CN113823413A - 肺部功能小气道疾病预测系统、方法、介质及电子设备 - Google Patents
肺部功能小气道疾病预测系统、方法、介质及电子设备 Download PDFInfo
- Publication number
- CN113823413A CN113823413A CN202111235111.7A CN202111235111A CN113823413A CN 113823413 A CN113823413 A CN 113823413A CN 202111235111 A CN202111235111 A CN 202111235111A CN 113823413 A CN113823413 A CN 113823413A
- Authority
- CN
- China
- Prior art keywords
- prediction result
- small airway
- image
- lung function
- evaluation parameter
- 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
- 230000004199 lung function Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 56
- 208000023504 respiratory system disease Diseases 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- 238000010801 machine learning Methods 0.000 claims abstract description 49
- 238000013136 deep learning model Methods 0.000 claims abstract description 48
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 230000000241 respiratory effect Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000013135 deep learning Methods 0.000 claims description 27
- 210000004072 lung Anatomy 0.000 claims description 26
- 201000010099 disease Diseases 0.000 claims description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 24
- 230000003902 lesion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009325 pulmonary function Effects 0.000 claims description 8
- 230000002685 pulmonary effect Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 91
- 210000000038 chest Anatomy 0.000 description 67
- 238000012549 training Methods 0.000 description 26
- 206010014561 Emphysema Diseases 0.000 description 18
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000029058 respiratory gaseous exchange Effects 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 7
- 230000000391 smoking effect Effects 0.000 description 6
- 241000894007 species Species 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000003434 inspiratory effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 208000003386 Radiation-Induced Neoplasms Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008080 stochastic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种肺部功能小气道疾病预测系统、方法、介质及电子设备。所述系统包括:图像获取模块,用于获取目标对象的单呼吸相胸部CT图像;第一处理模块,用于利用第一深度学习模型获取肺部功能小气道评价参数的第一预测结果;第二处理模块,用于利用第二深度学习模型获取肺部功能小气道评价参数的第二预测结果;第三处理模块,用于利用机器学习模型获取肺部功能小气道评价参数的第三预测结果;融合模块,用于对所述第一预测结果、所述第二预测结果以及所述第三预测结果进行融合,以获取肺部功能小气道评价参数的最终预测结果。所述系统无需获取目标对象的双气相CT图像,有利于减少目标对象所受到的辐射剂量。
Description
技术领域
本发明属于医学影像学领域,涉及一种医学图像处理方法,特别是涉及一种肺部功能小气道疾病预测系统、方法、介质及电子设备。
背景技术
由于电离辐射存在确定性效应和随机性效应,辐射剂量的增加对人体的危害会相应的增加。一般而言,CT(Computed Tomography,电子计算机断层扫描)比普通X射线检查剂量大,照射剂量的增加导致辐射诱发癌症等随机效应的几率增加。根据新版《GBZ165-2012X射线计算机断层摄影放射防护要求》,典型成年患者X射线CT检查头部、腰椎和腹部的诊断参考水平分别为50mGy、35mGy和25mGy,0-1岁儿童患者胸部和头部诊断参考水平为23mGy和25mGy,10岁儿童患者胸部和头部诊断参考水平为26mGy和28mGy。
根据2009年美国国家防护委员会公布的数据,目前人均医疗辐射剂量从过去的0.53mSv快速增长到现在的3.0mSv。在增加的辐射剂量中,医用CT检查占到了一半以上;而由于辐射导致的癌症患者比例,也从上世纪90年代的0.4%上升了将近5倍,达到1.5%-2%。另外根据公布的数据显示,儿童因辐射剂量增加而诱发实体癌的风险比成年人更高。以临床医生得到准确疾病数据和进行精确影像诊断为前提,同时尽可能减少辐射剂量,减少不必要检查步骤,并更好地在CT检查过程中保护被检查者的身体健康,已经成为目前广大患者普遍关注的问题,同时也是广大医护工作者的面临的重要任务之一。
现阶段临床上对COPD(Chronic Obstructive Pulmoriary Disease,慢性阻塞性肺疾病)及其相关疾病的诊断主要通过CT扫描的方式进行,这就不可避免的会涉及CT扫描剂量的问题。目前,通过阈值法(即将低于某特定阈值的低衰减区定义为肺气肿区,由计算机计算低衰减区占全肺容积的百分比LAA%)对患者吸气相和呼气相的三维CT扫描图像进行三维非均质性分析,以此来鉴别诊断功能性小气道疾病和肺气肿已成为近期COPD研究的热点。
然而,发明人在实际应用中发现,上述方法的实现依赖于患者吸气相和呼气相的三维CT扫描图像,而为了得到吸气相和呼气相的三维CT图像,患者在吸气以及呼气过程中均需要进行CT扫描,这会增加患者受到的辐射剂量,不利于患者的身体健康。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测系统、介质及电子设备,用于解决现有技术中存在的上述问题。
为实现上述目的及其他相关目的,本发明的第一方面提供一种基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测系统,所述系统包括:图像获取模块,用于获取目标对象的单呼吸相胸部CT图像;第一处理模块,用于利用第一深度学习模型对所述单呼吸相胸部CT图像进行处理,以获取肺部功能小气道评价参数的第一预测结果;第二处理模块,用于利用第二深度学习模型对所述单呼吸相胸部CT图像及其对应的单呼吸相伪彩图进行处理,以获取肺部功能小气道评价参数的第二预测结果;第三处理模块,用于利用机器学习模型对所述单呼吸相胸部CT图像及所述目标对象的临床基本信息进行处理,以获取肺部功能小气道评价参数的第三预测结果;融合模块,用于对所述第一预测结果、所述第二预测结果以及所述第三预测结果进行融合,以获取肺部功能小气道评价参数的最终预测结果。
于所述第一方面的一实施例中,所述第三处理模块包括:第一处理单元,用于利用第一机器学习模型对所述单呼吸相胸部CT图像及所述目标对象的临床基本信息进行处理,以获取所述单呼吸相胸部CT图像对应的功能小气道评价参数矩阵;第二处理单元,用于利用第二机器学习模型对所述功能小气道评价参数矩阵进行处理,以获取所述第三预测结果。
于所述第一方面的一实施例中,所述功能小气道评价参数矩阵包括病种分布概率矩阵、低衰减区占全肺容积的百分比分布统计概率矩阵和/或病灶部位概率矩阵。
于所述第一方面的一实施例中,所述第三处理模块还包括图像生成单元:所述图像生成单元用于根据所述功能小气道评价参数矩阵生成所述单呼吸相伪彩图;和/或所述图像生成单元用于根据所述单呼吸相伪彩图生成三维拓扑分布图。
于所述第一方面的一实施例中,所述融合模块以所述第三预测结果为主要数据、并以所述第一预测结果和所述第二预测结果为次要数据进行融合。
于所述第一方面的一实施例中,所述第三预测结果包括肺部功能小气道评价参数的多个预测值,所述融合模块根据所述第一预测结果和所述第二预测结果获取所述预测值的权重,并基于所述权重对所述预测值进行加权融合以得到肺部功能小气道评价参数的最终预测结果。
于所述第一方面的一实施例中,所述融合模块包括:趋势判断单元,用于根据所述第一预测结果判断所述预测值的方向趋势是否正确;权重获取单元,用于根据所述第二预测结果获取方向趋势正确的预测值的准确度,并根据所述准确度获取方向趋势正确的预测值的权重;加权融合单元,用于基于所述权重对方向趋势正确的预测值进行加权融合,以得到肺部功能小气道评价参数的最终预测结果。
本发明的第二方面提供一种基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测方法,所述方法包括:获取目标对象的单呼吸相胸部CT图像;利用第一深度学习模型对所述单呼吸相胸部CT图像进行处理,以获取肺部功能小气道评价参数的第一预测结果;利用第二深度学习模型对所述单呼吸相胸部CT图像及其对应的单呼吸相伪彩图进行处理,以获取肺部功能小气道评价参数的第二预测结果;利用机器学习模型对所述单呼吸相胸部CT图像及所述目标对象的临床基本信息进行处理,以获取肺部功能小气道评价参数的第三预测结果;对所述第一预测结果、所述第二预测结果以及所述第三预测结果进行融合,以获取肺部功能小气道评价参数的最终预测结果。
本发明的第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第二方面所述基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测方法。
本发明的第四方面提供一种电子设备,所述电子设备包括:存储器,存储有一计算机程序;处理器,与所述存储器通信相连,调用所述计算机程序时执行本发明第二方面所述基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测方法。
如上所述,本发明一个或多个实施例中所述的肺部功能小气道疾病预测系统具有以下有益效果:
所述肺部功能小气道疾病预测系统包括第一处理模块、第二处理模块、第三处理模块以及融合模块,第一处理模块能够利用第一深度学习模型对单呼吸相胸部CT图像进行处理得到肺部功能小气道评价参数的第一预测结果,第二处理模块能够利用第二深度学习模型对单呼吸相胸部CT图像以及伪彩图进行处理得到肺部功能小气道评价参数的第二预测结果,第三处理模块能够利用机器学习模型对单呼吸相胸部CT图像及目标对象的临床基本信息进行处理得到肺部功能小气道评价参数的第三预测结果,融合模块通过对第一预测结果、第二预测结果和第三预测结果相融合即可得到肺部功能小气道评价参数的最终预测结果,该最终预测结果能够辅助医务人员鉴别诊断功能性小气道疾病和肺气肿等肺部疾病。由此可知,所述肺部功能小气道疾病预测系统仅通过目标对象的单呼吸相胸部CT图像即可获取完整的肺部功能小气道评价参数,进而实现对肺部功能小气道疾病的预测,与相关技术相比,其无需获取目标对象的双气相CT图像,有利于减少目标对象所受到的辐射剂量,因而能够更好地保护目标对象的身体健康。
附图说明
图1显示为本发明肺部功能小气道疾病预测系统于一具体实施例中的结构示意图。
图2显示为本发明肺部功能小气道疾病预测系统于一具体实施例中第三处理模块的结构示意图。
图3显示为本发明肺部功能小气道疾病预测系统于一具体实施例中获取的伪彩图示例。
图4显示为本发明肺部功能小气道疾病预测系统于一具体实施例中获取的三维拓扑分布图示例。
图5显示为本发明所述肺部功能小气道评价参数获取方法于一具体实施例中的流程图。
图6显示为本发明所述电子设备于一具体实施例中的结构示意图。
元件标号说明
1 肺部功能小气道疾病预测系统
11 图像获取模块
12 第一处理模块
13 第二处理模块
14 第三处理模块
141 第一处理单元
142 第二处理单元
15 融合模块
600 电子设备
610 存储器
620 处理器
630 显示器
S51~S55 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。此外,在本文中,诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
相关技术对COPD及其相关疾病的诊断依赖于患者双气象(吸气相和呼气相)的三维CT扫描图像,而为了得到吸气相和呼气相的三维CT图像,患者在吸气以及呼气过程中均需要进行CT扫描,这会增加患者受到的辐射剂量,不利于患者的身体健康。针对这一问题,于本发明的一实施例中提供一种肺部功能小气道疾病预测系统。请参阅图1,本实施例中提供的肺部功能小气道疾病预测系统1包括图像获取模块11、第一处理模块12、第二处理模块13、第三处理模块14以及融合模块15。
图像获取模块11用于获取目标对象的单呼吸相胸部CT图像,其中,该单呼吸相胸部CT图像可以为二维或者三维CT图像,且该单呼吸相胸部CT图像例如为吸气相CT图像或者呼气相CT图像。图像获取模块11可以从CT扫描设备获取该单呼吸相胸部CT图像,也可以从医学影像数据库等其他途径获取该单呼吸相胸部CT图像,本发明对此不做限制。
第一处理模块12与图像获取模块11相连,用于利用第一深度学习模型对单呼吸相胸部CT图像进行处理,以获取肺部功能小气道评价参数的第一预测结果。其中,该肺部功能小气道评价参数可以为功能性小气道疾病及肺气肿的各项定量参数,例如,低衰减区占全肺容积的百分比(LAA%)和/或肺气肿指数,但本发明并不以此为限。
第二处理模块13与图像获取模块11相连,用于利用第二深度学习模型对单呼吸相胸部CT图像及其对应的单呼吸相伪彩图进行处理,以获取肺部功能小气道评价参数的第二预测结果。其中,单呼吸相胸部CT图像对应的单呼吸相伪彩图例如为根据该单呼吸相胸部CT图像获取到的单呼吸相伪彩图。此外,本实施例中的单呼吸相伪彩图可以由肺部功能小气道疾病预测系统1内部的相应模块生成,也可以由肺部功能小气道疾病预测系统1之外的其他系统生成,本发明对此不做限制。
第三处理模块14与图像获取模块11相连,用于利用机器学习模型对单呼吸相胸部CT图像及目标对象的临床基本信息进行处理,以获取肺部功能小气道评价参数的第三预测结果。其中,该机器学习模型例如为随机森林模型,目标对象的临床基本信息例如为目标对象的年龄、性别、身体质量指数(BMI)、吸烟史和/或吸烟指数等,但本发明并不限于此。此外,本实施例中目标对象的临床基本信息可以由肺部功能小气道疾病预测系统1内部的相应模块得到,也可以由肺部功能小气道疾病预测系统1之外的其他系统得到,本发明对此不做限制。
融合模块15用于对第一预测结果、第二预测结果以及第三预测结果进行融合,以获取肺部功能小气道评价参数的最终预测结果。
根据以上描述可知,本实施例中肺部功能小气道疾病预测系统1包括第一处理模块12、第二处理模块13、第三处理模块14以及融合模块15,第一处理模块12能够利用第一深度学习模型对单呼吸相胸部CT图像进行处理得到肺部功能小气道评价参数的第一预测结果,第二处理模块13能够利用第二深度学习模型对单呼吸相胸部CT图像以及伪彩图进行处理得到肺部功能小气道评价参数的第二预测结果,第三处理模块14能够利用机器学习模型对单呼吸相胸部CT图像及目标对象的临床基本信息进行处理得到肺部功能小气道评价参数的第三预测结果,融合模块15通过对第一预测结果、第二预测结果和第三预测结果相融合即可得到肺部功能小气道评价参数的最终预测结果,该最终预测结果能够辅助医务人员鉴别诊断功能性小气道疾病和肺气肿。因此,本实施例肺部功能小气道疾病预测系统1仅通过目标对象的单呼吸相胸部CT图像即可获取完整的肺部功能小气道评价参数,与相关技术相比,其无需获取目标对象的双气相CT图像,有利于减少目标对象所受到的辐射剂量,因而能够更好地保护目标对象的身体健康。
请参阅图2,于本发明的一实施例中,第三处理模块14包括第一处理单元141和第二处理单元142。
第一处理单元141用于利用第一机器学习模型对单呼吸相胸部CT图像及目标对象的临床基本信息进行处理,以获取单呼吸相胸部CT图像对应的功能小气道评价参数矩阵。其中,该功能小气道评价参数矩阵除作为机器学习处理过程的中间参数之外,还能够使得呼气过程避免实现图像输出。
优选地,该功能小气道评价参数矩阵包括病种分布概率矩阵、低衰减区占全肺容积的百分比分布统计概率矩阵和/或病灶部位概率矩阵。
具体地,病种分布概率矩阵用于表示一种或多种疾病在肺部组织各处的发病概率,该病种分布概率矩阵经过重新建模二次训练,能够生成区分不同疾病在肺部组织发病概率的发病密度概率图像,在该图像中,不同的密度代表不同的疾病,并以不同的颜色在单呼吸相胸部CT图像中予以显示,以此来直观地呈现肺组织不同区域的疾病发生情况。例如,该病种分布概率矩阵可以为关于功能性小气道疾病和肺气肿的病种分布概率矩阵,基于该病种分布概率矩阵可以生成能够区分功能性小气道疾病和肺气肿在肺部组织发病概率的发病密度概率图像,在该图像中可以采用不同的密度来代表不同的疾病,并以不同的颜色在单呼吸相胸部CT图像中予以显示,即,某一密度比较大的区域代表功能性小气道疾病,显示为第一颜色,另一密度比较大的区域代表肺气肿,显示为第二颜色。
低衰减区占全肺容积的百分比分布统计概率矩阵用于表示肺部组织内低密度衰减区域的分布,该矩阵通过重新建模二次训练可以得出不同阈值范围内功能性小气道疾病和肺气肿的图像,例如,在单呼吸相胸部CT图像上,肺组织低于某一阈值区间范围(如-500HU~-950HU)时,发生功能性小气道疾病可能性较大,则标注为第三颜色,而低于另一阈值区间范围(如-950HU~-1024HU)时,发生肺气肿的可能性较大,则标注为第四颜色。
病灶部位概率矩阵用于表示肺部组织各处的病灶状况,该矩阵通过重新建模二次训练可以生成肺部不同区域病灶部位的分布图,如肺组织某些区域发生功能性小气道疾病的可能性较大,则标注为第五颜色,其另一些区域发生肺气肿的可能性较大,则标注为第六颜色。
根据以上描述可知,本实施例中利用病种分布概率矩阵、低衰减区占全肺容积的百分比分布统计概率矩阵和/或病灶部位概率矩阵作为第一机器学习模型的输出,能够避免生成发病密度概率图像以及肺部不同区域病灶部位的分布图。
第二处理单元142用于利用第二机器学习模型对所述功能小气道评价参数矩阵进行处理,以获取所述第三预测结果。
根据以上描述可知,本实施例中利用第一机器学习模型和第二机器学习模型进行二次规划,通过将第一机器学习模型输出的功能小气道评价参数矩阵作为二次型目标函数,并将患者的健康参数作为约束条件进行二次优化,从而得出较为精确的第三预测结果。
可选地,第三处理模块14还包括图像生成单元,该图像生成单元与第一处理单元141的输出端相连,用于根据功能小气道评价参数矩阵生成单呼吸相伪彩图。此时,第二处理模块13可以从图像生成单元获取单呼吸相伪彩图,并将单呼吸相伪彩图和单呼吸相胸部CT图像共同输入第二深度学习模型来得到第二预测结果。
例如,图像生成单元可以结合功能小气道评价参数矩阵计算出功能性小气道疾病、肺气肿、正常肺组织的病种分布、密度大小、LAA体积大小以及位置等参数,将这些参数输入深度学习模型进行处理,并将正常肺组织标注为第七颜色,功能性小气道疾病标注为第八颜色,肺气肿标注为第九颜色,即可生成单呼吸相伪彩图。例如,请参阅图3,显示为本实施例中获取的单呼吸相伪彩图示例。
进一步地,图像生成单元还用于根据单呼吸相伪彩图生成三维拓扑分布图。例如,图像生成单元可以将单呼吸相伪彩图输入第三深度学习模型来得到三维拓扑分布图,其中,第三深度图像学习模型为训练好的深度学习模型,其输入和输出分别为单呼吸相伪彩图和三维拓扑分布图。请参阅图4,显示为本实施例中获取的三维拓扑分布图示例。
于本发明的一实施例中,融合模块以第三预测结果为主要数据、并以第一预测结果和第二预测结果为次要数据进行融合,即,肺部功能小气道评价参数的最终预测结果主要由第三预测结果所决定,第一预测结果和第二预测结果仅用于对第三预测结果进行适当地调整或修正,以使得到的最终预测结果更加准确。
具体地,在肺功能诊断及其相关领域,训练数据(包括呼气相CT图像和/或吸气相CT图像)主要通过临床采集得到,这就导致训练数据的获取比较困难,实际应用中往往很难获取到足够数量的训练数据来对深度学习模型进行充分训练,因而导致第一预测结果和第二预测结果的准确率相对较低。而机器学习模型,例如随机森林模型,需要的训练数据相对于深度学习模型更少,实际应用中可以实现对机器学习模型的充分训练,因而第三预测结果的准确率相对更高。基于此,本实施例中融合模块以第三预测结果为主要数据、并以第一预测结果和第二预测结果为次要数据进行融合,能够提升获取到的最终预测结果的准确度。例如,可以利用第一预测结果和第二预测结果对第三预测结果进行修正来得到最终预测结果。
于本发明的一实施例中,第三预测结果包括肺部功能小气道评价参数的多个预测值,融合模块根据第一预测结果和第二预测结果获取预测值的权重,并基于该权重对预测值进行加权融合以得到肺部功能小气道评价参数的最终预测结果。
具体地,第三处理模块在利用机器学习模型对单呼吸相胸部CT图像及目标对象的临床基本信息进行处理过程中会得到肺部功能小气道评价参数的多个预测值,例如,对于神经网络来说,这些预测值包括中间层输出的中间值以及输出层输出的最终值,又例如,对于随机森林模型来说,这些预测值包括模型中的多个决策树输出的结果。这些预测值的准确性各不相同,因此,需要基于第一预测结果和第二预测结果来判断各预测值的准确性进而确定其权重,以便通过加权融合的方式对这些预测值进行融合。
可选地,融合模块可以包括趋势判断单元、权重获取单元以及加权融合单元。
具体来说,趋势判断单元用于根据第一预测结果判断预测值的方向趋势是否正确,如果某一预测值的方向不正确,则说明该预测值误差较大,否则,说明该预测值相对较为准确。实际应用中,趋势判断单元可以根据预测值与第一预测结果的相关性来判断其方向趋势是否正确,例如,若预测值与第一预测结果正相关,则说明预测值的方向趋势正确,若预测值与第一预测结果负相关,则说明预测值的方向趋势不正确。
权重获取单元与趋势判断单元相连,用于根据第二预测结果获取方向趋势正确的预测值的准确度,并根据该准确度获取方向趋势正确的预测值的权重。其中,该准确度可以用预测值与第二预测结果的差值来表示,该差值包括但不限于二者直接相减得到的差、均方误差、平均绝对误差等,且该差值越大则说明预测值的准确度越低,其权重值越小,而该差值越小则说明预测值的准确度越高,其权重值越大。
加权融合单元用于基于该权重对方向趋势正确的预测值进行加权融合,以得到肺部功能小气道评价参数的最终预测结果。其中,加权融合的方法包括但不限于加权移动平均算法。
于本发明的一实施例中,所述第一深度学习模型采用大量患者的吸气相胸部CT图像、呼气相胸部CT图像以及肺部功能小气道评价参数进行训练。所述第二深度学习模型采用大量患者的吸气相胸部CT图像、呼气相胸部CT图像、伪彩图以及肺部功能小气道评价参数进行训练。所述机器学习模型采用大量患者的吸气相胸部CT图像、呼气相胸部CT图像、临床基本信息以及肺部功能小气道评价参数进行训练。
于本发明的一实施例中,第一深度学习模型采用暴力训练的方式进行训练,训练完成以后的第一深度学习模型能够对单呼吸相胸部CT图像进行处理从而得到肺部功能小气道评价参数的第一预测结果。其中,深度学习是多层神经网络运用各种机器学习算法解决图像、文本、语音等各种问题的算法集合。暴力训练是深度学习的主要过程之一,是将大量数据加载到机器中并分析数据以建立用于分类、识别、预测等的模式的过程。具体地,本实施例中通过大量单呼吸相胸部CT图像并配有肺部各项定量参数的结果并利用深度自学习算法对第一深度学习模型进行训练,这属于深度学习的一个分支,通过输入图像数据和期望的结果信息即可训练出一个数学公式权重文件来计算肺气肿和小气道的参数,然后将新的数据输入到这个规则模型中即可得到期望的结果。
可选地,本实施例中第一深度学习模型的输入图像数据可以通过函数的方式来实现,该函数可以为一次元方程,也可以为多次元方程。具体地,输入图像数据可以通过函数表现为一条直线或者曲线,并通过不同的信息所对应的数据即可找到深度学习模型中对应的点,也即数据的分布。
可选地,本实施例中对第一深度学习模型的建立以及训练过程包括以下步骤:初始化每个决定病理参量的权重、确定数学模型的损失函数、疾病输出模型调整以及CT图像训练循环迭代。
具体地,由于本实施例中期望通过第一深度学习模型得到的输出结果由多个信息特征共同导致,因而需要对这些特征进行主次排序,也即,获取这些特征的权重,因此,建立模型的第一步是需要给这些特征确定相应的权重值。例如,可以通过随机赋值的方式确定这些特征的权重值以实现初始化,然后经过后面不断的往复训练来对其进行调整。
由于初始化过程中随机赋值产生的结果可能和真实的结果之间差距较大,因此,需要引入损失(loss)函数来作为衡量这种误差的标准。具体地,损失函数是评估“不准确”程度的标准,损失函数越小,则第一深度学习模型所生成的结果和真实结果之间的误差越小,模型生成结果与真实结果越接近。
此外,如前所述,损失函数的大小决定了数据的准确性,本实施例可以采用调整不同特征的权重值的方式来降低损失函数。例如,可以通过梯度下降和反向传播的方式计算出调整权重的参数,以使损失函数朝向降低的方向发展。
进一步地,在CT图像训练循环迭代中,经过对模型权重的调整可以重新输入一批数据,并重复前面的三个步骤,经过多次的循环训练后可以使得第一深度学习模型输出的结果与真实结果无限接近,此时,对第一深度学习模型的训练结束。
可选地,本实施例中第一深度学习模型为卷积神经网络模型。其中,卷积神经网络的本质仍然是层级网络,其层级结构包括:数据输入层(对原始图像进行预处理)、卷积计算层(进行局部关联,通过窗口滑动将矩阵中的每个神经元看作一个滤波器对局部数据进行卷积计算,即上述找到权重值和损失函数的过程)、ReLU激励层(对卷积层输出结果做非线性映射)、池化层(压缩图像)、全连接层(将两层之间的所有神经元重新连接,得出结果)。可选地,该第一深度学习模型的训练数据包括患者的单呼吸相胸部CT图像以及肺部功能小气道评价参数。
根据以上描述可知,本实施例中采用暴力训练的方式对第一深度学习模型进行训练,其属于深度学习端到端模型,即只使用一个模型(目标函数)来建模解决可以用多个模型解决的问题。此种方式的优点为仅使用一个模型就可以规避多模型固有的缺陷,同时减少分析的复杂度,缺点是需要大量的数据(单呼吸相胸部CT图像)输入,通过卷积神经网络训练模型总结出规律,得出的结果即什么是功能性小气道疾病、什么是肺气肿,这对临床图像数据的采集提出了较高的数量要求。
于本发明的一实施例中通过利用大量单呼吸相胸部CT图像,结合由CT图对应的单呼吸相伪彩图的大量样本,利用第二深度学习模型来得出功能性小气道疾病及肺气肿的各项定量参数。
具体地,本实施例可以在输入大量单呼吸相胸部CT图像的基础上介入相对应的单呼吸相伪彩图,以便为人工智能深度学习提供收敛方向性指导,从而使得最后得出的第二预测结果相较于第一预测结果更加准确,且需要的数据(单呼吸相胸部CT图像)相较于上述暴力训练的方式减少很多。
此外,本实施例通过引入单呼吸相伪彩图能够提升第二深度学习模型的收敛速度,从而使得第二深度学习模型具有良好的收敛性。相应地,本实施例中第二深度学习模型的训练数据包括单呼吸相胸部CT图像、单呼吸相胸部CT图像对应的伪彩图以及肺部功能小气道评价参数。具体地,深度学习可以看作一个复杂的算法模型,深度学习的收敛性就是算法的收敛性,具体是指某个算法能否在无限的循环迭代的训练中最终找到问题的全局最优结果。算法的收敛速度,则是指算法需要经过多少次迭代才能得到最优解。所谓收敛性好,就是收敛的快,快速收敛的意义就是使用较少的迭代次数便可得到相对精确的值,或者说是在允许的时间内得到满意结果。
根据以上描述可知,本实施例通过在单呼吸相胸部CT图像输入的基础上,介入单呼吸相伪彩图来为第二深度学习模型提供收敛的方向指导,从而加快深度学习收敛速度并最终得到统计参数。此种方法的优点在于:对单呼吸相胸部CT图像的数量要求降低,有利于减少临床收集数据的难度;能够使得第二深度学习模型较快地得出相对精确的结果。
于本发明的一实施例中,机器学习模型包括第一机器学习模型和第二机器学习模型。本实施例中利用单呼吸相胸部CT图像,同时输入目标对象的临床基本信息,经过第一机器学习模型得出病种分布概率矩阵、低衰减区占全肺容积的百分比(LAA%)分布统计概率矩阵、病灶部位概率矩阵,然后通过第二机器学习模型最终得出第三预测结果。本实施例通过加入患者的年龄、体重、烟龄等与肺部弹性相关的约束能够使得机器学习回归效果更好,从而得到更加精确地数据。
本实施例中,第一机器学习模型和第二机器学习模型优选为随机森林模型,该模型能够赋予计算机学习的能力,并让其依次完成直接编程无法完成的功能。简单来说,是计算机根据历史已有的数据训练得出某种模型,当输入新的数据时利用此模型预测未来的一种方法。可选地,第一机器学习模型和第二机器学习模型的训练数据包括单呼吸相胸部CT图像、临床基本信息以及肺部功能小气道评价参数。
需要说明的是,本实施例中第三处理模块采用机器学习的方法,这与第一处理模块和第二处理模块采用深度学习的方法不同,原因在于:深度学习建模需要大量的训练数据,但小气道疾病预测系统的场景中通常会遇到小样本问题,比如,临床上对患者功能性小气道疾病和肺气肿的数据收集往往只有几百例,甚至更少,此时深度学习的方法就无法得出比较准确的结果,而采用机器学习的方法就可以很好的解决这个问题,并能够得到更加精确的输出数据。
此外,本实施例中包括第一机器学习模型和第二机器学习模型以实现机器学习的二次训练,也称二次规划,是指在第一机器学习模型学习得出初步函数矩阵的基础上,通过使用带有二次型目标函数和约束条件,使其得出最优化的结果。本实施例中第三处理模块即是将初步机器学习得出的病种分布概率矩阵、LAA%分布统计概率矩阵、病灶部位概率矩阵作为二次型目标函数,将患者的年龄、体重、烟龄等临床基本信息作为约束条件进行二次优化,最终得出比较精确的结果。
本实施例中通过引入患者的年龄、性别、BMI、吸烟史/吸烟指数等临床基本信息作为约束条件,可以加速回归,使机器学习得出的统计参数更加精确。其中,回归分析是机器学习的常用方法之一,也是统计学上常用的分析数据的方法,目的在于确定两个或多个变量之间是否有相关性、相关的方向与强度,并以此建立数学模型以便观察特定变量来预测结果。线性回归是指全部由线性变量组成的回归模型,是回归分析中常用的算法之一,分为一元线性回归和多元线性回归。在实际的运用中遇到的问题往往比较复杂,建模时用单个变量不能满足描述输出变量的关系,需要用到更多的变量来表示与输出之间的关系,也即多元线性回归。线性回归的特点:一是建模速度快,不需要很复杂的计算,在数据量大的情况下依然运行速度很快;二是可以根据系数给出每个变量的理解和解释;三是对异常值很敏感。
可选地,本实施例中还可以通过数据提升、算法提升、算法调参提升和/或嵌套模型提升等方式提高深度学习的性能及效率,从而更快更准确地得到目标对象的肺部功能小气道评价参数并分析病情。
数据提升的具体实现方法包括:对需要训练的数据以及问题进行定义,根据实际的情况加入目标对象的临床基本信息(如年龄、性别、BMI、吸烟史/吸烟指数等)来提高深度学习的性能,且这些临床基本信息在临床比较容易获得。同时,还可以从重放缩数据、转换数据、特征选取、重架构问题等几个方面来提升深度学习的效率。
算法提升的具体实现方法包括:通过对算法进行抽样调查、借鉴已有文献和重采样等三种方式来提升深度学习模型预测的准确性及提高效率,进而较精确的得出目标对象的肺部功能小气道评价参数。
算法调参提升的具体实现方法包括:通过诊断(Diagnostics)、权重初始化(Weight Initialization)、学习速率(Learning Rate)、激活函数、网络拓扑(NetworkTopology)、批次和周期(Batches and Epochs)、正则化、优化和损失、早停法等提升深度学习的效率,从而获得深度学习更优的模型。
嵌套模型提升的具体实现方法包括:通过组合多个模型并选取各自的优势,从而提升预测能力。其中,在选择嵌套方式时,可采取组合模型、组合视角、堆叠等方式。
根据以上描述可知,本实施例中第三处理模块采用了不同于第一处理模块和第二处理模块的机器学习方法,通过机器学习得出病种分布概率矩阵、LAA%分布统计概率矩阵、病灶部位概率矩阵,然后再经过二次机器学习,得出精确度较高的肺部功能小气道评价参数。
基于以上对肺部功能小气道疾病预测系统的描述,本发明还提供8.一种基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测方法。具体地,请参阅图5,于本发明的一实施例中该方法包括:
S51,获取目标对象的单呼吸相胸部CT图像。
S52,利用第一深度学习模型对所述单呼吸相胸部CT图像进行处理,以获取肺部功能小气道评价参数的第一预测结果。
S53,利用第二深度学习模型对单呼吸相胸部CT图像及其对应的单呼吸相伪彩图进行处理,以获取肺部功能小气道评价参数的第二预测结果。
S54,利用机器学习模型对单呼吸相胸部CT图像及目标对象的临床基本信息进行处理,以获取肺部功能小气道评价参数的第三预测结果。
S55,对第一预测结果、第二预测结果以及第三预测结果进行融合,以获取肺部功能小气道评价参数的最终预测结果。
需要说明的是,本实施例中上述步骤S51~S55与图1所示肺部功能小气道疾病预测系统1中的相应模块一一对应,为节省说明书篇幅,此处不对具体步骤进行赘述。
此外,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现图5所示肺部功能小气道评价参数获取方法。
本发明还提供一种电子设备,具体地,请参阅图6,于本发明的一实施例中,电子设备600包括存储器610和处理器620。其中,存储器610存储有一计算机程序;处理器620与存储器610通信相连,调用该计算机程序时执行图5所示肺部功能小气道评价参数获取方法。
可选地,电子设备600还可以包含显示器630,显示器630与存储器610和处理器620通信相连,用于显示该肺部功能小气道评价参数获取方法的相关GUI交互界面。
综上所述,本发明一个或多个实施例中肺部功能小气道疾病预测系统采用三种不同的人工智能方法分析单呼吸相胸部CT图像,并集中三种方法各自的优势所得出的分析结果,进一步采用加权移动平均算法进行融合以得出更加精确地数据。此外,肺部功能小气道疾病预测系统能够仅根据单呼吸相的扫描图像和人体参数通过深度学习和机器学习得出伪彩图和三维拓扑分布图,既避免了双气相CT扫描,减少了辐射量,又提升了软件操作的简便性。因此,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测系统,其特征在于,所述系统包括:
图像获取模块,用于获取目标对象的单呼吸相胸部CT图像;
第一处理模块,用于利用第一深度学习模型对所述单呼吸相胸部CT图像进行处理,以获取肺部功能小气道评价参数的第一预测结果;
第二处理模块,用于利用第二深度学习模型对所述单呼吸相胸部CT图像及其对应的单呼吸相伪彩图进行处理,以获取肺部功能小气道评价参数的第二预测结果;
第三处理模块,用于利用机器学习模型对所述单呼吸相胸部CT图像及所述目标对象的临床基本信息进行处理,以获取肺部功能小气道评价参数的第三预测结果;
融合模块,用于对所述第一预测结果、所述第二预测结果以及所述第三预测结果进行融合,以获取肺部功能小气道评价参数的最终预测结果。
2.根据权利要求1所述的系统,其特征在于,所述第三处理模块包括:
第一处理单元,用于利用第一机器学习模型对所述单呼吸相胸部CT图像及所述目标对象的临床基本信息进行处理,以获取所述单呼吸相胸部CT图像对应的功能小气道评价参数矩阵;
第二处理单元,用于利用第二机器学习模型对所述功能小气道评价参数矩阵进行处理,以获取所述第三预测结果。
3.根据权利要求2所述的系统,其特征在于:所述功能小气道评价参数矩阵包括病种分布概率矩阵、低衰减区占全肺容积的百分比分布统计概率矩阵和/或病灶部位概率矩阵。
4.根据权利要求3所述的系统,其特征在于,所述第三处理模块还包括图像生成单元:
所述图像生成单元用于根据所述功能小气道评价参数矩阵生成所述单呼吸相伪彩图;和/或
所述图像生成单元用于根据所述单呼吸相伪彩图生成三维拓扑分布图。
5.根据权利要求1所述的系统,其特征在于:所述融合模块以所述第三预测结果为主要数据、并以所述第一预测结果和所述第二预测结果为次要数据进行融合。
6.根据权利要求1所述的系统,其特征在于:所述第三预测结果包括肺部功能小气道评价参数的多个预测值,所述融合模块根据所述第一预测结果和所述第二预测结果获取所述预测值的权重,并基于所述权重对所述预测值进行加权融合以得到肺部功能小气道评价参数的最终预测结果。
7.根据权利要求6所述的系统,其特征在于,所述融合模块包括:
趋势判断单元,用于根据所述第一预测结果判断所述预测值的方向趋势是否正确;
权重获取单元,用于根据所述第二预测结果获取方向趋势正确的预测值的准确度,并根据所述准确度获取方向趋势正确的预测值的权重;
加权融合单元,用于基于所述权重对方向趋势正确的预测值进行加权融合,以得到肺部功能小气道评价参数的最终预测结果。
8.一种基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测方法,其特征在于,所述方法包括:
获取目标对象的单呼吸相胸部CT图像;
利用第一深度学习模型对所述单呼吸相胸部CT图像进行处理,以获取肺部功能小气道评价参数的第一预测结果;
利用第二深度学习模型对所述单呼吸相胸部CT图像及其对应的单呼吸相伪彩图进行处理,以获取肺部功能小气道评价参数的第二预测结果;
利用机器学习模型对所述单呼吸相胸部CT图像及所述目标对象的临床基本信息进行处理,以获取肺部功能小气道评价参数的第三预测结果;
对所述第一预测结果、所述第二预测结果以及所述第三预测结果进行融合,以获取肺部功能小气道评价参数的最终预测结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现权利要求8所述基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测方法。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有一计算机程序;
处理器,与所述存储器通信相连,调用所述计算机程序时执行权利要求8所述基于深度学习的单呼吸相胸部CT的肺部功能小气道疾病预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235111.7A CN113823413A (zh) | 2021-10-22 | 2021-10-22 | 肺部功能小气道疾病预测系统、方法、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235111.7A CN113823413A (zh) | 2021-10-22 | 2021-10-22 | 肺部功能小气道疾病预测系统、方法、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113823413A true CN113823413A (zh) | 2021-12-21 |
Family
ID=78917234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111235111.7A Pending CN113823413A (zh) | 2021-10-22 | 2021-10-22 | 肺部功能小气道疾病预测系统、方法、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113823413A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN111388000A (zh) * | 2020-03-27 | 2020-07-10 | 上海杏脉信息科技有限公司 | 虚拟肺部空气潴留图像预测方法及系统、存储介质及终端 |
CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
CN111598895A (zh) * | 2020-04-14 | 2020-08-28 | 苏州复元医疗科技有限公司 | 一种基于诊断影像和机器学习的测量肺功能指标的方法 |
CN112652398A (zh) * | 2020-12-22 | 2021-04-13 | 浙江大学 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
CN112786189A (zh) * | 2021-01-05 | 2021-05-11 | 重庆邮电大学 | 一种基于深度学习的新冠肺炎智能诊断系统 |
CN113284572A (zh) * | 2021-04-30 | 2021-08-20 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
-
2021
- 2021-10-22 CN CN202111235111.7A patent/CN113823413A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN111388000A (zh) * | 2020-03-27 | 2020-07-10 | 上海杏脉信息科技有限公司 | 虚拟肺部空气潴留图像预测方法及系统、存储介质及终端 |
CN111598895A (zh) * | 2020-04-14 | 2020-08-28 | 苏州复元医疗科技有限公司 | 一种基于诊断影像和机器学习的测量肺功能指标的方法 |
CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
CN112652398A (zh) * | 2020-12-22 | 2021-04-13 | 浙江大学 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
CN112786189A (zh) * | 2021-01-05 | 2021-05-11 | 重庆邮电大学 | 一种基于深度学习的新冠肺炎智能诊断系统 |
CN113284572A (zh) * | 2021-04-30 | 2021-08-20 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110114834B (zh) | 用于医疗程序的深度学习医疗系统和方法 | |
JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
JP2018529134A (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
CN107427268A (zh) | 用于基于纯几何机器学习的血流储备分数的方法和系统 | |
CN110956626B (zh) | 一种基于图像的预后评估方法及装置 | |
WO2023143628A1 (zh) | 基于遗传模糊树的视网膜糖尿病变深度网络检测方法 | |
CN113610845A (zh) | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 | |
CN112262440A (zh) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 | |
US20210304896A1 (en) | Systems and methods for medical diagnosis | |
CN111598895A (zh) | 一种基于诊断影像和机器学习的测量肺功能指标的方法 | |
Rothstock et al. | Clinical classification of scoliosis patients using machine learning and markerless 3D surface trunk data | |
CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
CN113673710A (zh) | 用于训练评估算法的计算机实现的方法和系统 | |
CN116824173A (zh) | 医学图像的处理方法、设备及存储介质 | |
CN117838097A (zh) | 一种基于关键点检测的脊柱畸形分析系统 | |
da Cruz et al. | Enabling autonomous medical image data annotation: A human-in-the-loop reinforcement learning approach | |
EP3659510B1 (en) | Heatmap and atlas | |
CN109009148A (zh) | 一种步态功能评估方法 | |
Phankokkruad | Evaluation of deep transfer learning models in glaucoma detection for clinical application | |
CN113823413A (zh) | 肺部功能小气道疾病预测系统、方法、介质及电子设备 | |
Servi et al. | Outpatient monitoring of Pectus Excavatum: a Neural Network-based approach | |
US20230050512A1 (en) | Quantitative dynamic mri (qdmri) analysis and virtual growing child (vgc) systems and methods for treating respiratory anomalies | |
CN111466877B (zh) | 一种基于lstm网络的氧减状态预测方法 | |
CN114831596A (zh) | 一种基于深度学习的睡眠监测网络模型的构建方法及系统、睡眠监测方法 |
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 |