，N}.“'”和“*”分别表示转置和卷积。融合后的病 灶图像在梯度变换中边缘扩展模型如图3所示。
同一病人在治疗过程中的病情发展表现为感染区域的模糊程度不同，不同的 模糊程度会引起感染区域图像上切比雪夫矩的大小发生变化，切比雪夫矩可以捕 捉到感染区域的模糊程度。N点核的N阶切比雪夫矩计算如下：
为了满足数值稳定性，对切比雪夫矩的核进行加权：
其中
表示加权，
表示范数。具有加权核 的m+n阶切比雪夫矩在图像M×N上的表示为：
其中，m∈{0，1，2，…，M-1},n∈{0，1，2，…，N-1}。
步骤B.将梯度图像分割成相同大小的块(Q×Q)，其中的Q表示行数和列数； 病灶图像块表示为
则病灶的梯度图像块表示为
其中， i∈{1，2，3，…K}，j∈{1，2，3，…L},
表示向下取整。在 
中分块的切比雪夫矩表示为
计算公式如下：
步骤C.利用非直流切比雪夫矩的平方和，计算梯度图像块的切比雪夫矩的 能量，
为梯度图像块的切比雪夫矩的能量，计算公式如下：
其中，u，v∈{0，1，2，3，…Q-1},
表示0阶矩，被移除，保留非直流分 量。
对于方差测量值和切比雪夫矩能量测量值，这两个测量指标进行综合处理， 如图4所示。考虑病灶图像的成分不同，其方差也相应不同，模糊图像的能量随 着模糊强度的增加单调地减小，利用分块方差测量值归一化梯度图像分块的切比 雪夫矩能量测量值，得到客观评价分数，客观评价分数计算公式如下：
将影像科医生的主观分数和疾病进展客观分数进行一致性测量。如图5所 示。采用四参数逻辑非线性回归方程对影像科医生的主观评分和客观分数进行非 线性回归拟合，得到影像科医生的主观分数和疾病进展客观分数的一致性测量 值。计算公式如下：
其中，s代表客观质量评价分数，
是要拟合的参数，选择最 优的
使得f(s)与影像科医生的主观评分误差最小。分别计算斯 皮尔曼秩相关系数和肯德尔秩次相关系数验证客观评价方法的性能。
由于患者人数较多，从COVID-19疾病进展数据集中抽取了8名患者在治疗 过程中随时间变化疾病进展的实验结果，如图5所示，影像科医生给出了主观评 价，用MOS值表示，通过图2和图4的处理过程，得到COVID-19疾病进展的客 观分数。为了更好的呈现出MOS值和客观分数一致性，表1给出了8名患者在治 疗过程中随时间变化三次CT检查疾病进展的主观分数和客观分数。从表1可以 看出，当主观分数增加或者减少，客观分数相应的也增加或者减少，说明COVID-19疾病进展的主观分数和客观分数具有一致性。
表1
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而 且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发 明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性 的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要 求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的 任何附图标记视为限制所涉及的权利要求。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，凡是依据本发 明的技术实质对以上实施例所作的任何细微修改、等同替换和改进，均应包含在 本发明技术方案的保护范围之内。
Claims (8)
1.一种基于胸部CT的COVID-19疾病进展评价方法，其特征在于包括以下步骤：
步骤一：对COVID-19患者的胸部CT图像进行主观评分和手工病灶勾画，构建COVID-19疾病进展CT图像数据集；
步骤二：对COVID-19患者的胸部CT图像进行预处理，预处理包括肺部自动分割、纵向配准和切片融合，并将融合后的切片图像与勾画的病灶图像进行相乘，获得融合后的病灶图像；
步骤三：对融合后的病灶图像分别进行方差测量和梯度图像的切比雪夫矩能量测量，得到方差测量值和切比雪夫矩能量测量值；
步骤四：将方差测量值归一化梯度图像的切比雪夫矩能量测量值，得到疾病进展客观分数；
步骤五：将影像科医生的主观分数和疾病进展客观分数进行一致性测量。
2.根据权利要求1所述的一种基于胸部CT的COVID-19疾病进展评价方法，其特征在于，所述步骤一中，根据同一病人的病情随时间变化的原始胸部CT图像，按照累及每个肺叶的急性肺部炎性病变，由五个肺叶评分相加，累及程度分为0％、1-25％、26-50％、51-75％、76-100％，通过高级职称放射科医师对病灶进行手工勾画并给出0-5的评分，其中4-5分表示恢复健康，3-4分表示轻度，2-3分表示一般，1-2分表示严重，0-1分表示重度，放射科医师给出的平均分值作为最终主观评分。
3.根据权利要求1所述的一种基于胸部CT的COVID-19疾病进展评价方法，其特征在于，所述步骤二中胸部CT图像的纵向配准采用对称规范化算法对每个病人随时间变化的CT图像进行纵向配准。
4.根据权利要求1所述的一种基于胸部CT的COVID-19疾病进展评价方法，其特征在于，所述步骤二中胸部CT图像的切片融合采用导频滤波法在一次扫描中融合同一病人的每一个切片，将每个切片的信息整合到一个视觉增强的融合图像中。
5.根据权利要求1所述的一种基于胸部CT的COVID-19疾病进展评价方法，其特征在于，所述步骤三的具体步骤为：
步骤A.提取病灶图像的梯度，计算公式为：
gx＝[-1 0 1]*F(x，y)，gy＝[-1 0 1]′*F(x，y)，
其中，gx，gy分别表示梯度的横向量和纵向量,F(x，y)表示融合后的病灶图像，x∈{1，2，3，…M},y∈{1，2，3，…，N}.“'”和“*”分别表示转置和卷积；
步骤B.将病灶图像和病灶的梯度图像都分割成相同大小的块(Q×Q)，其中的Q表示行数和列数；病灶图像块表示为
病灶的梯度图像块表示为
在
中分块方差为
其中，i∈{1，2，3，…K}，j∈{1，2，3，…L},
表示向下取整；计算梯度图像的分块切比雪夫矩，在
中分块的切比雪夫矩表示为
公式如下：
步骤C.利用非直流切比雪夫矩的平方和，计算梯度图像块的切比雪夫矩的能量，
是梯度图像块的切比雪夫矩的能量，公式如下：
其中，u，v∈{0，1，2，3，…Q-1},
表示0阶矩，被移除，保留非直流分量。
6.根据权利要求1所述的一种基于胸部CT的COVID-19疾病进展评价方法，其特征在于，所述步骤四中方差测量值归一化梯度图像的切比雪夫矩能量测量值，计算公式为
7.根据权利要求1所述的一种基于胸部CT的COVID-19疾病进展评价方法，其特征在于，所述步骤五采用四参数逻辑非线性回归方程对主观分数和客观分数进行非线性回归，分别计算斯皮尔曼秩相关系数和肯德尔秩次相关系数，得到影像科医生的主观分数和疾病进展客观分数的一致性测量值。
8.一种实现权利要求1-7任一项所述的基于胸部CT的COVID-19疾病进展评价方法的装置，其特征在于，包括胸部CT疾病进展数据集单元、影像科医生主观评价单元、胸部CT预处理单元、方差测量单元、切比雪夫矩能量测量单元、客观质量分数单元、一致性评价单元；所述胸部CT疾病进展数据集单元连接影像科医生主观评价单元；所述影像科医生主观评价单元连接胸部CT预处理单元；所述胸部CT预处理单元分别连接方差测量单元、切比雪夫矩能量测量单元；所述方差测量单元、切比雪夫矩能量测量单元分别连接客观质量分数单元；所述客观质量分数单元连接一致性评价单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010393011.6A CN111544021B (zh) | 2020-05-11 | 2020-05-11 | 一种基于胸部ct的covid-19疾病进展评价方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010393011.6A CN111544021B (zh) | 2020-05-11 | 2020-05-11 | 一种基于胸部ct的covid-19疾病进展评价方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111544021A true CN111544021A (zh) | 2020-08-18 |
| CN111544021B CN111544021B (zh) | 2022-06-17 |
Family
ID=71996547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010393011.6A Active CN111544021B (zh) | 2020-05-11 | 2020-05-11 | 一种基于胸部ct的covid-19疾病进展评价方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111544021B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030035507A1 (en) * | 2001-08-17 | 2003-02-20 | Li-Yueh Hsu | Computer-aided diagnosis system for thoracic computer tomography images |
| CN104143184A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种肺部分割的方法 |
| JP2014210171A (ja) * | 2013-04-05 | 2014-11-13 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置及び医用画像処理方法 |
| US20160015355A1 (en) * | 2004-04-26 | 2016-01-21 | David F. Yankelevitz | Medical imaging system for accurate measurement evaluation of changes in a target lesion |
| CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
| CN108898595A (zh) * | 2018-06-27 | 2018-11-27 | 慧影医疗科技（北京）有限公司 | 一种胸部疾病检测模型的构建方法及应用 |
| CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械（集团）有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
-
2020
- 2020-05-11 CN CN202010393011.6A patent/CN111544021B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030035507A1 (en) * | 2001-08-17 | 2003-02-20 | Li-Yueh Hsu | Computer-aided diagnosis system for thoracic computer tomography images |
| US20160015355A1 (en) * | 2004-04-26 | 2016-01-21 | David F. Yankelevitz | Medical imaging system for accurate measurement evaluation of changes in a target lesion |
| JP2014210171A (ja) * | 2013-04-05 | 2014-11-13 | 東芝メディカルシステムズ株式会社 | 医用画像処理装置及び医用画像処理方法 |
| CN104143184A (zh) * | 2013-05-10 | 2014-11-12 | 上海联影医疗科技有限公司 | 一种肺部分割的方法 |
| CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
| CN108898595A (zh) * | 2018-06-27 | 2018-11-27 | 慧影医疗科技（北京）有限公司 | 一种胸部疾病检测模型的构建方法及应用 |
| CN110766713A (zh) * | 2019-10-30 | 2020-02-07 | 上海微创医疗器械（集团）有限公司 | 肺部图像分割方法、装置和肺部病变区域识别设备 |
Non-Patent Citations (1)
| Title |
|---|
| 唐璐: "《多模态医学图像融合与质量评价关键技术研究》", 《中国知网博士电子期刊》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111544021B (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
| CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
| CN111243042A (zh) | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 | |
| CN111179227B (zh) | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 | |
| CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
| CN114694236B (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
| CN113222951B (zh) | 一种识别髋关节x线的骨质疏松人工智能诊断装置 | |
| Campo et al. | Emphysema quantification on simulated X-rays through deep learning techniques | |
| US20030103663A1 (en) | Computerized scheme for distinguishing between benign and malignant nodules in thoracic computed tomography scans by use of similar images | |
| Ye et al. | Severity assessment of COVID-19 based on feature extraction and V-descriptors | |
| CN110279433A (zh) | 一种基于卷积神经网络的胎儿头围自动精确测量方法 | |
| Kajla et al. | Analysis of x-ray images with image processing techniques: A review | |
| CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
| CN110710986B (zh) | 一种基于ct图像的脑部动静脉畸形检测方法及检测系统 | |
| CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
| Seo et al. | Deep focus approach for accurate bone age estimation from lateral cephalogram | |
| Zeng et al. | TUSPM-NET: A multi-task model for thyroid ultrasound standard plane recognition and detection of key anatomical structures of the thyroid | |
| Singh et al. | Good view frames from ultrasonography (USG) video containing ONS diameter using state-of-the-art deep learning architectures | |
| CN111544021B (zh) | 一种基于胸部ct的covid-19疾病进展评价方法及装置 | |
| CN112508943A (zh) | 基于超声影像的乳腺肿瘤识别方法 | |
| WO2017193581A1 (zh) | 乳腺筛查图像自动处理系统及方法 | |
| Mesanovic et al. | Application of lung segmentation algorithm to disease quantification from CT images | |
| TWI836926B (zh) | 應用多面向並聯ai判讀架構判讀卵巢惡性腫瘤之方法 | |
| CN115984190B (zh) | 一种基于ct图像的处理方法、装置、设备及存储介质 | |
| Hamad et al. | Infusion extraction and measurement on CT images based on computer vision and neural network |
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 |