CN111739023B - 漏斗胸Haller指数测量方法、电子设备及存储介质 - Google Patents

漏斗胸Haller指数测量方法、电子设备及存储介质 Download PDF

Info

Publication number
CN111739023B
CN111739023B CN202010860272.4A CN202010860272A CN111739023B CN 111739023 B CN111739023 B CN 111739023B CN 202010860272 A CN202010860272 A CN 202010860272A CN 111739023 B CN111739023 B CN 111739023B
Authority
CN
China
Prior art keywords
chest
sternum
image
contour
layer
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.)
Active
Application number
CN202010860272.4A
Other languages
English (en)
Other versions
CN111739023A (zh
Inventor
谢松县
彭立宏
邓喜成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Shuding Intelligent Technology Co ltd
Original Assignee
Hunan Shuding Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Shuding Intelligent Technology Co ltd filed Critical Hunan Shuding Intelligent Technology Co ltd
Priority to CN202010860272.4A priority Critical patent/CN111739023B/zh
Publication of CN111739023A publication Critical patent/CN111739023A/zh
Application granted granted Critical
Publication of CN111739023B publication Critical patent/CN111739023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提出一种漏斗胸Haller指数测量方法、电子设备及存储介质，包括：获取大量漏斗胸患者胸骨横切面的CT影像，构建训练数据集；基于卷积神经网络U‑Net构建胸骨轮廓分割模型，采用训练数据集对胸骨轮廓分割模型进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型；对于患者所有待处理的胸部CT影像，找出其中胸骨凹陷程度最大的胸部CT影像并输入到训练好胸骨轮廓分割模型，分割出其对应的胸骨轮廓图，找出胸骨轮廓图中Haller指数的四个关键点，计算得到Haller指数。本发明可自动计算并输出漏斗胸Haller指数，提高漏斗胸自动诊断准确率及诊断效率，为计算机辅助个性化漏斗胸诊疗技术奠定基础。

Description

漏斗胸Haller指数测量方法、电子设备及存储介质
技术领域
本发明涉及医学影像处理和深度学习领域，尤其涉及一种漏斗胸Haller指数测量方法。
背景技术
漏斗胸是临床常见的儿童先天性胸壁畸形，症状表现为部分胸骨及与其相连的第3～7根肋软骨向脊柱方向呈现漏斗状。Haller指数利用胸部CT确定漏斗胸的严重程度，是诊断漏斗胸严重程度的常用方法。利用Haller指数诊断时，需要对患者的CT影像进行测量，计算胸骨凹陷处至脊椎骨皮质前缘的距离，正常人平均指数为2.52，小于3.2为轻度患者，3.2至3.5之间为中度患者，大于3.5为重度患者。
目前常用的漏斗胸Haller指数测量方法，由于测量在内胸廓上进行，在一定程度上不能准确表征漏斗胸患者胸廓外形特征，而且传统人工测量的方式需要从患者的CT影像中筛选出最凹陷的部位，并进行手动画辅助线，会出现因测量人员不同导致的主观差异，且诊断效率低下。
发明内容
针对目前测量方法存在的非自动化、非标准化、效率低下等问题，本发明提出了一种漏斗胸Haller指数测量方法、电子设备及存储介质。
为实现上述技术目的，本发明采用的具体技术方案如下：
漏斗胸Haller指数测量方法，包括：
S1. 获取大量漏斗胸患者胸骨横切面的CT影像，构建训练数据集。
S2. 构建卷积神经网络U-Net模型，采用训练数据集对卷积神经网络U-Net模型进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型。
S3. 对于任一患者的所有待处理的胸部CT影像，找出其中胸骨凹陷程度最大的胸部CT影像并输入到训练好胸骨轮廓分割模型，分割出其对应的胸骨轮廓图，找出胸骨轮廓图中Haller指数的四个关键点，计算得到Haller指数。
优选地，本发明的S1中，收集大量漏斗胸患者胸部CT影像构成漏斗胸患者胸部CT影像集，对漏斗胸患者胸部CT影像集中的各漏斗胸患者胸部CT影像进行人工标注，标记出各漏斗胸患者胸部CT影像中内胸轮廓、胸骨轮廓的界限范围，从漏斗胸患者胸部CT影像集中筛选出其中的胸骨横切面的CT影像，对筛选出的所有胸骨横切面的CT影像进行数据增强、归一化处理、二值化处理后将所有图像调整为统一大小，得到训练数据集。
优选地，本发明S1中，所述数据增强的方法是：通过W/L调窗算法将胸骨横切面的CT影像转为灰度图。
然后将图像边缘部分设置为0，同时根据斜率和截距计算Hu值，计算公式如下：
Figure 253113DEST_PATH_IMAGE001
其中，Hu表示灰度值，X表示输入的胸骨横切面的CT影像，Slope表示斜率，Intercept表示截距。
将图像的窗宽值和窗位值分别设置为360Hu和60Hu，图片分辨率设置为512像素*512像素后，使用带通滤波器对胸骨横切面的灰度图进行去噪即可。
优选地，本发明S1中，所述归一化处理的计算公式为：
Figure 270748DEST_PATH_IMAGE002
，其中x表示输入图像，norm表示归一化后的图像。
优选地，本发明S1中，所述二值化处理的计算公式如下：
Figure 827631DEST_PATH_IMAGE003
其中
Figure 829085DEST_PATH_IMAGE004
是二值化前的图像，
Figure 496827DEST_PATH_IMAGE005
是二值化后的图像，thresh是阈值，设置为3。
优选地，本发明S2中构建的卷积神经网络U-Net模型的网络结构是：包括8层，其中第一层为输入层，第一层的输入图像是训练数据集中的图像；第二层至第七层为隐藏层，其中第二层和第三层均包含两个卷积层、一个Dropout层和一个池化层，第四层包含两个卷积层和一个Dropout层，第五、六层包含两个卷积层、一个Dropout层、一个上采样层和一个合并层，第七层包含一个Reshape层和Permute层；第八层为输出层，输出层为激活函数层。
优选地，本发明S2中胸骨轮廓分割模型的训练方法，包括：
（1）设置卷积神经网络U-Net模型参数。
卷积神经网络U-Net模型中卷积层的卷积核大小为3×3，步长为1，激活函数为ReLU函数，padding=1；池化层为最大池化层，大小为2×2，步长为2；输出层的激活函数为softmax。
令λ＞0，U,V∈[0,1] m×n ，U和V分别表示胸骨轮廓分割得到的结果图像和输入图像归一化后的图像，u、v分别表示U、V中的像素，m和n表示图像的宽和高，均设为256。损失函数采用下面公式计算：
Figure 138941DEST_PATH_IMAGE006
其中：
Figure 866726DEST_PATH_IMAGE007
，C为胸骨轮廓分割区域的轮廓曲线；
Figure 355476DEST_PATH_IMAGE008
，Ω为胸骨轮廓分割区域内的像素集，c 1和c 2分别被表示为前景和背景，定义为常数，c 1=1和c 2=0。
（2）采用训练数据集，使用随机梯度下降算法对卷积神经网络U-Net模型参数进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型
Figure 561330DEST_PATH_IMAGE009
其中α为学习率，θ j 为网络的权重，Loss(θ j )代表损失函数。
优选地，本发明S3的实现方法，包括：
S3.1 对于某一患者的所有待处理的胸部CT影像，寻找各胸部CT影像的图像轮廓，根据轮廓面积最大的规则找出其中的胸腔外轮廓。
S3.2找出该患者第i个胸部CT影像中的关键点，关键点包括胸腔外轮廓上方凹陷点g i 、左侧最高点l i 和右侧最高点r i ，其中i=1, 2, ...,n, n为该患者的所有待处理的胸部CT影像数量。
S3.3 计算患者第i个胸部CT影像中胸腔凹陷程度degree i ：
Figure 819136DEST_PATH_IMAGE010
S3.4 选出该患者胸腔凹陷程度最大的CT影像j，
Figure 717821DEST_PATH_IMAGE011
。
S3.5 对该患者胸腔凹陷程度最大的胸部CT影像j进行数据增强、归一化、二值化处理后调整为256像素*256像素的图像。
S3.6 将S3.5得到的图像输入到训练好胸骨轮廓分割模型分割出其对应的胸骨轮廓图。
S3.7 提取S3.6得到的胸骨轮廓图中的胸骨轮廓，找到胸骨轮廓中左下侧和右下侧的最低点D和E，计算出D、E两点间的连线与水平线的夹角
Figure 428289DEST_PATH_IMAGE012
，
Figure 703412DEST_PATH_IMAGE013
即为S3.6得到的胸骨轮廓图中的胸骨轮廓倾斜的角度。
S3.8 将S3.6得到的胸骨轮廓图反向旋转
Figure 815725DEST_PATH_IMAGE014
角度进而得到正位的胸骨轮廓图。
S3.9 根据S3.8中得到的正位的胸骨轮廓图，计算Haller指数：
Figure 885312DEST_PATH_IMAGE015
其中h表示Haller指数，G是正位的胸骨轮廓图中的胸骨轮廓上方凹陷点，H是正位的胸骨轮廓图中的胸骨轮廓下方凸点，L是正位的胸骨轮廓图中的胸骨轮廓最左侧点，R是正位的胸骨轮廓图中的胸骨轮廓最右侧点，LR表示L、R两点间的距离，GH表示G、H两点间的距离。
本发明提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的漏斗胸Haller指数测量方法的步骤。
本发明提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的漏斗胸Haller指数测量方法的步骤。
本发明的有益效果如下：
本发明可自动计算并输出漏斗胸Haller指数，提高漏斗胸自动诊断准确率及诊断效率，为计算机辅助个性化漏斗胸诊疗技术奠定基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明的整体流程框架图；
图2为本发明的图像处理流程图；
图3为患者的胸部CT影像中的关键点示意图；
图4为未校正的胸骨轮廓图像（有倾斜角度）示例；
图5为校正后的胸骨轮廓图像中的胸骨轮廓分割图；
图6为正位的胸骨轮廓图中的胸骨轮廓图。
具体实施方式
为了使本发明的技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
实施例1：
参照图1至图6，本实施例提供一种漏斗胸Haller指数测量方法，包括：
S1. 获取大量漏斗胸患者胸骨横切面的CT影像，构建训练数据集。
收集大量漏斗胸患者胸部CT影像构成漏斗胸患者胸部CT影像集，对漏斗胸患者胸部CT影像集中的各漏斗胸患者胸部CT影像进行人工标注，标记出各漏斗胸患者胸部CT影像中内胸轮廓、胸骨轮廓的界限范围。从漏斗胸患者胸部CT影像集中筛选出其中的胸骨横切面的CT影像，对筛选出的所有胸骨横切面的CT影像进行数据增强、归一化处理、二值化处理后将所有图像调整为统一大小，得到训练数据集。
所述数据增强的方法是：通过W/L调窗算法将胸骨横切面的CT影像转为灰度图。为了抑制无用信息，将图像边缘部分设置为0。同时根据斜率和截距计算Hu值，计算公式如下：
Figure 83075DEST_PATH_IMAGE016
其中，Hu表示灰度值，X表示输入的胸骨横切面的CT影像，Slope表示斜率，Intercept表示截距。为了提高胸骨与其他它组织的对比度，将图像的窗宽值和窗位值分别设置为360Hu和60Hu，图片分辨率设置为512像素*512像素。最后，使用带通滤波器对得到胸骨横切面的灰度图进行去噪即可。
所述归一化处理的计算公式为：
Figure 394845DEST_PATH_IMAGE017
，其中x表示输入图像，norm表示归一化后的图像。
所述二值化处理的计算公式如下：
Figure 627243DEST_PATH_IMAGE018
其中
Figure 602153DEST_PATH_IMAGE019
是二值化前的图像，
Figure 552791DEST_PATH_IMAGE020
是二值化后的图像，thresh是阈值，设置为3。
本实施例采用近邻插值法将所有图像调整为统一大小，统一成256像素*256像素，计算公式如下：
Figure 904138DEST_PATH_IMAGE021
Figure 991043DEST_PATH_IMAGE022
其中srcX、srcY分别表示调整前图像的横纵坐标，dstX、dstY分别表示调整后图像的横纵坐标，srcWidth、srcHeight分别表示调整前图像的长和宽，dstWidth、dstHeight分别表示调整后图像的长和宽。
S2. 基于卷积神经网络U-Net构建胸骨轮廓分割模型，采用训练数据集对胸骨轮廓分割模型进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型。
S2.1 构建卷积神经网络U-Net模型
卷积神经网络U-Net模型的网络结构是：包括8层，其中第一层为输入层，第一层的输入图像是训练数据集中的图像；第二层至第七层为隐藏层，其中第二层和第三层均包含两个卷积层、一个Dropout层和一个池化层，第四层包含两个卷积层和一个Dropout层，第五、六层包含两个卷积层、一个Dropout层、一个上采样层和一个合并层，第七层包含一个Reshape层和Permute层；第八层为输出层，输出层为激活函数层。
S2.2设置卷积神经网络U-Net模型参数。
卷积神经网络U-Net模型中卷积层的卷积核大小为3×3，步长为1，激活函数为ReLU函数，padding=1。池化层为最大池化层，大小为2×2，步长为2。输出层的激活函数为softmax。
损失函数采用ACLoss（Active Contour Loss），即主动轮廓线模型，如下计算：
令λ＞0为任意设置的参数，U,V∈[0,1] m×n ，U和V分别表示胸骨轮廓分割得到的结果图像和输入图像归一化后的图像，u、v分别表示U、V中的像素，m和n表示图像的宽和高，均设为256，则损失函数可用下面公式计算：
Figure 668012DEST_PATH_IMAGE023
其中：
Figure 840367DEST_PATH_IMAGE024
，C为胸骨轮廓分割区域的轮廓曲线；
Figure 995405DEST_PATH_IMAGE025
，Ω为胸骨轮廓分割区域内的像素集；
Figure 936816DEST_PATH_IMAGE026
；
Figure 519107DEST_PATH_IMAGE027
；
由于有监督学习框架，c 1和c 2被表示为前景和背景，可以简单地定义为常数，如c 1=1和c 2=0。
Length和Region进一步可以表示为单个像素形式：
Figure 178759DEST_PATH_IMAGE028
Figure 137487DEST_PATH_IMAGE029
其中，
Figure 431940DEST_PATH_IMAGE030
和
Figure 450712DEST_PATH_IMAGE031
分别表示水平方向梯度和垂直方向梯度，取值范围[0,1]，
Figure 332080DEST_PATH_IMAGE032
表示极小值，设为10-6。
S2.3 采用训练数据集，使用随机梯度下降算法对卷积神经网络U-Net模型参数进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型。
Figure 828921DEST_PATH_IMAGE033
其中α为学习率，一般设置为10-3，θ j 为网络的权重。Loss(θ j )代表损失函数。
S3. 对于某患者的所有待处理的胸部CT影像，找出其中胸骨凹陷程度最大的胸部CT影像并输入到训练好胸骨轮廓分割模型，分割出其对应的胸骨轮廓图，找出胸骨轮廓图中Haller指数的四个关键点，计算得到Haller指数。
S3.1 对于某一患者的所有待处理的胸部CT影像，寻找各胸部CT影像的图像轮廓，根据轮廓面积最大的规则找出其中的胸腔外轮廓。
S3.2参照图3，找出该患者第i个胸部CT影像中的关键点，关键点包括胸腔外轮廓上方凹陷点g i 、左侧最高点l i 和右侧最高点r i ，其中i=1, 2, ...,n, n为该患者的所有待处理的胸部CT影像数量。
S3.3 计算患者第i个CT影像中胸腔凹陷程度degree i ：
Figure 744924DEST_PATH_IMAGE034
S3.4 选出该患者胸部最凹陷位置所对应的CT影像；
采用如下公式选出该患者胸部最凹陷位置所对应的CT影像j：
Figure 669018DEST_PATH_IMAGE035
S3.5 对胸骨凹陷程度最大的CT影像j进行数据增强、归一化、二值化处理后调整为256像素*256像素的图像。
S3.6 将S3.5得到的图像输入到训练好胸骨轮廓分割模型分割出其对应的胸骨轮廓图。
S3.7提取S3.6得到的胸骨轮廓图中的胸骨轮廓，找到胸骨轮廓中左下侧和右下侧的最低点D和E，计算出D、E两点间的连线与水平线的夹角
Figure 303261DEST_PATH_IMAGE036
。
Figure 603793DEST_PATH_IMAGE036
即为S3.6得到的胸骨轮廓图中的胸骨轮廓倾斜的角度，如图4所示。
S3.8 将S3.6得到的胸骨轮廓图反向旋转
Figure 374303DEST_PATH_IMAGE036
角度进而得到正位的胸骨轮廓图，如图5所示。
将倾斜了
Figure 469298DEST_PATH_IMAGE036
的图像旋转得到正位的胸骨轮廓图，即
Figure 590837DEST_PATH_IMAGE036
=0，其计算公式如下：
Figure 429480DEST_PATH_IMAGE037
其中x、y代表旋转前的图像坐标，x'、y'代表旋转后的图像坐标。
S3.9 根据S3.8中得到的正位的胸骨轮廓图，计算Haller指数：
Figure 818611DEST_PATH_IMAGE038
其中h表示Haller指数，G是正位的胸骨轮廓图中的轮廓上方凹陷点，H是正位的胸骨轮廓图中的轮廓下方凸点，L是正位的胸骨轮廓图中的轮廓最左侧点，R是正位的胸骨轮廓图中的轮廓最右侧点，LR表示L、R两点间的距离，GH表示G、H两点间的距离，如图6所示。
实施例2：
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现实施例1所提供的漏斗胸Haller指数测量方法的步骤。
实施例3：
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所提供的漏斗胸Haller指数测量方法的步骤。
综上所述，虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明，任何本领域普通技术人员，在不脱离本发明的精神和范围内，当可作各种更动与润饰，因此本发明的保护范围当视权利要求书界定的范围为准。

Claims (9)

1.漏斗胸Haller指数测量方法，其特征在于，包括：
S1. 获取大量漏斗胸患者胸骨横切面的CT影像，构建训练数据集；
S2. 构建卷积神经网络U-Net模型，采用训练数据集对卷积神经网络U-Net模型进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型；其中，胸骨轮廓分割模型的训练方法，包括：
（1）设置卷积神经网络U-Net模型参数；
卷积神经网络U-Net模型中卷积层的卷积核大小为3×3，步长为1，激活函数为ReLU函数，padding=1；池化层为最大池化层，大小为2×2，步长为2；输出层的激活函数为softmax；
令λ＞0，U,V∈[0,1] m×n ，U和V分别表示胸骨轮廓分割得到的结果图像和输入图像归一化后的图像，u、v分别表示U、V中的像素，m和n表示图像的宽和高，均设为256，损失函数采用下面公式计算：
Figure 545615DEST_PATH_IMAGE001
其中：
Figure 651849DEST_PATH_IMAGE002
，C为胸骨轮廓分割区域的轮廓曲线；
Figure 969698DEST_PATH_IMAGE003
，Ω为胸骨轮廓分割区域内的像素集，c 1和c 2分别被表示为前景和背景，定义为常数，c 1=1和c 2=0；
（2）采用训练数据集，使用随机梯度下降算法对卷积神经网络U-Net模型参数进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型
Figure 688255DEST_PATH_IMAGE004
其中α为学习率，θ j 为网络的权重，Loss(θ j )代表损失函数；
S3. 对于任一患者的所有待处理的胸部CT影像，找出其中胸骨凹陷程度最大的胸部CT影像并输入到训练好胸骨轮廓分割模型，分割出其对应的胸骨轮廓图，找出胸骨轮廓图中Haller指数的四个关键点，计算得到Haller指数。
2.根据权利要求1所述的漏斗胸Haller指数测量方法，其特征在于：S1中，收集大量漏斗胸患者胸部CT影像构成漏斗胸患者胸部CT影像集，对漏斗胸患者胸部CT影像集中的各漏斗胸患者胸部CT影像进行人工标注，标记出各漏斗胸患者胸部CT影像中内胸轮廓、胸骨轮廓的界限范围，从漏斗胸患者胸部CT影像集中筛选出其中的胸骨横切面的CT影像，对筛选出的所有胸骨横切面的CT影像进行数据增强、归一化处理、二值化处理后将所有图像调整为统一大小，得到训练数据集。
3.根据权利要求2所述的漏斗胸Haller指数测量方法，其特征在于：S1中，所述数据增强的方法是：通过W/L调窗算法将胸骨横切面的CT影像转为灰度图；
然后将图像边缘部分设置为0，同时根据斜率和截距计算Hu值，计算公式如下：
Figure 407949DEST_PATH_IMAGE005
其中，Hu表示灰度值，X表示输入的胸骨横切面的CT影像，Slope表示斜率，Intercept表示截距；
将图像的窗宽值和窗位值分别设置为360Hu和60Hu，图片分辨率设置为512像素*512像素后，使用带通滤波器对胸骨横切面的灰度图进行去噪即可。
4.根据权利要求2所述的漏斗胸Haller指数测量方法，其特征在于：S1中，所述归一化处理的计算公式为：
Figure 186549DEST_PATH_IMAGE006
，其中x表示输入图像，norm表示归一化后的图像。
5.根据权利要求2所述的漏斗胸Haller指数测量方法，其特征在于：S1中，所述二值化处理的计算公式如下：
Figure 991694DEST_PATH_IMAGE007
其中
Figure 779522DEST_PATH_IMAGE008
是二值化前的图像，
Figure 353723DEST_PATH_IMAGE009
是二值化后的图像，thresh是阈值，设置为3。
6.根据权利要求1所述的漏斗胸Haller指数测量方法，其特征在于，S2中构建的卷积神经网络U-Net模型的网络结构是：包括8层，其中第一层为输入层，第一层的输入图像是训练数据集中的图像；第二层至第七层为隐藏层，其中第二层和第三层均包含两个卷积层、一个Dropout层和一个池化层，第四层包含两个卷积层和一个Dropout层，第五、六层包含两个卷积层、一个Dropout层、一个上采样层和一个合并层，第七层包含一个Reshape层和Permute层；第八层为输出层，输出层为激活函数层。
7.根据权利要求1所述的漏斗胸Haller指数测量方法，其特征在于：S3包括：
S3.1 对于某一患者的所有待处理的胸部CT影像，寻找各胸部CT影像的图像轮廓，根据轮廓面积最大的规则找出其中的胸腔外轮廓；
S3.2找出该患者第i个胸部CT影像中的关键点，关键点包括胸腔外轮廓上方凹陷点g i 、左侧最高点l i 和右侧最高点r i ，其中i=1, 2, ...,n, n为该患者的所有待处理的胸部CT影像数量；
S3.3 计算患者第i个胸部CT影像中胸腔凹陷程度degree i ：
Figure 303224DEST_PATH_IMAGE010
S3.4 选出该患者胸腔凹陷程度最大的胸部CT影像j，
Figure 330086DEST_PATH_IMAGE011
；
S3.5 对该患者胸腔凹陷程度最大的胸部CT影像j进行数据增强、归一化、二值化处理后调整为256像素*256像素的图像；
S3.6 将S3.5得到的图像输入到训练好胸骨轮廓分割模型分割出其对应的胸骨轮廓图；
S3.7 提取S3.6得到的胸骨轮廓图中的胸骨轮廓，找到胸骨轮廓中左下侧和右下侧的最低点D和E，计算出D、E两点间的连线与水平线的夹角
Figure 921604DEST_PATH_IMAGE012
，
Figure 583267DEST_PATH_IMAGE013
即为S3.6得到的胸骨轮廓图中的胸骨轮廓倾斜的角度；
S3.8 将S3.6得到的胸骨轮廓图反向旋转
Figure 969249DEST_PATH_IMAGE014
角度进而得到正位的胸骨轮廓图；
S3.9 根据S3.8中得到的正位的胸骨轮廓图，计算Haller指数：
Figure 483407DEST_PATH_IMAGE015
其中h表示Haller指数，G是正位的胸骨轮廓图中的胸骨轮廓上方凹陷点，H是正位的胸骨轮廓图中的胸骨轮廓下方凸点，L是正位的胸骨轮廓图中的胸骨轮廓最左侧点，R是正位的胸骨轮廓图中的胸骨轮廓最右侧点，LR表示L、R两点间的距离，GH表示G、H两点间的距离。
8.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一权利要求所述的漏斗胸Haller指数测量方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一权利要求所述的漏斗胸Haller指数测量方法的步骤。
CN202010860272.4A 2020-08-25 2020-08-25 漏斗胸Haller指数测量方法、电子设备及存储介质 Active CN111739023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010860272.4A CN111739023B (zh) 2020-08-25 2020-08-25 漏斗胸Haller指数测量方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010860272.4A CN111739023B (zh) 2020-08-25 2020-08-25 漏斗胸Haller指数测量方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111739023A CN111739023A (zh) 2020-10-02
CN111739023B true CN111739023B (zh) 2020-11-13

Family

ID=72658763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010860272.4A Active CN111739023B (zh) 2020-08-25 2020-08-25 漏斗胸Haller指数测量方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111739023B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128774B (zh) * 2023-04-15 2023-07-04 山东大学第二医院 一种胃部螺旋ct数据增强处理方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101090375B1 (ko) * 2011-03-14 2011-12-07 동국대학교 산학협력단 자동 초기화를 기반으로 흉곽 변형 정도의 평가 인덱스 계산을 자동화한 ｃｔ 영상 분석의 자동화 방법, 기록 매체 및 장치
CN105662559B (zh) * 2016-04-12 2018-10-26 广州中大医疗器械有限公司 漏斗胸矫形器及其制造方法
US10140421B1 (en) * 2017-05-25 2018-11-27 Enlitic, Inc. Medical scan annotator system
CN108846432A (zh) * 2018-06-06 2018-11-20 深圳神目信息技术有限公司 一种基于深度学习对胸部ct影像的分类方法
CN110503649B (zh) * 2019-07-05 2022-09-30 陕西科技大学 一种基于空间多尺度U-net与超像素修正的肝脏分割方法
CN110598782B (zh) * 2019-09-06 2020-07-07 上海杏脉信息科技有限公司 一种训练用于医学影像的分类网络的方法与装置

Also Published As

Publication number Publication date
CN111739023A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN108805209B (zh) 一种基于深度学习的肺结节筛查方法
WO2020088469A1 (zh) 一种医学图像的识别方法、模型训练的方法及计算机设备
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
CN108573502B (zh) 一种自动测量Cobb角的方法
CN111047572A (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
CN108053400A (zh) 图像处理方法及装置
JP2018175226A (ja) 医用画像分類装置、方法およびプログラム
CN108416821A (zh) 一种深度神经网络的ct图像超分辨重建方法
CN110910317B (zh) 一种舌象图像增强方法
CN111709446B (zh) 基于改进的密集连接网络的x线胸片分类装置
US20230177698A1 (en) Method for image segmentation, and electronic device
CN111739023B (zh) 漏斗胸Haller指数测量方法、电子设备及存储介质
CN114693682B (zh) 一种基于图像处理的脊椎特征识别方法
CN114140378A (zh) 扫描图像处理方法、电子设备和可读介质
CN113989551A (zh) 一种基于改进ResNet网络的阿尔茨海默病分类方法
CN112270667A (zh) 一种基于ti-rads的集成深度学习多标签识别方法
CN112712540B (zh) 一种基于ct影像的肺部支气管提取方法
CN110163825A (zh) 一种人类胚胎心脏超声图像去噪和增强方法
CN112767403A (zh) 医学影像分割模型训练方法、医学影像分割方法及装置
CN115439423B (zh) 一种基于ct图像的识别方法、装置、设备及存储介质
CN115222651A (zh) 一种基于改进Mask R-CNN的肺结节检测系统
CN114693698B (zh) 一种基于神经网络的计算机辅助肺气道分割方法
CN117541800B (zh) 基于喉镜影像的喉部异常部位分割方法
CN117876402B (zh) 一种用于颞下颌关节紊乱病影像的智能分割方法
CN111524081B (zh) 肺部影像角度矫正方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant