CN113808082B - 肺图像的处理方法及装置、电子设备和存储介质 - Google Patents
肺图像的处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113808082B CN113808082B CN202110956768.6A CN202110956768A CN113808082B CN 113808082 B CN113808082 B CN 113808082B CN 202110956768 A CN202110956768 A CN 202110956768A CN 113808082 B CN113808082 B CN 113808082B
- Authority
- CN
- China
- Prior art keywords
- image
- histology
- features
- coefficients
- category
- 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
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 141
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 claims abstract description 74
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 74
- 238000012545 processing Methods 0.000 claims description 43
- 239000000126 substance Substances 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 210000000038 chest Anatomy 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 206010014561 Emphysema Diseases 0.000 description 4
- 206010056342 Pulmonary mass Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000002685 pulmonary effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000002459 sustained effect Effects 0.000 description 3
- 208000019693 Lung disease Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000711573 Coronaviridae Species 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 208000011623 Obstructive Lung disease Diseases 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 208000028070 Vascular pulmonary disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009798 acute exacerbation Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000037080 exercise endurance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000013123 lung function test Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 208000024356 pleural disease Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G06F18/24—Classification techniques
-
- 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
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及一种肺图像的处理方法及装置、电子设备和存储介质，涉及慢性阻塞性肺病技术领域。所述的肺图像的处理方法，包括：获取待处理的肺图像；根据所述待处理的肺图像，提取多个设定影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。本公开实施例可以实现慢性阻塞性肺病的等级进行分类。
Description
技术领域
本公开涉及慢性阻塞性肺病的图像处理技术领域，尤其涉及一种肺图像的处理方法及装置、电子设备和存储介质。
背景技术
慢性阻塞性肺疾病(COPD)是一种异质性炎症性疾病[1]，其特征是持续气流受限[2]。由于持续气流受限的特点，诊断和评估COPD的金标准是肺功能试验(PFT)[2]。COPD的主要解剖和病理生理学表现为小气道病变和肺气肿[1,3]。然而，PFT仅评估持续气流限制的程度，以间接反映COPD分期，并解释疾病对COPD患者症状和生活质量的影响[4,5]。
由于胸部的解剖结构和病理生理信息可以通过计算机断层扫描(CT)图像进行观察或测量，因此CT被认为是表征和量化COPD的最有效方式[6]。尽管PFT目前被视为COPD诊断和评估的金标准，但在PFT中无气流限制的吸烟者中，CT图像显示患者患有轻度小叶中央肺气肿，运动耐力下降[7]。通过测量COPD患者的参数或使用其分析方法，胸部CT图像已被用于定量分析COPD患者的支气管[8,9]、气道疾病[10-15]、肺气肿[16]和血管[17,18]。为了从医学图像中挖掘信息[19]。影像组学已广泛应用于肺部疾病成像分析，包括肺结节、肺结节、阻塞性肺疾病、间质性肺疾病、血管性肺疾病和胸膜疾病[20]，以及新冠病毒19的筛查、预测、临床分类和诊断[21-24]。与正常肺相比，COPD患者的肺纹理和密度受到空气丰度增加的影响[20]，这导致胸部CT图像的变化。肺部结构和密度的变化可以通过胸部CT图像计算的影像组学特征反映出来。从胸部CT图像计算出的纹理特征也可用于预测严重的COPD加重[25]。影像组学特征已用于肺气肿存在和COPD严重程度的肺活量评估[26]。然而，慢性阻塞性肺病的影像组学尚未得到广泛的研究，并且影像组学特征在慢性阻塞性肺病的诊断、治疗、随访和未来方向方面有潜在的应用[27]。
大多数学者都致力于改进分类器，以得到较好的分类效果。然而，他们忽略了特征对于分类效果的影像。目前，很多学者利用影像组学特征对肺结节或者肺癌进行了分类，并得到了较好的分类效果。但是，其首先需要解决的问题是对病灶组织进行自动、半自动或手动分割。由于慢性阻塞性肺病疾病自身的特点，其分布并不像肺结节或者肺癌呈现固定的结构。慢性阻塞性肺病区域弥散分布在肺内，难以像肺结节或者肺癌那样对慢性阻塞性肺病区域进行分割，因此很少人研究慢性阻塞性肺病的影像组学。但是，慢性阻塞性肺病疾病的本质原因是整个肺区域的气流受限，因此研究慢性阻塞性肺病影像组学时，可以计算整个肺区域的影像组学特征。进而，分析肺区域的影像组学特征与肺部的气流受限的关系。
1.Mathioudakis A G,Mathioudakis G A.The phenotypes of chronicobstructive pulmonary disease[J].Archives of Hellenic Medicine,2014,31(5):558-569.
2.GOLD 2021:Global initiative for chronic obstructive lung disease,2021.
3.Suffredini D A,Reed R M.At the twisted heart of nicotine addiction[J].Bmj Case Reports,2012,2012(jun07 1):ii.
4.Jones P W.Health status measurement in chronic obstructivepulmonary disease[J].Thorax,2001.
5.Exercise Testing in Severe Emphysema:Association with Quality ofLife and Lung Function[J].Copd Journal of Chronic Obstructive PulmonaryDisease,2008,5(2):117-124.
6.Lynch D A.Progress in Imaging COPD,2004-2014[J].Chronic ObstructivePulmonary Diseases Journal of the Copd Foundation,2014,1(1):73.
7.Castaldi P J,Estepar R S J,Mendoza C S,et al.Distinct quantitativecomputed tomography emphysema patterns are associated with physiology andfunction in smokers[J].American Journal of Respiratory&Critical CareMedicine,2013,188(9):1083-1090.
8.Gry De Land T B,Dirksen A,Coxson H O,et al.Quantitative ComputedTomography Measures of Emphysema and Airway Wall Thickness Are Related toRespiratory Symptoms[J].American Journal of Respiratory&Critical CareMedicine,2010,181(4):353-9.
9.Kim V,Davey A,Comellas A P,et al.Clinical and computed tomographicpredictors of chronic bronchitis in COPD:a cross sectional analysis of theCOPDGene study[J].Respiratory Research,2014,15(1):52.
10.Genetic Epidemiology of COPD(COPDGene)Investigators.Associationbetween expiratory central airway collapse and respiratory outcomes amongsmokers.
11.COPDGene Investigators.Paired inspiratory-expiratory chest CTscans to assess for small airways disease in COPD
12.Signs of gas trapping in normal lung density regions in smokers.
13.Computed tomography-based biomarker provides unique signature fordiagnosis of COPD phenotypes and disease progression
14.Biomechanical CT metrics are associated with patient outcomes inCOPD.
15.Computed tomography measure of lung at risk and lung functiondecline in chronic obstructive pulmonary disease.
16.Lung mass in smokers.
17.Pulmonary arterial enlargement and acute exacerbations of COPD
18.Computed tomographic measures of pulmonary vascular morphology insmokers and their clinical implications.
19.Lambin P,Rios-Velazquez E,Leijenaar R,et al.Radiomics:Extractingmore information from medical images using advanced feature analysis[J].European Journal of Cancer,2007,43(4):441-446.
20.Frix A N,Cousin F,Refaee T,et al.Radiomics in Lung DiseasesImaging:State-of-the-Art for Clinicians[J].Journal of Personalized Medicine,2021,11(7):602.
21.Rezaeijo S M,Abedi-Firouzjah R,Ghorvei M,et al.Screening of COVID-19based on the extracted radiomics features from chest CT images[J].Journalof X-Ray Science and Technology,2021,29(4):1-15.
22.Xiao F,Sun R,Sun W,et al.Radiomics analysis of chest CT to predictthe overall survival for the severe patients of COVID-19pneumonia[J].Physicsin Medicine and Biology,2021.
23.Xiong F,Wang Y,You T,et al.The clinical classification of patientswith COVID-19pneumonia was predicted by Radiomics using chest CT[J].Medicine,2021,100(12):e25307.
24.Tamal M,Alshammari M,Alabdullah M,et al.An Integrated Frameworkwith Machine Learning and Radiomics for Accurate and Rapid Early Diagnosis ofCOVID-19from Chest X-ray[J].Expert Systems with Applications,2021,180:115152.
25.Chaudhary M,Hoffman E A,Comellas A P,et al.CT Texture FeaturesPredict Severe COPD Exacerbations in SPIROMICS[C]//American Thoracic Society2021 International Conference,May 14-19,2021-San Diego,CA.2021.
26.Occhipinti M,Paoletti M,Bartholmai B J,et al.Spirometricassessment of emphysema presence and severity as measured by quantitative CTand CT-based radiomics in COPD[J].Respiratory research,2019,20(1).
27.Refaee T,Wu G,Ibrahim A,et al.The Emerging Role of Radiomics inCOPD and Lung Cancer[J].Respiration,2020,99(2):1-9.
发明内容
本公开提出了一种肺图像的处理方法及装置、电子设备和存储介质技术方案。
根据本公开的一方面，提供了一种肺图像的处理方法，包括：
获取待处理的肺图像；
根据所述待处理的肺图像，提取多个设定影像组学特征；
基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。
优选地，所述的处理方法，还包括：
根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；
基于预设分类模型，根据所述多个设定影像组学特征及所述第一影像组学特征对慢性阻塞性肺病的等级进行分类；
或，
获取设定类别；
根据所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；
基于预设分类模型，根据所述多个设定影像组学特征及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类；
或，
获取设定类别；
根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；
根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；
基于预设分类模型，根据所述多个设定影像组学特征、所述第一影像组学特征以及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类。
优选地，所述根据所述待处理的肺图像，提取多个设定影像组学特征的方法，包括：
获取多个设定影像组学特征对应的类别及图像的类型；
对所述待处理的肺图像进行肺区域分割，得到肺区域图像；
根据所述类别及图像的类型，对所述肺区域图像进行影像组学特征提取，得到所述多个设定影像组学特征。
优选地，所述多个设定影像组学特征及所述第一组设定系数的确定方法，包括：
获取具有慢性阻塞性肺病分类等级的设定数目肺图像以及筛选模型；
分别对所述设定数目肺图像进行肺区域分割，得到设定数目的肺区域图像；
分别对所述设定数目的肺区域图像进行影像组学特征提取，得到多个待筛选的影像组学特征；
基于所述筛选模型，利用所述分类等级以及所述多个待筛选的影像组学特征，得到所述多个设定影像组学特征及对应的所述第一组设定系数。
优选地，所述设定类别及所述第二组设定系数的确定方法，包括：
获取筛选模型得到的多个筛选的影像组学特征；
按照所述多个筛选的影像组学特征的类及所述第一组设定系数，分别构造每类下的类影像组学特征；
分别确定每类下的类影像组学特征在分类等级之间的多个显著性；
根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数。
优选地，所述根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数的方法，包括：
获取显著性设定值；
若在分类等级之间的多个显著性均小于所述显著性设定值，则将此类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数。
优选地，所述根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征的方法，包括：
获取所述多个设定影像组学特征对应的第一组设定系数；
所述多个设定影像组学特征乘以对应的第一组设定系数，并进行累加，得到所述第一影像组学特征；
以及/或，
所述根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征的方法，包括：
获取所述设定类别对应的设定影像组学特征及其第二组设定系数；
所述设定类别对应的设定影像组学特征乘以对应的第二组设定系数，得到所述第二影像组学特征。
根据本公开的一方面，提供了一种肺图像的处理装置，包括：
获取单元，用于获取待处理的肺图像；
提取单元，用于根据所述待处理的肺图像，提取多个设定影像组学特征；
分类单元，基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述肺图像的处理方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述肺图像的处理方法。
在本公开实施例中，所述肺图像的处理方法及装置、电子设备和存储介质。可以实现慢性阻塞性肺病的等级进行分类，以解决目前慢性阻塞性肺病的肺图像对应的影像组学没有被充分利用，以至于不能较好解释慢性阻塞性肺病的影像组学与其气流受限的关系。以解决并没有充分利用COPD的CT图像的影像组学信息，以至于没有将COPD的影像组学应用到COPD的等级分类中的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的肺图像的处理方法的流程图；
图2示出根据本公开实施例的待处理的肺图像进行肺区域分割的肺区域掩码图像；
图3示出根据本公开实施例的肺区域图像；
图4示出根据本公开实施例的19个设定影像组学特征在每个COPD等级下的箱线图；
图5示出根据本公开实施例的7个融合影像组学特征在每个COPD等级下的箱线图；
图6示出根据本公开实施例的随机森林分类器的分类原理图；
图7是根据一示例性实施例示出的一种电子设备800的框图；
图8是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了肺图像的处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种肺图像的处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开实施例的肺图像的处理方法的流程图，如图1所示，所述肺图像的处理方法，包括：步骤S101：获取待处理的肺图像；步骤S102：根据所述待处理的肺图像，提取多个设定影像组学特征；步骤S103：基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。可以实现慢性阻塞性肺病的等级进行分类，以解决目前慢性阻塞性肺病的肺图像对应的影像组学没有被充分利用，以至于不能较好解释慢性阻塞性肺病的影像组学与其气流受限的关系。以解决并没有充分利用COPD的CT图像的影像组学信息，以至于没有将COPD的影像组学应用到COPD的等级分类中的问题。
步骤S101：获取待处理的肺图像。
在本公开的实施例及其他可能实施例中，首先获取待处理的肺图像，此处的待处理的肺图像可以从影像设备，如CT机，得到的层扫描数据。所述待处理的肺图像可为CT图像。同时，所述待处理的肺图像还可以为MRI肺图像或CT-PET肺图像等，本领域人员可根据需要选择合适的肺图像。
步骤S102：根据所述待处理的肺图像，提取多个设定影像组学特征。
在本公开中，所述根据所述待处理的肺图像，提取多个设定影像组学特征的方法，包括：获取多个设定影像组学特征对应的类别及图像的类型；对所述待处理的肺图像进行肺区域分割，得到肺区域图像；根据所述类别及图像的类型，对所述肺区域图像进行影像组学特征提取，得到所述多个设定影像组学特征。其中，多个设定影像组学特征对应的类别及图像的类型详见本公开影像组学特征筛选部分的说明。
在本公开的实施例中，所述对所述待处理的肺图像进行肺区域分割，得到肺区域图像的方法，包括：获取预设肺区域分割模型；基于所述预设肺区域分割模型，对所述待处理的肺图像进行肺区域分割，得到肺区域图像。其中，肺区域图像包括：左肺及右肺对应的肺区域。所述预设肺区域分割模型可选择已经训练好的U-net神经网络或ResU-Net神经网络。ResU-Net神经网络的具体网络结构图可以参考我们已经公开的论文：Lung parenchymaparameters measure of rats from pulmonary window computed tomography imagesbased on ResU-Net model for medical respiratory researches。
图2示出根据本公开实施例的待处理的肺图像进行肺区域分割的肺区域掩码图像。如图2所示，本公开实施例的待处理的肺图像有649层图像，仅仅展示了第1层、150层、300层、450层、600层及649层的待处理的肺图像。
在本公开的实施例中，所述对所述待处理的肺图像进行肺区域分割，得到肺区域图像的方法，还包括：对所述待处理的肺图像进行肺区域分割，得到肺区域掩码图像；根据所述待处理的肺图像及所述肺区域掩码图像得到所述肺区域图像。
在本公开的实施例中，所述根据所述待处理的肺图像及所述肺区域掩码图像得到所述肺区域图像的方法，包括：将所述肺区域掩码图像中的肺区域内配置为1，所述肺区域外的区域配置为0，将配置后的所述肺区域掩码图像乘以所述待处理的肺图像，得到所述肺区域图像。其中，所述肺区域图像为带有CT值的肺图像。
例如，所述待处理的肺图像为相应肺区域掩码图像为/>则通过上述方法得到的肺区域图像为/>
图3示出根据本公开实施例的肺区域图像。如图3所示，图3的第1行为肺区域掩码图像，图3的第2行为肺区域掩码图像对应的肺区域图像。
在本公开的实施例及其他可能的实施例中，所述对所述肺区域图像进行影像组学特征提取的方法，包括：获取肺区域图像以及预设的影像组学特征提取模型；基于所述预设的影像组学特征提取模型对所述肺区域图像进行影像组学特征提取。其中，预设的影像组学特征提取模型为现有的影像组学计算模型，可以通过网址https://pyradiomics.readthedocs.io/en/latest/index.html得到，再此不在对预设的影像组学特征提取模型进行详细说明。
步骤S103：基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。
其中，预设分类模型为多分类模型，例如可采用支持向量机(SVM)或随机森林回归分类器(Random forest regressor)或其他具有分类功能的神经网络模型。
在本公开的实施例及其他可能的实施例中，所述预设分类模型为已经训练好的分类模型，例如可选用设定数目的多个设定影像组学特征对所述预设分类模型进行训练。基于已经训练的预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。
在本公开中，所述肺图像的处理方法，还包括：根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征及所述第一影像组学特征对慢性阻塞性肺病的等级进行分类；或，获取设定类别；根据所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类；或，获取设定类别；根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征、所述第一影像组学特征以及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类。
在本公开中，所述多个设定影像组学特征及所述第一组设定系数的确定方法，包括：获取具有慢性阻塞性肺病分类等级的设定数目肺图像以及筛选模型；分别对所述设定数目肺图像进行肺区域分割，得到设定数目的肺区域图像；分别对所述设定数目的肺区域图像进行影像组学特征提取，得到多个待筛选的影像组学特征；基于所述筛选模型，利用所述分类等级以及所述多个待筛选的影像组学特征，得到所述多个设定影像组学特征及对应的所述第一组设定系数。
在本公开的实施例及其他可能的实施例中，所述筛选模型可选用Lasso模型，其数学表达式为：
其中，为标准化后的非独立变量值(1316个影像组学特征),/>为独立变量值(COPD等级),λ为惩罚参数(λ≥0),andβj为回归系数,i∈[1,n],j∈[0,p].
表1为多个设定影像组学特征及所述第一组设定系数表。
表1
| 19个选择的影像组学特征 | 类名 | 定义 | 系数 |
| original_shape_Elongation | Shape Features | Radiomics1 | 0.0056 |
| original_shape_Maximum2DDiameterSlice | Shape Features | Radiomics2 | -0.0789 |
| original_shape_Sphericity | Shape Features | Radiomics3 | 0.0624 |
| log.sigma.1.0.mm.3D_firstorder_Maximum | First Order Features | Radiomics4 | 0.0665 |
| log.sigma.1.0.mm.3D_glcm_ClusterProminence | GLCM1 Features | Radiomics5 | -0.0425 |
| log.sigma.1.0.mm.3D_glszm_ZoneEntropy | GLSZM2 Features | Radiomics6 | 0.0394 |
| log.sigma.2.0.mm.3D_firstorder_Maximum | First Order Features | Radiomics7 | 0.0129 |
| log.sigma.2.0.mm.3D_ngtdm_Contrast | NGTDM3 Features | Radiomics8 | -0.0318 |
| log.sigma.2.0.mm.3D_gldm_DependenceVariance | GLDM4 Features | Radiomics9 | -0.0136 |
| log.sigma.4.0.mm.3D_firstorder_10Percentile | First Order Features | Radiomics10 | -0.0760 |
| log.sigma.5.0.mm.3D_firstorder_10Percentile | First Order Features | Radiomics11 | -0.1669 |
| wavelet.LLH_firstorder_RootMeanSquared | First Order Features | Radiomics12 | -0.0252 |
| wavelet.HLH_firstorder_Mean | First Order Features | Radiomics13 | 0.0599 |
| wavelet.HLH_glcm_Idmn | GLCM 1 Features | Radiomics14 | -0.0022 |
| wavelet.HLH_ngtdm_Busyness | NGTDM3 Features | Radiomics15 | 0.0444 |
| wavelet.HHL_gldm_SmallDependenceLowGrayLevelEmphasis | GLDM4 Features | Radiomics16 | -0.0168 |
| wavelet.HHH_glszm_GrayLevelNonUniformityNormalized | GLSZM2 Features | Radiomics17 | -0.0043 |
| wavelet.LLL_firstorder_10Percentile | First Order Features | Radiomics18 | -0.5314 |
| wavelet.LLL_glcm_Imc2 | GLCM1 Features | Radiomics19 | 0.1383 |
1Gray Level Cooccurence Matrix(灰度级共生矩阵).
2Gray Level Size Zone Matrix(灰度级大小区域矩阵).
3Neighbouring Gray Tone Difference Matrix(邻域灰度差分矩阵).
4Gray Level Dependence Matrix(灰度级独立矩阵).
表1中的19个选择的影像组学特征为多个设定影像组学特征，表1中的系数为所述第一组设定系数。为方便描述，表1中的19个选择的影像组学特征为多个设定影像组学特征从上到下依次定义为Radiomics1-19。例如，多个设定影像组学特征中的“original_shape_Elongation”定义为Radiomics1。例如，Radiomics1-3对应的类(Shape Features)，Radiomics1-3对应的系数分别为0.0056，-0.0789，0.0624。
在本公开的实施例及其他可能的实施例中，例如，所述多个设定影像组学特征中original_shape_Elongation对应的类别为Shape Features(形状特征)，对应的图像的类型为原始图像，即没经过滤波器处理的图像；所述多个设定影像组学特征中log.sigma.1.0.mm.3D_firstorder_Maximum对应的类别为First Order Features(一阶特征)，对应的图像的类型为log滤波器在参数sigma＝1.0下的派生图像。其中，log滤波器为拉普拉斯高斯滤波器(Laplacian of Gaussian filter，LoG)，参数sigma为1.0-5.0的任一整数值。同时，wavelet为小波滤波器，wavelet图像为8种wavelet图像，8(23)种wavelet图像可由wavelet滤波器在每层的8个分解量，经过高通滤波器(H)及低通滤波器(L)的任意组合得到，即：wavelet.LLL-wavelet.HHH的8种wavelet图像(派生图像)。
图4示出根据本公开实施例的19个设定影像组学特征在每个COPD等级下的箱线图。表2为19个设定影像组学特征使用ANOVA的Tukey多列比较得到的显著性P值。
表2
1ns:no significance(没有显著性).
从图4表2中，可以看出，19个设定影像组学特征均存在相邻等级之间具有显著性的情形，例如，Radiomics18在等级Ⅰ(stageⅠ)与等级Ⅱ(stageⅡ)之间具有显著性P≥0.005。
在本公开中，所述根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征的方法，包括：获取所述多个设定影像组学特征对应的第一组设定系数；所述多个设定影像组学特征乘以对应的第一组设定系数，并进行累加，得到所述第一影像组学特征。
例如，在本公开的实施例中，所述多个设定影像组学特征为Radiomics1-19，所述多个设定影像组学特征对应的第一组设定系数为Radiomics1-19对应的系数，所述多个设定影像组学特征乘以对应的第一组设定系数，并进行累加，得到所述第一影像组学特征。
在本公开中，所述根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征的方法，包括：获取所述设定类别对应的设定影像组学特征及其第二组设定系数；所述设定类别对应的设定影像组学特征乘以对应的第二组设定系数，得到所述第二影像组学特征。
更进一步地说，在每个分类等级之间的所述第一影像组学特征及所述第二影像组学特征的多个显著性满足所述显著性设定条件。其中，确定所述在每个分类等级之间的所述第一影像组学特征及所述第二影像组学特征的多个显著性满足所述显著性设定条件的方法，包括：获取显著性设定值；分别计算所述第一影像组学特征及所述第二影像组学特征第一影像组学特征及所述第二影像组学特征多个显著性；若所述多个显著性均小于所述显著性设定值，则确定所述在每个分类等级之间的所述第一影像组学特征及所述第二影像组学特征的多个显著性满足所述显著性设定条件。其中，所述显著性设定值可配置为0.005。
在本公开中，所述设定类别及所述第二组设定系数的确定方法，包括：获取筛选模型得到的多个筛选的影像组学特征；按照所述多个筛选的影像组学特征的类及所述第一组设定系数，分别构造每类下的类影像组学特征；分别确定每类下的类影像组学特征在每个分类等级之间的多个显著性；根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数。
例如，在图1中，一阶特征类(First Order Features)对应设定影像组学特征为Radiomics4,7,10-13,18，Radiomics4,7,10-13,18对应的所述第一组设定系数分别为0.0665，0.0129，-0.0760，-0.1669，-0.0252，0.0599，-0.5314。按照所述多个筛选的影像组学特征的一阶特征类及所述一阶特征类对应的第一组设定系数，分别构造一阶特征类下的类影像组学特征为Radiomics-FIRST。
又例如，形状特征类(Shape Features)对应设定影像组学特征为Radiomics1-3，Radiomics1-3对应的所述第一组设定系数分别为0.0056，-0.0789，0.0624。按照所述多个筛选的影像组学特征的形状特征类及所述一阶特征类对应的第一组设定系数，分别构造一阶特征类下的类影像组学特征为Radiomics-SHAPE。利用同样的方法，分别构造其他类下的类影像组学特征Radiomics-GLCM，Radiomics-GLSZM，Radiomics-NGTDM，Radiomics-GLDM。
在本公开中，所述根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数的方法，包括：获取显著性设定值；若在每个分类等级之间的多个显著性均小于所述显著性设定值，则将此类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数。其中，所述显著性设定值可配置为0.005。
例如，在本公开的实施例表3中一阶特征(First Order Features)对应的类影像组学特征Radiomics-FIRST，类影像组学特征Radiomics-FIRST在每个分类等级之间的多个显著性均小于所述显著性设定值0.005，而其他的类影像组学特征为Radiomics-SHAPE、Radiomics-GLCM，Radiomics-GLSZM，Radiomics-NGTDM，Radiomics-GLDM在每个分类等级之间的多个显著性均存在大于或等于所述显著性设定值0.005的情形，因此将一阶特征(First Order Features)确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数(0.0665，0.0129，-0.0760，-0.1669，-0.0252，0.0599，-0.5314)。
进一步地，在本公开的实施例中，所述若在每个分类等级之间的多个显著性均小于所述显著性设定值，则将此类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数的方法，包括：确定所述在每个分类等级之间的多个显著性均小于所述显著性设定值的类数目；若所述类数目为1，则将将此类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数；若所述类数目大于1，则分别计算在每个分类等级之间的多个显著性均小于所述显著性设定值对应的类中设定影像组学特征的系数和；将所述系数和最大的类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数。
例如，在本公开的实施例中，只有类影像组学特征Radiomics-FIRST在每个分类等级之间的多个显著性均小于所述显著性设定值(所述类数目为1)，因此将类影像组学特征Radiomics-FIRST所在一阶特征(First Order Features)类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数0.0665，0.0129，-0.0760，-0.1669，-0.0252，0.0599，-0.5314确定为所述第二组设定系数。
而，在其他可能的实施例中，例如，若类影像组学特征Radiomics-FIRST以及类影像组学特征为Radiomics-SHAPE在每个分类等级之间的多个显著性均小于所述显著性设定值0.005，此时所述类数目为2，所述类数目大于1；则分别计算类影像组学特征Radiomics-FIRST以及类影像组学特征为Radiomics-SHAPE在每个分类等级之间的多个显著性均小于所述显著性设定值对应的类中设定影像组学特征的系数和，得到类影像组学特征为Radiomics-SHAPE对应的第一系数和以及类影像组学特征Radiomics-FIRST对应的第二系数和；比较所述第一系数及所述第二系数和的大小，将所述系数和最大的类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数。
另外，在本公开实施例及其他可能的实施例中，所述第二影像组学特征的数目可以是多个，例如，若类影像组学特征Radiomics-FIRST以及类影像组学特征为Radiomics-SHAPE在每个分类等级之间的多个显著性均小于所述显著性设定值0.005，此时所述类数目为2。此时，所述设定类别为2个，所述第二组设定系数也为2个。进一步说，所述设定类别，包括：一阶特征类及形状特征类；所述第二组设定系数，包括：类影像组学特征Radiomics-FIRST对应的第一组系数以及类影像组学特征为Radiomics-SHAPE对应的第二组系数。
在本公开中的实施例中，所述根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数的方法，还包括：若在每个分类等级之间的多个显著性中的一个显著性存在大于或等于所述显著性设定值的情形，则分别确定所述多个设定影像组学特征在每个分类等级之间的小于所述显著性设定值的多个数目以及系数；分别根据所述多个设定影像组学特征在每个分类等级之间的小于所述显著性设定值的数目以及系数，确定融合影像组学特征；将所述融合影像组学特征内影像组学特征配置为所述第二影像组学特征对应的影像组学特征；将所述融合影像组学特征内影像组学特征对应的系数配置为所述第二影像组学特征对应的第二组系数。
在本公开中的实施例中，所述分别根据所述多个设定影像组学特征在分类等级之间的小于所述显著性设定值的数目以及系数，确定融合影像组学特征的方法，包括：获取预设数目及设定系数值；根据所述预设数目对所述在分类等级之间的小于所述显著性设定值的设定影像组学特征进行筛选，得到筛选后的第一多个设定影像组学特征；根据所述设定系数值，对所述第一多个设定影像组学特征进行筛选，得到第二多个设定影像组学特征；根据所述第二多个设定影像组学特征及对应的系数，得到融合影像组学特征。其中，所述预设数目可配置为2或3。
在本公开中的实施例中，在所述获取设定系数值之前，确定所述获取预设数目及设定系数值，其确定方法，包括：获取第一组设定系数以及大于0且小于1的设定值；对所述第一组设定系数求和；所述和乘以所述设定值，得到设定系数值。
在本公开中的实施例中，所述根据所述设定系数值，对所述第一多个设定影像组学特征进行筛选，得到第二多个设定影像组学特征的方法，包括：
对所述设定系数值进行绝对值操作，得到大于0的绝对设定系数值；分别对所述第一多个设定影像组学特征对应的系数进行绝对值操作，得到相应的大于0的绝对系数；比较所述第一多个设定影像组学特征对应的所述绝对系数与所述绝对设定系数值，得到第二多个设定影像组学特征。
进一步地，在本公开的实施例中，所述比较所述第一多个设定影像组学特征对应的所述绝对系数与所述绝对设定系数值，得到第二多个设定影像组学特征的方法，包括：若所述绝对系数大于所述绝对设定系数值，则将大于所述绝对设定系数值对应的第一多个设定影像组学特征确定为所述第二多个设定影像组学特征。
表3为19个设定影像组学特征按照类别及相应第一组系数进行组合得到的7个融合影像组学特征，并使用ANOVA的Tukey多列比较得到的显著性P值。
表3
1ns:no significance(没有显著性).
图5示出根据本公开实施例的7个融合影像组学特征在每个COPD等级下的箱线图。如图5以及表3所示，所述第一影像组学特征为Radiomics-ALL，所述第二影像组学特征为Radiomics-FIRST。
图6示出根据本公开实施例的随机森林分类器的分类原理图。如图6所示，随机森林分类器为已经训练好的分类器，包括：决策树1#，...，决策树n#，随机森林分类器的输入为多个设定影像组学特征和/或第一影像组学特征和/或第二影像组学特征，每个决策树都会得到一个分类等级，最终根据所述每个决策树的分类等级确定最终等级。其中，所述每个决策树都会得到一个分类等级的方法，包括：确定所有决策树的分类等级在各个等级下的数量，在各个等级下的数量中确定最大数量对应的分类结果为最终等级。
例如，随机森林分类器的所有决策树的分类等级在各个等级下的数量，分别为：COPD等级0为10个，COPD等级Ⅰ为20个，COPD等级Ⅱ为26个，COPD等级Ⅲ&Ⅲ为20个，则最终等级为COPD等级Ⅲ&Ⅲ。
表4为多个设定影像组学特征和/或第一影像组学特征和/或第二影像组学特征对应的随机森林分类器的性能。
表4
在表4中，Radiomics-First+All为Radiomics-FIRST+Radiomics-ALL，Radiomics-ALL为构建Radiomics-FIRST所对应的设定影像组学特征；Radiomics 1-19为所述多个设定影像组学特征。
肺图像的处理方法的执行主体可以是肺图像的处理装置，例如，肺图像的处理方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该肺图像的处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开还提出了一种肺图像的处理装置，所述肺图像的处理装置，包括：获取单元，用于获取待处理的肺图像；提取单元，用于根据所述待处理的肺图像，提取多个设定影像组学特征；分类单元，基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (17)
1.一种肺图像的处理方法，其特征在于，包括：
获取待处理的肺图像；
根据所述待处理的肺图像，提取多个设定影像组学特征；
基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类；
还包括：根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征及所述第一影像组学特征对慢性阻塞性肺病的等级进行分类；或，
获取设定类别；根据所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类；或，
获取设定类别；根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征、所述第一影像组学特征以及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类。
2.根据权利要求1所述的处理方法，其特征在于，所述根据所述待处理的肺图像，提
取多个设定影像组学特征的方法，包括：
获取多个设定影像组学特征对应的类别及图像的类型；
对所述待处理的肺图像进行肺区域分割，得到肺区域图像；
根据所述类别及图像的类型，对所述肺区域图像进行影像组学特征提取，得到所述多个设定影像组学特征。
3.根据权利要求1-2任一项所述的处理方法，其特征在于，所述多个设定影像组学特征及所述第一组设定系数的确定方法，包括：
获取具有慢性阻塞性肺病分类等级的设定数目肺图像以及筛选模型；
分别对所述设定数目肺图像进行肺区域分割，得到设定数目的肺区域图像；
分别对所述设定数目的肺区域图像进行影像组学特征提取，得到多个待筛选的影像组学特征；
基于所述筛选模型，利用所述分类等级以及所述多个待筛选的影像组学特征，得到所述多个设定影像组学特征及对应的所述第一组设定系数。
4.根据权利要求1-2任一项所述的处理方法，其特征在于，所述设定类别及所述第二组设定系数的确定方法，包括：
获取筛选模型得到的多个筛选的影像组学特征；
按照所述多个筛选的影像组学特征的类及所述第一组设定系数，分别构造每类下的类影像组学特征；
分别确定每类下的类影像组学特征在分类等级之间的多个显著性；
根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数。
5.根据权利要求3所述的处理方法，其特征在于，所述设定类别及所述第二组设定系数的确定方法，包括：
获取筛选模型得到的多个筛选的影像组学特征；
按照所述多个筛选的影像组学特征的类及所述第一组设定系数，分别构造每类下的类影像组学特征；
分别确定每类下的类影像组学特征在分类等级之间的多个显著性；
根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数。
6.根据权利要求4所述的处理方法，其特征在于，所述根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数的方法，包括：
获取显著性设定值；
若在分类等级之间的多个显著性均小于所述显著性设定值，则将此类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数。
7.根据权利要求5所述的处理方法，其特征在于，所述根据所述多个显著性确定所述设定类别及所述第一组设定系数中设定类别的所述第二组设定系数的方法，包括：
获取显著性设定值；
若在分类等级之间的多个显著性均小于所述显著性设定值，则将此类确定为所述设定类别，并将所述设定类别的影像组学特征对应的系数确定为所述第二组设定系数。
8.根据权利要求1-2、5-7任一项所述的处理方法，其特征在于，所述根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征的方法，包括：
获取所述多个设定影像组学特征对应的第一组设定系数；
所述多个设定影像组学特征乘以对应的第一组设定系数，并进行累加，得到所述第一影像组学特征。
9.根据权利要求3所述的处理方法，其特征在于，所述根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征的方法，包括：
获取所述多个设定影像组学特征对应的第一组设定系数；
所述多个设定影像组学特征乘以对应的第一组设定系数，并进行累加，得到所述第一影像组学特征。
10.根据权利要求4所述的处理方法，其特征在于，所述根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征的方法，包括：
获取所述多个设定影像组学特征对应的第一组设定系数；
所述多个设定影像组学特征乘以对应的第一组设定系数，并进行累加，得到所述第一影像组学特征。
11.根据权利要求1-2、5-7、9-10任一项所述的处理方法，其特征在于，所述根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征的方法，包括：
获取所述设定类别对应的设定影像组学特征及其第二组设定系数；
所述设定类别对应的设定影像组学特征乘以对应的第二组设定系数，得到所述第二影像组学特征。
12.根据权利要求3所述的处理方法，其特征在于，以及/或，
所述根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征的方法，包括：
获取所述设定类别对应的设定影像组学特征及其第二组设定系数；
所述设定类别对应的设定影像组学特征乘以对应的第二组设定系数，得到所述第二影像组学特征。
13.根据权利要求4所述的处理方法，其特征在于，以及/或，
所述根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征的方法，包括：
获取所述设定类别对应的设定影像组学特征及其第二组设定系数；
所述设定类别对应的设定影像组学特征乘以对应的第二组设定系数，得到所述第二影像组学特征。
14.根据权利要求8所述的处理方法，其特征在于，以及/或，
所述根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征的方法，包括：
获取所述设定类别对应的设定影像组学特征及其第二组设定系数；
所述设定类别对应的设定影像组学特征乘以对应的第二组设定系数，得到所述第二影像组学特征。
15.一种肺图像的处理装置，其特征在于，包括：
获取单元，用于获取待处理的肺图像；
提取单元，用于根据所述待处理的肺图像，提取多个设定影像组学特征；
分类单元，基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类；还包括：根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征及所述第一影像组学特征对慢性阻塞性肺病的等级进行分类；或，
获取设定类别；根据所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类；或，
获取设定类别；根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征、所述第一影像组学特征以及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类。
16.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至14中任意一项所述肺图像的处理方法。
17.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至14中任意一项所述肺图像的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110956768.6A CN113808082B (zh) | 2021-08-19 | 2021-08-19 | 肺图像的处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110956768.6A CN113808082B (zh) | 2021-08-19 | 2021-08-19 | 肺图像的处理方法及装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808082A CN113808082A (zh) | 2021-12-17 |
| CN113808082B true CN113808082B (zh) | 2023-10-03 |
Family
ID=78941607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110956768.6A Active CN113808082B (zh) | 2021-08-19 | 2021-08-19 | 肺图像的处理方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808082B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511562B (zh) * | 2022-04-19 | 2022-07-15 | 深圳市疾病预防控制中心（深圳市卫生检验中心、深圳市预防医学研究所） | 基于大数据的慢性阻塞性肺炎风险预测系统、方法及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570425A (zh) * | 2019-10-18 | 2019-12-13 | 北京理工大学 | 一种基于深度强化学习算法的肺结节分析方法及装置 |
| CN111724360A (zh) * | 2020-06-12 | 2020-09-29 | 深圳技术大学 | 一种肺叶分割方法、装置和存储介质 |
| CN112949772A (zh) * | 2021-04-12 | 2021-06-11 | 中国科学院自动化研究所 | 基于影像组学的胃癌多维特征提取与分析系统 |
| CN113017674A (zh) * | 2021-03-11 | 2021-06-25 | 中日友好医院(中日友好临床医学研究所) | 基于胸部ct图像的egfr基因突变检测方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10936912B2 (en) * | 2018-11-01 | 2021-03-02 | International Business Machines Corporation | Image classification using a mask image and neural networks |
-
2021
- 2021-08-19 CN CN202110956768.6A patent/CN113808082B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570425A (zh) * | 2019-10-18 | 2019-12-13 | 北京理工大学 | 一种基于深度强化学习算法的肺结节分析方法及装置 |
| CN111724360A (zh) * | 2020-06-12 | 2020-09-29 | 深圳技术大学 | 一种肺叶分割方法、装置和存储介质 |
| CN113017674A (zh) * | 2021-03-11 | 2021-06-25 | 中日友好医院(中日友好临床医学研究所) | 基于胸部ct图像的egfr基因突变检测方法和系统 |
| CN112949772A (zh) * | 2021-04-12 | 2021-06-11 | 中国科学院自动化研究所 | 基于影像组学的胃癌多维特征提取与分析系统 |
Non-Patent Citations (1)
| Title |
|---|
| "基于影像组学的肺部CT图像结节分割和良恶性分类研究";刘策;《中国优秀硕士学位论文全文数据库（电子期刊）医药卫生科技辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808082A (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI770754B (zh) | 神經網路訓練方法及電子設備和儲存介質 | |
| WO2022151755A1 (zh) | 目标检测方法及装置、电子设备、存储介质、计算机程序产品和计算机程序 | |
| CN107665736B (zh) | 用于生成信息的方法和装置 | |
| CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
| WO2023005468A1 (zh) | 检测呼吸率的方法、装置、存储介质及电子设备 | |
| CN110246109B (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
| CN114820584B (zh) | 肺部病灶定位装置 | |
| CN113012146B (zh) | 血管信息获取方法及装置、电子设备和存储介质 | |
| WO2023005402A1 (zh) | 基于热成像的呼吸率检测方法、装置及电子设备 | |
| US20210407637A1 (en) | Method to display lesion readings result | |
| CN113808082B (zh) | 肺图像的处理方法及装置、电子设备和存储介质 | |
| CA3047972A1 (en) | Method and system of performing medical treatment outcome assessment or medical condition diagnostic | |
| CN115423819A (zh) | 肺血管的分割方法及装置、电子设备和存储介质 | |
| Mossman et al. | Using dual beta distributions to create “proper” ROC curves based on rating category data | |
| CN112288843A (zh) | 一种病灶的三维构建方法、装置、终端设备及存储介质 | |
| CN117218133A (zh) | 肺图像处理方法及装置、电子设备和存储介质 | |
| JP2023029283A (ja) | 癌の予後診断 | |
| CN114418931A (zh) | 术后剩余肺叶的提取方法及装置、电子设备和存储介质 | |
| CN113012816B (zh) | 脑分区风险预测方法及装置、电子设备和存储介质 | |
| Adams et al. | Artificial intelligence and machine learning in lung cancer screening | |
| Kumar et al. | A novel bi-modal extended Huber loss function based refined mask RCNN approach for automatic multi instance detection and localization of breast cancer | |
| CN113205111A (zh) | 适用于肝脏肿瘤的识别方法、装置及电子设备 | |
| JP2022548453A (ja) | 画像分割方法及び装置、電子デバイス並びに記憶媒体 | |
| CN113576488B (zh) | 基于心率的肺影像组学的确定方法及装置、设备及介质 | |
| CN113576487B (zh) | 特征的确定、心电预测方法及装置、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 |