CN112690815A - 基于肺部图像报告辅助诊断病变等级的系统和方法 - Google Patents
基于肺部图像报告辅助诊断病变等级的系统和方法 Download PDFInfo
- Publication number
- CN112690815A CN112690815A CN202011370649.4A CN202011370649A CN112690815A CN 112690815 A CN112690815 A CN 112690815A CN 202011370649 A CN202011370649 A CN 202011370649A CN 112690815 A CN112690815 A CN 112690815A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- detection
- lesion
- region
- 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.)
- Pending
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 111
- 230000003902 lesion Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 115
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 239000011521 glass Substances 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 36
- 239000005337 ground glass Substances 0.000 claims description 21
- 238000007477 logistic regression Methods 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 20
- 208000025721 COVID-19 Diseases 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 2
- 210000000481 breast Anatomy 0.000 claims 2
- 238000002591 computed tomography Methods 0.000 description 20
- 208000015181 infectious disease Diseases 0.000 description 6
- 239000005338 frosted glass Substances 0.000 description 5
- 208000019693 Lung disease Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003757 reverse transcription PCR Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000711573 Coronaviridae Species 0.000 description 1
- 208000032376 Lung infection Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医学检测技术领域，目的是提供基于肺部图像报告辅助诊断病变等级的方法，其中，方法包括有步骤1：获取用户的待检测的肺部检测图像，将待检测的肺部检测图像发送至测试机内；步骤2：测试机内预存有已训练完成的图像检测模型，将待检测的肺部检测图像上的所有图像信息作为输入，步骤3：肺部检测图像病变区域作为图像检测模型的输出，获得的输出结果为病变区域的肺部检测图像并通过显示设备显示出病变区域的磨玻璃影类别。
Description
技术领域
本发明涉及医学检测技术领域，具体涉及基于肺部图像报告辅助诊断病变等级的系统和方法。
背景技术
COVID-19(2019年冠状病毒病)的爆发已迅速蔓延到世界上大多数国家。截至2020年3月29日，全球共有722,088例确诊病例。当前对COVID-19的诊断是基于RT-PCR(实时逆转录聚合酶链反应)，它被视为确认感染的金标准。另一方面，诸如CT(计算机断层扫描)之类的医学成像在确认COVID-19阳性病例中起着重要作用。为了更快地进行检查，已经开发了用于从成像数据诊断COVID-19的技术，即基于具有深度学习的人工智能(AI)。然而，很少有研究直接评估CT图像中的病变区域的感染程度。按照COVID-19诊断指南将COVID-19患者分为无症状、普通型、重型等，CT图像中肺部病变区域的严重程度是评估患者是否是普通型、还是重症患者的一个非常重要的参考指标，CT图像中肺部病变区域的严重程度也可以指导患者后续的治疗。对CT图像中肺部病变区域的严重程度的评估是放射医师工作的重要组成部分，但目前主要取决于放射医师的主观判断，这对于经验不足的放射医师而言尤其是在偏远地区，效率低下且存在一定的困难。
鉴于基于影像组学(Radiomics)的定量评估是客观的，并且已辅助放射科医生快速准确地诊断了其他类型的肺部疾病。基于影像组学的AI技术也可以适用于更好地评估COVID-19感染患者的肺部病变的严重等级。因此，这项工作旨在建立由基于CT的纹理特征组成的影像组学特征，并应用该影像组学特征来评估COVID-19感染中肺部图像情况。
发明内容
本发明的目的在于克服现有技术的不足，提供基于肺部图像报告辅助诊断病变等级的系统和方法，将病变目标区域的检测与逻辑回归模型相结合可以极大地帮助放射科医生快速有效地诊断COVID-19肺部感染。
通过以下技术方案来实现的：一方面，基于肺部图像报告辅助诊断病变等级的方法，包括下列步骤：
步骤1：获取用户的待检测的肺部检测图像，将待检测的肺部检测图像发送至测试机内，执行步骤2；
步骤2：测试机内预存有已训练完成的图像检测模型，将待检测的肺部检测图像上的所有图像信息作为输入，执行步骤3；
步骤3：肺部检测图像病变区域作为图像检测模型的输出，获得的输出结果为病变区域的肺部检测图像并通过显示设备显示出病变区域的磨玻璃影类别。
优选的，所述步骤1中，测试机为存储有图像检测模型的计算机，计算机上设置有显示设备。
优选的，所述图像检测模型的训练过程包括下列步骤：
步骤31：获取不同用户的肺部检测图像，对大量的肺部检测图像进行医学诊断并将医学诊断结果与肺部检测图像作为训练数据集，其中，肺部检测图像中包含有多种磨玻璃影类别，执行步骤32；
步骤32：在肺部检测图像上划分出感兴趣区，通过纹理分析方法，使得一个感兴趣区获得多个特征，结合LASSO算法对训练数据进行交叉验证的拟合，选取MSE最小的lambda对应的特征，将筛选的多个纹理特征组成了影像组学标签，执行步骤33；
步骤33：通过步骤32得到影像学标签，建立并训练逻辑回归模型，得到训练完成的图像检测模型。
优选的，所述步骤33中，所述逻辑回归模型的计算公式为，
式中，式中，y为医学诊断结果中磨玻璃影类别的得分值，根据y值的大小确定病变区域的病灶等级分类，xi表示第i个磨玻璃影的影像学特征分数，m为筛选后的纹理特征数量，i＝1,2,3…m,i≤m，通过训练数据集计算得到常数b和影像学特征系数向量β，图像检测模型训练完成。
优选的，所述步骤31中，医学诊断结果包括获得肺部检测图像中的病变区域，并将病变区域进行病灶等级分类。
优选的，医学诊断结果将肺部检测图像中呈散装分布且CT值呈低密度的磨玻璃影定义为轻度病变区，将肺部检测图像中呈连续片状否是且CT值呈高密度的磨玻璃影定义为中度及重度病变区。
优选的，所述肺部检测图像为胸部CT图像，肺部检测图像的结果为COVID-19诊断结果，所述步骤3中，图像检测模型通过匹配待检测肺部检测图像上的感兴趣区域，根据感兴趣区域上特征确定病变区域，将病变区域上的磨玻璃影的影像学特征分数代入逻辑回归模型进行计算，根据确定常数b和影像学特征系数向量β得到病变区域的玻璃影类别得分值y，进而得到待检测肺部检测图像的输出结果。
另一方面，一种基于肺部图像报告辅助诊断病变等级的系统，包括有采集模块、处理模块和显示模块，所述采集模块用于采集肺部检测图像的内容并将该内容作为输入上传至所述处理模块，所述处理模块内部存储有训练完成的图像检测模型，通过图像检测模型输出肺部检测图像的结果发送至显示模块，肺部检测图像的结果为COVID-19诊断结果，其中，图像检测模型的训练过程为，
步骤71：获取不同用户的肺部检测图像，对大量的肺部检测图像进行医学诊断并将医学诊断结果与肺部检测图像作为训练数据集，其中，肺部检测图像中包含有多种磨玻璃影类别，执行步骤72；
步骤72：在肺部检测图像上划分出感兴趣区，通过纹理分析方法，使得一个感兴趣区获得多个特征，结合LASSO算法对训练数据进行交叉验证的拟合，选取MSE最小的lambda对应的特征，将筛选的多个纹理特征组成了影像组学标签，执行步骤73；
步骤73：通过步骤72得到的影像学标签结合医学诊断结果建立逻辑回归模型，得到训练完成的图像检测模型。
优选的，所述步骤73中，所述逻辑回归模型的计算公式为，
式中，y为磨玻璃影类别的得分值，越接近于1时表示对应的病变区域越可能为中度及重度，xi表示第i个磨玻璃影的影像学特征分数，m为筛选后的纹理特征数量，i＝1,2,3…m,i≤m。
优选的，所述肺部检测图像为胸部CT图像，肺部检测图像的结果为COVID-19诊断结果，所述步骤3中，图像检测模型通过匹配待检测肺部检测图像上的感兴趣区域，根据感兴趣区域上特征确定病变区域，将病变区域上的磨玻璃影的影像学特征分数代入逻辑回归模型进行计算，根据确定常数b和影像学特征系数向量β得到病变区域的玻璃影类别得分值y，进而得到待检测肺部检测图像的输出结果。
本发明的有益效果是：
(1)该模型可用于协助放射科医生，尤其是经验不足的放射科医生，以诊断COVID-19感染中的肺部图像的等级；
(2)识别速度快，且不受医生主观因素如疲劳等的影响，判断精度高，拥有大数据的临床统计。
附图说明
图1为本发明的结构框图；
图2为本发明的一个实施例中的工作原理流程图。
具体实施方式
下面结合本发明的附图1～2，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。
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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，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。
实施例1：
基于肺部图像报告辅助诊断病变等级的方法，包括下列步骤：
步骤1：获取用户的待检测的肺部检测图像，将待检测的肺部检测图像发送至测试机内，执行步骤2；
步骤2：测试机内预存有已训练完成的图像检测模型，将待检测的肺部检测图像上的所有图像信息作为输入，执行步骤3；
步骤3：肺部检测图像病变区域作为图像检测模型的输出，获得的输出结果为病变区域的肺部检测图像并通过显示设备显示出病变区域的磨玻璃影类别。
值得说明的是，所述步骤1中，测试机为存储有图像检测模型的计算机，计算机上设置有显示设备。
值得说明的是，所述图像检测模型的训练过程包括下列步骤：
步骤31：获取不同用户的肺部检测图像，对大量的肺部检测图像进行医学诊断并将医学诊断结果与肺部检测图像作为训练数据集，其中，肺部检测图像中包含有多种磨玻璃影类别，执行步骤32；
步骤32：在肺部检测图像上划分出感兴趣区，通过纹理分析方法，使得一个感兴趣区获得多个特征，结合LASSO算法对训练数据进行交叉验证的拟合，选取MSE最小的lambda对应的特征，将筛选的多个纹理特征组成了影像组学标签，执行步骤33；
步骤33：通过步骤32得到影像学标签(β1,β2,…,βm)，建立并训练逻辑回归模型，得到训练完成的图像检测模型。
值得说明的是，所述步骤33中，所述逻辑回归模型的计算公式为，
式中，y为医学诊断结果中磨玻璃影类别的得分值，越接近于1时表示对应的病变区域越可能为第二类，xi表示第i个磨玻璃影的影像学特征分数，m为筛选后的纹理特征数量，i＝1,2,3…m,i≤m，通过训练逻辑回归模型得到常数b和影像学特征系数向量
值得说明的是，所述步骤31中，医学诊断结果包括获得后肺部检测图像中的病变区域，并将病变区域进行病灶等级分类，这里的获得后的病变区域为多名医生所诊断后获得的，是人为制定，用作模型的训练数据，但步骤3中，获得后的病变区域为计算机处理得到的，根据内置训练完成后模型而输出的结果，两者均能对病人的肺部图像进行判断，但后者为本发明的重点，相较人为判定，在保证精确度不低的情况下，使得输出判断结果更加迅速。
实施例2：
基于肺部图像报告辅助诊断病变等级的系统，通过具体的数据进行验证，下面为本次研究的实际过程，训练数据集由华西医院9位在胸部CT诊断上有6年以上经验的资深影像科专家处获得CT图像中的感兴趣区(region of interest,ROI)为轻度病灶区或中/重病灶区(病灶等级)，其中两名专家独立审查以获得的病灶等级，并通过讨论或咨询第三位放射科医生解决了观察者之间的差异。呈散状分布且CT值呈低密度的GGO(毛玻璃结节)的区域被认为是轻度病变区，呈连续片状且CT值相对较高的病灶区域被视为中度/重度病变区。
采用了11种纹理分析方法，使一个感兴趣区获得了936个特征，使用LASSO算法做预选，然后立即结合逐步回归算法，输出了9个特征，如表1所示，这9个特征(可以视作一个9元组表达)称为影像组学标签(即公式中m等于9)，基于训练数据可以获得公式2中各个x的系数βi以及常量b，这里公式里面的βi与β意义相同，模型训练的目的就是确定定值β，使用LASSO(线性回归模型优化算法)方法对训练数据做10折交叉验证的拟合，选择MSE最小的lambda对应的特征，然后执行逐步回归，获得9个纹理特征：组成了影像组学标签，使用上述影像组学标签训练逻辑回归模型，并在测试机上测试该模型的性能。
值得说明的是，包括有采集模块、处理模块和显示模块，所述采集模块用于采集肺部检测图像的内容并将该内容作为输入上传至所述处理模块，所述处理模块内部存储有训练完成的图像检测模型，通过图像检测模型输出肺部检测图像的结果发送至显示模块，肺部检测图像的结果为COVID-19诊断结果，其中，图像检测模型的训练过程为，
步骤71：获取不同用户的肺部检测图像，对大量的肺部检测图像进行医学诊断并将医学诊断结果与肺部检测图像作为训练数据集，其中，肺部检测图像中包含有多种磨玻璃影类别，执行步骤72；
步骤72：在肺部检测图像上划分出感兴趣区，通过纹理分析方法，使得一个感兴趣区获得多个特征，结合LASSO算法对训练数据进行交叉验证的拟合，选取MSE最小的lambda对应的特征，将筛选的多个纹理特征组成了影像组学标签，执行步骤73；
步骤73：通过训练数据得到β与b从而建立逻辑回归模型，逻辑回归模型测试验证后得到图像检测模型。
值得说明的是，对肺部检测图像中感兴趣区域的识别是通过现有的图像识别技术，包括但不限于YOLO v3深度学习算法等，医生也可根据经验自行划分感兴趣区。本实施例的重点通过对识别后的病变区域进行病灶分类，协助医生判断病变区域的病变程度。
值得说明的是，所述步骤73中，所述逻辑回归模型的计算公式为，
式中，y为医学诊断结果中磨玻璃影类别的得分值，越接近于1时表示对应的病变区域越可能为第二类，xi表示第i个磨玻璃影的影像学特征分数，m为筛选后的纹理特征数量，i＝1,2,3…m,i≤m，通过训练逻辑回归模型得到常数b和影像学特征系数向量
值得说明的是，请参照下表1，表1为影像组学标签中的9个特征，
表1影像组学标签中的9个特征
值得说明的是，Radiomics的定量特征(例如纹理)可以提供可解释性。CT纹理作为影像组学特征已广泛用于其他肺部疾病的辅助诊断和预后。公式中，y值越接近0表示越可能是散状GGO(磨玻璃影也为毛玻璃结节)，越接近1表示越可能是高密度连续的片状GGO，前者也可以称为轻度感染，后者称为中/重度感染(注意不是COVID-19的临床分型：无症状型、轻型、普通型、重型、危重型，但它是临床分型的重要参考)。
综上所述，本发明中，肺部检测图像为CT图像，区别于放射科医生的肺部图像报告(这里是指诊断报告，包含放射科医生观察分析CT图像获得的发现以及可能的诊断结论等)，即CT图像上仅呈现病人的肺部CT图像，训练数据集是通过前期拥有丰富经验的医生对肺部检测图像进行判断，将磨玻璃影区域定义为感兴趣的区域并对病变区域的严重等级进行标记(标记为轻度感染、或中/重度感染)，多个这样的感兴趣区组成了训练数据集，并基于该训练数据集训练/计算逻辑回归模型，计算方法包括但不限于用最小二乘法等线性处理公式，得到相应的模型参数，进而在检测新的肺部图像时，能够仅仅通过肺部图像信息，根据上述已训练完成的计算方法依次锁定图像上的病变区域以及根据分值辅助医生确定病变程度，协助医生对肺炎的判断，使得结果更加精确。
Claims (10)
1.基于肺部图像报告辅助诊断病变等级的方法，其特征在于，包括下列步骤：
步骤1：获取用户的待检测的肺部检测图像，将待检测的肺部检测图像发送至测试机内，执行步骤2；
步骤2：测试机内预存有已训练完成的图像检测模型，将待检测的肺部检测图像上的所有图像信息作为输入，执行步骤3；
步骤3：肺部检测图像病变区域作为图像检测模型的输出，获得的输出结果为病变区域的肺部检测图像并通过显示设备显示出病变区域的磨玻璃影类别。
2.根据权利要求1所述的基于肺部图像报告辅助诊断病变等级的方法，其特征在于，所述步骤1中，测试机为存储有图像检测模型的计算机，计算机上设置有显示设备。
3.根据权利要求2所述的基于肺部图像报告辅助诊断病变等级的方法，其特征在于，所述图像检测模型的训练过程包括下列步骤：
步骤31：获取不同用户的肺部检测图像，对大量的肺部检测图像进行医学诊断并将医学诊断结果与肺部检测图像作为训练数据集，其中，肺部检测图像中包含有多种磨玻璃影类别，执行步骤32；
步骤32：在肺部检测图像上划分出感兴趣区，通过纹理分析方法，使得一个感兴趣区获得多个特征，结合LASSO算法对训练数据进行交叉验证的拟合，选取MSE最小的lambda对应的特征，将筛选的多个特征组成了影像组学标签，执行步骤33；
步骤33：通过步骤32得到的影像学标签结合医学诊断结果建立逻辑回归模型，得到训练完成的图像检测模型。
4.根据权利要求3所述的基于肺部图像报告辅助诊断病变等级的方法，其特征在于，所述步骤33中，所述逻辑回归模型的计算公式为，
式中，y为医学诊断结果中磨玻璃影类别的得分值，根据y值的大小确定病变区域的病灶等级分类，xi表示第i个磨玻璃影的影像学特征分数，m为筛选后的纹理特征数量，i＝1,2,3…m,i≤m，通过训练数据集计算得到常数b和影像学特征系数向量β，图像检测模型训练完成。
5.根据权利要求4所述的基于肺部图像报告辅助诊断病变等级的方法，其特征在于，所述步骤31中，医学诊断结果包括获得肺部检测图像中的病变区域，并将病变区域进行病灶等级分类。
6.根据权利要求5所述的基于肺部图像报告辅助诊断病变等级的方法，其特征在于，所述肺部检测图像为胸部CT图像，肺部检测图像的结果为COVID-19诊断结果，所述步骤3中，图像检测模型通过匹配待检测肺部检测图像上的感兴趣区域，根据感兴趣区域上特征确定病变区域，将病变区域上的磨玻璃影的影像学特征分数代入逻辑回归模型进行计算，根据确定常数b和影像学特征系数向量β得到病变区域的玻璃影类别得分值y，进而得到待检测肺部检测图像的输出结果。
7.一种基于肺部图像报告辅助诊断病变等级的系统，其特征在于，包括有采集模块、处理模块和显示模块，所述采集模块用于采集肺部检测图像的内容并将该内容作为输入上传至所述处理模块，所述处理模块内部存储有训练完成的图像检测模型，通过图像检测模型输出肺部检测图像的结果发送至显示模块，肺部检测图像的结果为COVID-19诊断结果，其中，图像检测模型的训练过程为，
步骤71：获取不同用户的肺部检测图像，对大量的肺部检测图像进行医学诊断并将医学诊断结果与肺部检测图像作为训练数据集，其中，肺部检测图像中包含有多种磨玻璃影类别，执行步骤72；
步骤72：在肺部检测图像上划分出感兴趣区，通过纹理分析方法，使得一个感兴趣区获得多个特征，结合LASSO算法对训练数据进行交叉验证的拟合，选取MSE最小的lambda对应的特征，将筛选的多个纹理特征组成了影像组学标签，执行步骤73；
步骤73：通过步骤72得到的影像学标签结合医学诊断结果建立逻辑回归模型，得到训练完成的图像检测模型。
8.根据权利要求7所述的基于肺部图像报告辅助诊断病变等级的系统，其特征在于，所述步骤73中，所述逻辑回归模型的计算公式为，
式中，y为磨玻璃影类别的得分值，越接近于1时表示对应的病变区域越可能为中度及重度，xi表示第i个磨玻璃影的影像学特征分数，m为筛选后的纹理特征数量，i＝1,2,3…m,i≤m。
9.根据权利要求8所述的基于肺部图像报告辅助诊断病变等级的系统，其特征在于，所述肺部检测图像为胸部CT图像，肺部检测图像的结果为COVID-19诊断结果，所述步骤3中，图像检测模型通过匹配待检测肺部检测图像上的感兴趣区域，根据感兴趣区域上特征确定病变区域，将病变区域上的磨玻璃影的影像学特征分数代入逻辑回归模型进行计算，根据确定常数b和影像学特征系数向量β得到病变区域的玻璃影类别得分值y，进而得到待检测肺部检测图像的输出结果。
10.根据权利要求9所述的基于肺部图像报告辅助诊断病变等级的系统，其特征在于，肺部检测图像的结果将肺部检测图像中呈散装分布且CT值呈低密度的磨玻璃影定义为轻度病变区，将肺部检测图像中呈连续片状否是且CT值呈高密度的磨玻璃影定义为中度及重度病变区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011370649.4A CN112690815A (zh) | 2020-11-30 | 2020-11-30 | 基于肺部图像报告辅助诊断病变等级的系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011370649.4A CN112690815A (zh) | 2020-11-30 | 2020-11-30 | 基于肺部图像报告辅助诊断病变等级的系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112690815A true CN112690815A (zh) | 2021-04-23 |
Family
ID=75506563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011370649.4A Pending CN112690815A (zh) | 2020-11-30 | 2020-11-30 | 基于肺部图像报告辅助诊断病变等级的系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112690815A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820952A (zh) * | 2022-06-28 | 2022-07-29 | 四川大学华西医院 | 肺部超声可视化三维重建方法和系统 |
| CN115115620A (zh) * | 2022-08-23 | 2022-09-27 | 安徽中医药大学 | 一种基于深度学习的肺炎病变模拟方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和系统 |
| CN111862075A (zh) * | 2020-07-30 | 2020-10-30 | 西南医科大学 | 一种基于深度学习的肺部图像分析系统及其分析方法 |
-
2020
- 2020-11-30 CN CN202011370649.4A patent/CN112690815A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969622A (zh) * | 2020-02-28 | 2020-04-07 | 南京安科医疗科技有限公司 | 用于辅助肺炎诊断的图像处理方法和系统 |
| CN111862075A (zh) * | 2020-07-30 | 2020-10-30 | 西南医科大学 | 一种基于深度学习的肺部图像分析系统及其分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| WEI WEI等: "Identification of common and severe COVID-19：the value of CT texture analysis and correlation with clinical characteristics", 《EUROPEAN RADIOLOGY》 * |
| 刘亚: "《金融风险管理学》", 31 December 2017, 中国金融出版社 * |
| 张沥今等: "Lasso回归：从解释到预测", 《心理科学进展》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820952A (zh) * | 2022-06-28 | 2022-07-29 | 四川大学华西医院 | 肺部超声可视化三维重建方法和系统 |
| CN114820952B (zh) * | 2022-06-28 | 2022-09-16 | 四川大学华西医院 | 肺部超声可视化三维重建方法和系统 |
| CN115115620A (zh) * | 2022-08-23 | 2022-09-27 | 安徽中医药大学 | 一种基于深度学习的肺炎病变模拟方法及系统 |
| CN115115620B (zh) * | 2022-08-23 | 2022-12-13 | 安徽中医药大学 | 一种基于深度学习的肺炎病变模拟方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
| CN108389201B (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
| CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN109583440B (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 | |
| Ali et al. | A systematic review of automated melanoma detection in dermatoscopic images and its ground truth data | |
| CN1977283B (zh) | 用于医疗诊断的智能定性和定量分析的系统 | |
| US11488306B2 (en) | Immediate workup | |
| US20050251014A1 (en) | Lesion marking and characterization quality assurance method and system | |
| CN109145921A (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
| CN109035283B (zh) | 一种基于随机选取分区的肺气肿精准检测与量化分析方法 | |
| CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
| CN112215799A (zh) | 一种磨玻璃肺结节自动分类方法及系统 | |
| CN111784704B (zh) | Mri髋关节炎症分割与分类自动定量分级序贯方法 | |
| CN112927179A (zh) | 肝肿瘤智慧分析方法 | |
| CN112690815A (zh) | 基于肺部图像报告辅助诊断病变等级的系统和方法 | |
| CN111738997A (zh) | 一种基于深度学习的计算新冠肺炎病变区域占比的方法 | |
| CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
| CN110459303B (zh) | 基于深度迁移的医疗影像异常检测装置 | |
| CN115205213A (zh) | 一种体内泌尿系结石成分预测系统 | |
| Fan et al. | Research on abnormal target detection method in chest radiograph based on YOLO v5 algorithm | |
| CN114098779A (zh) | 尘肺病等级智能判别方法 | |
| Gordon et al. | Evaluation of uterine cervix segmentations using ground truth from multiple experts | |
| Sameki et al. | ICORD: Intelligent Collection of Redundant Data-A Dynamic System for Crowdsourcing Cell Segmentations Accurately and Efficiently. | |
| CN112116559A (zh) | 一种基于深度学习的数字病理图像智能分析方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |