CN114972296A - 一种基于肺图的高分辨ct图像分析方法、设备及系统 - Google Patents
一种基于肺图的高分辨ct图像分析方法、设备及系统 Download PDFInfo
- Publication number
- CN114972296A CN114972296A CN202210675028.XA CN202210675028A CN114972296A CN 114972296 A CN114972296 A CN 114972296A CN 202210675028 A CN202210675028 A CN 202210675028A CN 114972296 A CN114972296 A CN 114972296A
- Authority
- CN
- China
- Prior art keywords
- image
- hrct
- lung
- imaging
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 94
- 238000003703 image analysis method Methods 0.000 title claims abstract description 8
- 208000029523 Interstitial Lung disease Diseases 0.000 claims abstract description 81
- 206010016654 Fibrosis Diseases 0.000 claims abstract description 67
- 230000004761 fibrosis Effects 0.000 claims abstract description 67
- 238000010191 image analysis Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 48
- 201000010099 disease Diseases 0.000 claims abstract description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 34
- 238000011282 treatment Methods 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000011994 high resolution computer tomography Methods 0.000 claims abstract 38
- 238000003384 imaging method Methods 0.000 claims description 67
- 239000013598 vector Substances 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 11
- 230000003902 lesion Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000001413 cellular effect Effects 0.000 claims description 5
- 230000003510 anti-fibrotic effect Effects 0.000 claims description 4
- 238000002560 therapeutic procedure Methods 0.000 claims description 4
- 238000011861 anti-inflammatory therapy Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003054 hormonal effect Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000011269 treatment regimen Methods 0.000 claims description 3
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 16
- 230000003176 fibrotic effect Effects 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 15
- 230000009467 reduction Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 230000003110 anti-inflammatory effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003748 differential diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002300 anti-fibrosis Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于肺图的高分辨CT图像分析方法、设备及系统。包括：获取待诊断患者包括全肺区域的HRCT图像；将所述HRCT图像输入第一分类模型中，得到所述HRCT图像为健康组图像或疾病组图像分类；将所述疾病组图像的HRCT图像输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果；当所述HRCT图像的分类结果为不是典型纤维化间质性肺疾病图像，将所述肺部HRCT图像输入第二图像分析模型，得到所述HRCT图像为非典型纤维化间质性肺疾病图像或非纤维化型间质性肺疾病图像的分类结果。本申请在间质性肺病的临床诊疗中具有很好的应用价值。
Description
技术领域
本发明涉及智能医疗技术领域，更具体地，涉及一种基于肺图的高分辨CT图像分析方法、设备、系统及存储介质。
背景技术
纤维化间质性肺疾病(f-ILD)预后较非纤维化型间质性肺疾病(nf-ILD)差，且治疗方案不同，从胸部CT影像来说f-ILD包括了典型纤维化特征和非典型纤维化特征，后者容易和nf-ILD影像特征混淆，导致误诊，对于此“同病异证和异病同证”，目前鉴别诊断的方法只有通过肺组织病理诊断，因此，无创性鉴别诊断未得到有效解决。
发明内容
为解决上述问题，我们基于肺图的高分辨CT图像分析方法，为临床上纤维化间质性肺疾病和非纤维化型间质性肺疾病的诊断提供一种全新的、快速的、无创的诊断方法。
本申请公开了一种基于肺图的高分辨CT图像分析方法，所述方法包括：
获取待诊断患者包括肺部区域的高分辨CT(HRCT)图像；
将所述HRCT图像输入第一分类模型中，得到所述HRCT图像为健康组图像或疾病组图像分类；
将所述疾病组图像的HRCT图像输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别；
当所述HRCT图像的分类结果为不是典型纤维化间质性肺疾病图像，将所述肺部HRCT图像进行三维重建，获得全肺成像；
对所述全肺成像进行影像学特征提取，得到影像学特征向量；
将所述影像学特征向量输入第二图像分析模型，对所述影像学特征向量进行识别，得到所述HRCT图像为非典型纤维化间质性肺疾病图像或非纤维化型间质性肺疾病图像的分类结果。
进一步，所述方法还包括根据所述分类结果输出治疗方案，所述分类结果为典型纤维化间质性肺疾病图像或非典型纤维化间质性肺疾病图像时，输出第一治疗方案；所述分类结果为非纤维化型间质性肺疾病图像时，输出第二治疗方案。
所述肺部区域的HRCT图像还可以是平扫CT图像。
进一步，所述第一治疗方案为建议以抗纤维化治疗为主要手段；所述第二治疗方法为建议以激素类抗炎治疗为主要手段。所述第一治疗方案建议为以抗纤维化治疗为主要手段，病变不可逆进展，预后差，结合疾病进展，终末期建议进行肺移植治疗；所述第二治疗方法为建议以激素类抗炎治疗为主要手段，病变对抗炎治疗效果好，病变可吸收缩小，预后良好。
进一步，所述对所述HRCT图像进行蜂窝状影像学特征的识别采用的方法为：采用边缘检测算法提取HRCT图像中的连通区域，根据连通区域的数量、大小和/或形状的特征对所述HRCT图像进行蜂窝状影像学特征的分类，得到所述HRCT图像是否含有蜂窝状影像学特征的分类结果，根据分类结果得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果；可选的，所述边缘检测算法为canny算子边缘检测算法。
进一步，将所述疾病组图像的HRCT图像输入到训练好的分割模型，分割出病灶区域图，将所述病灶区域图输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别。
进一步，所述第二图像分析模型选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、梯度提升决策树、感知机算法。
进一步，所述方法还包括对所述全肺成像进行ROI分割，得到包含N个子区域的分割后的全肺成像，所述N为自然数，对所述全肺成像中的N个子区域分别进行特征提取，得到影像学特征向量；可选的，所述特征提取是对所述全肺成像中的每个子区域分别采用不同滤波器进行特征提取，得到不同类别的影像组学特征作为影像学特征向量。
进一步，所述方法还包括对所述全肺成像进行ROI分割，得到包含N(N为自然数，优选的，N为36)个子区域的分割后的全肺成像，对所述全肺成像中的N个子区域分别进行特征提取，得到影像学特征向量；
可选的，所述对全肺成像进行ROI分割是基于深度学习分割方法自动执行；优选的，所述对全肺成像进行ROI分割由医学影像软件自动执行。
可选的，所述不同类别的影像组学特征包括一阶统计、基于3D形状的特征、灰度共现矩阵、灰度级运行长度矩阵、灰度级大小区域矩阵、相邻灰度色调差异矩阵和灰度级依赖矩阵。
进一步，所述方法还包括对得到的特征向量进行特征融合，所述特征融合为每个特征向量在N(优选36)个子区域特征向量的特征融合；
可选的，所述特征融合为每个特征向量从N(优选36)个子区域特征向量中选取10个常见统计量的特征融合；
可选的，所述特征融合为不同类别(优选7种类别)的影像组学特征在N(优选36)个子区域特征向量的特征融合，可选的，所述特征融合为不同类别(优选7种类别)的影像组学特征从N(优选36)个子区域特征向量中选取10个常见统计量的特征融合。
进一步，所述方法还包括对得到影像学特征向量进行特征降维，所述特征降维是根据P值、相关系数和最小绝对收缩和选择算子(LASSO)回归进行特征降维；可选的，所述特征降维是根据P值进行特征排序，筛选并保留排名靠前的特征，计算筛选后的特征之间的相关系数，删除相关系数较大的特征组中的p值较大的特征，采用LASSO回归从保留的特征中选择具有非零系数的特征作为降维后的特征向量。
进一步，所述肺部区域HRCT图像采用HRCT对待诊断患者整个胸部从肺尖到膈肌进行头尾扫描；
可选的，对所述肺部区域HRCT图像进行预处理，优选的，所述预处理包括对肺部HRCT图像进行灰度化、几何变换、图像增强任意一种或几种处理。
本申请的目的在于提供一种基于肺图的高分辨CT图像分析系统，所述系统包括：
获取单元，用于获取待诊断患者包括肺部区域的HRCT图像；
第一分类单元，将所述HRCT图像输入第一分类模型中，得到所述HRCT图像为健康组图像或疾病组图像分类；
第二分类单元，用于将所述疾病组图像的HRCT图像输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别；
重建单元，用于当所述HRCT图像的分类结果为不是典型纤维化间质性肺疾病图像，将所述肺部HRCT图像进行三维重建，获得全肺成像；
提取单元，用于对所述全肺成像进行影像学特征提取，得到影像学特征向量；
第三分类单元，用于将所述影像学特征向量输入第二图像分析模型，对所述影像学特征向量进行识别，得到所述HRCT图像为非典型纤维化间质性肺疾病图像或非纤维化型间质性肺疾病图像的分类结果。
一种基于肺图的高分辨CT图像分析设备，包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，实现上述的基于肺图的高分辨CT图像分析方法步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的基于肺图的高分辨CT图像分析方法步骤。
本申请的优点：
1.本申请从临床问题出发，对于纤维化间质性肺疾病和非纤维化型间质性肺疾病诊断中存在的“同病异证”和“异病同证”的难题，采用逆向诊断方法，先对易诊断的健康组和典型纤维化间质性肺疾病组进行判断分类，进而通过全肺成像获得全肺影像学特征构建模型区别非典型纤维化间质性肺疾病和非纤维化型间质性肺疾病，不仅节约算力，提高诊断效率，还能对易混疾病进行有效区分；
2.本申请创造性的为临床上提供一种基于肺图的诊断和治疗系统，不仅有效区分非典型纤维化间质性肺疾病和非纤维化型间质性肺疾病，还给出治疗方案，即分类结果为典型纤维化间质性肺疾病图像或非典型纤维化间质性肺疾病图像时，输出以抗纤维化治疗为主要手段的第一治疗方案；分类结果为非纤维化型间质性肺疾病图像时，输出以激素类抗炎治疗为主要手段的第二治疗方案；
3.本申请根据实际影像学特点，采用边缘检测算法对所述疾病组图像的HRCT图像进行蜂窝状影像学特征的提取并进行后续分类，有效减少算力，此外，在对所述疾病组图像的HRCT图像进行蜂窝状影像学特征的提取前，通过训练好的分割模型分割出病灶区域图有利于更加精准的分类；
4.本申请考虑非典型纤维化间质性肺疾病和非纤维化型间质性肺疾病影像的相似度非常高，故而采用全肺成像，并对所述全肺成像进行ROI分割，到包含N个子区域的分割后的全肺成像，对所述全肺成像中的N个子区域分别进行特征提取，得到特征向量，通过高维的影像特征建模来增加模型诊断的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的一种基于肺图的高分辨CT图像分析方法示意流程图；
图2是本发明实施例提供的一种基于肺图的高分辨CT图像分析设备示意图；
图3是本发明实施例提供的一种基于肺图的高分辨CT图像分析系统示意图；
图4是本发明实施例提供的分析方法示意流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S101、S102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种基于肺图的高分辨CT图像分析方法示意流程图，具体地，所述方法包括如下步骤：
S101：获取待诊断患者包括肺部区域的HRCT图像；
在一个实施例中，对采集到的病理图像进行预处理，所述预处理包括对病理图片进行灰度化、几何变换、尺寸调整、图像增强任意一种或几种处理。
S102：将所述HRCT图像输入第一分类模型中，得到所述HRCT图像为健康组图像或疾病组图像分类；
在一个实施例中，所述第一分类模型的构建方法为：获取健康组和疾病组HRCT图像，对所述HRCT图像进行二分类，得到预测分类结果，将预测分类结果与医生的分类结果进行比对，生成损失值，反向传播，进行模型优化，得到第一分类模型。所述疾病包括典型纤维化间质性肺疾病、非典型纤维化间质性肺疾病和非纤维化型间质性肺疾病。
S103：将所述疾病组图像的HRCT图像输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别；
在一个实施例中，对所述HRCT图像进行蜂窝状影像学特征的识别采用的方法为：采用边缘检测算法提取HRCT图像中的连通区域，根据连通区域的数量、大小和/或形状的特征对所述HRCT图像进行蜂窝状影像学特征的分类，得到所述HRCT图像是否含有蜂窝状影像学特征的分类结果，根据分类结果得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果；可选的，所述边缘检测算法为canny算子边缘检测算法。
在一个实施例中，所述疾病组图像的HRCT图像输入第一图像分析模型，所述第一图像分析模型对所述HRCT图像进行影像学特征提取，将所述影像学特征与蜂窝状特征融合得到融合特征，将融合特征输入分类器中，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果。常规影像学特征和窝状特征融合的融合特征能更加准确的对HRCT图像是否为典型纤维化间质性肺疾病图像进行分类。
在一个实施例中，将所述疾病组图像的HRCT图像输入到训练好的分割模型，分割出病灶区域图，将所述病灶区域图输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别。
在一个实施例中，所述训练好的分割模型的构建方法为：获取HRCT图像，采用分割模型从所述HRCT图像中分割出病灶区域，将得到的病灶区域与医生手动圈定的病灶区域进行比对，生成损失值，反向传播，进行分割模型病灶区域分割的优化，得到训练好的分割模型。
在一个实施例中，所述第一图像分析模型的构建方法为：获取典型纤维化间质性肺疾病和其他疾病(非典型纤维化间质性肺疾病和非纤维化型间质性肺疾病)的HRCT图像，采用边缘检测算法提取HRCT图像中的连通区域，根据连通区域的数量、大小和/或形状的特征对所述HRCT图像进行蜂窝状影像学特征的分类，得到预测分类结果，将预测分类结果与医生的分类结果进行比对，生成损失值，反向传播，进行模型优化，得到第一图像分析模型。
S104：当所述HRCT图像的分类结果为不是典型纤维化间质性肺疾病图像，将所述肺部HRCT图像进行三维重建，获得全肺成像；
在一个具体实施例中，对NC-CT图像进行1×1×1mm3等距采样和-600HU窗宽1500窗宽的开窗操作进行预处理。
S105：对所述全肺成像进行特征提取，得到特征向量；
在一个实施例中，所述方法还包括对所述全肺成像进行ROI分割，得到包含N(N为自然数，优选36)个子区域的分割后的全肺成像，对所述全肺成像中的N个子区域分别进行特征提取，得到特征向量。可选的，所述对全肺成像进行ROI分割是基于深度学习分割方法自动执行。
在一个具体实施例中，所述对全肺成像进行ROI分割由医学影像软件自动执行，所述医学影像软件为市售医学影像软件，例如InferReadTM CT Lung,version R3.12.3；Infervision Medical Technology Co.,Ltd，所述全肺成像分割成36个子区域。
在一个实施例中，所述特征提取是对所述全肺成像中的每个子区域分别采用不同滤波器滤波后进行特征提取，得到不同类别的影像组学特征作为特征向量。可选的，所述不同类别的影像组学特征包括一阶统计、基于3D形状的特征、灰度共现矩阵(GLCM)、灰度级运行长度矩阵(GLRLM)、灰度级大小区域矩阵(GLSZM)、相邻灰度色调差异矩阵(NGTDM)和灰度级依赖矩阵(GLDM)。
在一个具体实施例中，对所述全肺成像中的N个子区域分别进行特征提取，具体的，在Python环境中使用名为PyRadiomics(版本3.0.1；https://pyradiomics.readthedocs.io)的开源软件包提取影像组学特征。对所述全肺成像中的每个子区域分别采用两组滤波操作(包括Laplacians of Gaussians(LoG)和WaveletDecompositions)进行特征提取，得到7种类别的影像组学特征作为特征向量。可选的，所述7种类别的影像组学特征包括一阶统计、基于3D形状的特征、灰度共现矩阵(GLCM)、灰度级运行长度矩阵(GLRLM)、灰度级大小区域矩阵(GLSZM)、相邻灰度色调差异矩阵(NGTDM)和灰度级依赖矩阵(GLDM)。
在一个实施例中，所述方法还包括对得到的特征向量进行特征融合，所述特征融合为每个特征向量在N个子区域特征向量的特征融合；可选的，所述特征融合为不同类别(7大类)的影像组学特征在N个子区域特征向量的特征融合。
在一个实施例中，还包括对得到的特征向量进行特征降维，所述特征降维是根据P值、相关系数和LASSO回归进行特征降维；可选的，所述特征降维是根据P值进行特征排序，筛选并保留排名靠前的特征，计算筛选后的特征之间的相关系数，删除相关系数较大的特征组中的p值较大的特征，采用LASSO回归从保留的特征中选择具有非零系数的特征作为降维后的特征向量。
S106：将所述影像学特征向量输入第二图像分析模型，对所述影像学特征向量进行识别，得到所述HRCT图像为非典型纤维化间质性肺疾病图像或非纤维化型间质性肺疾病图像的分类结果。
在一个实施例中，所述方法还包括根据所述分类结果输出治疗方案，所述分类结果为典型纤维化间质性肺疾病图像或非典型纤维化间质性肺疾病图像时，输出第一治疗方案；所述分类结果为非纤维化型间质性肺疾病图像时，输出第二治疗方案。所述第一治疗方案为建议以抗纤维化治疗为主要手段；所述第二治疗方法为建议以激素类抗炎治疗为主要手段。
在一个实施例中，所述第二图像分析模型选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、梯度提升决策树、感知机算法。
在一个实施例中，所述第二图像分析模型的构建方法为：获得非典型纤维化间质性肺疾病或非纤维化型间质性肺疾病的全肺成像，对所述全肺成像进行影像学特征提取，得到影像学特征向量，将所述影像学特征向量输入分类模型中得到预测分类结果，将预测分类结果与临床实际的分类结果进行比对，生成损失值，反向传播，进行模型优化，得到第二图像分析模型。
在一个实施例中，具体见图4，获取待诊断患者包括肺部区域的HRCT图像，将所述HRCT图像输入第一分类模型中，得到所述HRCT图像为健康组图像或疾病组图像分类，若分类结果为健康组图像，停止图像分析，得到所述HRCT图像为健康组图像的分类结果；若HRCT图像为疾病组图像分类结果，将所述疾病组图像的HRCT图像输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，若分类结果为典型纤维化间质性肺疾病图像，停止图像分析，得到所述HRCT图像为典型纤维化间质性肺疾病图像的分类结果，输出第一治疗方案；若分类结果为不是典型纤维化间质性肺疾病图像，将所述肺部HRCT图像进行三维重建，获得全肺成像，对所述全肺成像进行影像学特征提取，得到影像学特征向量，将所述影像学特征向量输入第二图像分析模型，对所述影像学特征向量进行识别，得到所述HRCT图像为非典型纤维化间质性肺疾病图像或非纤维化型间质性肺疾病图像的分类结果，若分类结果为非典型纤维化间质性肺疾病图像，输出第一治疗方案；若分类结果为非纤维化型间质性肺疾病图像，输出第二治疗方案。该方案有效解决了纤维化间质性肺疾病和非纤维化型间质性肺疾病的诊断和治疗中存在同病异征和异病同征的问题。
图2是本发明实施例提供的一种基于肺图的高分辨CT图像分析设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时实现上述的基于肺图的高分辨CT图像分析方法步骤。
图3是本发明实施例提供的一种基于肺图的高分辨CT图像分析系统，包括：
获取单元301，用于获取待诊断患者包括肺部区域的HRCT图像；
第一分类单元302，将所述HRCT图像输入第一分类模型中，得到所述HRCT图像为健康组图像或疾病组图像分类；
第二分类单元303，用于将所述疾病组图像的HRCT图像输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别；
重建单元304，用于当所述HRCT图像的分类结果为不是典型纤维化间质性肺疾病图像，将所述肺部HRCT图像进行三维重建，获得全肺成像；
提取单元305，用于对所述全肺成像进行影像学特征提取，得到影像学特征向量；
第三分类单元306，用于将所述影像学特征向量输入第二图像分析模型，对所述影像学特征向量进行识别，得到所述HRCT图像为非典型纤维化间质性肺疾病图像或非纤维化型间质性肺疾病图像的分类结。
本发明的一个目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的基于肺图的高分辨CT图像分析方法步骤。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于肺图的高分辨CT图像分析方法，其特征在于，所述方法包括：
获取待诊断患者包括肺部区域的HRCT图像；
将所述HRCT图像输入第一分类模型中，得到所述HRCT图像为健康组图像或疾病组图像分类；
将所述疾病组图像的HRCT图像输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别；
当所述HRCT图像的分类结果为不是典型纤维化间质性肺疾病图像，将所述肺部HRCT图像进行三维重建，获得全肺成像；
对所述全肺成像进行影像学特征提取，得到影像学特征向量；
将所述影像学特征向量输入第二图像分析模型，对所述影像学特征向量进行识别，得到所述HRCT图像为非典型纤维化间质性肺疾病图像或非纤维化型间质性肺疾病图像的分类结果。
2.根据权利要求1所述的基于肺图的高分辨CT图像分析方法，其特征在于，所述方法还包括根据所述分类结果输出治疗方案，所述分类结果为典型纤维化间质性肺疾病图像或非典型纤维化间质性肺疾病图像时，输出第一治疗方案；所述分类结果为非纤维化型间质性肺疾病图像时，输出第二治疗方案；可选的，所述第一治疗方案为建议以抗纤维化治疗为主要手段；所述第二治疗方法为建议以激素类抗炎治疗为主要手段。
3.根据权利要求1所述的基于肺图的高分辨CT图像分析方法，其特征在于，所述对所述HRCT图像进行蜂窝状影像学特征的识别采用的方法为：采用边缘检测算法提取HRCT图像中的连通区域，根据连通区域的数量、大小和/或形状的特征对所述HRCT图像进行蜂窝状影像学特征的分类，得到所述HRCT图像是否含有蜂窝状影像学特征的分类结果，根据分类结果得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果；可选的，所述边缘检测算法为canny算子边缘检测算法。
4.根据权利要求1所述的基于肺图的高分辨CT图像分析方法，其特征在于，所述疾病组图像的HRCT图像输入第一图像分析模型，所述第一图像分析模型对所述HRCT图像进行影像学特征提取，将所述影像学特征与蜂窝状特征融合得到融合特征，将融合特征输入分类器中，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果。
5.根据权利要求1所述的基于肺图的高分辨CT图像分析方法，其特征在于，将所述疾病组图像的HRCT图像输入到训练好的分割模型，分割出病灶区域图，将所述病灶区域图输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别。
6.根据权利要求1所述的基于肺图的高分辨CT图像分析方法，其特征在于，所述第二图像分析模型选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、梯度提升决策树、感知机算法。
7.根据权利要求1所述的基于肺图的高分辨CT图像分析方法，其特征在于，所述方法还包括对所述全肺成像进行ROI分割，得到包含N个子区域的分割后的全肺成像，所述N为自然数，对所述全肺成像中的N个子区域分别进行特征提取，得到特征向量；可选的，所述特征提取是对所述全肺成像中的每个子区域分别采用不同滤波器进行特征提取，得到不同类别的影像组学特征作为影像学特征向量。
8.一种基于肺图的高分辨CT图像分析系统，其特征在于，所述系统包括：
获取单元，用于获取待诊断患者包括肺部区域的HRCT图像；
第一分类单元，将所述HRCT图像输入第一分类模型中，得到所述HRCT图像为健康组图像或疾病组图像分类；
第二分类单元，用于将所述疾病组图像的HRCT图像输入第一图像分析模型，得到所述HRCT图像是否为典型纤维化间质性肺疾病图像的分类结果，所述第一图像分析模型对所述HRCT图像进行蜂窝状影像学特征的识别；
重建单元，用于当所述HRCT图像的分类结果为不是典型纤维化间质性肺疾病图像，将所述肺部HRCT图像进行三维重建，获得全肺成像；
提取单元，用于对所述全肺成像进行影像学特征提取，得到影像学特征向量；
第三分类单元，用于将所述影像学特征向量输入第二图像分析模型，对所述影像学特征向量进行识别，得到所述HRCT图像为非典型纤维化间质性肺疾病图像或非纤维化型间质性肺疾病图像的分类结果。
9.一种基于肺图的高分辨CT图像分析设备，包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，实现权利要求1-7任意一项所述的基于肺图的高分辨CT图像分析方法步骤。
10.一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，所述计算机程序被处理器执行时，实现权利要求1-7任意一项所述的基于肺图的高分辨CT图像分析方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210675028.XA CN114972296B (zh) | 2022-06-14 | 2022-06-14 | 一种基于肺图的高分辨ct图像分析方法、设备及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210675028.XA CN114972296B (zh) | 2022-06-14 | 2022-06-14 | 一种基于肺图的高分辨ct图像分析方法、设备及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114972296A true CN114972296A (zh) | 2022-08-30 |
| CN114972296B CN114972296B (zh) | 2023-02-07 |
Family
ID=82963550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210675028.XA Active CN114972296B (zh) | 2022-06-14 | 2022-06-14 | 一种基于肺图的高分辨ct图像分析方法、设备及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114972296B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150324982A1 (en) * | 2012-11-11 | 2015-11-12 | The Regents Of The University Of California | Automated image system for scoring changes in quantitative interstitial lung disease |
| CN109994199A (zh) * | 2017-11-24 | 2019-07-09 | 西门子医疗保健有限责任公司 | 基于计算机的诊断系统 |
| CN110211695A (zh) * | 2019-06-14 | 2019-09-06 | 上海市肺科医院 | 一种肺纤维化严重度评估方法 |
| CN112132800A (zh) * | 2020-09-18 | 2020-12-25 | 上海市肺科医院 | 基于深度学习的肺纤维化检测与严重度评估方法及系统 |
| WO2021046152A1 (en) * | 2019-09-03 | 2021-03-11 | The Regents Of The University Of California | System and method for prediction of disease progression of pulmonary fibrosis using medical images |
| CN112927237A (zh) * | 2021-03-10 | 2021-06-08 | 太原理工大学 | 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 |
| CN113096109A (zh) * | 2021-04-22 | 2021-07-09 | 四川大学 | 一种肺部医学图像分析方法、设备及系统 |
| US20210224987A1 (en) * | 2019-10-21 | 2021-07-22 | The Uab Research Foundation | Systems and methods for detection and staging of pulmonary fibrosis from image-acquired data |
| CN114140395A (zh) * | 2021-11-09 | 2022-03-04 | 安徽医学高等专科学校 | 肺部纤维化智能判定方法 |
| CN114266774A (zh) * | 2022-03-03 | 2022-04-01 | 中日友好医院(中日友好临床医学研究所) | 一种基于平扫ct图像诊断肺栓塞的方法、设备及系统 |
-
2022
- 2022-06-14 CN CN202210675028.XA patent/CN114972296B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150324982A1 (en) * | 2012-11-11 | 2015-11-12 | The Regents Of The University Of California | Automated image system for scoring changes in quantitative interstitial lung disease |
| CN109994199A (zh) * | 2017-11-24 | 2019-07-09 | 西门子医疗保健有限责任公司 | 基于计算机的诊断系统 |
| CN110211695A (zh) * | 2019-06-14 | 2019-09-06 | 上海市肺科医院 | 一种肺纤维化严重度评估方法 |
| WO2021046152A1 (en) * | 2019-09-03 | 2021-03-11 | The Regents Of The University Of California | System and method for prediction of disease progression of pulmonary fibrosis using medical images |
| US20210224987A1 (en) * | 2019-10-21 | 2021-07-22 | The Uab Research Foundation | Systems and methods for detection and staging of pulmonary fibrosis from image-acquired data |
| CN112132800A (zh) * | 2020-09-18 | 2020-12-25 | 上海市肺科医院 | 基于深度学习的肺纤维化检测与严重度评估方法及系统 |
| CN112927237A (zh) * | 2021-03-10 | 2021-06-08 | 太原理工大学 | 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 |
| CN113096109A (zh) * | 2021-04-22 | 2021-07-09 | 四川大学 | 一种肺部医学图像分析方法、设备及系统 |
| CN114140395A (zh) * | 2021-11-09 | 2022-03-04 | 安徽医学高等专科学校 | 肺部纤维化智能判定方法 |
| CN114266774A (zh) * | 2022-03-03 | 2022-04-01 | 中日友好医院(中日友好临床医学研究所) | 一种基于平扫ct图像诊断肺栓塞的方法、设备及系统 |
Non-Patent Citations (3)
| Title |
|---|
| ANDREAS CHRISTE ET AL: "Computer-Aided Diagnosis of Pulmonary Fibrosis Using Deep Learning and CT Images", 《INVESTIGATIVE RADIOLOGY》 * |
| WALSH SLF ET AL: "Deep learning for classifying fibrotic lung disease on high-resolution computed tomography: a case-cohort study", 《THE LANCET RESPIRATORY MEDICINE》 * |
| 孙海双等: "人工智能在间质性肺疾病评价中的应用进展", 《中国医学影像学杂志 》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114972296B (zh) | 2023-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Murugesan et al. | A hybrid deep learning model for effective segmentation and classification of lung nodules from CT images | |
| Valente et al. | Automatic 3D pulmonary nodule detection in CT images: a survey | |
| JP7123983B2 (ja) | ニューラルネットワークを使用した断層撮影画像再構成およびラジオミクスを統合するためのシステムおよび方法 | |
| EP3770850A1 (en) | Medical image identifying method, model training method, and computer device | |
| Xu et al. | DeepLN: a framework for automatic lung nodule detection using multi-resolution CT screening images | |
| CN108171692B (zh) | 一种肺部影像检索方法及装置 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN112529834A (zh) | 病理图像模式在3d图像数据中的空间分布 | |
| JP2010207572A (ja) | 障害のコンピュータ支援検出 | |
| Janik et al. | Interpretability of a deep learning model in the application of cardiac MRI segmentation with an ACDC challenge dataset | |
| WO2007064981A2 (en) | Reducing false positives of polyp in cad | |
| Kaliyugarasan et al. | Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI | |
| CN114266774A (zh) | 一种基于平扫ct图像诊断肺栓塞的方法、设备及系统 | |
| Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
| JP2012504003A (ja) | コンピュータを用いて実行される障害検出方法及び装置 | |
| CN114972296B (zh) | 一种基于肺图的高分辨ct图像分析方法、设备及系统 | |
| CN115132275B (zh) | 基于端到端三维卷积神经网络预测egfr基因突变状态方法 | |
| CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
| US20230410291A1 (en) | Method and system for segmenting and identifying at least one tubular structure in medical images | |
| CN115274119A (zh) | 一种融合多影像组学特征的免疫治疗预测模型的构建方法 | |
| Ogiela et al. | Computer analysis of gallbladder ultrasonic images towards recognition of pathological lesions | |
| Ibrahim et al. | Liver Multi-class Tumour Segmentation and Detection Based on Hyperion Pre-trained Models. | |
| Jadhav et al. | Comparative Study of breast cancer detection methods | |
| CN114067154B (zh) | 基于多序列mri的克罗恩病纤维化分级方法及相关设备 | |
| CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 |
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 |