CN113435491A - 医学图像处理方法和装置 - Google Patents
医学图像处理方法和装置 Download PDFInfo
- Publication number
- CN113435491A CN113435491A CN202110682361.9A CN202110682361A CN113435491A CN 113435491 A CN113435491 A CN 113435491A CN 202110682361 A CN202110682361 A CN 202110682361A CN 113435491 A CN113435491 A CN 113435491A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- chest
- radiological
- covid
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000002591 computed tomography Methods 0.000 claims abstract description 85
- 208000025721 COVID-19 Diseases 0.000 claims abstract description 48
- 206010035664 Pneumonia Diseases 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 9
- 241000711573 Coronaviridae Species 0.000 claims abstract description 5
- 210000000038 chest Anatomy 0.000 claims description 59
- 230000003902 lesion Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 23
- 210000000481 breast Anatomy 0.000 claims description 17
- 210000004072 lung Anatomy 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 230000002829 reductive effect Effects 0.000 abstract description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种医学图像处理方法和装置，所述方法采用三维肺炎深度分割网络提取胸部计算机断层扫描CT的三维病灶；对所述胸部CT三维病灶提取放射学特征；将所述胸部CT三维病灶的放射学特征输入到新型冠状病毒肺炎COVID‑19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID‑19的CT；由于本实施例COVID‑19分类模型是基于深度神经网络对多个COVID‑19的CT的放射学特征进行深度学习训练得到的分类模型，可以快速并准确地确诊COVID‑19患者，大大减轻了医护人员的工作压力。
Description
技术领域
本发明涉及计算机断层扫描(ComputerizedTomography,CT)图像的处理技术领域，尤其涉及一种医学图像处理方法和装置。
背景技术
2019年12月以来,一种新型冠状病毒肺炎(COVID-19)已构成全球范围内的流行病威胁,其传染性强,蔓延速度快,短期内给人民健康和国家经济造成巨大损害,因此早期诊断并及时隔离和治疗对患者的预后及控制疫情至关重要。胸部CT检查具有及时、快捷、阳性率高的特点,在患者排查中可起到重要的辅助诊断作用,且已有研究证实CT检查较核酸检测具有更高的敏感性。然而,在COVID-19临床诊治中出现了临床表现、核酸检测和影像学表现不一致的病例,推测可能与患者就诊的时间处在疾病的不同发展阶段有关，因此，正确认识COVID-19患者胸部CT表现的医学特征对于指导临床诊治有着重要价值。
发明内容
本发明提供一种医学图像处理方法和装置，基于预训练的深度学习细分模型，放射学特征提取和机器学习，可对COVID-19与普通肺炎进行准确分类。
在一种可选的实施方式中，本发明实施例提供一种医学图像处理方法，包括：
采用三维肺炎深度分割网络提取胸部计算机断层扫描CT的三维病灶；
对所述胸部CT三维病灶提取放射学特征；
将所述胸部CT三维病灶的放射学特征输入到新型冠状病毒肺炎COVID-19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID-19的CT；
所述COVID-19分类模型是基于机器学习对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型。
可选地，采用三维肺炎深度分割网络提取所述胸部CT的三维病灶之前还包括：
使用三线性插值策略消除各向同性地将所述胸部CT重采样为1mm×1mm×1mm的数据样本，以消除由所述数据样本的体素间距差异引起的干扰；
将所述数据样本的体素强度从HU值[-1000，600]的限幅窗口线性归一化为[0，255]，超出该间隔的任何HU值都相应地设置为-1000或600；
所述数据样本为长方体体积图像，按z/y/x顺序，大小为32×128×128，以覆盖所有肺炎病变的大小。
可选地，采用三维肺炎深度分割网络提取所述胸部CT的三维病灶还包括：
采用-350HU值的固定阈值将所述所述胸部CT的前景与背景分开，然后填充肺部以获得二值化的所述胸部CT图像；
在所述胸部CT图像上添加二值化蒙版以生成蒙版的CT图像；
对所述蒙版的CT图像的HU值小于-350HU值的部分进行了二值化，并使用膨胀操作获得了所述胸部CT的三维病灶。
可选地，所述三维肺炎深度分割网络采用的损失函数为：
其中Ω表示三维体积图像的网格，p表示体素位置。
可选地，对所述胸部CT三维病灶提取放射学特征包括：
从所述胸部CT三维病灶中获得十四个图像通道，包括原始图像通道，小波图像通道，平方图像通道，平方根图像通道，对数图像通道，指数图像通道，梯度图像通道，二维图像通道和三维局部二进制图像通道；
针对原始通道提取了基于形状的14个特征；
针对其他图像通道，为每个其他图像通道提取多个放射学特征，包括19个特征的一阶统计量，23个特征的灰度共生矩阵，16个特征的灰度游程长度矩阵，16个特征的灰度级大小区域矩阵，5个特征的相邻灰阶差异矩阵，14个特征的灰度相关矩阵；
共提取了1316个特征，其中169个特征是恒定的并被丢弃；
通过减去平均值并除以标准偏差，对剩余的1147个放射特征进行胸部CT三维病灶的放射学特征提取。
本发明还提供一种医学图像处理装置，包括：
第一提取模块，采用三维肺炎深度分割网络提取待确诊的胸部计算机断层扫描CT的三维病灶；
第二提取模块，用于对所述胸部CT三维病灶提取放射学特征；
匹配分类模块，用于将所述胸部CT三维病灶的放射学特征输入到COVID-19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID-19的CT；
所述COVID-19分类模型是基于机器学习对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型。
可选地，还包括预处理模块，具体用于：
使用三线性插值策略消除各向同性地将所述胸部CT重采样为1mm×1mm×1mm的数据样本，以消除由所述数据样本的体素间距差异引起的干扰；
将所述数据样本的体素强度从HU值[-1000，600]的限幅窗口线性归一化为[0，255]，超出所述间隔的任何HU值都相应地设置为-1000或600；
所述数据样本为长方体体积图像，按z/y/x顺序，大小为32×128×128，以覆盖所有肺炎病变的大小。
可选地，所述第一提取模块具体用于：
采用-350HU值的固定阈值将所述所述胸部CT的前景与背景分开，然后填充肺部以获得二值化的所述胸部CT图像；
在所述胸部CT图像上添加二值化蒙版以生成蒙版的CT图像；
对所述蒙版的CT图像的HU值小于-350HU值的部分进行了二值化，并使用膨胀操作获得了所述胸部CT的三维病灶。
可选地，所述第一提取模块的三维肺炎深度分割网络采用的损失函数为：
其中Ω表示3D体积图像的网格，p表示体素位置。
可选地，所述第二提取模块具体用于：
从所述胸部CT三维病灶中获得十四个图像通道，包括原始图像通道，小波图像通道，平方图像通道，平方根图像通道，对数图像通道，指数图像通道，梯度图像通道，二维图像通道和三维局部二进制图像通道；
针对原始通道提取了基于形状的14个特征；
针对其他图像通道，为每个其他图像通道提取多个放射学特征，包括19个特征的一阶统计量，23个特征的灰度共生矩阵，16个特征的灰度游程长度矩阵，16个特征的灰度级大小区域矩阵，5个特征的相邻灰阶差异矩阵，14个特征的灰度相关矩阵；
共提取了1316个特征，其中169个特征是恒定的并被丢弃；
通过减去平均值并除以标准偏差，对剩余的1147个放射特征进行胸部CT三维病灶的放射学特征提取。
本发明实施例采用三维肺炎深度分割网络提取胸部计算机断层扫描CT的三维病灶；对所述胸部CT三维病灶提取放射学特征；将所述胸部CT三维病灶的放射学特征输入到新型冠状病毒肺炎COVID-19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID-19的CT；由于本实施例COVID-19分类模型是基于深度神经网络对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型，可以快速并准确地确诊COVID-19患者，大大减轻了医护人员的工作压力。
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一简单地介绍，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获得其他的附图。
图1为本发明一实施例提供的医学图像处理方法流程示意图；
图2为本发明另一实施例提供的医学图像处理装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述XXX，但这些XXX不应限于这些术语。这些术语仅用来将XXX彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一XXX也可以被称为第二XXX，类似地，第二XXX也可以被称为第一XXX。
还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
图1为本发明一实施例提供的医学图像处理方法流程示意图，如图1所示，包括：
101、采用三维肺炎深度分割网络提取待确诊的胸部CT的三维病灶；
其中，三维肺炎深度分割网络是基于深度神经网络对多个胸部CT的三维病灶进行深度学习训练得到的模型。
在步骤101之前，需要对胸部CT进行预处理：
使用三线性插值策略消除了各向同性地将扫描样本重采样为1mm×1mm×1mm，以消除由体素间距差异引起的干扰。然后将体素强度从HU值[-1000，600]的限幅窗口线性归一化为[0，255]，超出该间隔[-1000，600]的任何HU值都相应地设置为-1000或600。每个数据样本都是一个长方体体积图像，大小为32×128×128(按z/y/x顺序)，可以覆盖我们研究中所有肺炎病变的大小。
其中，体素是数字数据于三维空间分割上的最小单位，体素用于三维成像、科学数据与医学影像等领域。概念上类似二维空间的最小单位——像素，像素用在二维计算机图像的影像数据上。CT的体素间距代表相邻体素间代表物理空间的距离。
HU是计算机断层扫描(CT)中普遍使用的无量纲单位，用于标准、便捷的表达CT数值。HU值是通过对测量得到的衰减系数进行线性变换得到的。这种转换是基于空气和的密度，其中纯水被定义为0HU，空气被定义为-1000HU。组织密度越大，x射线吸收越强，其值为正，呈亮信号；密度较低的组织，x射线吸收较少，显示负值，呈暗信号。
在使用上述预处理方法获取重新采样的胸部CT图像后，首先采用-350HU值的固定阈值将前景与背景分开，其中，前景是指肺器官影像，背景是指除肺器官影像外的背景图像，然后填充肺部以获得二值化的CT图像。然后，使用腐蚀之类的形态学操作来消除仪器噪声，并在原始图像上添加二值化蒙版以生成蒙版的CT图像，最后对蒙版图像的HU小于-350HU值的部分进行了二值化，并使用膨胀操作获得了完整的肺分割结果，即胸部CT的三维病灶。
需要说明的是，本实施例采用的三维(3D)肺炎分割网络例如可以是一种具有跳过连接的全卷积神经网络(FCN)，因为U-Net具有跳过连接的编码器-解码器体系结构，能够很好地组合医学图像的低分辨率和高分辨率信息，这分别为分割对象的语义识别和精确边缘定位提供了基础。另外，ResNet缓解了当神经网络通过残差学习加深时梯度可能消失的问题，从而可以使用具有深层的网络提取有效特征。因此，考虑到模型性能和模型复杂性之间的折衷，本实施例采用基于U-Net的ResNet-34作为肺炎分割网络的编码器主干。
在3D肺炎分割网络中，每个3D卷积层的内核大小为3，然后是批处理归一化(BN)和泄漏校正线性单元(Leaky ReLU)激活层(负斜率＝0.1)。另外，将2×2×2卷积/反卷积的步长为2分别用于下采样和上采样，尤其是，对于基于ResNet-34主干的编码器，将3×3×3卷积替换为7×7×7卷积，并删除了随后的下采样操作以保留高分辨率信息，以及删除最后的剩余块以简化3D肺炎分割网络。
在本实施例中，通过29例COVID-19病例和65例普通肺炎病变训练了3D肺炎分割网络。像素间距标准化为0.31/0.31mm，最小的像素间距。
在本实施例中，3D肺炎分割网络进行了130次胸部CT扫描训练，其中包括91次训练和39次测试，其中采用的损失函数为Dice相似系数(DSC)。因为Dice相似系数在分割对象和背景的大小相对不同(即类别不平衡)的情况下表现良好。对于分段掩码M_seg和地面真值掩码M_gt，分段损耗L_seg表示为：
其中Ω表示3D体积图像的网格，p表示体素位置。
在3D肺炎分割网络中，所有实验均在两个NVIDA Titan X GPU和一个Intel i7-7700 CPU上进行。这些代码基于Python 3.6.4和Pytorch-1.1.0。在线数据增强方法(包括沿随机轴的平移，旋转和翻转)已应用于输入图像。分割网络是使用Adam优化器进行训练的，批处理大小为8，初始学习率为0.001，共300个纪元。在推断阶段，使用32×128×128(按z/y/x顺序)窗口在肺实质内滑动，z，y，x轴的步长为16、64、64，并拼接预测的平均结果。
102、对所述胸部CT三维病灶提取放射学特征；
特征提取是通过计算图像通道，推导和抑制放射特征进行的。从步骤101的预处理图像中总共获得了十四个图像通道，包括原始图像通道，小波图像通道，平方图像通道，平方根图像通道，对数图像通道，指数图像通道，梯度图像通道，二维图像通道和三维局部二进制图像通道。
针对原始图像通道提取了基于形状的特征(14个特征)，针对其他图像通道，为每个其他图像通道提取了一系列放射学特征，包括一阶统计量(19个特征)，灰度共生矩阵(23个特征)，灰度游程长度矩阵(16个特征)，灰度级大小区域矩阵(16个特征)，相邻灰阶差异矩阵(5个特征)，灰度相关矩阵(14个特征)。
总共提取了1316个特征，其中169个特征是恒定的并被丢弃，最后，通过减去平均值并除以标准偏差，将剩余的1147个放射特征，通过使用开源软件(PyRadiomics3.0版)完成放射学特征提取过程。
103、将所述胸部CT三维病灶的放射学特征输入到COVID-19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID-19的CT。
本实施例COVID-19分类模型是基于传统机器学习对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型。针对步骤103中确定的COVID-19的CT，COVID-19分类模型即可对该COVID-19的CT的放射学特征继续进行基于传统机器学习训练，随着COVID-19的CT的数量越多，COVID-19分类模型深度学习训练越多，COVID-19分类模型得确诊的精确度更高。
因此，本发明实施例采用基于U-Net的ResNet-34作为肺炎分割网络的编码器主干，其中U-Net具有跳过连接的编码器-解码器体系结构，能够很好地组合医学图像的低分辨率和高分辨率信息，这分别为分割对象的语义识别和精确边缘定位提供了基础。另外，ResNet缓解了当神经网络通过残差学习加深时梯度可能消失的问题，从而可以使用具有深层的网络提取有效特征。
进一步地，本实施例COVID-19分类模型是基于传统机器学习对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型，可以快速并准确地确诊COVID-19患者，大大减轻了医护人员的工作压力。
图2为本发明另一实施例提供的医学图像处理装置结构示意图，如图2所示，包括：
第一提取模块21，采用三维肺炎深度分割网络提取待确诊的胸部CT的三维病灶；
第二提取模块22，用于对所述胸部CT三维病灶提取放射学特征；
匹配分类模块23，用于将所述胸部CT三维病灶的放射学特征输入到COVID-19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID-19的CT。
所述COVID-19分类模型是基于深度神经网络对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型。
可选地，所述的装置还包括预处理模块24，具体用于：
使用三线性插值策略消除各向同性地将所述胸部CT重采样为1mm×1mm×1mm的数据样本，以消除由所述数据样本的体素间距差异引起的干扰；
将所述数据样本的体素强度从HU值[-1000，600]的限幅窗口线性归一化为[0，255]，超出该间隔的任何HU值都相应地设置为-1000或600；
所述数据样本为长方体体积图像，按z/y/x顺序，大小为32×128×128，以覆盖所有肺炎病变的大小。
可选地，所述第一提取模块21具体用于：
采用-350HU值的固定阈值将所述所述胸部CT的前景与背景分开，然后填充肺部以获得二值化的所述胸部CT图像；
在所述胸部CT图像上添加二值化蒙版以生成蒙版的CT图像；
对所述蒙版的CT图像的HU小于-350HU值的部分进行了二值化，并使用膨胀操作获得了所述胸部CT的三维病灶。
可选地，所述第一提取模块的3D肺炎深度分割网络采用的损失函数为：
其中Ω表示3D体积图像的网格，p表示体素位置。
可选地，所述第二提取模块22具体用于：
从所述胸部CT三维病灶中获得十四个图像通道，包括原始图像通道，小波图像通道，平方图像通道，平方根图像通道，对数图像通道，指数图像通道，梯度图像通道，二维图像通道和三维局部二进制图像通道；
针对原始通道提取了基于形状的14个特征；
针对其他图像通道，为每个其他图像通道提取多个放射学特征，包括19个特征的一阶统计量，23个特征的灰度共生矩阵，16个特征的灰度游程长度矩阵，16个特征的灰度级大小区域矩阵，5个特征的相邻灰阶差异矩阵，14个特征的灰度相关矩阵；
共提取了1316个特征，其中169个特征是恒定的并被丢弃；
通过减去平均值并除以标准偏差，对剩余的1147个放射特征进行所述胸部CT三维病灶的放射学特征提取。
本发明实施例所述的装置可以执行图1所示实施例中的方法，其技术效果不再赘述。
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，而非对其限制；尽管参照前述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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种医学图像处理方法，其特征在于，包括：
采用三维肺炎深度分割网络提取胸部计算机断层扫描CT的三维病灶；
对所述胸部CT三维病灶提取放射学特征；
将所述胸部CT三维病灶的放射学特征输入到新型冠状病毒肺炎COVID-19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID-19的CT；
所述COVID-19分类模型是基于机器学习对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型。
2.根据权利要求1所述的方法，其特征在于，采用三维肺炎深度分割网络提取所述胸部CT的三维病灶之前还包括：
使用三线性插值策略消除各向同性地将所述胸部CT重采样为1mm×1mm×1mm的数据样本，以消除由所述数据样本的体素间距差异引起的干扰；
将所述数据样本的体素强度从HU值[-1000，600]的限幅窗口线性归一化为[0，255]，超出该间隔的任何HU值都相应地设置为-1000或600；
所述数据样本为长方体体积图像，按z/y/x顺序，大小为32×128×128，以覆盖所有肺炎病变的大小。
3.根据权利要求2所述的方法，其特征在于，采用三维肺炎深度分割网络提取所述胸部CT的三维病灶还包括：
采用-350HU值的固定阈值将所述所述胸部CT的前景与背景分开，然后填充肺部以获得二值化的所述胸部CT图像；
在所述胸部CT图像上添加二值化蒙版以生成蒙版的CT图像；
对所述蒙版的CT图像的HU值小于-350HU值的部分进行了二值化，并使用膨胀操作获得了所述胸部CT的三维病灶。
4.根据权利要求3所述的方法，其特征在于，所述三维肺炎深度分割网络采用的损失函数为：
其中Ω表示三维体积图像的网格，p表示体素位置。
5.根据权利要求4所述的方法，其特征在于，对所述胸部CT三维病灶提取放射学特征包括：
从所述胸部CT三维病灶中获得十四个图像通道，包括原始图像通道，小波图像通道，平方图像通道，平方根图像通道，对数图像通道，指数图像通道，梯度图像通道，二维图像通道和三维局部二进制图像通道；
针对原始通道提取了基于形状的14个特征；
针对其他图像通道，为每个其他图像通道提取多个放射学特征，包括19个特征的一阶统计量，23个特征的灰度共生矩阵，16个特征的灰度游程长度矩阵，16个特征的灰度级大小区域矩阵，5个特征的相邻灰阶差异矩阵，14个特征的灰度相关矩阵；
共提取了1316个特征，其中169个特征是恒定的并被丢弃；
通过减去平均值并除以标准偏差，对剩余的1147个放射特征进行胸部CT三维病灶的放射学特征提取。
6.一种医学图像处理装置，其特征在于，包括：
第一提取模块，采用三维肺炎深度分割网络提取待确诊的胸部计算机断层扫描CT的三维病灶；
第二提取模块，用于对所述胸部CT三维病灶提取放射学特征；
匹配分类模块，用于将所述胸部CT三维病灶的放射学特征输入到COVID-19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID-19的CT；
所述COVID-19分类模型是基于机器学习对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型。
7.根据权利要求6所述的装置，其特征在于，还包括预处理模块，具体用于：
使用三线性插值策略消除各向同性地将所述胸部CT重采样为1mm×1mm×1mm的数据样本，以消除由所述数据样本的体素间距差异引起的干扰；
将所述数据样本的体素强度从HU值[-1000，600]的限幅窗口线性归一化为[0，255]，超出所述间隔的任何HU值都相应地设置为-1000或600；
所述数据样本为长方体体积图像，按z/y/x顺序，大小为32×128×128，以覆盖所有肺炎病变的大小。
8.根据权利要求7所述的装置，其特征在于，所述第一提取模块具体用于：
采用-350HU值的固定阈值将所述所述胸部CT的前景与背景分开，然后填充肺部以获得二值化的所述胸部CT图像；
在所述胸部CT图像上添加二值化蒙版以生成蒙版的CT图像；
对所述蒙版的CT图像的HU值小于-350HU值的部分进行了二值化，并使用膨胀操作获得了所述胸部CT的三维病灶。
9.根据权利要求8所述的装置，其特征在于，所述第一提取模块的三维肺炎深度分割网络采用的损失函数为：
其中Ω表示3D体积图像的网格，p表示体素位置。
10.根据权利要求9所述的装置，其特征在于，所述第二提取模块具体用于：
从所述胸部CT三维病灶中获得十四个图像通道，包括原始图像通道，小波图像通道，平方图像通道，平方根图像通道，对数图像通道，指数图像通道，梯度图像通道，二维图像通道和三维局部二进制图像通道；
针对原始通道提取了基于形状的14个特征；
针对其他图像通道，为每个其他图像通道提取多个放射学特征，包括19个特征的一阶统计量，23个特征的灰度共生矩阵，16个特征的灰度游程长度矩阵，16个特征的灰度级大小区域矩阵，5个特征的相邻灰阶差异矩阵，14个特征的灰度相关矩阵；
共提取了1316个特征，其中169个特征是恒定的并被丢弃；
通过减去平均值并除以标准偏差，对剩余的1147个放射特征进行胸部CT三维病灶的放射学特征提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110682361.9A CN113435491A (zh) | 2021-06-20 | 2021-06-20 | 医学图像处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110682361.9A CN113435491A (zh) | 2021-06-20 | 2021-06-20 | 医学图像处理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435491A true CN113435491A (zh) | 2021-09-24 |
Family
ID=77756779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110682361.9A Pending CN113435491A (zh) | 2021-06-20 | 2021-06-20 | 医学图像处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435491A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808130A (zh) * | 2021-11-16 | 2021-12-17 | 武汉大学 | 肿瘤图像智能分类方法、装置和医学图像处理设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640123A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 无背景图像的生成方法、装置、设备及介质 |
| CN111915594A (zh) * | 2020-08-06 | 2020-11-10 | 南通大学 | 基于端对端神经网络的乳腺癌病灶分割方法 |
| CN112488102A (zh) * | 2020-11-30 | 2021-03-12 | 中南大学 | 基于多视图学习和深度监督自编码器的医学影像分类方法及装置 |
| CN112950643A (zh) * | 2021-02-26 | 2021-06-11 | 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 |
| CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
-
2021
- 2021-06-20 CN CN202110682361.9A patent/CN113435491A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640123A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 无背景图像的生成方法、装置、设备及介质 |
| CN111915594A (zh) * | 2020-08-06 | 2020-11-10 | 南通大学 | 基于端对端神经网络的乳腺癌病灶分割方法 |
| CN112488102A (zh) * | 2020-11-30 | 2021-03-12 | 中南大学 | 基于多视图学习和深度监督自编码器的医学影像分类方法及装置 |
| CN112951406A (zh) * | 2021-01-27 | 2021-06-11 | 安徽理工大学 | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 |
| CN112950643A (zh) * | 2021-02-26 | 2021-06-11 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 张红星: "《数字针灸学概论》", 30 June 2018, 湖北科学技术出版社 * |
| 米轲: "基于支持向量机的肺结节自动识别系统", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808130A (zh) * | 2021-11-16 | 2021-12-17 | 武汉大学 | 肿瘤图像智能分类方法、装置和医学图像处理设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
| EP2916737B1 (en) | System and method for automated detection of lung nodules in medical images | |
| Veldkamp et al. | Normalization of local contrast in mammograms | |
| CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
| CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
| Hsiao et al. | A deep learning-based precision volume calculation approach for kidney and tumor segmentation on computed tomography images | |
| WO2021183765A1 (en) | Automated detection of tumors based on image processing | |
| CN111899850A (zh) | 医学影像的信息处理方法、显示方法及可读存储介质 | |
| Rad et al. | Dental x-ray image segmentation and multiple feature extraction | |
| CN105374025B (zh) | 乳房图像获取方法及装置、乳房摄影系统 | |
| CN113435491A (zh) | 医学图像处理方法和装置 | |
| CN110246143A (zh) | 肺部ct图像辅助检测处理装置 | |
| Tolouee et al. | Image based diagnostic aid system for interstitial lung diseases | |
| Tong et al. | Computer-aided lung nodule detection based on CT images | |
| CN112950552B (zh) | 一种基于卷积神经网络的肋骨分割标记方法及系统 | |
| Rashid et al. | Segmenting melanoma lesion using single shot detector (SSD) and level set segmentation technique | |
| Noviana et al. | Axial segmentation of lungs CT scan images using canny method and morphological operation | |
| Mouzai et al. | Xray-Net: Self-supervised pixel stretching approach to improve low-contrast medical imaging | |
| CN115359060B (zh) | 一种肺炎ct影像的病灶实例分割方法及装置 | |
| CN115578285B (zh) | 一种乳腺钼靶图像细节增强方法及系统 | |
| Hwang et al. | RBCA-Net: Reverse boundary channel attention network for kidney tumor segmentation in CT images | |
| US20220405917A1 (en) | Combination of features from biopsies and scans to predict prognosis in sclc | |
| CN111783682B (zh) | 眼眶骨折自动识别模型构建方法、装置、设备和介质 | |
| Szczepański et al. | POTHER: Patch-Voted Deep Learning-Based Chest X-ray Bias Analysis for COVID-19 Detection | |
| Johora et al. | Early Detection of Lung Cancer from CT Scan Images Using Binarization Technique |
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 |
Application publication date: 20210924 |
|
| RJ01 | Rejection of invention patent application after publication |