CN115439478B - 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 - Google Patents

基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 Download PDF

Info

Publication number
CN115439478B
CN115439478B CN202211386395.4A CN202211386395A CN115439478B CN 115439478 B CN115439478 B CN 115439478B CN 202211386395 A CN202211386395 A CN 202211386395A CN 115439478 B CN115439478 B CN 115439478B
Authority
CN
China
Prior art keywords
lung
perfusion
lobe
image
segmentation
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
Application number
CN202211386395.4A
Other languages
English (en)
Other versions
CN115439478A (zh
Inventor
章毅
赵祯
徐修远
蔡华伟
周凯
李林
张海仙
蒋丽莎
刘若萌
郭际香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202211386395.4A priority Critical patent/CN115439478B/zh
Publication of CN115439478A publication Critical patent/CN115439478A/zh
Application granted granted Critical
Publication of CN115439478B publication Critical patent/CN115439478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质，属于核医学灌注显像领域中的肺叶灌注强度评估，其目的在于解决现有常规肺灌注显像法只能看出肺功能缺失区域而无法计算每个肺叶的灌注数据的问题，其包括搭建并训练肺叶分割模型，并利用肺叶分割模型得到的肺叶分割图像与重构得到的核医学肺灌注图像进行配准，将肺叶分割的结果应用在核医学肺灌注图像上，并计算每个肺叶的灌注容积强度计数和灌注容积占比。本发明利用肺叶分割模型获得肺叶分割图像后与重构的肺灌注造影图像进行多模态配准、融合，能够自动地实现肺叶分割，并能计算每个肺叶的灌注容积强度计数和灌注容积占比。

Description

基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质
技术领域
本发明属于核医学灌注显像领域，涉及基于肺灌注的肺叶灌注强度评估，尤其涉及一种基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质。
背景技术
随着科技的发展，越来越多的人开始注重健康，其中心肺功能是人正常生理活动的最关键部分，尤其是肺功能的评估就显得尤为重要。肺功能评估是肺部疾病诊疗过程中所需要进行的辅助手段，肺功能的精准评估将为肺癌的放化疗以及手术治疗提供重要的依据。
当前已经有很多可以对心肺功能进行评估的技术，包括肺容量测定，肺通气功能测定，通气、血流在肺内分布及通气/血流比率测定，气体弥散、肺顺应性、气道阻力、小气道功能等的测定及运动试验、动脉血气分析等；临床上常规的检查项目主要是肺容量测定、肺通气功能测定和动脉血气分析。
申请号为202011065303.3的发明专利就公开了一种动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统，其是通过在预设的周期内持续获取用户心肺功能评估信息，包括呼出气体流量曲线以及心率变化曲线，然后利用预设的状态辨识规则来对心肺功能评估信息进行处理，得到静止-运动状态切换时的心肺功能评估信息，相对于单纯获取稳定静止状态或者稳定运动状态下的心肺功能评估信息，由于静止-运动状态切换时的心肺功能评估信息包含有更多的生理信息，因此，配合后续的状态切换心肺功能评估模型对静止-运动状态切换时的心肺功能评估信息进行处理，能够更加全面精确的确定出用户的心肺功能评估结果。
除了采用上述常规的呼吸测量法进行肺功能的评估外，现有技术中还有采用肺灌注的方式进行肺功能评估。核医学肺灌注显像通过判断肺血流灌注功能状况，对肺部疾病的正确诊断及疗效评价均有重要的临床意义。
申请号为202010207050.2的发明专利申请就公开了一种核医学肺灌注显像定量分析方法、分析设备及存储介质，其先对病人的检查图像作预处理，并将影像分类为解剖影像和灌注影像；再根据不同类型的影像，选择相应的方式处理检查图像，获得解剖肺净容积和灌注肺净容积，再计算得到灌注有效容积比。通过人工智能，自动识别图像中的肺部区域，根据设置的阈值计算肺部的代谢功能区域容积，也可以通过前后两次检查的图像数据结果计算差值；能够为临床提供一种清晰、直观的检测手段，得到相应的中间检测结果。
如上所述的肺灌注显像法虽能直观的看出患者肺功能缺失的区域，但由于其不能精准测量每个肺叶的灌注数据(比如灌注容积强度计数和灌注容积占比)，不能很好地判断每个肺叶的肺功能情况，就不能精确地评估每一个肺叶的肺功能占比状况。
发明内容
本发明的目的在于：为了解决现有常规肺灌注显像法只能看出肺功能缺失区域而无法计算每个肺叶的灌注数据的问题，本发明提供一种基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质，通过对普通肺部CT进行肺叶区域勾画后叠加在核医学肺灌注显像图像(SPECT)上，最终精准的测量每个肺叶的灌注容积强度计数和灌注容积占比。
本发明为了实现上述目的具体采用以下技术方案：
一种基于肺灌注的肺叶灌注强度评估方法，包括以下步骤：
步骤S1，样本数据获取
获取原始的CT样本图像，并进行crop处理、归一化处理；
步骤S2，模型构建
搭建肺叶分割模型，肺叶分割模型采用3D全卷积神经网络作为主体特征提取网络，并在3D全卷积神经网络的解码器的最后一层增加1*1*1的卷积和sigmoid激活函数；
步骤S3，模型训练
利用步骤S1中处理后的CT样本图像对步骤S2搭建好的肺叶分割模型进行训练；步骤S4，肺部分割图像获取
获取待评估的CT图像，并将待评估的CT图像输入肺叶分割模型，得到肺叶分割图像；
步骤S5，核医学肺显像重构
获取待评估cT图像对应的由SPECT拍摄的原始肺灌注造影图像，并使用有序子集最大期望值法进行图像重构，得到核医学肺灌注图像；
步骤S6，多模态图像配准
将步骤S4得到的肺叶分割图像与步骤S5得到的核医学肺灌注图像进行配准，将肺叶分割的结果应用在核医学肺灌注图像上，并计算每个肺叶的灌注容积强度计数和灌注容积占比。
作为优选，步骤S3在进行模型训练时，肺叶分割模型整体的学习误差为：
Ltotal＝λ1L(P，G)+λ2Laux(Paux，Gaux)
其中，λ1、λ2表示为调整肺叶分割任务与肺叶边界分割任务的权重的参数，L(P，G)表示肺叶分割任务的学习误差，Laux(Paux，Gaux)表示肺叶边界任务中学习误差；
设定P为肺叶分割任务中网络产生的肺叶预测，G为肺叶分割任务中的肺叶标签，C为总类别的数量，在肺叶分割任务中总类别由五个肺叶类别与一个背景类别组成，即C为6；N为像素的总数量；设定若肺叶标签中第i个像素属于类别c，则gic为1，否则gic为0；pic为肺叶预测中第i个像素属于类别c的概率，范围为[0，1]；则肺叶分割任务的学习误差定义为：
Figure GDA0004054779080000031
设定Paux为肺叶边界任务中sigmoid层产生的肺叶边界预测结果，Gaux为由肺叶标签自动生成的肺叶边界标签，N为像素的总数量；设定若肺叶边界标签中第i个像素属于肺叶边界，则gaux为1，否则gaux为0；paux为肺叶边界预测中第i个像素为肺叶边界的概率，范围为[0，1]；则肺叶边界任务中学习误差定义为：
Figure GDA0004054779080000032
其中，α和γ用于平衡样本难度，这里分别设置为1和2。
作为优选，步骤S3在进行模型训练时，初始学习率设置为0.001，权重衰减参数设置为5×10-4；若单例误差连续经过20例数据的训练不下降后，学习率将乘以衰减系数0.8；一次训练批次设置为1，学习迭代次数为100；针对每个批次更新一次参数，每一次迭代学习之后，肺叶分割模型判断肺结节检测结果的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前模型，然后继续训练；若训练达到最大迭代次数或者总误差连续经过10迭代没有都下降，训练停止。
作为优选，步骤S5中，核医学肺显像重构的具体步骤为：
步骤S5-1，使用有序子集最大期望值法将原始肺灌注造影图像分为n个子集{S1，S2，…，Sa，…，Sn}；
步骤S5-2，选择一个子集Sa；
步骤S5-3，假定一个初始图像Fb；
步骤S5-4，计算初始图像Fb的正向投影Db；
步骤S5-5，对比子集Sa与正向投影Db，计算校正系数，并更新初始图像Fb；
步骤S5-6，重复步骤S5-2到步骤S5-5，直到所有子集均对投影数据校正一次，完成一次迭代；
步骤S5-7，满足停步规则时，迭代中止，完成图像重构，得到核医学肺灌注图像。
作为优选，步骤S6中，具体步骤为：
步骤S6-1，利用插值方式将步骤S5得到的核医学肺灌注图像的分辨率调整到步骤S4得到的肺叶分割图像的分辨率，得到插值核医学肺灌注图像；
步骤S6-2，用离散Hermite变换进行图像特征编码，分别将步骤S4得到的肺叶分割图像和步骤S6-1的插值核医学肺灌注图像局部投影到Hermite多项式集上，输入图像被分解为一组包含不同纹理特征的Hermite系数，提供低频系数和细节系数；利用变换得到的系数进行图像融合，低频系数通过稀疏表达和肺部轮廓mask进行融合，同时利用局部方向信息和方差对细节系数进行组合，最后在原始空间计算逆变换以获得最终的融合图像；
步骤S6-3，设步骤S4得到的肺叶分割图像容积为R，设步骤S6-2得到的融合图像上的初步灌注容积为T，两者交集结果为J；对于容积为R的肺叶分割图像中的每一个体素，获取该体素的空间坐标(x,y,z)，将空间坐标(x,y,z)映射到初步灌注容积T的体素空间；如果存在体素R(x,y,z)，则认为容积R、T存在交集，并产生一个标记结果体素J(x,y,z)，多个标记结果体素构成标记交集结果J，得到最终的肺叶灌注容积；
步骤S6-4，通过步骤S6-3得到的肺叶灌注容积，对每个肺叶内的灌注容积强度进行累加计算，计算公式为：
Figure GDA0004054779080000051
Figure GDA0004054779080000052
Figure GDA0004054779080000053
Figure GDA0004054779080000054
Tg和Vg分别代表每个肺叶的体素亮度和体积，T和V分别代表整个肺的灌注显像强度和体积，
Figure GDA0004054779080000055
和
Figure GDA0004054779080000056
分别代表每个肺叶相对于整个肺的灌注强度占比和体积占比，k为每个肺叶的体素个数，K为肺叶个数，g∈[1,5]，g表示第g个肺叶。
一种基于肺灌注的肺叶灌注强度评估系统，包括：
样本数据获取模块，用于获取原始的CT样本图像，并进行crop处理、归一化处理；
模型构建模块，用于搭建肺叶分割模型，肺叶分割模型采用3D全卷积神经网络作为主体特征提取网络，并在3D全卷积神经网络的解码器的最后一层增加1*1*1的卷积和sigmoid激活函数；
模型训练模块，用于利用样本数据获取模块中处理后的CT样本图像对模型构建模块搭建好的肺叶分割模型进行训练；
肺部分割图像获取模块，用于获取待评估的CT图像，并将待评估的CT图像输入肺叶分割模型，得到肺叶分割图像；
核医学肺显像重构模块，用于获取待评估CT图像对应的由SPECT拍摄的原始肺灌注造影图像，并使用有序子集最大期望值法进行图像重构，得到核医学肺灌注图像；
多模态图像配准模块，用于将肺部分割图像获取模块得到的肺叶分割图像与核医学肺显像重构模块得到的核医学肺灌注图像进行配准，将肺叶分割的结果应用在核医学肺灌注图像上，并计算每个肺叶的灌注容积强度计数和灌注容积占比。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于肺灌注的肺叶灌注强度评估方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质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一种基于肺灌注的肺叶灌注强度评估方法的步骤。
本发明的有益效果如下：
1、本发明中，利用肺叶分割模型获得肺叶分割图像后与重构的肺灌注造影图像进行多模态配准、融合，能够自动地实现肺叶分割，并能精准计算每个肺叶的灌注容积强度计数和灌注容积占比，有效解决现有常规肺灌注显像法只能看出肺功能缺失区域而无法判断、评估每个肺叶的肺功能占比状况的问题。
2、在现有的肺叶分割任务中，由于肺叶边界附近的肺裂很多情况下是不完整的，此外一些病理病变会导致肺叶的边界难以区分，目前的肺叶分割方法通常在肺叶边界上的分割效果比肺叶内部区域的分割效果差。本发明中，创新性在肺叶分割模型的3D全卷积神经网络的解码器的最后一层增加有1*1*1的卷积和sigmoid激活函数，肺叶边界分割任务被作为辅助任务与肺叶分割任务相结合，旨在通过辅助任务的共享信息表达来提高模型在肺叶边界区域的分割性能。
3、由于肺叶边界数据存在极度不均衡的现象，即肺叶边界区域只占很小的一部分。为此，本发明在进行模型训练时，创造性地对肺叶分割任务、肺叶边界任务使用不同的分类学习误差，并使用两个可变参数调整两个任务在训练过程中所占的权重，尤其是肺叶边界任务更能关注少量的样本于难分的样本，模型的学习误差对模型的训练更好。
附图说明
图1是本发明的流程示意图；
图2是本发明中肺叶分割模型的结构示意图；
其中，图示()中的数字表示通道数。
具体实施方式
实施例1
本实施例提供一种基于肺灌注的肺叶灌注强度评估方法，如图1所示，其包括以下步骤：
步骤S1，样本数据获取
获取原始的CT样本图像，并进行crop处理、归一化处理。
原始的CT样本图像为公开数据集中50例精准标注数据。
本实施例中的肺叶分割方法不需要复杂的预处理流程，因而数据预处理阶段中多原始的CT样本图像进行简单的crop处理与归一化处理。由于CT图像中人体外部区域对于肺叶的分割任务来说是冗余的，为了在保留完整肺部区域的前提下降低显存用量与加快训练与推断时间，原始的CT样本图像被沿着三个维度的边缘分别裁剪掉20个像素值。比如一个300*512*512大小的CT图像数据经过crop后变为(320-20*2)*(512-20*2)*(512-20*2)即280*472*472大小的CT图像数据。为了保证CT图像数据与标定数据的一致性，标定数据也会经过相同的crop步骤。上述crop处理后获得的CT数据被归一化到[0-1]之间。
步骤S2，模型构建
搭建肺叶分割模型，肺叶分割模型采用3D全卷积神经网络作为主体特征提取网络，并在3D全卷积神经网络的解码器的最后一层增加1*1*1的卷积和sigmoid激活函数；
如图2所示，肺叶分割模型由两个部分组成，一是利用3D全卷积神经网络作为主体特征提取网络，二是利用多任务学习用于同时学习肺叶和肺叶边界，并从肺叶边界任务的共享信息中提升肺叶分割在肺叶边界区域的准确性。
该3D全卷积神经网络基于3D深度可分离卷积、空洞残差密集卷积块与输入增强提取多尺度的数据特征。3D深度可分离卷积将一般的卷积操作分为两步进行，大大降低了网络的参数量，减轻了训练三维数据的显存需求；空洞残差密集卷积块通过连接膨胀率(Dilation rate)递增的分离卷积增加网络的感受野(Receptivefield)，捕捉的空间信息更加广泛，同时应用密集连接与残差学习有利于损失函数的反向传播；输入增强则补充了数据在降采样过程中损失的部分信息。该网络能够在使用少量参数与显存的前提下，快速地提取到数据中多尺度、多类型的特征，具备很强的学习能力。
在肺叶分割中，由于肺叶边界附近的肺裂很多情况下是不完整的，此外一些病理病变会导致肺叶的边界难以区分，目前的肺叶分割方法通常在肺叶边界上的分割效果比肺叶内部区域的分割效果差。为了解决这个问题，肺叶边界分割任务被作为辅助任务与肺叶分割任务相结合，旨在通过辅助任务的共享信息表达来提高模型在肺叶边界区域的分割性能。具体来说，在3D全卷积神经网络的解码器的最后一层增加了一个1*1*1的卷积和sigmoid激活函数，产生肺叶边界的分割结果，并使用相应的学习误差进行训练，这使得网络在反向传播的过程中能够同时学习到肺叶边界分割任务与肺叶分割任务。
步骤S3，模型训练
利用步骤S1中处理后的CT样本图像对步骤S2搭建好的肺叶分割模型进行训练；由于输入的是三维数据，为了减轻网络对显存的需求，训练时采用混合精度训练方法与断点训练方法。初始学习率设置为0.001，权重衰减参数设置为5×10-4；若单例误差连续经过20例数据的训练不下降后，学习率将乘以衰减系数0.8；一次训练批次设置为1，学习迭代次数为100。空洞残差密集卷积块中的膨胀率被设定为(1,2,3,4)。网络训练采用BP反馈传播算法同时使用分类误差学习肺叶分割任务，使用Focal误差学习肺叶边界分割任务。针对每个批次更新一次参数，每一次迭代学习之后，肺叶分割模型判断肺结节检测结果的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前模型，然后继续训练；若训练达到最大迭代次数或者总误差连续经过10迭代没有都下降，训练停止。
本实施例针对肺叶分割任务、肺叶边界任务分别采用两个不同的学习误差，其中肺叶边界任务的学习误差更关注少量的样本与难分的样本，并使用两个可变参数调整两个任务在训练过程中所占的权重。
在进行模型训练时，设定λ1、λ2表示为调整肺叶分割任务与肺叶边界分割任务的权重的参数，则肺叶分割模型整体的学习误差为：
Ltotal＝λ1L(P，G)+λ2Laux(Paux，Gaux)
其中，L(P，G)表示肺叶分割任务的学习误差，Laux(Paux，Gaux)表示肺叶边界任务中学习误差；
设定P为肺叶分割任务中网络产生的肺叶预测，G为肺叶分割任务中的肺叶标签，C为总类别的数量，在肺叶分割任务中总类别由五个肺叶类别与一个背景类别组成，即C为6；N为像素的总数量；设定若肺叶标签中第i个像素属于类别c，则gic为1，否则gic为0；pic为肺叶预测中第i个像素属于类别c的概率，范围为[0，1]；则肺叶分割任务的学习误差定义为：
Figure GDA0004054779080000091
设定Paux为肺叶边界任务中sigmoid层产生的肺叶边界预测结果，Gaux为由肺叶标签自动生成的肺叶边界标签，N为像素的总数量；设定若肺叶边界标签中第i个像素属于肺叶边界，则gaux为1，否则gaux为0；paux为肺叶边界预测中第i个像素为肺叶边界的概率，范围为[0，1]；则肺叶边界任务中学习误差定义为：
Figure GDA0004054779080000092
其中，α和γ用于平衡样本难度，这里分别设置为1和2。
步骤S4，肺部分割图像获取
获取待评估的CT图像，并将待评估的CT图像输入肺叶分割模型，得到肺叶分割图像。
步骤S5，核医学肺显像重构
获取待评估CT图像对应的由SPECT拍摄的原始肺灌注造影图像，并使用有序子集最大期望值法进行图像重构，得到核医学肺灌注图像。
核医学肺显像重构的具体步骤为：
步骤S5-1，使用有序子集最大期望值法将原始肺灌注造影图像分为n个子集{S1，S2，…，Sa，…，Sn}；
步骤S5-2，选择一个子集Sa；
步骤S5-3，假定一个初始图像Fb；
步骤S5-4，计算初始图像Fb的正向投影Db；
步骤S5-5，对比子集Sa与正向投影Db，计算校正系数，并更新初始图像Fb；
步骤S5-6，重复步骤S5-2到步骤S5-5，直到所有子集均对投影数据校正一次，完成一次迭代；
步骤S5-7，满足停步规则时，迭代中止，完成图像重构，得到核医学肺灌注图像。
步骤S6，多模态图像配准将步骤S4得到的肺叶分割图像与步骤55得到的核医学肺灌注图像进行配准，将肺叶分割的结果应用在核医学肺灌注图像上，并计算每个肺叶的灌注容积强度计数和灌注容积占比。
多模态图像配准的具体步骤为：
步骤S6-1，利用插值方式将步骤S5得到的核医学肺灌注图像的分辨率调整到步骤S4得到的肺叶分割图像的分辨率，得到插值核医学肺灌注图像；
步骤S6-2，用离散Hermite变换进行图像特征编码，分别将步骤S4得到的肺叶分割图像和步骤S6-1的插值核医学肺灌注图像局部投影到Hermite多项式集上，输入图像被分解为一组包含不同纹理特征的Hermite系数，提供低频系数和细节系数；利用变换得到的系数进行图像融合，低频系数通过稀疏表达和肺部轮廓mask进行融合，同时利用局部方向信息和方差对细节系数进行组合，最后在原始空间计算逆变换以获得最终的融合图像；
步骤S6-3，设步骤S4得到的肺叶分割图像容积为R，设步骤S6-2得到的融合图像上的初步灌注容积为T，两者交集结果为J；对于容积为R的肺叶分割图像中的每一个体素，获取该体素的空间坐标(x，y，z)，将空间坐标(x，y，z)映射到初步灌注容积T的体素空间；如果存在体素R(x，y，z)，则认为容积R、T存在交集，并产生一个标记结果体素J(x，y，z)，多个标记结果体素构成标记交集结果J，得到最终的肺叶灌注容积；
步骤S6-4，通过步骤S6-3得到的肺叶灌注容积，对每个肺叶内的灌注容积强度进行累加计算，计算公式为：
Figure GDA0004054779080000111
Figure GDA0004054779080000112
Figure GDA0004054779080000113
Figure GDA0004054779080000114
Tg和Vg分别代表每个肺叶的体素亮度和体积，T和V分别代表整个肺的灌注显像强度和体积，
Figure GDA0004054779080000115
和
Figure GDA0004054779080000116
分别代表每个肺叶相对于整个肺的灌注强度占比和体积占比，k为每个肺叶的体素个数，K为肺叶个数，g∈[1,5]，g表示第g个肺叶。
实施例2
本实施例提供一种基于肺灌注的肺叶灌注强度评估方法，其包括：
样本数据获取模块，用于获取原始的CT样本图像，并进行crop处理、归一化处理。
原始的CT样本图像为公开数据集中50例精准标注数据。
本实施例中的肺叶分割方法不需要复杂的预处理流程，因而数据预处理阶段中多原始的CT样本图像进行简单的crop处理与归一化处理。由于CT图像中人体外部区域对于肺叶的分割任务来说是冗余的，为了在保留完整肺部区域的前提下降低显存用量与加快训练与推断时间，原始的CT样本图像被沿着三个维度的边缘分别裁剪掉20个像素值。比如一个300*512*512大小的CT图像数据经过crop后变为(320-20*2)*(512-20*2)*(512-20*2)即280*472*472大小的CT图像数据。为了保证CT图像数据与标定数据的一致性，标定数据也会经过相同的crop步骤。上述crop处理后获得的CT数据被归一化到[0-1]之间。
模型构建模块，用于搭建肺叶分割模型，肺叶分割模型采用3D全卷积神经网络作为主体特征提取网络，并在3D全卷积神经网络的解码器的最后一层增加1*1*1的卷积和sigmoid激活函数；
如图2所示，肺叶分割模型由两个部分组成，一是利用3D全卷积神经网络作为主体特征提取网络，二是利用多任务学习用于同时学习肺叶和肺叶边界，并从肺叶边界任务的共享信息中提升肺叶分割在肺叶边界区域的准确性。
该3D全卷积神经网络基于3D深度可分离卷积、空洞残差密集卷积块与输入增强提取多尺度的数据特征。3D深度可分离卷积将一般的卷积操作分为两步进行，大大降低了网络的参数量，减轻了训练三维数据的显存需求；空洞残差密集卷积块通过连接膨胀率(Dilation rate)递增的分离卷积增加网络的感受野(Receptive field)，捕捉的空间信息更加广泛，同时应用密集连接与残差学习有利于损失函数的反向传播；输入增强则补充了数据在降采样过程中损失的部分信息。该网络能够在使用少量参数与显存的前提下，快速地提取到数据中多尺度、多类型的特征，具备很强的学习能力。
在肺叶分割中，由于肺叶边界附近的肺裂很多情况下是不完整的，此外一些病理病变会导致肺叶的边界难以区分，目前的肺叶分割方法通常在肺叶边界上的分割效果比肺叶内部区域的分割效果差。为了解决这个问题，肺叶边界分割任务被作为辅助任务与肺叶分割任务相结合，旨在通过辅助任务的共享信息表达来提高模型在肺叶边界区域的分割性能。具体来说，在3D全卷积神经网络的解码器的最后一层增加了一个1*1*1的卷积和sigmoid激活函数，产生肺叶边界的分割结果，并使用相应的学习误差进行训练，这使得网络在反向传播的过程中能够同时学习到肺叶边界分割任务与肺叶分割任务。
模型训练模块，用于利用样本数据获取模块中处理后的CT样本图像对模型构建模块搭建好的肺叶分割模型进行训练；
由于输入的是三维数据，为了减轻网络对显存的需求，训练时采用混合精度训练方法与断点训练方法。初始学习率设置为0.001，权重衰减参数设置为5×10-4；若单例误差连续经过20例数据的训练不下降后，学习率将乘以衰减系数0.8；一次训练批次设置为1，学习迭代次数为100。空洞残差密集卷积块中的膨胀率被设定为(1，2，3，4)。网络训练采用BP反馈传播算法同时使用分类误差学习肺叶分割任务，使用Focal误差学习肺叶边界分割任务。针对每个批次更新一次参数，每一次迭代学习之后，肺叶分割模型判断肺结节检测结果的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前模型，然后继续训练；若训练达到最大迭代次数或者总误差连续经过10迭代没有都下降，训练停止。
本实施例针对肺叶分割任务、肺叶边界任务分别采用两个不同的学习误差，其中肺叶边界任务的学习误差更关注少量的样本与难分的样本，并使用两个可变参数调整两个任务在训练过程中所占的权重。
在进行模型训练时，设定λ1、λ2表示为调整肺叶分割任务与肺叶边界分割任务的权重的参数，则肺叶分割模型整体的学习误差为：
Ltotal＝λ1L(P，G)+λ2Laux(Paux，Gaux)
其中，L(P，G)表示肺叶分割任务的学习误差，Laux(Paux，Gaux)表示肺叶边界任务中学习误差；
设定P为肺叶分割任务中网络产生的肺叶预测，G为肺叶分割任务中的肺叶标签，C为总类别的数量，在肺叶分割任务中总类别由五个肺叶类别与一个背景类别组成，即C为6；N为像素的总数量；设定若肺叶标签中第i个像素属于类别c，则gic为1，否则gic为0；pic为肺叶预测中第i个像素属于类别c的概率，范围为[0，1]；则肺叶分割任务的学习误差定义为：
Figure GDA0004054779080000131
设定Paux为肺叶边界任务中sigmoid层产生的肺叶边界预测结果，Gaux为由肺叶标签自动生成的肺叶边界标签，N为像素的总数量；设定若肺叶边界标签中第i个像素属于肺叶边界，则gaux为1，否则gaux为0；paux为肺叶边界预测中第i个像素为肺叶边界的概率，范围为[0，1]；则肺叶边界任务中学习误差定义为：
Figure GDA0004054779080000141
其中，α和γ用于平衡样本难度，这里分别设置为1和2。
肺部分割图像获取模块，用于获取待评估的CT图像，并将待评估的CT图像输入肺叶分割模型，得到肺叶分割图像。
核医学肺显像重构模块，用于获取待评估CT图像对应的由SPECT拍摄的原始肺灌注造影图像，并使用有序子集最大期望值法进行图像重构，得到核医学肺灌注图像。
核医学肺显像重构的具体步骤为：
步骤S5-1，使用有序子集最大期望值法将原始肺灌注造影图像分为n个子集{S0，S1，...，Si，...，Sn}；
步骤S5-2，选择一个子集Si；
步骤S5-3，假定一个初始图像Fi；
步骤S5-4，计算初始图像Fi的正向投影Di；
步骤S5-5，对比子集Si与正向投影Di，计算校正系数，并更新初始图像Fi；
步骤S5-6，重复步骤S5-2到步骤S5-5，直到所有子集均对投影数据校正一次，完成一次迭代；
步骤S5-7，满足停步规则，即正向投影图像与子集图像差异小于预设阈值时，迭代中止，完成图像重构，得到核医学肺灌注图像。
多模态图像配准模块，用于将肺部分割图像获取模块得到的肺叶分割图像与核医学肺显像重构模块得到的核医学肺灌注图像进行配准，将肺叶分割的结果应用在核医学肺灌注图像上，并计算每个肺叶的灌注容积强度计数和灌注容积占比。
多模态图像配准的具体步骤为：
步骤S6-1，利用插值方式将步骤S5得到的核医学肺灌注图像的分辨率调整到步骤S4得到的肺叶分割图像的分辨率，得到插值核医学肺灌注图像；
步骤S6-2，用离散Hermite变换进行图像特征编码，分别将步骤S4得到的肺叶分割图像和步骤S6-1的插值核医学肺灌注图像局部投影到Hermite多项式集上，输入图像被分解为一组包含不同纹理特征的Hermite系数，提供低频系数和细节系数；利用变换得到的系数进行图像融合，低频系数通过稀疏表达和肺部轮廓mask进行融合，同时利用局部方向信息和方差对细节系数进行组合，最后在原始空间计算逆变换以获得最终的融合图像；
步骤S6-3，步骤S4得到的肺叶分割图像容积为R，设步骤S6-2得到的融合图像上的初步灌注容积为T，两者交集结果为J；对于容积为R的肺叶分割图像中的每一个体素，获取该体素的空间坐标(x,y,z)，将空间坐标(x,y,z)映射到初步灌注容积T的体素空间；如果存在体素R(x,y,z)，则认为容积R、T存在交集，并产生一个标记结果体素J(x,y,z)，多个标记结果体素构成标记交集结果J，得到最终的肺叶灌注容积；
步骤S6-4，通过步骤S6-3得到的肺叶灌注容积，对每个肺叶内的灌注容积强度进行累加计算，分别得出每个肺叶的总容积强度，后续将对总容积强度进行分析，最终得到每个肺叶的定量分析结果。
其中，在计算每个肺叶的灌注容积强度计数和灌注容积占比时，计算公式为：
Figure GDA0004054779080000151
Figure GDA0004054779080000152
Figure GDA0004054779080000153
Figure GDA0004054779080000154
Tg和Vg分别代表每个肺叶的体素亮度和体积，T和V分别代表整个肺的灌注显像强度和体积，
Figure GDA0004054779080000155
和
Figure GDA0004054779080000156
分别代表每个肺叶相对于整个肺的灌注强度占比和体积占比，k为每个肺叶的体素个数，K为肺叶个数，g∈[1,5]，g表示第g个肺叶。
实施例3
本实施例还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述基于肺灌注的肺叶灌注强度评估方法的步骤。
其中，所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器可以是所述计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，所述存储器也可以是所述计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，所述存储器还可以既包括所述计算机设备的内部存储单元也包括其外部存储设备。本实施例中，所述存储器常用于存储安装于所述计算机设备的操作系统和各类应用软件，例如运行所述基于肺灌注的肺叶灌注强度评估方法的程序代码等。此外，所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制所述计算机设备的总体操作。本实施例中，所述处理器用于运行所述存储器中存储的程序代码或者处理数据，例如运行所述基于肺灌注的肺叶灌注强度评估方法的程序代码。
实施例4
本实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述基于肺灌注的肺叶灌注强度评估方法的步骤。
其中，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行基于肺灌注的肺叶灌注强度评估方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器或者网络设备等)执行本申请各个实施例所述的方法。

Claims (7)

1.一种基于肺灌注的肺叶灌注强度评估方法，其特征在于，包括以下步骤：
步骤S1，样本数据获取
获取原始的CT样本图像，并进行crop处理、归一化处理；
步骤S2，模型构建
搭建肺叶分割模型，肺叶分割模型采用3D全卷积神经网络作为主体特征提取网络，并在3D全卷积神经网络的解码器的最后一层增加1*1*1的卷积和sigmoid激活函数；
步骤S3，模型训练
利用步骤S1中处理后的CT样本图像对步骤S2搭建好的肺叶分割模型进行训练；
步骤S4，肺部分割图像获取
获取待评估的CT图像，并将待评估的CT图像输入肺叶分割模型，得到肺叶分割图像；
步骤S5，核医学肺显像重构
获取待评估CT图像对应的由SPECT拍摄的原始肺灌注造影图像，并使用有序子集最大期望值法进行图像重构，得到核医学肺灌注图像；
步骤S6，多模态图像配准
将步骤S4得到的肺叶分割图像与步骤S5得到的核医学肺灌注图像进行配准，将肺叶分割的结果应用在核医学肺灌注图像上，并计算每个肺叶的灌注容积强度计数和灌注容积占比；
步骤S6中，具体步骤为：
步骤S6-1，利用插值方式将步骤S5得到的核医学肺灌注图像的分辨率调整到步骤S4得到的肺叶分割图像的分辨率，得到插值核医学肺灌注图像；
步骤S6-2，用离散Hermite变换进行图像特征编码，分别将步骤S4得到的肺叶分割图像和步骤S6-1的插值核医学肺灌注图像局部投影到Hermite多项式集上，输入图像被分解为一组包含不同纹理特征的Hermite系数，提供低频系数和细节系数；利用变换得到的系数进行图像融合，低频系数通过稀疏表达和肺部轮廓mask进行融合，同时利用局部方向信息和方差对细节系数进行组合，最后在原始空间计算逆变换以获得最终的融合图像；
步骤S6-3，设步骤S4得到的肺叶分割图像容积为R，设步骤S6-2得到的融合图像上的初步灌注容积为T，两者交集结果为J；对于容积为R的肺叶分割图像中的每一个体素，获取该体素的空间坐标(x,y,z)，将空间坐标(x,y,z)映射到初步灌注容积T的体素空间；如果存在体素R(x,y,z)，则认为容积R、T存在交集，并产生一个标记结果体素J(x,y,z)，多个标记结果体素构成标记交集结果J，得到最终的肺叶灌注容积；
步骤S6-4，通过步骤S6-3得到的肺叶灌注容积，对每个肺叶内的灌注容积强度进行累加计算，计算公式为：
Figure FDA0004054779060000021
Figure FDA0004054779060000022
Figure FDA0004054779060000023
Figure FDA0004054779060000024
Tg和Vg分别代表每个肺叶的体素亮度和体积，T和V分别代表整个肺的灌注显像强度和体积，
Figure FDA0004054779060000025
和
Figure FDA0004054779060000026
分别代表每个肺叶相对于整个肺的灌注强度占比和体积占比，k为每个肺叶的体素个数，K为肺叶个数，g∈[1,5]，g表示第g个肺叶。
2.如权利要求1所述的一种基于肺灌注的肺叶灌注强度评估方法，其特征在于：步骤S3在进行模型训练时，肺叶分割模型整体的学习误差为：
Ltotal＝λ1L(P，G)+λ2Laux(Paux，Gaux)
其中，λ1、λ2表示为调整肺叶分割任务与肺叶边界分割任务的权重的参数，L(P，G)表示肺叶分割任务的学习误差，Laux(Paux，Gaux)表示肺叶边界任务中学习误差；
设定P为肺叶分割任务中网络产生的肺叶预测，G为肺叶分割任务中的肺叶标签，C为总类别的数量，在肺叶分割任务中总类别由五个肺叶类别与一个背景类别组成，即C为6；N为像素的总数量；设定若肺叶标签中第i个像素属于类别c，则gic为1，否则gic为0；pic为肺叶预测中第i个像素属于类别c的概率，范围为[0,1]；则肺叶分割任务的学习误差定义为：
Figure FDA0004054779060000031
设定Paux为肺叶边界任务中sigmoid层产生的肺叶边界预测结果，Gaux为由肺叶标签自动生成的肺叶边界标签，N为像素的总数量；设定若肺叶边界标签中第i个像素属于肺叶边界，则gaux为1，否则gaux为0；paux为肺叶边界预测中第i个像素为肺叶边界的概率，范围为[0,1]；则肺叶边界任务中学习误差定义为：
Figure FDA0004054779060000032
其中，α和γ用于平衡样本难度，这里分别设置为1和2。
3.如权利要求1所述的一种基于肺灌注的肺叶灌注强度评估方法，其特征在于：步骤S3在进行模型训练时，初始学习率设置为0.001，权重衰减参数设置为5×10-4；若单例误差连续经过20例数据的训练不下降后，学习率将乘以衰减系数0.8；一次训练批次设置为1，学习迭代次数为100；
针对每个批次更新一次参数，每一次迭代学习之后，肺叶分割模型判断肺结节检测结果的总误差大小，如果当前误差小于上一个迭代的误差，就保存当前模型，然后继续训练；若训练达到最大迭代次数或者总误差连续经过10迭代没有都下降，训练停止。
4.如权利要求1所述的一种基于肺灌注的肺叶灌注强度评估方法，其特征在于：步骤S5中，核医学肺显像重构的具体步骤为：
步骤S5-1，使用有序子集最大期望值法将原始肺灌注造影图像分为n个子集{S1，S2，…，Sa，…，Sn}；
步骤S5-2，选择一个子集Sa；
步骤S5-3，假定一个初始图像Fb；
步骤S5-4，计算初始图像Fb的正向投影Db；
步骤S5-5，对比子集Sa与正向投影Db，计算校正系数，并更新初始图像Fb；
步骤S5-6，重复步骤S5-2到步骤S5-5，直到所有子集均对投影数据校正一次,完成一次迭代；
步骤S5-7，满足停步规则时，迭代中止，完成图像重构，得到核医学肺灌注图像。
5.一种如权利要求1-4中任一项所述的基于肺灌注的肺叶灌注强度评估方法的系统，其特征在于，包括：
样本数据获取模块，用于获取原始的CT样本图像，并进行crop处理、归一化处理；
模型构建模块，用于搭建肺叶分割模型，肺叶分割模型采用3D全卷积神经网络作为主体特征提取网络，并在3D全卷积神经网络的解码器的最后一层增加1*1*1的卷积和sigmoid激活函数；
模型训练模块，用于利用样本数据获取模块中处理后的CT样本图像对模型构建模块搭建好的肺叶分割模型进行训练；
肺部分割图像获取模块，用于获取待评估的CT图像，并将待评估的CT图像输入肺叶分割模型，得到肺叶分割图像；
核医学肺显像重构模块，用于获取待评估CT图像对应的由SPECT拍摄的原始肺灌注造影图像，并使用有序子集最大期望值法进行图像重构，得到核医学肺灌注图像；
多模态图像配准模块，用于将肺部分割图像获取模块得到的肺叶分割图像与核医学肺显像重构模块得到的核医学肺灌注图像进行配准，将肺叶分割的结果应用在核医学肺灌注图像上，并计算每个肺叶的灌注容积强度计数和灌注容积占比；
多模态图像配准模块在进行配准时，具体步骤为：
步骤S6-1，利用插值方式将步骤S5得到的核医学肺灌注图像的分辨率调整到步骤S4得到的肺叶分割图像的分辨率，得到插值核医学肺灌注图像；
步骤S6-2，用离散Hermite变换进行图像特征编码，分别将步骤S4得到的肺叶分割图像和步骤S6-1的插值核医学肺灌注图像局部投影到Hermite多项式集上，输入图像被分解为一组包含不同纹理特征的Hermite系数，提供低频系数和细节系数；利用变换得到的系数进行图像融合，低频系数通过稀疏表达和肺部轮廓mask进行融合，同时利用局部方向信息和方差对细节系数进行组合，最后在原始空间计算逆变换以获得最终的融合图像；
步骤S6-3，设步骤S4得到的肺叶分割图像容积为R，设步骤S6-2得到的融合图像上的初步灌注容积为T，两者交集结果为J；对于容积为R的肺叶分割图像中的每一个体素，获取该体素的空间坐标(x,y,z)，将空间坐标(x,y,z)映射到初步灌注容积T的体素空间；如果存在体素R(x,y,z)，则认为容积R、T存在交集，并产生一个标记结果体素J(x,y,z)，多个标记结果体素构成标记交集结果J，得到最终的肺叶灌注容积；
步骤S6-4，通过步骤S6-3得到的肺叶灌注容积，对每个肺叶内的灌注容积强度进行累加计算，计算公式为：
Figure FDA0004054779060000051
Figure FDA0004054779060000052
Figure FDA0004054779060000053
Figure FDA0004054779060000054
Tg和Vg分别代表每个肺叶的体素亮度和体积，T和V分别代表整个肺的灌注显像强度和体积，
Figure FDA0004054779060000061
和
Figure FDA0004054779060000062
分别代表每个肺叶相对于整个肺的灌注强度占比和体积占比，k为每个肺叶的体素个数，K为肺叶个数，g∈[1,5]，g表示第g个肺叶。
6.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的一种基于肺灌注的肺叶灌注强度评估方法的步骤。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质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如权利要求1-4任一项所述的一种基于肺灌注的肺叶灌注强度评估方法的步骤。
CN202211386395.4A 2022-11-07 2022-11-07 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质 Active CN115439478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211386395.4A CN115439478B (zh) 2022-11-07 2022-11-07 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211386395.4A CN115439478B (zh) 2022-11-07 2022-11-07 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN115439478A CN115439478A (zh) 2022-12-06
CN115439478B true CN115439478B (zh) 2023-04-21

Family

ID=84252594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211386395.4A Active CN115439478B (zh) 2022-11-07 2022-11-07 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115439478B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152278B (zh) * 2023-04-17 2023-07-21 杭州堃博生物科技有限公司 医疗图像的分割方法及装置、非易失性存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709919A (zh) * 2015-11-17 2017-05-24 上海联影医疗科技有限公司 一种心脏灌注磁共振图像的处理方法
CN113628207A (zh) * 2021-08-30 2021-11-09 脑玺(苏州)智能科技有限公司 一种图像区域分割方法、装置、设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103123666A (zh) * 2012-12-06 2013-05-29 首都医科大学附属北京安贞医院 肺灌注和通气断层显像定量分析软件
CN105574835A (zh) * 2015-12-18 2016-05-11 北京理工大学 基于线性正则变换的图像融合方法
US20190223761A1 (en) * 2016-09-01 2019-07-25 Oxford University Innovation Limited Method and apparatus for quantifying lung function
CN110652297A (zh) * 2019-10-10 2020-01-07 中国计量大学 基于mri技术的肺功能成像处理方法
CN111358484B (zh) * 2020-03-23 2021-12-24 广州医科大学附属第一医院（广州呼吸中心） 核医学肺灌注显像定量分析方法、分析设备及存储介质
CN112967797A (zh) * 2021-02-02 2021-06-15 上海全景医学影像诊断中心有限公司 一种烟雾病手术疗效的评估方法
CN112734755A (zh) * 2021-03-15 2021-04-30 四川大学 基于3d全卷积神经网络与多任务学习的肺叶分割方法
CN115153494A (zh) * 2022-06-20 2022-10-11 中国科学院精密测量科学与技术创新研究院 一种用于肺部气血交换功能评估的气体mri方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709919A (zh) * 2015-11-17 2017-05-24 上海联影医疗科技有限公司 一种心脏灌注磁共振图像的处理方法
CN113628207A (zh) * 2021-08-30 2021-11-09 脑玺(苏州)智能科技有限公司 一种图像区域分割方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115439478A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN108615237B (zh) 一种肺部图像处理方法及图像处理设备
Ueda et al. Technical and clinical overview of deep learning in radiology
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN111429421B (zh) 模型生成方法、医学图像分割方法、装置、设备及介质
WO2023273336A1 (zh) 基于多任务学习约束的pet图像感兴趣区域增强重建方法
CN113781640A (zh) 基于弱监督学习的三维人脸重建模型建立方法及其应用
CN109215035B (zh) 一种基于深度学习的脑部mri海马体三维分割方法
CN115512110A (zh) 一种涉及跨模态注意力机制的医学图像肿瘤分割方法
Oulefki et al. Virtual Reality visualization for computerized COVID-19 lesion segmentation and interpretation
CN111612756A (zh) 冠状动脉特异性钙化检测方法及装置
Wang et al. Functional and anatomical image fusion based on gradient enhanced decomposition model
CN115439478B (zh) 基于肺灌注的肺叶灌注强度评估方法、系统、设备及介质
Li et al. Automatic quantification of epicardial adipose tissue volume
CN117809122B (zh) 一种颅内大血管图像的处理方法、系统、电子设备及介质
Wang et al. IGNFusion: an unsupervised information gate network for multimodal medical image fusion
Davamani et al. Biomedical image segmentation by deep learning methods
Lu et al. CMF-Net: craniomaxillofacial landmark localization on CBCT images using geometric constraint and transformer
Tobon-Gomez et al. Automatic construction of 3D-ASM intensity models by simulating image acquisition: Application to myocardial gated SPECT studies
Xia et al. Deep residual neural network based image enhancement algorithm for low dose CT images
CN110570425A (zh) 一种基于深度强化学习算法的肺结节分析方法及装置
CN112381822B (zh) 一种用于处理肺部病灶区图像的方法和相关产品
CN112750110A (zh) 基于神经网络对肺部病灶区进行评估的评估系统和相关产品
CN111798500B (zh) 一种基于层次邻域谱特征的微分同胚非刚性配准算法
Medina et al. Accuracy of connected confidence left ventricle segmentation in 3-D multi-slice computerized tomography images
CN113822904B (zh) 一种图像标注装置、方法及可读存储介质

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