CN111815608B - 基于深度学习的新冠肺炎患者康复时间预测方法及系统 - Google Patents

基于深度学习的新冠肺炎患者康复时间预测方法及系统 Download PDF

Info

Publication number
CN111815608B
CN111815608B CN202010666696.7A CN202010666696A CN111815608B CN 111815608 B CN111815608 B CN 111815608B CN 202010666696 A CN202010666696 A CN 202010666696A CN 111815608 B CN111815608 B CN 111815608B
Authority
CN
China
Prior art keywords
pneumonia
training
model
segmentation model
module
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
CN202010666696.7A
Other languages
English (en)
Other versions
CN111815608A (zh
Inventor
杜强
高泽宾
郭雨晨
聂方兴
张兴
唐超
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.)
Beijing Xiao Bai Century Network Technology Co ltd
Original Assignee
Beijing Xiao Bai Century Network 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 Beijing Xiao Bai Century Network Technology Co ltd filed Critical Beijing Xiao Bai Century Network Technology Co ltd
Priority to CN202010666696.7A priority Critical patent/CN111815608B/zh
Publication of CN111815608A publication Critical patent/CN111815608A/zh
Application granted granted Critical
Publication of CN111815608B publication Critical patent/CN111815608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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

Abstract

本发明公开了一种基于深度学习的新冠肺炎患者康复时间预测方法及系统，该发方法包括获取新型冠状病毒肺炎患者的多天的CT序列图像，对多天的CT序列图像进行预处理；分别输入至肺叶分割模型和肺炎分割模型，分别提取多天的肺叶区域面积与病灶区域面积；通过多天的病灶区域面积与肺叶区域面积的比值计算获得多天的病变区域面积比例值；使用多天的病变区域面积比例值R拟合高斯过程模型，预测新型冠状病毒肺炎患者康复时间。本发明以Densenet做backbone的DeepLab V3+框架和3D UNet架构进行肺叶和肺炎区域的分割，分割快速有效，且高斯过程可以准确预测病人的康复时间，为医疗资源分配作参考。

Description

基于深度学习的新冠肺炎患者康复时间预测方法及系统
技术领域
本发明涉及图像语义分割和机器学习技术，具体涉及基于深度学习的新冠肺炎患者康复时间预测方法及系统。
背景技术
新型冠状病毒肺炎(COVID-19)疾病的迅速传播给许多国家的医疗系统造成了前所未有的压力，截至2020年4月29日，在全球范围内累计确诊3,068,959例COVID-19患者。更重要的是，全世界很少有经验丰富的影像科医师具有诊断或应对COVID-19所需的经验。此外由于疫情的突发性与集中爆发的特点，在短时间内给各个国家医院带来了巨大压力，造成短时间内医疗资源短缺。而在医疗资源短缺的情况下，病死率可高达9％。及时的检测、诊断、治疗和医疗资源的分配对于改善COVID-19患者的预后至关重要。
根据流行病学史、临床表现，外周血检查和影像学特征确定可疑的COVID-19患者。然后，通过实时逆转录酶聚合酶链反应(RT-PCR)分析或基因测序测试的阳性鼻咽或口咽拭子确认可疑的COVID-19患者。由于疫情的高传染性和高重症死亡率，容易在短时间内对医疗资源产生很大的压力。如果能根据病人病情发展历史情况预测病人未来的病情发展，对于可以较快痊愈或病情趋于稳定的病人减小医护资源投入，对病情持续恶化的病人加大医护资源投入可以一定程度上缓解医疗资源紧缺的情况。
CT扫描可探测肺部病变情况，通常，COVID-19重症患者的肺部出现大面积毛玻璃影或实质性病变等，而轻症病人病变区域较小。同时，在病人的发病到痊愈的过程中，肺部病变区域往往呈现从小面积到大面积到峰值，最后消失的变化规律。部分病人则可能出现病情反复，表现在肺部则是病变区域程波动变化。
有鉴于此，亟需提供一种可以通过病人的历史CT序列图像提取病变区域的变化情况，进而预测病人病情的发展趋势，通过预测的病人发展趋势变化，可以为医疗资源分配作参考的新冠肺炎患者康复时间预测方法。
发明内容
为了解决上述技术问题，本发明所采用的技术方案是提供基于深度学习的新冠肺炎患者康复时间预测方法，包括以下步骤：
获取新型冠状病毒肺炎患者的多天的CT序列图像，对多天的CT序列图像进行预处理；
将预处理后的图像分别输入至肺叶分割模型和肺炎分割模型，分别提取多天的肺叶区域面积与病灶区域面积；
通过多天的病灶区域面积与肺叶区域面积的比值计算获得多天的病变区域面积比例值；
使用多天的病变区域面积比例值R拟合高斯过程模型，预测新型冠状病毒肺炎患者康复时间；其中
肺叶分割模型为3D UNet网络模型；
肺炎分割模型是以Densenet为backbone的DeepLab V3+模型。
在上述方法中，所述肺炎分割模型架构包括：
四个DenseBlock模块，一个ASPP模块和一个Decoder模块；其中，ASPP模块包含ASPP Pooling和3个不同空洞比例的空洞卷积；
Densenet采用密集连接的方式提取图像特征；每个DenseBlock模块输出一个特征图fi∈(1～4)至下一DenseBlock模块，最后一DenseBlock模块特征图输入到ASPP模块，ASPP提取到的特征faspp经过上采样后输入到Decoder模块，经过1×1和3×3卷积后与特征f2连接到一起，再次经过1×1和3×3卷积后上采样4倍得到最后输出。
在上述方法中，所述肺炎分割模型通过以下方法训练获得：
获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像进行预处理后得到样本集；
将样本集划分成训练集、验证集和测试集；并将训练集与验证集图像输入至初始肺炎分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成；
再将测试集中图像输入至上述训练完成的模型中，使用mIoU评估模型性能。
在上述方法中，所述肺叶分割模型通过以下方式进行训练：
获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像再进行预处理后得到样本集；
将样本集划分成训练集、验证集和测试集；将训练集、验证集的图像输入至初始肺叶分割模型，，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成；
再将测试集中图像输入至上述训练完成的模型中，直至Dice系数达到预设值，则得到最终的识别结果。
本发明还提供了一种基于深度学习的新冠肺炎患者康复时间预测系统，包括：
图像输入单元：获取新型冠状病毒肺炎患者的多天的标注CT序列图像；
图像预处理单元：对多天的标注CT序列图像进行预处理，获得预处理后的CT序列图像；CT序列图像的预处理包括阈值分割、边缘检测、图像裁剪；
肺叶区域分割单元：对预处理后多天的CT序列图像通过训练好的肺叶分割模型进行分割，确定多天的肺叶区域及肺叶区域面积；
肺炎区域分割单元：对预处理后的图像通过训练好的肺炎分割模型进行分割，确定多天的肺炎区域及病灶区域面积；
病变区域计算单元：分别通过多天的病灶区域面积与对应的多天的肺叶区域面积的比值计算获得多天的病变区域面积比例值；
康复时间预测单元：通过计算获得多天的病变区域面积比例值，通过多天的病变区域面积比例值拟合高斯过程模型，预测新型冠状病毒肺炎患者康复时间；
其中，肺叶分割模型为3D UNet网络模型；
肺炎分割模型是以Densenet为backbone的DeepLab V3+模型。
在上述方案中，所述肺炎分割模型架构包括：
四个DenseBlock模块，一个ASPP模块和一个Decoder模块；其中，ASPP模块包含ASPP Pooling和3个不同空洞比例的空洞卷积；
Densenet采用密集连接的方式提取图像特征；每个DenseBlock模块输出一个特征图fi∈(1～4)至下一DenseBlock模块，最后一DenseBlock模块特征图输入到ASPP模块，ASPP提取到的特征faspp经过上采样后输入到Decoder模块，经过1×1和3×3卷积后与特征f2连接到一起，再次经过1×1和3×3卷积后上采样4倍得到最后输出。
在上述方案中，还包括肺炎分割模型训练模块，具体包括：
第一图像输入和预处理子模块：用于获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像进行预处理后得到样本集，将样本集划分成训练集、验证集和测试集；
初始肺炎分割模型训练子模块：用于通过训练集与验证集图像输入至初始肺炎分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成；
肺炎分割模型测试子模块：用于将测试集中图像输入至训练完成的模型中，使用mIoU评估模型性能。
在上述方案中，还包括肺叶分割模型训练模块，具体包括：
第二图像输入和预处理子模块：用于获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像再进行预处理后得到样本集，将样本集划分成训练集、验证集和测试集；
初始肺叶分割模型训练子模块：将训练集、验证集的图像输入至初始肺叶分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成；
肺叶分割模型测试子模块：将测试集中图像输入至训练完成的模型中，直至Dice系数达到预设值，则得到最终的识别结果。
本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述基于深度学习的新冠肺炎患者康复时间预测方法。
本发明还提供了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程序，所述计算机程序被处理器执行时实现如上述任一项所述基于深度学习的新冠肺炎患者康复时间预测方法。
本发明使用肺叶分割模型提取肺叶大小，然后使用肺炎分割模型提取病灶区域，再通过计算病人不同时间多个CT序列的病灶/肺叶面积比例表示病人的患病严重程度，将时间序列的病变区域比例输入高斯过程模型可以拟合病人病情的发展情况，从而计算病人何时可以康复；相比于使用病灶面积比上图像大小表示患病严重程度，误差更小，且使用了以Densenet做backbone的DeepLab V3+框架和3D UNet架构进行肺叶和肺炎区域的分割，分割快速有效，结合高斯过程可以准确预测病人的康复时间，为医疗资源分配作参考，达到辅助医生诊断的目的。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明提供的方法流程图；
图2为本发明的方法流程框架示意图；
图3为本发明提供的肺炎分割模型的网络结构框图；
图4为本发明提供的肺炎分割模型训练流程图；
图5为本发明提供的肺叶分割模型的网络结构框图；
图6为本发明提供肺叶分割模型训练流程图；
图7为本发明提供的系统结构示意框图；
图8为本发明提供的计算机设备示意框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语"第一"、"第二"仅用于描述目的，而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更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
如图1-2所示，本发明提供了一种基于深度学习的新冠肺炎患者康复时间预测方法，包括以下步骤：
S1、获取新型冠状病毒肺炎患者的多天的标注CT序列图像，对多天的标注CT序列图像进行预处理；CT序列图像的预处理包括阈值分割、边缘检测、图像裁剪。
S2、将预处理后多天的CT序列图像分别输入至训练好的肺叶分割模型和肺炎分割模型，分别提取多天的肺叶区域面积与病灶区域面积；
S3、分别通过多天的病灶区域面积与对应的肺叶区域面积的比值计算获得多天的病变区域面积比例值R；
S4、使用多天的病变区域面积比例值R拟合高斯过程模型，预测新型冠状病毒肺炎患者康复时间；
本实施例中，通过高斯过程模型可以预测给定时间点的R值，从而估计新型冠状病毒肺炎患者康复时间；每个病人都会有自己的高斯过程模型，该模型通过病人已经拍摄的CT序列计算的时间序列R值得到。
本实施例肺叶分割模型为3D UNet网络模型；本实施例使用3D UNet模型作为肺叶分割模型，一方面通过Encoder-Decoder结构可以保留较多的边缘信息，使分割结果更贴合真是病灶，另一方面3D卷积可以更好的考虑到CT不同层之间联系。
肺炎分割模型是以Densenet为backbone的DeepLab V3+模型；本实施例Densenet采用密集连接的方式可以更有效提取特征，DeepLabV3+采用ASPP结构和空洞卷积扩大感受野，得到更好的语义特征，同时添加了Decoder模块，可以得到更精细的分割结果。
本实施例使用肺叶分割模型提取肺叶大小，然后使用肺炎分割模型提取病灶区域，再通过计算病人不同时间多个CT序列的病灶/肺叶面积比例表示病人的患病严重程度，将时间序列的病变区域比例输入高斯过程模型可以拟合病人病情的发展情况，从而计算病人何时可以康复；相比于使用病灶面积比上图像大小表示患病严重程度，误差更小，且使用了以Densenet做backbone的DeepLab V3+框架和3D UNet架构进行肺叶和肺炎区域的分割，分割快速有效，结合高斯过程可以准确预测病人的康复时间，为医疗资源分配作参考，达到辅助医生诊断的目的。
本实施例方法中，使用了以Densenet做backbone的DeepLab V3+框架和3D UNet架构；Deeplab V3+用于从2D图像中快速提取病灶区域，3DUNet用于分割CT序列中的肺叶区域。
1)、如图3所示，为肺炎分割模型的网络结构框图，以Densenet做backbone的DeepLab V3+框架包含四个DenseBlock模块，一个ASPP模块和一个Decoder模块，ASPP模块包含ASPP Pooling和3个不同空洞比例(分别为ratio＝6，12，18)的空洞卷积层。Densenet采用密集连接的方式提取图像特征；其中，
每个DenseBlock模块输出一个特征图fi∈(1～4),最后一层特征图f4输入到ASPP模块，空洞卷积层可以使网络获得更大的感受野从而使最后的分割保留更多的细节，ASPP模块提取到的特征faspp经过上采样后输入到Decoder模块，经过1×1和3×3卷积后与特征f2连接到一起，再次经过1×1和3×3卷积后上采样4倍得到最后输出。
本实施例中，如图4所示，肺炎分割模型通过以下方法训练获得：
A1、获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像进行预处理后得到样本集。标注指由有经验的医生使用标注工具勾画肺炎病灶的边界。其中，对CT序列图像先进行标注包括以下步骤：
首先由中级医生勾画CT序列中的每一张图上的肺叶区域和肺炎的病灶区域，中级医生标注完成后，由高级医生进行审查和修改。
对标注后的CT序列图像进行预处理包括以下步骤：
由于所有图像数据来自多个数据中心，因此数据格式包含一般的图像格式(如JPG、PNG等)和医学影像的标准格式Dicom。此外部分图像数据上含有病人或仪器相关的文字水印，因此需要统一对数据进行预处理。预处理包括两部分，
第一部分针对dicom图像：对于dicom图像，需要统一窗宽窗位并转为PNG图像格式，在通过阈值分割、边缘检测、图像裁剪使整个数据集一致。
第二部分为对一般图像格式数据的处理，同样包括阈值分割、边缘检测、图像裁剪。通过预处理可以去除绝大部分水印等噪声内容。
A2、将样本集划分成训练集、验证集和测试集；并将训练集与验证集图像输入至初始肺炎分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成。
具体的训练时部分超参数设置为：训练15代；初始学习率0.0001；学习率随训练代数成余弦降低至0；BatchSize设置为32；使用了4张2080Ti显卡，输入图像大小为512*512*3。训练时每训练一代，在验证集上进行一次推理，并获取验证集上的分数。如果在15代之内验证集分数无明显提高则采用早停策略，否则取15代中最优验证集模型保存。
A3、再将测试集中图像输入至上述训练完成的模型中，使用mIoU评估模型性能。
本实施例，获取52例标注的CT序列图像作为开发数据集，数据集划分如下：39例作为训练集，3例作为验证集，10例作为测试集，在训练过程中，在测试集上肺炎分割的mIoU为0.7741，说明该模型训练完成。
2)、如图5所示，为肺叶分割模型的网络结构框图，主要特点是低层次高分辨率特征与上采样后的特征的连接。一般地，网络提取特征过程中所使用的池化层操作会丢失部分信息，通过将低层次高分辨率的特征图融合到上采样后的特征图中可以较好的改善该问题，提升最后的分割精度。
本实施例中，如图6所示，肺叶分割模型通过以下方法训练获得：
B1、获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像再进行预处理后得到样本集。
本实施例，对CT序列图像先进行标注，对标注后的CT序列图像再进行预处理可参照上述A1的详细步骤；
另外，对于训练3DUNet网络结构所使用的分割数据，将预处理后的整个CT序列以窗口为16、步长为2将CT序列图像拆分成多个W×H×16的数组形成样本集。
B2、将样本集划分成训练集、验证集和测试集；将训练集、验证集的图像输入至初始肺叶分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成。
具体的训练时超参数设置为：训练20代；初始学习率0.001；学习率随训练代数呈余弦降低至0；BatchSize设置为8；使用了4张2080Ti显卡，输入图像大小为512*512*20。训练时每训练一代，在验证集上进行一次推理，并获取验证集上的分数，如果在20代之内验证集分数无明显提高则采用早停策略，否则取20代中最优验证集模型保存。
B3、再将测试集中图像输入至上述训练完成的模型中，直至Dice系数达到预设值，则得到最终的识别结果。
本实施例，获取52例标注数据作为开发数据集，数据集划分如下：39例作为训练集，3例作为验证集，10例作为测试集。
在训练过程中，在测试集上肺叶分割的Dice系数为0.92，说明该模型训练完成。
本实施例方法中，步骤S2-S3通过3D UNet和DeepLab分别可以提取的CT序列图像中的肺叶和病灶的面积，通过一个CT序列中病灶面积/肺叶面积的比例R表示病人患病的严重程度。因为人与人之间的差异性及测量CT时的影像变化，如果使用病灶比上图像大小表示患病严重程度，误差较大。因此本实施例采用病灶/肺叶面积比例R表示病人的患病严重程度更好的降低误差。
每个病人在患病期间有多个不同日期拍摄的CT序列。R会随着病人的病情发展而变化，因此我们可以将多天提取的R输入模型预测病情的发展及何时康复。
本实施例方法中，在步骤S4中，通过使用将患者病灶/肺叶面积比例R输入至高斯过程模型进行预测相应患者康复时间。在概率论和统计学中，高斯过程(Gaussianprocess)是观测值出现在一个连续域的随机过程。高斯过程被认为是一种机器学习算法，利用点与点之间同质性的度量作为核函数，以从输入的训练数据预测未知点的值。其预测结果不仅包含该点的值，而同时包含不确定性。
GPR(Gaussian process regression)的一个优点是可以以个性化的方式根据每个患者的相应数据来构造它。这是对于肺炎病变区域预测的实用且重要的属性，因为患者的病情变化很大，以至于无法通过预先训练的预测模型来处理所有患者，与直接使用高斯分布不同，使用GPR可以处理第二或第三区域病变增加的患者，即病情出现反复的患者，病情出现反复的患者，其病变区域比例随时间变化的曲线会呈现多峰特征，也就是第二或第三区域等。这对于临床实践也很重要。同样，仅使用一些先前的样本，就可以计算出病变区域在肺中达到特定值的大概时间。
本实施例，高斯过程模型构建如下：
本实施例，高斯过程部分包含50个病人的354个CT序列数据，每个病人包含多个CT序列。同时有记录病人住院时间和出院时间的临床记录数据。每个CT序列均使用肺叶和肺炎分割模型处理，得到病变区域的比例。因此可以得到每个病人的病变区域随时间变化的数据。
每个患者有多个CT序列，首先使用患者的前5个时间的CT序列提取的R值作为高斯过程模型的输入，以此拟合一条高斯过程曲线，这样就得到了一个高斯过程模型。通过拟合的高斯过程曲线，当我们对高斯过程模型输入时间时，就可以预测得到病人在该时间点病变区域占肺叶区域的比例R，从而衡量病情发展。
在实际验证时，将患者未使用的CT序列(即不包含在上述构建高斯过程的5个CT序列内)提取的病变区域比例作为真值，例如，某个病人在第n天存在一个未使用的CT序列，则需要通过对比第n天时由高斯曲线计算的病变区域比例与该CT序列使用肺叶分割模型和肺炎分割模型提取的真实病变比例进行对比，进而确定预测是否准确。具体地，先从第n天的CT序列中提取病变比例，然后在在构建好的高斯曲线上的第n天前后15天范围内寻找是否存在同样的R值，如果存在则预测正确，不存在则预测失败，在高斯过程预测部分，预测精度达到0.8776。
本实施例提出的方法结合了CNN模型和高斯过程模型，该方法首先使用CNN模型提取肺叶和肺炎病变区域比例，然后使用时间序列的病变比例变化结合高斯过程预测病人的康复时间。最终实验结果表明，该方法可以有效提取肺叶和肺炎病变区域，可以较准确、快速地的预测病人的康复时间，对于临床医疗资源分配有参考意义，达到辅助医生诊断的目的。
如图7所示，本发明还提供了一种基于深度学习的新冠肺炎患者康复时间预测系统，包括：
图像输入单元：获取新型冠状病毒肺炎患者的多天的标注CT序列图像；
图像预处理单元：对多天的标注CT序列图像进行预处理，获得预处理后的CT序列图像；CT序列图像的预处理包括阈值分割、边缘检测、图像裁剪。
肺叶区域分割单元：对预处理后多天的CT序列图像通过训练好的肺叶分割模型进行分割，确定多天的肺叶区域及肺叶区域面积。
肺炎区域分割单元：对预处理后的图像通过训练好的肺炎分割模型进行分割，确定多天的肺炎区域及病灶区域面积。
病变区域计算单元：分别通过多天的病灶区域面积与对应的多天的肺叶区域面积的比值计算获得多天的病变区域面积比例值R。
康复时间预测单元：通过计算获得多天的病变区域面积比例值R，通过多天的病变区域面积比例值R拟合高斯过程模型，预测新型冠状病毒肺炎患者康复时间。
其中，肺叶分割模型为3D UNet网络模型；
肺炎分割模型是以Densenet为backbone的DeepLab V3+模型。
本实施例系统中，肺炎分割模型使用了以Densenet做backbone的DeepLab V3+框架和3D UNet架构；Deeplab V3+用于从2D图像中快速提取病灶区域，3DUNet用于分割CT序列中的肺叶区域。
以Densenet做backbone的DeepLab V3+框架包含四个DenseBlock模块，一个ASPP模块和一个Decoder模块，ASPP模块包含ASPP Pooling和3个不同空洞比例(分别为ratio＝6，12，18)的空洞卷积层。Densenet采用密集连接的方式提取图像特征；其中，
每个DenseBlock模块输出一个特征图fi∈(1～4),最后一层特征图f4输入到ASPP模块，空洞卷积层可以使网络获得更大的感受野从而使最后的分割保留更多的细节，ASPP模块提取到的特征faspp经过上采样后输入到Decoder模块，经过1×1和3×3卷积后与特征f2连接到一起，再次经过1×1和3×3卷积后上采样4倍得到最后输出。
本实施例系统中，还包括肺炎分割模型训练模块：用于通过训练集，对以Densenet为backbone的DeepLab V3+训练获得肺炎分割模型；具体包括：
第一图像输入和预处理子模块：用于获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像进行预处理后得到样本集，将样本集划分成训练集、验证集和测试集。其中，对CT序列图像先进行标注包括以下步骤：
首先由中级医生勾画CT序列中的每一张图上的肺叶区域和肺炎的病灶区域，中级医生标注完成后，由高级医生进行审查和修改。
对标注后的CT序列图像进行预处理包括以下步骤：
由于所有图像数据来自多个数据中心，因此数据格式包含一般的图像格式(如JPG、PNG等)和医学影像的标准格式Dicom。此外部分图像数据上含有病人或仪器相关的文字水印，因此需要统一对数据进行预处理。预处理包括两部分，
第一部分针对dicom图像：对于dicom图像，需要统一窗宽窗位并转为PNG图像格式，在通过阈值分割、边缘检测、图像裁剪使整个数据集一致。
第二部分为对一般图像格式数据的处理，同样包括阈值分割、边缘检测、图像裁剪。通过预处理可以去除绝大部分水印等噪声内容。
初始肺炎分割模型训练子模块：用于通过训练集与验证集图像输入至初始肺炎分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成。
具体的训练时部分超参数设置为：训练15代；初始学习率0.0001；学习率随训练代数成余弦降低至0；BatchSize设置为32；使用了4张2080Ti显卡，输入图像大小为512*512*3。训练时每训练一代，在验证集上进行一次推理，并获取验证集上的分数。如果在15代之内验证集分数无明显提高则采用早停策略，否则取15代中最优验证集模型保存。
肺炎分割模型测试子模块：用于将测试集中图像输入至上述训练完成的模型中，使用mIoU评估模型性能。
本实施例，获取52例标注的CT序列图像作为开发数据集，数据集划分如下：39例作为训练集，3例作为验证集，10例作为测试集，在训练过程中，在测试集上肺炎分割的mIoU为0.7741，说明该模型训练完成。
本实施例系统中，还包括肺叶分割模型训练模块：用于通过训练集，对以3DUNet为网络的初始肺炎分割模型进行训练获得肺炎分割模型；具体包括：
第二图像输入和预处理子模块：用于获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像再进行预处理后得到样本集，将样本集划分成训练集、验证集和测试集。
本实施例，对CT序列图像先进行标注，对标注后的CT序列图像再进行预处理可参照上述的详细步骤；
另外，对于训练3DUNet网络结构所使用的分割数据，将预处理后的整个CT序列以窗口为16、步长为2将CT序列图像拆分成多个W×H×16的数组形成样本集。
初始肺叶分割模型训练子模块：将训练集、验证集的图像输入至初始肺叶分割模型，，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成。
具体的训练时超参数设置为：训练20代；初始学习率0.001；学习率随训练代数呈余弦降低至0；BatchSize设置为8；使用了4张2080Ti显卡，输入图像大小为512*512*20。训练时每训练一代，在验证集上进行一次推理，并获取验证集上的分数，如果在20代之内验证集分数无明显提高则采用早停策略，否则取20代中最优验证集模型保存。
肺叶分割模型测试子模块：将测试集中图像输入至上述训练完成的模型中，直至Dice系数达到预设值，则得到最终的识别结果。
本实施例，获取52例标注数据作为开发数据集，数据集划分如下：39例作为训练集，3例作为验证集，10例作为测试集。
在训练过程中，在测试集上肺叶分割的Dice系数为0.92，说明该模型训练完成。
本实施例，还包括高斯过程模型构建模块，构建过程如下：
本实施例，高斯过程部分包含50个病人的354个CT序列数据，每个病人包含多个CT序列。同时有记录病人住院时间和出院时间的临床记录数据。
使用患者的前5个时间的CT序列提取的R值作为高斯过程模型的输入，以此拟合一条高斯过程曲线。
通过高斯过程曲线就可以计算得到病人在某个时间点病变区域占肺叶区域的比例，从而衡量病情发展。
如图8所示，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于深度学习的新冠肺炎患者康复时间预测方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中识别模型训练方法，或者计算机程序被处理器执行时实现上述实施例中基于深度学习的新冠肺炎患者康复时间预测方法。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.基于深度学习的新冠肺炎患者康复时间预测方法，其特征在于，包括以下步骤：
获取新型冠状病毒肺炎患者的多天的CT序列图像，对多天的CT序列图像进行预处理；
将预处理后的图像分别输入至肺叶分割模型和肺炎分割模型，分别提取多天的肺叶区域面积与病灶区域面积；
通过多天的病灶区域面积与肺叶区域面积的比值计算获得多天的病变区域面积比例值；
使用多天的病变区域面积比例值R拟合高斯过程模型，预测新型冠状病毒肺炎患者康复时间；其中
肺叶分割模型为3D UNet网络模型；
肺炎分割模型是以Densenet为backbone的DeepLab V3+模型。
2.如权利要求1所述的基于深度学习的新冠肺炎患者康复时间预测方法，其特征在于，所述肺炎分割模型架构包括：
四个DenseBlock模块，一个ASPP模块和一个Decoder模块；其中，
ASPP模块包含ASPP Pooling和3个不同空洞比例的空洞卷积；
Densenet采用密集连接的方式提取图像特征；每个DenseBlock模块输出一个特征图fi∈(1～4)至下一DenseBlock模块，最后一DenseBlock模块特征图输入到ASPP模块，ASPP提取到的特征faspp经过上采样后输入到Decoder模块，经过1×1和3×3卷积后与特征f2连接到一起，再次经过1×1和3×3卷积后上采样4倍得到最后输出。
3.如权利要求2所述的基于深度学习的新冠肺炎患者康复时间预测方法，其特征在于，所述肺炎分割模型通过以下方法训练获得：
获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像进行预处理后得到样本集；
将样本集划分成训练集、验证集和测试集；并将训练集与验证集图像输入至初始肺炎分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成；
再将测试集中图像输入至上述训练完成的模型中，使用mIoU评估模型性能。
4.如权利要求2所述的基于深度学习的新冠肺炎患者康复时间预测方法，其特征在于，所述肺叶分割模型通过以下方式进行训练：
获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像再进行预处理后得到样本集；
将样本集划分成训练集、验证集和测试集；将训练集、验证集的图像输入至初始肺叶分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成；
再将测试集中图像输入至上述训练完成的模型中，直至Dice系数达到预设值，则得到最终的识别结果。
5.基于深度学习的新冠肺炎患者康复时间预测系统，其特征在于，包括：
图像输入单元：获取新型冠状病毒肺炎患者的多天的标注CT序列图像；
图像预处理单元：对多天的标注CT序列图像进行预处理，获得预处理后的CT序列图像；CT序列图像的预处理包括阈值分割、边缘检测、图像裁剪；
肺叶区域分割单元：对预处理后多天的CT序列图像通过训练好的肺叶分割模型进行分割，确定多天的肺叶区域及肺叶区域面积；
肺炎区域分割单元：对预处理后的图像通过训练好的肺炎分割模型进行分割，确定多天的肺炎区域及病灶区域面积；
病变区域计算单元：分别通过多天的病灶区域面积与对应的多天的肺叶区域面积的比值计算获得多天的病变区域面积比例值；
康复时间预测单元：通过计算获得多天的病变区域面积比例值，通过多天的病变区域面积比例值拟合高斯过程模型，预测新型冠状病毒肺炎患者康复时间；
其中，肺叶分割模型为3D UNet网络模型；
肺炎分割模型是以Densenet为backbone的DeepLab V3+模型。
6.如权利要求5所述的基于深度学习的新冠肺炎患者康复时间预测系统，其特征在于，所述肺炎分割模型架构包括：
四个DenseBlock模块，一个ASPP模块和一个Decoder模块；其中，
ASPP模块包含ASPP Pooling和3个不同空洞比例的空洞卷积；
Densenet采用密集连接的方式提取图像特征；每个DenseBlock模块输出一个特征图fi∈(1～4)至下一DenseBlock模块，最后一DenseBlock模块特征图输入到ASPP模块，ASPP提取到的特征faspp经过上采样后输入到Decoder模块，经过1×1和3×3卷积后与特征f2连接到一起，再次经过1×1和3×3卷积后上采样4倍得到最后输出。
7.如权利要求6所述的基于深度学习的新冠肺炎患者康复时间预测系统，其特征在于，还包括肺炎分割模型训练模块，具体包括：
第一图像输入和预处理子模块：用于获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像进行预处理后得到样本集，将样本集划分成训练集、验证集和测试集；
初始肺炎分割模型训练子模块：用于通过训练集与验证集图像输入至初始肺炎分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成；
肺炎分割模型测试子模块：用于将测试集中图像输入至训练完成的模型中，使用mIoU评估模型性能。
8.如权利要求6所述的基于深度学习的新冠肺炎患者康复时间预测系统，其特征在于，还包括肺叶分割模型训练模块，具体包括：
第二图像输入和预处理子模块：用于获取多个患者的历史CT序列图像，对CT序列图像先进行标注，对标注后的CT序列图像再进行预处理后得到样本集，将样本集划分成训练集、验证集和测试集；
初始肺叶分割模型训练子模块：将训练集、验证集的图像输入至初始肺叶分割模型，当验证集分数不再提高时，达到训练条件，则初始肺炎分割模型训练完成；
肺叶分割模型测试子模块：将测试集中图像输入至训练完成的模型中，直至Dice系数达到预设值，则得到最终的识别结果。
9.计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于深度学习的新冠肺炎患者康复时间预测方法。
10.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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于深度学习的新冠肺炎患者康复时间预测方法。
CN202010666696.7A 2020-07-13 2020-07-13 基于深度学习的新冠肺炎患者康复时间预测方法及系统 Active CN111815608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010666696.7A CN111815608B (zh) 2020-07-13 2020-07-13 基于深度学习的新冠肺炎患者康复时间预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010666696.7A CN111815608B (zh) 2020-07-13 2020-07-13 基于深度学习的新冠肺炎患者康复时间预测方法及系统

Publications (2)

Publication Number Publication Date
CN111815608A CN111815608A (zh) 2020-10-23
CN111815608B true CN111815608B (zh) 2023-08-25

Family

ID=72842160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010666696.7A Active CN111815608B (zh) 2020-07-13 2020-07-13 基于深度学习的新冠肺炎患者康复时间预测方法及系统

Country Status (1)

Country Link
CN (1) CN111815608B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112190277A (zh) * 2020-11-09 2021-01-08 华中科技大学同济医学院附属协和医院 一种新冠肺炎ct复查的数据拟合方法
CN112401915A (zh) * 2020-11-19 2021-02-26 华中科技大学同济医学院附属协和医院 一种新冠肺炎ct复查的图像融合比对方法
CN112258530A (zh) * 2020-12-21 2021-01-22 四川大学 基于神经网络的计算机辅助肺结节自动分割方法
CN112633404A (zh) * 2020-12-30 2021-04-09 复旦大学 基于DenseNet的COVID-19患者的CT影像分类方法及装置
CN112819807A (zh) * 2021-02-24 2021-05-18 成都理工大学 一种用于新冠肺炎的全自动分割方法
CN112950643B (zh) * 2021-02-26 2024-04-05 东北大学 基于特征融合深监督U-Net的新冠肺炎病灶分割方法
CN112734755A (zh) * 2021-03-15 2021-04-30 四川大学 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN113052849B (zh) * 2021-04-16 2024-01-26 中国科学院苏州生物医学工程技术研究所 腹部组织图像自动分割方法及系统
CN113327258A (zh) * 2021-07-15 2021-08-31 重庆邮电大学 一种基于深度学习的肺部ct图像识别方法
CN115147359B (zh) * 2022-06-06 2023-04-07 北京医准智能科技有限公司 肺叶分割网络模型训练方法、装置、电子设备及存储介质
CN115272328B (zh) * 2022-09-28 2023-01-24 北京核信锐视安全技术有限公司 一种面向新冠肺炎的肺部超声影像检测模型训练系统
CN116884623B (zh) * 2023-09-06 2023-12-15 西南医科大学附属医院 基于激光扫描成像的医疗康复预测系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257134A (zh) * 2017-12-21 2018-07-06 深圳大学 基于深度学习的鼻咽癌病灶自动分割方法和系统
CN108604465A (zh) * 2015-11-03 2018-09-28 皇家飞利浦有限公司 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测
CN108986067A (zh) * 2018-05-25 2018-12-11 上海交通大学 基于跨模态的肺结节检测方法
CN110084252A (zh) * 2019-04-29 2019-08-02 南京星程智能科技有限公司 基于深度学习的糖尿病视网膜病变图像标注方法
CN110956626A (zh) * 2019-12-09 2020-04-03 北京推想科技有限公司 一种基于图像的预后评估方法及装置
CN111047609A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置
CN111265210A (zh) * 2020-03-24 2020-06-12 华中科技大学 一种基于深度学习的房颤预测装置和设备
CN111340829A (zh) * 2020-02-10 2020-06-26 上海海洋大学 一种改进的dme水肿区域神经网络分割模型的构建方法
CN111402260A (zh) * 2020-02-17 2020-07-10 北京深睿博联科技有限责任公司 一种基于深度学习的医学影像分割方法、系统、终端及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013155358A1 (en) * 2012-04-11 2013-10-17 The Trustees Of Columbia University In The City Of New York Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects
CN108446730B (zh) * 2018-03-16 2021-05-28 推想医疗科技股份有限公司 一种基于深度学习的ct肺结节检测装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108604465A (zh) * 2015-11-03 2018-09-28 皇家飞利浦有限公司 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测
CN108257134A (zh) * 2017-12-21 2018-07-06 深圳大学 基于深度学习的鼻咽癌病灶自动分割方法和系统
CN108986067A (zh) * 2018-05-25 2018-12-11 上海交通大学 基于跨模态的肺结节检测方法
CN110084252A (zh) * 2019-04-29 2019-08-02 南京星程智能科技有限公司 基于深度学习的糖尿病视网膜病变图像标注方法
CN110956626A (zh) * 2019-12-09 2020-04-03 北京推想科技有限公司 一种基于图像的预后评估方法及装置
CN111340829A (zh) * 2020-02-10 2020-06-26 上海海洋大学 一种改进的dme水肿区域神经网络分割模型的构建方法
CN111402260A (zh) * 2020-02-17 2020-07-10 北京深睿博联科技有限责任公司 一种基于深度学习的医学影像分割方法、系统、终端及存储介质
CN111047609A (zh) * 2020-03-13 2020-04-21 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置
CN111265210A (zh) * 2020-03-24 2020-06-12 华中科技大学 一种基于深度学习的房颤预测装置和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
哈尔滨市新型冠状病毒肺炎疫情分析与复工建议;张路等;《重庆师范大学学报（自然科学版）》;第37卷(第2期);第107-111页 *

Also Published As

Publication number Publication date
CN111815608A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111815608B (zh) 基于深度学习的新冠肺炎患者康复时间预测方法及系统
CN109993726B (zh) 医学图像的检测方法、装置、设备和存储介质
JP6859445B2 (ja) 脳卒中の診断及び予後予測方法システム及びその作動方法
CN110310256B (zh) 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN110934606A (zh) 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
KR20210042267A (ko) 정량적 이미징을 이용하기 위한 방법 및 시스템
CN111415361B (zh) 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置
CN111127467A (zh) 图像量化方法、计算机设备和存储介质
CN112435212A (zh) 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质
CN111861989A (zh) 一种脑中线检测方法、系统、终端及存储介质
CN112465834A (zh) 一种血管分割方法及装置
Zambrano Chaves et al. Opportunistic assessment of ischemic heart disease risk using abdominopelvic computed tomography and medical record data: a multimodal explainable artificial intelligence approach
Danala et al. Applying quantitative radiographic image markers to predict clinical complications after aneurysmal subarachnoid hemorrhage: A pilot study
Arega et al. Automatic uncertainty-based quality controlled T1 mapping and ECV analysis from native and post-contrast cardiac T1 mapping images using Bayesian vision transformer
CN114663445A (zh) 一种基于多尺度边缘感知的三维心脏图像分割方法
CN114359671A (zh) 基于多目标学习的超声影像甲状腺结节分类方法及系统
US20160166192A1 (en) Magnetic resonance imaging tool to detect clinical difference in brain anatomy
CN116416221A (zh) 一种超声图像分析方法
CN110992312A (zh) 医学图像处理方法、装置、存储介质及计算机设备
US20220223231A1 (en) Systems and Methods for Improved Prognostics in Medical Imaging
CN114693671A (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
CN113379770A (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN112568872A (zh) 基于mri影像和血液生化指标的脑龄融合预测方法
CN111210414A (zh) 医学图像分析方法、计算机设备和可读存储介质
CN110610527A (zh) 计算suv的方法、装置、设备、系统及计算机存储介质

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