CN111932541A - 一种用于预测新冠肺炎预后的ct影像图像处理方法 - Google Patents

一种用于预测新冠肺炎预后的ct影像图像处理方法 Download PDF

Info

Publication number
CN111932541A
CN111932541A CN202011093293.4A CN202011093293A CN111932541A CN 111932541 A CN111932541 A CN 111932541A CN 202011093293 A CN202011093293 A CN 202011093293A CN 111932541 A CN111932541 A CN 111932541A
Authority
CN
China
Prior art keywords
image
deep learning
loss function
feature
features
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
Application number
CN202011093293.4A
Other languages
English (en)
Other versions
CN111932541B (zh
Inventor
薛新颖
高全胜
薛志强
王志军
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.)
Environmental Medicine and Operational Medicine Institute of Military Medicine Institute of Academy of Military Sciences
Original Assignee
Beijing Xinnuo Weikang 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 Xinnuo Weikang Technology Co ltd filed Critical Beijing Xinnuo Weikang Technology Co ltd
Priority to CN202011093293.4A priority Critical patent/CN111932541B/zh
Publication of CN111932541A publication Critical patent/CN111932541A/zh
Application granted granted Critical
Publication of CN111932541B publication Critical patent/CN111932541B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于预测新冠肺炎预后的基于深度学习‑影像组学融合特征的CT影像图像处理方法，包括以下步骤：S1、基于K‑means的自动肺分割算法；S2、肺部影像组学特征提取；S3、深度学习特征提取；S4、深度学习和影像组学差异性特征学习；S5、基于融合特征的不良预后预测模型图像处理。本发明方法保留了影像组学特征的可解释性以及深度学习特征的数据自适应性这两种方法的优势。同时，本发明提出了差异性特征学习方式，使深度学习特征与影像组学特征互补，减少两种特征的冗余性，可进一步提升预后预测的精度。

Description

一种用于预测新冠肺炎预后的CT影像图像处理方法
技术领域
本发明涉及一种医疗技术，尤其涉及一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法。
背景技术
不同新冠肺炎患者的预后情况差异较大，经过及时的治疗后，大部分新冠肺炎患者具有较好的预后，但7%左右的新冠肺炎患者在确诊后会出现不良预后，即需要机械通气或出现死亡。针对这部分具有不良预后的新冠肺炎患者，若能在诊断初期将其预测出来，则可提前进行干预或规划新的治疗方案，以减少不良预后出现的概率。因此，在新冠肺炎诊断初期预测出具有不良预后的患者对于新冠肺炎的治疗方案规划和患者管理具有重要意义。
目前的新冠肺炎预后分析方法基本依赖临床指标（例如，年龄、并发症等）或一些量化的CT影像特征分析（例如，影像组学分析、深度学习模型等）。不同的分析方式各有优势，如果能将多种预后分析方法的优势结合起来，则可进一步提升模型的预测精度。但是，在实践中发现，如果只对不同特征进行简单的拼接融合，则可能会纳入很多冗余特征，造成模型过拟合。
因此，本发明人设计了一种用于预测新冠肺炎预后的CT影像图像处理特征差异性学习机制，让深度学习特征和影像组学特征在融合时能够互补，发挥各自的优势，避免纳入冗余特征，进而提升融合模型的预测精度。
发明内容
本发明的目的是提供一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法，设计端到端的卷积神经网络，实现对影像组学特征和深度学习特征的融合，并且通过特征差异性损失函数让深度学习特征在训练过程中自适应地与影像组学特征互补，避免了融合后引入太多冗余特征，进而提升融合模型的预测精度。
这样，采用该CT影像图像处理方案可实现个体化的新冠肺炎不良预后事件的预测，有助于在新冠肺炎确诊初期筛选出未来可能出现不良预后的患者，便于对其进行个体化的治疗和管理。
为实现上述目的，本发明提供了一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法，包括以下步骤：
S1、基于K-means的自动肺分割算法
使用K-means无监督聚类算法将CT影像中的灰度值聚集为2类，并选取2类的聚类中心的平均值作为最优阈值，然后使用该阈值从CT影像中分割出肺部区域。
在一个优选的实施方式中，所述S1具体包括以下步骤：
对于所述K-means算法而言，首先使用两个随机点
Figure 147282DEST_PATH_IMAGE001
作为初始质心，然 后最小化公式1所示CT影像中每一个体素点的CT值到这两个质心的欧式距离
Figure 773436DEST_PATH_IMAGE002
公式1
其中
Figure 98238DEST_PATH_IMAGE003
是第i类体素点的质心，由于仅需分割出肺区，因此，聚类是类别数量C=2，分别 表示肺区的体素点和其他区域的体素点，第i类的质心由公式2计算获得：
Figure 358635DEST_PATH_IMAGE005
公式2
公式2中
Figure 155690DEST_PATH_IMAGE006
表示CT影像中每一个体素点的体素值，为了最小化公式1所示的欧式距 离，K-means算法从随机初始化的2类质心开始，通过迭代的方式寻找新的2类的质心，直至 两次迭代过程中质心的距离变化小于设定的最小阈值，此时K-means算法迭代完成，获得CT 影像中2类CT值的质心，这2类CT值分别表示肺区域的CT值分布范围和其他组织的CT值分布 范围，为了获得最优的肺区域分割阈值，将2类质心的平均值作为阈值，即可完成肺区的分 割。
S2、肺部影像组学特征提取
对自动分割出的肺部CT影像提取高维纹理特征，然后，将影像组学特征拼接为一维特征向量，记为Fradiomics。
优选地，在所述S2中，所述高维纹理特征包括GLCM、小波特征和LoG特征。
S3、深度学习特征提取
构建基于Dense连接的三维卷积神经网络，对自动分割出的肺部CT影像提取深度学习特征。
在一个优选的实施方式中，所述S3具体包括以下步骤：
特征提取网络由多个Dense块堆叠而成，Dense块之间使用大小为2 x 2 x 2的最大值池化层进行特征降维，在每一个Dense块内部，包含堆叠的多个3 x 3 x 3的卷积层和批量归一化层，并且每一个卷积层的输入均与其前面所有的卷积层的输出相连，即为Dense连接，在卷积神经网络的最后一层后，使用全局池化层将深度学习特征压缩为一维向量，记为FDL。
在其他优选的实施方式中，可以使用其他卷积神经网络作为特征提取网络代替基于Dense连接的三维卷积神经网络作为深度学习特征提取网络。
S4、深度学习和影像组学差异性特征学习
在提取了肺部影像的影像组学特征和深度学习特征后，为了避免两种特征存在较大的冗余性，提出特征差异性损失函数对两种特征的差异性进行度量，使两种特征间的差异性尽量大，以减少特征冗余。
在一个优选的实施方式中，所述S4具体包括以下步骤：
将公式3所示的特征差异性损失函数
Figure 702209DEST_PATH_IMAGE007
用于度量影像组学特 征Fradiomics和深度学习特征FDL之间的差异性，
Figure 875701DEST_PATH_IMAGE008
公式3
公式3同时使用余弦距离和欧式距离对特征差异性进行度量，当两种特征差异性很大时，则公式产生很小的损失值，当两种特征相似时，公式3将产生较大的损失值，说明所提取的特征冗余度太高，需要继续优化。
S5、基于融合特征的不良预后预测模型图像处理
将步骤S2所得到的影像组学特征和步骤S3所得到的深度学习特征使用全连接层进行融合，然后使用步骤S4所提出的特征差异性损失函数对两种特征的差异进行约束，使用交叉熵损失函数对模型的预测性能进行度量，并将两种损失函数进行加权，作为最终的损失函数对模型进行训练。
在一个优选的实施方式中，所述S4具体包括以下步骤：
在进行模型训练时，使用交叉熵损失函数对模型的预测性能进行度量，并将其与公式3所示的特征差异性损失函数进行加权求和，作为最终的损失函数对模型进行训练，如公式4所示，
Figure 886382DEST_PATH_IMAGE009
公式4
其中，N为训练集的样本数量，
Figure 792021DEST_PATH_IMAGE010
和
Figure 888153DEST_PATH_IMAGE011
分别表示两部分损失函数的权重，
Figure 334178DEST_PATH_IMAGE012
表示样本xi对应的特征差异性损失函数，
Figure 464945DEST_PATH_IMAGE013
表示样本 xi对应的交叉熵损失函数，其计算公式如公式5所示：
Figure 538556DEST_PATH_IMAGE014
公式5
其中，yi表示样本xi真实的患者预后情况，1代表患者出现了不良预后，0代表患者没有 出现不良预后；
Figure 121984DEST_PATH_IMAGE015
表示模型预测的样本xi的预后情况，其取值在（0,1）范围内，最后，使用 Adam优化算法对公式4所示的损失函数进行优化，直至模型收敛。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为基于K-means聚类的肺部CT影像分割流程。
图2为基于深度学习-影像组学特征融合的新冠肺炎预后预测模型流程图。
具体实施方式
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
本发明包括以下步骤：
S1、基于K-means的自动肺分割
为了提取CT影像中的肺部特征，首先将肺区从CT影像中自动分割出来。在CT影像中，肺区与人体肌肉、骨骼等组织的CT值差异较大，可使用阈值进行肺区分割。但由于扫描机器的差异，每个患者的CT影像中最优的肺分割阈值有所不同，此外，若使用较大的分割阈值，会导致过度分割，将肺内的炎症组织和支气管、血管等组织漏掉；若分割阈值较小，则会导致包含部分肌肉组织在内。因此，如何自适应的选取适合每个患者的最优阈值对于肺分割的性能影响较大。
本发明使用无监督的K-means算法自动确定每个患者的最优分割阈值。K-means算 法首先使用两个随机点
Figure 371700DEST_PATH_IMAGE001
作为初始质心，然后最小化公式1所示CT影像中 每一个体素点的CT值到这两个质心的欧式距离
Figure 356973DEST_PATH_IMAGE002
公式1
其中
Figure 604415DEST_PATH_IMAGE003
是第i类体素点的质心，由于本发明仅需分割出肺区，因此，聚类是类别数量C= 2，分别表示肺区的体素点和其他区域的体素点。第i类的质心由公式2计算获得：
Figure 728546DEST_PATH_IMAGE005
公式2
式中
Figure 506009DEST_PATH_IMAGE006
表示CT影像中每一个体素点的体素值。为了最小化公式1所示的欧式距离，K- means算法从随机初始化的2类质心开始，通过迭代的方式寻找新的2类的质心，直至两次迭 代过程中质心的距离变化小于设定的最小阈值，此时K-means算法迭代完成，获得CT影像中 2类CT值的质心。这2类CT值分别表示肺区域的CT值分布范围和其他组织的CT值分布范围。 为了获得最优的肺区域分割阈值，将2类质心的平均值作为阈值，即可完成肺区的分割，如 图1所示。
S2、肺部影像组学特征提取
对于步骤S1中分割出的肺部CT影像，对其提取量化的影像组学特征，包括GLCM、小波特征、LoG特征等高维纹理特征；然后，将影像组学特征拼接为一维特征向量，记为Fradiomics。
S3、深度学习特征提取
构建基于Dense连接的三维卷积神经网络，对自动分割出的肺部CT影像提取深度学习特征。该特征提取网络由多个Dense块堆叠而成，Dense块之间使用大小为2 x 2 x 2的最大值池化层进行特征降维。在每一个Dense块内部，包含堆叠的多个3 x 3 x 3的卷积层和批量归一化层，并且每一个卷积层的输入均与其前面所有的卷积层的输出相连，即为Dense连接。该发明中使用基于Dense连接的三维卷积神经网络作为深度学习特征提取网络，但不限于该网络，可使用任意卷积神经网络作为特征提取网络。在卷积神经网络的最后一层后，使用全局池化层将深度学习特征压缩为一维向量，记为FDL。
S4、深度学习和影像组学差异性特征学习
在通过步骤S2提取了肺部CT影像的影像组学特征和通过步骤S3提取了深度学习特征后，为了避免两种特征存在较大的冗余性，在模型训练过程中需要对两种特征间的差异性进行约束。本发明提出特征差异性损失函数对两种特征的差异性进行度量，使两种特征间的差异性尽量大，以减少特征冗余。
Figure 986669DEST_PATH_IMAGE016
公式3
将如公式3所示的特征差异性损失函数
Figure 279110DEST_PATH_IMAGE007
用于度量影像组学特征 Fradiomics和深度学习特征FDL之间的差异性。该式同时使用余弦距离和欧式距离对特征差异 性进行度量，当两种特征差异性很大时，则公式3产生很小的损失值，当两种特征相似时，公 式3将产生较大的损失值，则说明所提取的特征冗余度太高，需要继续优化。
S5、基于融合特征的不良预后预测模型图像分析
将步骤S2所得到的深度学习特征和步骤S3所得到的深度学习特征使用全连接层进行融合，然后使用步骤S4所提出的特征差异性损失函数对两种特征的差异性进行约束，并将融合后的特征通过全连接层连接至输出层，预测该患者会出现不良预后的概率。
该流程如图2所示。在进行模型训练时，使用交叉熵损失函数对模型的预测性能进行度量，并将其与公式3所示的特征差异性损失函数进行加权求和，作为最终的损失函数对模型进行训练，如公式4所示。
Figure 136208DEST_PATH_IMAGE009
公式4
其中，N为训练集的样本数量，
Figure 768177DEST_PATH_IMAGE010
和
Figure 419738DEST_PATH_IMAGE011
分别表示两部分损失函数的权重，
Figure 465055DEST_PATH_IMAGE012
表示样本xi对应的特征差异性损失函数，
Figure 797947DEST_PATH_IMAGE013
表示样本 xi对应的交叉熵损失函数，其计算公式如公式5所示：
Figure 346740DEST_PATH_IMAGE014
公式5
其中，yi表示样本xi真实的患者预后情况（1代表患者出现了不良预后，0代表患者没有 出现不良预后）；
Figure 434782DEST_PATH_IMAGE015
表示模型预测的样本xi的预后情况，其取值在（0,1）范围内。最后，使用 Adam优化算法对公式4所示的损失函数进行优化，直至模型收敛。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (7)

1.一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法，其特征在于：包括以下步骤：
S1、基于K-means的自动肺分割算法
使用K-means无监督聚类算法将CT影像中的灰度值聚集为2类，并选取2类的聚类中心的平均值作为最优阈值，然后使用该阈值从CT影像中分割出肺部区域；
S2、肺部影像组学特征提取
对自动分割出的肺部CT影像提取高维纹理特征，然后，将影像组学特征拼接为一维特征向量，记为Fradiomics；
S3、深度学习特征提取
构建基于Dense连接的三维卷积神经网络，对自动分割出的肺部CT影像提取深度学习特征；
S4、深度学习和影像组学差异性特征学习
在提取了肺部影像的影像组学特征和深度学习特征后，为了避免两种特征存在较大的冗余性，提出特征差异性损失函数对两种特征的差异性进行度量，使两种特征间的差异性尽量大，以减少特征冗余；
S5、基于融合特征的不良预后预测模型图像处理
将步骤S2所得到的影像组学特征和步骤S3所得到的深度学习特征使用全连接层进行融合，然后使用步骤S4所提出的特征差异性损失函数对两种特征的差异进行约束，使用交叉熵损失函数对模型的预测性能进行度量，并将两种损失函数进行加权，作为最终的损失函数对模型进行训练。
2.根据权利要求1所述的CT影像图像处理方法，其特征在于：所述S1具体包括以下步骤：
对于所述K-means算法而言，首先使用两个随机点
Figure 398709DEST_PATH_IMAGE001
作为初始质心，然后最小化公式1所示CT影像中每一个体素点的CT值到这两个质心的欧式距离
Figure 836644DEST_PATH_IMAGE002
公式1
其中
Figure 257261DEST_PATH_IMAGE003
是第i类体素点的质心，由于仅需分割出肺区，因此，聚类是类别数量C=2，分别 表示肺区的体素点和其他区域的体素点，第i类的质心
Figure 667514DEST_PATH_IMAGE003
由公式2计算获得：
Figure 515384DEST_PATH_IMAGE004
公式2
公式2中
Figure 440615DEST_PATH_IMAGE005
表示CT影像中每一个体素点的体素值，为了最小化公式1所示的欧式距离， K-means算法从随机初始化的2类质心开始，通过迭代的方式寻找新的2类的质心，直至两次 迭代过程中质心的距离变化小于设定的最小阈值，此时K-means算法迭代完成，获得CT影像 中2类CT值的质心，这2类CT值分别表示肺区域的CT值分布范围和其他组织的CT值分布范 围，为了获得最优的肺区域分割阈值，将2类质心的平均值作为阈值，即可完成肺区的分割。
3.根据权利要求1所述的CT影像图像处理方法，其特征在于：在所述S2中，所述高维纹理特征包括GLCM、小波特征和LoG特征。
4.根据权利要求1所述的CT影像图像处理方法，其特征在于：所述S3具体包括以下步骤：
特征提取网络由多个Dense块堆叠而成，Dense块之间使用大小为2 x 2 x 2的最大值池化层进行特征降维，在每一个Dense块内部，包含堆叠的多个3 x 3 x 3的卷积层和批量归一化层，并且每一个卷积层的输入均与其前面所有的卷积层的输出相连，即为Dense连接，在卷积神经网络的最后一层后，使用全局池化层将深度学习特征压缩为一维向量，记为FDL。
5.根据权利要求4所述的CT影像图像处理方法，其特征在于：使用其他卷积神经网络作为特征提取网络代替基于Dense连接的三维卷积神经网络作为深度学习特征提取网络。
6.根据权利要求1所述的CT影像图像处理方法，其特征在于：所述S4具体包括以下步骤：
将公式3所示的特征差异性损失函数
Figure 602606DEST_PATH_IMAGE006
用于度量影像组学特 征Fradiomics和深度学习特征FDL之间的差异性，
Figure 929682DEST_PATH_IMAGE007
公式3
公式3同时使用余弦距离和欧式距离对特征差异性进行度量，当两种特征差异性很大时，则公式产生很小的损失值，当两种特征相似时，公式3将产生较大的损失值，说明所提取的特征冗余度太高，需要继续优化。
7.根据权利要求1所述的CT影像图像处理方法，其特征在于：所述S5具体包括以下步骤：
在进行模型训练时，使用交叉熵损失函数对模型的预测性能进行度量，并将其与公式3所示的特征差异性损失函数进行加权求和，作为最终的损失函数对模型进行训练，如公式4所示，
Figure 214033DEST_PATH_IMAGE008
公式4
其中，N为训练集的样本数量，
Figure 626560DEST_PATH_IMAGE009
和
Figure 326662DEST_PATH_IMAGE010
分别表示两部分损失函数的权重，
Figure 508245DEST_PATH_IMAGE011
表示样本xi对应的特征差异性损失函数，
Figure 963497DEST_PATH_IMAGE012
表示样本 xi对应的交叉熵损失函数，其计算公式如公式5所示：
Figure 801003DEST_PATH_IMAGE013
公式5
其中，yi表示样本xi真实的患者预后情况，1代表患者出现了不良预后，0代表患者没有 出现不良预后；
Figure 367114DEST_PATH_IMAGE014
表示模型预测的样本xi的预后情况，其取值在（0,1）范围内，最后，使用 Adam优化算法对公式4所示的损失函数进行优化，直至模型收敛。
CN202011093293.4A 2020-10-14 2020-10-14 一种用于预测新冠肺炎预后的ct影像图像处理方法 Active CN111932541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011093293.4A CN111932541B (zh) 2020-10-14 2020-10-14 一种用于预测新冠肺炎预后的ct影像图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011093293.4A CN111932541B (zh) 2020-10-14 2020-10-14 一种用于预测新冠肺炎预后的ct影像图像处理方法

Publications (2)

Publication Number Publication Date
CN111932541A true CN111932541A (zh) 2020-11-13
CN111932541B CN111932541B (zh) 2021-02-02

Family

ID=73334424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011093293.4A Active CN111932541B (zh) 2020-10-14 2020-10-14 一种用于预测新冠肺炎预后的ct影像图像处理方法

Country Status (1)

Country Link
CN (1) CN111932541B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884759A (zh) * 2021-03-12 2021-06-01 广东工业大学 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置
CN115064250A (zh) * 2022-06-06 2022-09-16 大连理工大学 一种用于对住院时长的分布进行调整的方法和相关产品
CN115984193A (zh) * 2022-12-15 2023-04-18 东北林业大学 融合组织病理图像和ct影像的pdl1表达水平检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472629A (zh) * 2019-08-14 2019-11-19 青岛大学附属医院 一种基于深度学习的病理图像自动识别系统及其训练方法
WO2020028382A1 (en) * 2018-07-30 2020-02-06 Memorial Sloan Kettering Cancer Center Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy
CN111354442A (zh) * 2018-12-20 2020-06-30 中国医药大学附设医院 肿瘤影像深度学习辅助子宫颈癌患者预后预测系统、方法
CN111681219A (zh) * 2020-06-03 2020-09-18 北京小白世纪网络科技有限公司 基于深度学习的新冠肺炎ct图像分类方法、系统及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020028382A1 (en) * 2018-07-30 2020-02-06 Memorial Sloan Kettering Cancer Center Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy
CN111354442A (zh) * 2018-12-20 2020-06-30 中国医药大学附设医院 肿瘤影像深度学习辅助子宫颈癌患者预后预测系统、方法
CN110472629A (zh) * 2019-08-14 2019-11-19 青岛大学附属医院 一种基于深度学习的病理图像自动识别系统及其训练方法
CN111681219A (zh) * 2020-06-03 2020-09-18 北京小白世纪网络科技有限公司 基于深度学习的新冠肺炎ct图像分类方法、系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI ZHAO,ET AL.: "Convolution kernel and iterative reconstruction affect the diagnostic performance of radiomics and deep learning in lung adenocarcinoma pathological subtypes", 《THORACIC CANCER 》 *
边子健 等: "肺部CT 图像中的解剖结构分割方法综述", 《中国图象图形学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884759A (zh) * 2021-03-12 2021-06-01 广东工业大学 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置
CN115064250A (zh) * 2022-06-06 2022-09-16 大连理工大学 一种用于对住院时长的分布进行调整的方法和相关产品
CN115984193A (zh) * 2022-12-15 2023-04-18 东北林业大学 融合组织病理图像和ct影像的pdl1表达水平检测方法

Also Published As

Publication number Publication date
CN111932541B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
EP3876190B1 (en) Endoscopic image processing method and system and computer device
CN111932541B (zh) 一种用于预测新冠肺炎预后的ct影像图像处理方法
CN106940816B (zh) 基于3d全卷积神经网络的ct图像肺结节检测系统
Li et al. Efficient and effective training of COVID-19 classification networks with self-supervised dual-track learning to rank
CN110930418A (zh) 融合W-net和条件生成对抗网络的视网膜血管分割方法
CN111260639A (zh) 多视角信息协作的乳腺良恶性肿瘤分类方法
CN111932540B (zh) 一种针对新冠肺炎临床分型的ct影像对比特征学习方法
Saki et al. A novel opposition-based classifier for mass diagnosis in mammography images
CN112348800A (zh) 融合多尺度特征的密集神经网络肺部肿瘤图像识别方法
CN111110192A (zh) 一种皮肤异常症状辅助诊断系统
Ghosal et al. Lung Nodule Classification Using Convolutional Autoencoder and Clustering Augmented Learning Method (CALM).
CN115035127A (zh) 一种基于生成式对抗网络的视网膜血管分割方法
CN111275103A (zh) 多视角信息协作的肾脏良恶性肿瘤分类方法
CN113888520A (zh) 用于生成牛眼图的系统和方法
CN117710760A (zh) 残差的注意神经网络用于胸部x线病灶检测的方法
CN116452865B (zh) 基于模糊逻辑的跳跃式注意力肺部病理图像分类方法
CN116523877A (zh) 一种基于卷积神经网络的脑mri图像肿瘤块分割方法
CN113327666B (zh) 一种胸片疾病多分类网络的多标签局部至全局学习方法
Pal et al. Detection of Lung Cancer Using CT-Scan Image-Deep Learning Approach
Eybposh et al. Segmentation and classification of cine-mr images using fully convolutional networks and handcrafted features
TWI805290B (zh) 用於預測肺腺癌是否具有表皮生長因子受體突變的方法
CN117058467B (zh) 一种胃肠道病变类型识别方法及系统
CN116934757B (zh) 一种用于肺结节假阳性删减的方法、设备及存储介质
CN116682576B (zh) 一种基于双层图卷积神经网络的肝癌病理预后系统及装置
Malviya et al. Deep Learning Based Gastro Intestinal Disease Analysis Using Wireless Capsule Endoscopy 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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211118

Address after: 300050 No. 1, Dali Road, Heping District, Tianjin

Patentee after: ENVIRONMENTAL MEDICINE AND OPERATIONAL MEDICINE Research Institute ACADEMY OF MILITARY MEDICAL SCIENCES

Address before: 1502, 12 / F, building 1, yard 1, Jiuqiao Road, Daxing District, Beijing 100163

Patentee before: Beijing Xinnuo Weikang Technology Co.,Ltd.