CN115393321A - 一种基于深度学习的多层螺旋ct对肺结核多分类检出方法 - Google Patents

Abstract

本发明涉及计算机视觉的医学图像分类任务技术领域，尤其涉及一种基于深度学习的多层螺旋CT对肺结核多分类检出方法，包括：S1：汇总收集患者CT图像数据；S2：对汇总收集到的CT图像数据进行切片，获得原始数据集；S3：对原始图像进行预处理，创建特征样本库，预处理后的图像为特征样本；S4：将特征样本集进行划分，分别用于分类网络模型的建立和测试模型效果，其中训练集和测试集划分比例为8：2。本发明采用多层螺旋CT图像作为数据集，相比X光图像，能够更好的显示肺结核在放射学中的特征，便于机器进行特征提取；对肺结核进行多分类检出，主要包括活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维化病变、非肺结核。

Description

一种基于深度学习的多层螺旋CT对肺结核多分类检出方法

技术领域

本发明涉及计算机视觉的医学图像分类任务技术领域，尤其涉及一种基于深度学习的多层螺旋CT对肺结核多分类检出方法。

背景技术

肺结核(TB)是世界上第二大死亡原因，在传染病中排名第一。结核病是一类经由结核分枝杆菌产生的传染病。如果不及时治疗，结核病的死亡率很高，它通常会影响肺部，但也会影响肺部以外的部位。当患有活动性结核病(Active pulmonary tuberculosis,ATB)的人干咳，打喷嚏或以其他方式排出传染性细菌时，它会经由空气中传播。通过初期诊治和恰当治疗可以预防大多数结核病患的死亡。2020年WHO发布的《结核病综合指南：预防性治疗》中提出：有既往结核病史或者非活动性肺结核者有更高的发病风险，应该成为暴露后干预的目标人群。在我国，2021年中国防痨协会组织国内结核病防治、临床、影像学、研究等多领域的专家，撰写了《非活动性肺结核诊断及预防发病专家共识》，提出非活动性结核是实现消灭结核病目标的重点干预人群，需要进行化学和免疫预防干预。因此，将这些肺结核子类别进行准确检出和诊断具有重要的现实作用。

随着计算机断层扫描(Computed Tomography,CT)技术的普及，CT广泛运用在识别胸部实质病变的早期反应以及检测结核患者肺部病情的严重程度。CT图像可以更好的显示肺结核在放射学中的特征，包括厚壁空洞、肺实质、小叶中心结节和树芽征等。目前的肺结核诊断算法多数专注于基于X光片的二分类检出，忽视了CT相较于X光片具有更优秀的准确检出和诊断，也忽视了不同的肺结核种类对于医生诊断病情的影响。因此，仅仅诊断患者是否患有肺结核并不能够满足医生在临床上的需求。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于深度学习的多层螺旋CT对肺结核多分类检出方法，根据可解释性肺结核的病灶特征和肺结核类别划分的条件，实现对活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维化病变、非肺结核的检出。

为了实现上述目的，本发明采用了如下技术方案：一种基于深度学习的多层螺旋CT对肺结核多分类检出方法，具体步骤如下：

S1：汇总收集患者CT图像数据；

S2：对汇总收集到的CT图像数据进行切片，获得原始数据集；

S3：对原始图像进行预处理，创建特征样本库，预处理后的图像为特征样本；

S4：将特征样本集进行划分，分别用于分类网络模型的建立和测试模型效果，其中训练集和测试集划分比例为8：2。

优选地，在步骤S4中，具体步骤如下：

S4.1：采用医学影像专家对训练集进行标注，将训练集特征样本划分为活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维化病变、非肺结核四个分类，将分类后的训练集样本输入建立可解释性肺结核分类网络进行训练；

S4.2：将测试集样本输入训练好的可解释性肺结核分类网络模型中，首先图片输入到Patch Partition模块中进行分块，即每4x4相邻的像素为一个Patch，然后在channel方向展平。通过Patch Partition后图像shape由[H,W,3]变为[H/4,W/4,48]；通过LinearEmbeding层对每个像素的channel数据做线性变换，由48变成C，即图像shape再由[H/4,W/4,48]变成了[H/4,W/4,C]；通过四个Stage构建不同大小的特征图，重复堆叠成对的SwinTransformer Block，成对出现的Swin Transformer Block由Windows Multi-Head Self-Attention和Shifted Windows Multi-Head Self-Attention组成，其中W-MSA将特征图划分成了多个不相交的区域，并且Multi-Head Self-Attention只在每个窗口内进行，SW-MSA实现不同窗口之间进行信息的交流；最后接上一个Layer Norm层、全局池化层以及全连接层得到最终输出；

S4.3：得到测试样本的分类结果，用于辅助医生诊断和处理病情。

与现有技术相比，本发明具有以下有益效果：

1、本发明采用多层螺旋CT图像作为数据集，相比X光图像，能够更好的显示活动性肺结核在放射学中的特征，包括厚壁空洞、肺实质、小叶中心结节和树芽征，大幅提高了对于病灶检测的准确度。

2、本发明对活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维化病变、非肺结核的多分类检出，可以更好地满足临床需要，可以快速有效地提供给医生供参考的诊断意见。

附图说明

图1为本发明的流程图；

图2为本发明中Swin Transformer整体架构示意图。

具体实施方式

下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：建立数据集，参照图1：

S1：收集汇总患者CT影像，调用pydicom库，将原dcom格式的CT图像切片为jpg格式图像；

S2：对图像进行归一化处理，大小缩放为512×512的png格式图像，并对所述的图像进行预处理,预处理方法包括对随机图像进行随机增强，增强方式有图片翻转、对比度归一化、添加高斯噪声等；

S3：将预处理后的图像进行分类，由医学影像专家对训练集进行标注，将训练集特征样本划分为活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维化病变、非肺结核四个分类，建立特征样本库；

S4：将特征样本集进行划分，分别用于分类网络模型的建立和测试模型效果，其中训练集和测试集划分比例为8：2。

实施例二：建立并训练基于深度学习的可解释性肺结核的分类网络模型，如图2所示，包括以下步骤：

分类网络模型采用层次化构建方法(Hierarchical featuremaps)，一共包含4个Stage，每个stage都会缩小输入特征图的分辨率，像CNN一样逐层扩大感受野。在输入开始的时候，做了一个Patch Embedding，将图片切成一个个图块，并嵌入到Embedding。在每个Stage里，由Patch Merging和多个成对的Block组成，其中Patch Merging模块主要在每个Stage一开始降低图片分辨率。而单个Block具体结构如图2所示，主要是LayerNorm，MLP，Window Attention和Shifted Window Attention组成。成对的Swin Transformer Block由Windows Multi-Head Self-Attention(W-MSA)和Shifted Windows Multi-Head Self-Attention(SW-MSA)组成，其中W-MSA将特征图划分成了多个不相交的区域(Window)，并且Multi-Head Self-Attention只在每个窗口(Window)内进行，SW-MSA实现不同窗口之间进行信息的交流。

将分类后的训练集样本输入建立可解释性肺结核分类网络进行训练，设置训练学习率为0.0001，训练次数为200次，每批次训练的图片数batch_size为4。将训练结果与实际分类标签对比计算损失函数，再利用损失函数的结果进行梯度下降来更新网络的参数，得到训练完成的可解释性肺结核分类网络。

实施例三：测试基于深度学习的可解释性肺结核的分类网络模型

将测试集中肺实质图像输入到训练好的可解释性肺结核分类网络获得待测人员肺结核的分类结果，与肺实质图像对应的标签进行对比，统计准确率，最终得到总体准确度。

综上所述，本发明采用多层螺旋CT图像作为数据集，相比X光图像，能够更好的显示肺结核在放射学中的特征，便于机器进行特征提取；对肺结核进行多分类检出，主要包括活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维化病变、非肺结核。

本发明中披露的说明和实践，对于本技术领域的普通技术人员来说，都是易于思考和理解的，且在不脱离本发明原理的前提下，还可以做出若干改进和润饰。因此，在不偏离本发明精神的基础上所做的修改或改进，也应视为本发明的保护范围。

Claims (2)

1.一种基于深度学习的多层螺旋CT对肺结核多分类检出方法，其特征在于，具体步骤如下：

S1：汇总收集患者CT图像数据；

S2：对汇总收集到的CT图像数据进行切片，获得原始数据集；

S3：对原始图像进行预处理，创建特征样本库，预处理后的图像为特征样本；

S4：将特征样本集进行划分，分别用于分类网络模型的建立和测试模型效果，其中训练集和测试集划分比例为8：2。

2.根据权利要求1所述的一种基于深度学习的多层螺旋CT对肺结核多分类检出方法，其特征在于，在步骤S4中，具体步骤如下：

S4.1：采用医学影像专家对训练集进行标注，将训练集特征样本划分为活动性肺部病变、非活动性肺部钙化病变、非活动性肺部纤维化病变、非肺结核四个分类，将分类后的训练集样本输入建立可解释性肺结核分类网络进行训练；

S4.2：将测试集样本输入训练好的可解释性肺结核分类网络模型中，首先图片输入到Patch Partition模块中进行分块，即每4x4相邻的像素为一个Patch，然后在channel方向展平。通过Patch Partition后图像shape由[H,W,3]变为[H/4,W/4,48]；通过LinearEmbeding层对每个像素的channel数据做线性变换，由48变成C，即图像shape再由[H/4,W/4,48]变成了[H/4,W/4,C]；通过四个Stage构建不同大小的特征图，重复堆叠成对的SwinTransformer Block，成对出现的Swin Transformer Block由Windows Multi-Head Self-Attention和Shifted Windows Multi-Head Self-Attention组成，其中W-MSA将特征图划分成了多个不相交的区域，并且Multi-Head Self-Attention只在每个窗口内进行，SW-MSA实现不同窗口之间进行信息的交流；最后接上一个Layer Norm层、全局池化层以及全连接层得到最终输出；

S4.3：得到测试样本的分类结果，用于辅助医生诊断和处理病情。

Images