CN116797521A - 肺炎重症化预测方法、装置、电子设备及介质 - Google Patents
肺炎重症化预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116797521A CN116797521A CN202310002851.9A CN202310002851A CN116797521A CN 116797521 A CN116797521 A CN 116797521A CN 202310002851 A CN202310002851 A CN 202310002851A CN 116797521 A CN116797521 A CN 116797521A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- prediction
- severe
- lung
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 208000026425 severe pneumonia Diseases 0.000 title claims abstract description 32
- 210000004072 lung Anatomy 0.000 claims abstract description 187
- 206010035664 Pneumonia Diseases 0.000 claims abstract description 64
- 238000007477 logistic regression Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 35
- 208000024891 symptom Diseases 0.000 claims description 27
- 238000002372 labelling Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 208000028399 Critical Illness Diseases 0.000 description 3
- 241000700605 Viruses Species 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 208000001528 Coronaviridae Infections Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及CT影像的分析处理技术领域，公开了一种肺炎重症化预测方法、装置、电子设备及介质。所述方法包括：采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果；基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重；对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并将所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果；从而提高了肺炎的重症化预测准确率，同时提高机器学习模型的性能和医学可解释性。
Description
技术领域
本发明涉及CT影像的分析处理技术领域，尤其涉及一种肺炎重症化预测方法、装置、电子设备及介质。
背景技术
肺炎是指由细菌、病毒等病原体引起的肺部感染，由于细菌、病毒等病原体易在人群中传播，很容易在短时间内出现大量患者，对医疗系统造成冲击。在此情况下，亟需一种快速的肺炎重症化预测方法对患者进行快速分流。
目前，传统的医学监测指标需要传染病专家组提前进行大量的检测筛查并进行相关的讨论，然而单纯基于医疗影像的机器学习技术又因其性能不够稳定且缺乏可解释性，因此还不能够广泛应用。
发明内容
鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种肺炎重症化预测、装置、电子设备及介质。
为实现上述目的，本发明提供一种肺炎重症化预测方法，所述方法包括：
采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；
基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果；
基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重；
对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并对所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果。
优选地，所述采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的三维CT压缩图像的步骤之前，还包括：
获取多个不同的样本二维CT肺部区域图像，并将所述样本二维CT肺部区域图像构建用于训练预设数量个不同的二维卷积神经网络模型的训练集；
获取各个样本二维CT肺部区域图像对应的样本标注结果；
将所述训练集中的所述样本二维CT肺部区域图像作为所述预设数量个不同的二维卷积神经网络模型的输入，将所述样本标注结果作为所述预设数量个初始模型的输出，并分别对所述预设数量个不同的二维卷积神经网络模型进行迭代训练，直至迭代训练后二维卷积神经网络模型的验证集的准确率达到稳定时停止训练，获得对应的预测模型。
优选地，所述采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像的步骤之前，还包括：
获取多个不同的样本二维CT肺部区域图像，并通过所述预测模型对多个不同的所述样本二维CT肺部区域图像进行分层预测，获得各个样本二维CT肺部区域图像对应的不同层切片的样本预测结果；
基于所述不同层切片的样本预测结果，通过所述初始逻辑回归模型进行训练以及对重症程度进行回归，获得训练后的逻辑回归模型。
优选地，所述对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像的步骤包括：
对所述三维肺部CT影像进行下采样，获得所述三维肺部CT影像压缩后的三维CT压缩图像；
对所述三维CT压缩图像进行轴向切片，获得所述三维CT压缩图像对应的二维CT肺部区域图像。
优选地，所述预测模型包括定制COVID-Net模块、密集Dense-Net模块、快速高效Efficient-Net模块、融合残差Inception-Net模块以及残差Res-Net模块，所述基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果的步骤包括：
通过所述定制COVID-Net模块、所述密集Dense-Net模块、所述快速高效Efficient-Net模块、所述融合残差Inception-Net模块以及所述残差Res-Net模块分别对所述二维CT肺部区域图像进行分层预测，并输出所述二维CT肺部区域图像中各个模块对应的每层CT切片的预测结果；
将各个所述模块对应的所述二维CT肺部区域图像中每层CT切片的预测结果取平均值，并将所述平均值作为所述每层CT切片的第一预测结果。
优选地，所述基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重的步骤包括：
通过所述逻辑回归模型对所述每层CT切片的第一预测结果进行权重分析计算，并根据权重分析计算后的结果进行重症预测，输出对应的重症化权重。
优选地，所述基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重的步骤之后，还包括：
若所述重症化权重所对应的预测重症的概率不小于预设值，则确定所述重症化权重所对应的患者为重症风险人群；
若所述重症化权重所对应的预测重症的概率小于预设值，则确定所述重症化权重所对应的患者为无重症转化风险人群。
此外，为实现上述目的，本发明还提供一种肺炎重症化预测装置，所述装置包括：
采集模块，用于采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；
分层模块，用于基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果；
重症模块，用于基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重；
校正模块，用于对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并对所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果。
此外，为实现上述目的，本发明还提供一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的肺炎重症化预测程序，所述肺炎重症化预测程序被所述处理器执行时实现如上所述的肺炎重症化预测方法的步骤。
此外，为实现上述目的，本发明还提供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肺炎重症化预测程序，所述肺炎重症化预测程序被处理器执行时实现如上所述的肺炎重症化预测方法的步骤。
本发明提出的肺炎重症化预测方法、装置、电子设备及介质；所述方法包括：采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果；基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重；对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并对所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果；从而通过预测模型利用CT分层依次对每层的重症指标进行预测；以及利用逻辑回归模型对预测模型输出的预测结果的不同层的权重重新进行分析计算，对肺炎的重症进行预测；提高了肺炎的重症化预测准确率，同时提高机器学习模型的性能和医学可解释性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明第一实施例提供的一种肺炎重症化预测方法的流程示意图；
图3为本发明第一实施例提供的CT切片不同层对预测效果的影响示意图；
图4为本发明第一实施例提供的肺炎重症预测整体分析方案的示意图；
图5为本发明第二实施例提供的一种肺炎重症化预测方法的流程示意图；
图6为本发明第三实施例提供的一种肺炎重症化预测方法的流程示意图；
图7为本发明第四实施例提供的一种肺炎重症化预测方法的流程示意图；
图8为本发明第五实施例提供的一种肺炎重症化预测方法的流程示意图；
图9为本发明第六实施例提供的逻辑回归模型对不同CT切片权重的分析结果示意图；
图10为本发明肺炎重症化预测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例电子设备可以是移动终端或服务器设备。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及肺炎重症化预测程序。
其中，操作系统是管理和控制电子设备与软件资源的程序，支持网络通信模块、用户接口模块、肺炎重症化预测程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1002；用户接口模块用于管理和控制用户接口1003。
在图1所示的电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的肺炎重症化预测程序，并执行下述肺炎重症化预测方法各个实施例中的操作。
基于上述硬件结构，提出本发明肺炎重症化预测方法实施例。
在本实施例中提供了一种肺炎重症化预测方法，参照图2，图2为本发明肺炎重症化预测方法第一实施例的流程示意图，所述肺炎重症化预测方法可以包括：
步骤S10，采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像。
其中，三维肺部CT(Computed Tomography，电子计算机断层扫描)影像为对患者进行胸部CT扫描所获得的三维图像。
预处理为用于消除三维肺部CT影像中无关的信息，增强有关信息的可检测性和最大限度地简化数据的处理过程；预处理可以包括图像分割、图像切片提取等处理。
切片是指三维图像中一个切面对应的图像。
切面可以是过三维图像内部一点且平行于XY、YZ、XZ平面的平面，也可以是任意的过三维图像内部一点任意方向的平面。通过提取切片可以方便的浏览和分析图像内部组织结构。
图像切片提取为将三维图像进行切片，提取出该三维图像对应的二维图像。例如，对240×240×240像素的三维图像进行切片，将该240×240×240像素的三维图像切片成240层二维图像。
二维CT肺部区域图像可以为对三维肺部CT影像进行切片处理后所得到的肺部切片的二维图像。
可以采集患者的三维肺部CT影像，进而可以对三维肺部CT影像进行图像分割以及图像切片提取以获得对应的二维CT肺部区域图像。
步骤S20，基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果。
其中，预测模型为预先训练好的五种不同的二维卷积神经网络模型所构成的模型，用于根据二维CT肺部区域图像中肺叶的影像情况进行分层预测，输出二维CT肺部区域图像中每一层CT切片的预测结果；五种不同的二维卷积神经网络模型分别是定制COVID-Net网络模型、密集Dense-Net网络模型、快速高效Efficient-Net网络模型、融合残差Inception-Net网络模型以及残差Res-Net网络模型。
第一预测结果为根据预测模型中五种不同的二维卷积神经网络模型的预测结果的所确定的预测结果。
预测结果为五种不同的二维卷积神经网络模型根据二维CT肺部区域图像中上肺叶的影像情况进行分层预测所得到的预测值。
其中，病毒在感染者体内的感染过程是有规律的，并且在肺部的CT影像中表现出了差异。因此，肺部不同区域所表现出的差异有助于重症患者的预测。以新型冠状病毒感染为例，感染者首先会在左右肺的下肺叶表现出磨玻璃病变，随着病情的进展，磨玻璃病变会逐渐转化为铺路石征和实变，然后患者的病情会逐渐好转。但是，对于重症患者，病变部分会逐渐向上肺叶扩散并加重病情，这表明了上肺叶的影像情况将直接反映新型冠状病毒感染导致肺炎的患者的病程进展情况。所以，上肺叶的影像学表现对于患者的重症预测是有着至关重要的贡献的。
在获得二维CT肺部区域图像之后，可以通过预测模型对二维CT肺部区域图像进行分层预测，进而可以输出二维CT肺部区域图像中每一层CT切片的第一预测结果。
作为一示例，参照图3，图3为CT切片不同层对预测效果的影响示意图，图3展示了预测模型的不同CNN对于不同层切片作为输入的预测结果的曲线下面积(AUC)。其中，AUC越高，说明预测模型效果越好。根据图3所展示的结果可以看出，越靠近输入的上层肺叶的切片，预测模型表现就会越好，这也与肺炎的病理发展相符合。
步骤S30，基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重。
逻辑回归模型为预先训练好的利用机器学习方法对预测模型的预测结果进行权重分析计算的模型。
重症化权重为用于指示患者患得肺炎重症化的指标；重症化权重的值越大，表示该重症化权重所对应的患者患得肺炎重症的概率越大。
在获得每层CT切片的第一预测结果后，可以通过逻辑回归模型对每层CT切片的第一预测结果进行权重分析计算，进而可以得到重症预测后对应的重症化权重。
进一步地，在一实施例中，步骤S30之后，所述方法还可以包括如下步骤：
若所述重症化权重所对应的预测重症的概率不小于预设值，则确定所述重症化权重所对应的患者为重症风险人群；
若所述重症化权重所对应的预测重症的概率小于预设值，则确定所述重症化权重所对应的患者为无重症转化风险人群。
其中，预设值为预先设置的用于预测患者患得重症化和非重症化的概率值；作为一示例，预设值可以为0.5，若重症化权重所对应的模型预测重症的概率大于0.5，则将该患者归类为重症风险人群；反之，若小于0.5，则将该患者归类为无重症转化风险。
在本实施例中，在重症化权重所对应的预测重症的概率不小于预设值的情况下，确定重症化权重所对应的患者为重症风险人群；在重症化权重所对应的预测重症的概率小于预设值的情况下，确定重症化权重所对应的患者为无重症转化风险人群；从而可以根据重症化权重对医生进行提示，并给出该患者有较高的重症转化风险对应的概率，进而辅助医护人员进行相关决策。
步骤S40，对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并对所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果。
其中，肺炎评估值为结合肺炎的病理特征对患者的三维肺部CT影像进行预测后的所确定的预测值，其中，肺炎评估值越大，该肺炎评估值所对应的患者感染肺炎的概率越大。
最终预测结果用于对患者的重症化权重以及肺炎评估值进行校正后所确定的预测结果，最终预测结果可以包括肺炎重症、肺炎非重症中的一种，还可以在此基础上包括肺炎的种类。
可以结合肺炎的病理特征，对患者的三维肺部CT影像进行预测，获得该三维肺部CT影像对应的肺炎评估值；进而可以对肺炎评估值以及重症化权重进行校正，确定该三维肺部CT影像对应的最终预测结果。
作为一示例，参照图4，图4为肺炎重症预测整体分析方案的示意图，首先，可以获取患者的三维肺部CT影像，并对三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；进而将二维CT肺部区域图像输入至集成学习模块(也即，预测模型)，并通过预测模型对二维CT肺部区域图像进行预测，以及将输出的第一预测结果输入至基于影像知识的校正模块(也即，逻辑回归模型)；而后，通过逻辑回归模型根据影像学知识调整输出权重，对第一预测结果进行重症预测，获得对应的重症化权重；结合肺炎的病理特征，对三维肺部CT影像进行预测，获得对应的肺炎评估值，而后对重症化权重以及肺炎评估值进行校正，确定对应的最终预测结果。
本实施例通过采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果；基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重；对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并对所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果；从而通过预测模型利用CT分层依次对每层的重症指标进行预测；以及利用逻辑回归模型对预测模型输出的预测结果的不同层的权重重新进行分析计算，对肺炎的重症进行预测；提高了肺炎的重症化预测准确率，同时提高机器学习模型的性能和医学可解释性。
基于第一实施例，提出本发明肺炎重症化预测方法第二实施例，参照图5，在本实施例中，步骤S10之前，所述方法还可以包括如下步骤：
步骤A10，获取多个不同的样本二维CT肺部区域图像，并将所述样本二维CT肺部区域图像构建用于训练预设数量个不同的二维卷积神经网络模型的训练集。
其中，样本二维CT肺部区域图像为患者的肺部切片的二维图像。样本二维CT肺部区域图像可以包含肺炎重症、肺炎非重症以及肺炎种类的图像。
二维卷积神经网络模型(二维CNN模型)可以包括有定制COVID-Net网络模型、密集Dense-Net网络模型、快速高效Efficient-Net网络模型、融合残差Inception-Net网络模型以及残差Res-Net网络模型的五种不同的卷积神经网络模型。
其中，每个二维CNN模型都采用7×7的卷积模块作为第一层的卷积输入，然后根据每个二维CNN模型的网络结构的不同，各自选择3×3的卷积模块或1×1的卷积模块作为后续卷积层的参数设置。另外，除了最后一层的输出采用Softmax函数作为激活函数外，其余层均采用ReLu函数作为每层的激活函数。
可以获取多个不同患者的样本二维CT肺部区域图像，进而以这些样本二维CT肺部区域图像为基础，构建训练五种不同的卷积神经网络模型的训练集。
在构建训练集的过程中，需要对这些样本二维CT肺部区域图像进行事先处理，使得从样本二维CT肺部区域图像中提取后得到的图片大小和格式统一，这是为了便于批量处理。
在实际应用中，训练集中的样本二维CT肺部区域图像越多，训练后的预测模型输出的预测结果就越准确。
步骤A20，获取各个样本二维CT肺部区域图像对应的样本标注结果。
其中，样本标注结果是用户事先在样本二维CT肺部区域图像上进行标注的结果。样本标注结果可以包含肺炎重症、肺炎非重症以及肺炎种类的标注图像。
获取用户对各个样本二维CT肺部区域图像标注的样本标注结果。
其中，样本标注结果也需要进行事先处理，使得每一个样本标注结果与应的样本二维CT肺部区域图像的大小和格式统一，这是为了便于批量处理。
步骤A30，将所述训练集中的所述样本二维CT肺部区域图像作为所述预设数量个不同的二维卷积神经网络模型的输入，将所述样本标注结果作为所述预设数量个不同的二维卷积神经网络模型的输出，并分别对所述预设数量个不同的二维卷积神经网络模型进行迭代训练，直至迭代训练后二维卷积神经网络模型的验证集的准确率达到稳定时停止训练，获得对应的预测模型。
在一些实施例中，依次将样本二维CT肺部区域图像以及各个样本二维CT肺部区域图像对应的样本标注结果输入到五种不同的卷积神经网络模型中，分别是定制COVID-Net网络模型、密集Dense-Net网络模型、快速高效Efficient-Net网络模型、融合残差Inception-Net网络模型以及残差Res-Net网络模型。
将样本二维CT肺部区域图像作为五种不同的卷积神经网络模型的输入，将样本标注结果作为五种不同的卷积神经网络模型的输出，并分别独自对五种不同的卷积神经网络模型进行迭代训练，直至迭代训练后各个二维卷积神经网络模型的验证集的准确率达到稳定时停止训练，获得对应的预测模型。
在本实施例中，通过将所述训练集中的所述样本二维CT肺部区域图像作为所述预设数量个不同的二维卷积神经网络模型的输入，将所述样本标注结果作为所述预设数量个不同的二维卷积神经网络模型的输出，并分别对所述预设数量个不同的二维卷积神经网络模型进行迭代训练，直至迭代训练后二维卷积神经网络模型的验证集的准确率达到稳定时停止训练，获得对应的预测模型；从而通过对五种不同的二维卷积神经网络模型分别独自进行训练，训练得到对应的预测模型，从而提高训练后的预测模型的预测的准确率。
基于第一、二实施例，提出本发明肺炎重症化预测方法第三实施例。参照图6，在本实施例中，步骤S10之前，所述方法还可以包括步骤：
步骤B10，获取多个不同的样本二维CT肺部区域图像，并通过所述预测模型对多个不同的所述样本二维CT肺部区域图像进行分层预测，获得各个样本二维CT肺部区域图像对应的不同层切片的样本预测结果。
其中，样本二维CT肺部区域图像为患者的肺部切片的二维图像。
作为一示例，多个不同的样本二维CT肺部区域图像可以包含肺炎重症、肺炎非重症以及肺炎种类的图像。
可以获取多个不同的样本二维CT肺部区域图像，进而通过预测模型对多个不同的样本二维CT肺部区域图像进行分层预测，获得各个样本二维CT肺部区域图像对应的不同层切片的样本预测结果。
步骤B20，基于所述不同层切片的样本预测结果，通过所述初始逻辑回归模型进行训练以及对重症程度进行回归，获得训练后的逻辑回归模型。
其中，初始逻辑回归模型为利用机器学习方法对不同层的权重重新分析计算训练以获得训练后的逻辑回归模型。
逻辑回归模型为初始逻辑回归模型利用机器学习方法对预测模型输出的不同层的权重重新分析计算进行分析计算的模型。
在获得不同层切片的样本预测结果后，可以通过初始逻辑回归模型对不同层切片的样本预测结果进行训练，以及对重症程度进行回归，获得训练后的逻辑回归模型。
在本实施例中，通过获取多个不同的样本二维CT肺部区域图像，并通过所述预测模型对多个不同的所述样本二维CT肺部区域图像进行分层预测，获得各个样本二维CT肺部区域图像对应的不同层切片的样本预测结果；基于所述不同层切片的样本预测结果，通过所述初始逻辑回归模型进行训练以及对重症程度进行回归，获得训练后的逻辑回归模型；从而通过利用预测模型输出的不同层切片的第一预测结果对初始逻辑回归模型进行训练，训练得到逻辑回归模型，提高了训练后的逻辑回归模型的准确率以及稳定性。
基于第一实施例，提出本发明肺炎重症化预测方法第四实施例。参照图7，在本实施例中，在步骤S10还可以包括如下子步骤：
子步骤S11，对所述三维肺部CT影像进行下采样，获得所述三维肺部CT影像压缩后的三维CT压缩图像。
其中，下采样为对待处理图像进行缩小处理，使得处理后的图像符合显示区域的大小，输出待处理图像对应的缩略图。
在获得三维肺部CT影像后，可以通过对三维肺部CT影像进行标准化处理，使得图像大小统一，便于批量处理；进而可以通过下采样的方式将标准化处理后的三维肺部CT影像压缩至240×240×240像素的三维CT压缩图像。
子步骤S12，对所述三维CT压缩图像进行轴向切片，获得所述三维CT压缩图像对应的二维CT肺部区域图像。
在获得240×240×240像素的三维CT压缩图像后，可以将三维CT压缩图像进行轴向切片成240层二维图像，进而取中间120层包括肺部的部分，以获得对应的二维CT肺部区域图像。
在本实施例中，通过对所述三维肺部CT影像进行下采样，获得所述三维肺部CT影像压缩后的三维CT压缩图像；对所述三维CT压缩图像进行轴向切片，获得所述三维CT压缩图像对应的二维CT肺部区域图像；从而通过对三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像，从而提高重症化预测的准确率。
基于第一、二实施例，提出本发明肺炎重症化预测方法第三实施例。参照图8，在本实施例中，步骤S20可以包括子步骤：
子步骤S21，通过所述定制COVID-Net模块、所述密集Dense-Net模块、所述快速高效Efficient-Net模块、所述融合残差Inception-Net模块以及所述残差Res-Net模块分别对所述二维CT肺部区域图像进行分层预测，并输出各个模块对应的所述二维CT肺部区域图像中每层CT切片的预测结果。
其中，在预测模型包括定制COVID-Net模块、密集Dense-Net模块、快速高效Efficient-Net模块、融合残差Inception-Net模块以及残差Res-Net模块的情况下，在将上述中间120层包括肺部的部分的二维CT肺部区域图像输入预测模型后，通过定制COVID-Net模块、密集Dense-Net模块、快速高效Efficient-Net模块、融合残差Inception-Net模块以及残差Res-Net模块分别对二维CT肺部区域图像进行分层预测，获得各个模块对应的二维CT肺部区域图像中每层CT切片的预测结果。
子步骤S22，将各个所述模块对应的所述二维CT肺部区域图像中每层CT切片的预测结果取平均值，并将所述平均值作为所述每层CT切片的第一预测结果。
其中，在获得上述各个模块输出的二维CT肺部区域图像中每层CT切片的预测结果后，将二维CT肺部区域图像中每层CT切片的预测结果取平均值，并将每个切片的结果取平均值，作为每层CT切片的第一预测结果。
在本实施例中，通过所述定制COVID-Net模块、所述密集Dense-Net模块、所述快速高效Efficient-Net模块、所述融合残差Inception-Net模块以及所述残差Res-Net模块分别对所述二维CT肺部区域图像进行分层预测，并输出各个模块对应的所述二维CT肺部区域图像中每层CT切片的预测结果；将各个所述模块对应的所述二维CT肺部区域图像中每层CT切片的预测结果取平均值，并将所述平均值作为所述每层CT切片的第一预测结果；从而通过预测模型对二维CT肺部区域图像进行分层预测，获得对应的二维CT肺部区域图像中每层CT切片的第一预测结果，更加精准的对肺炎患者进行重症转化预测。
基于第一实施例，提出本发明肺炎重症化预测方法第六实施例。在本实施例中，步骤S30可以包括子步骤：
子步骤S31，通过所述逻辑回归模型对所述每层CT切片的第一预测结果进行权重分析计算，并根据权重分析计算后的结果进行重症预测，输出对应的重症化权重。
其中，在获得每层CT切片的第一预测结果后，可以将每层CT切片的第一预测结果输入逻辑回归模型中，以通过逻辑回归模型对每层CT切片的第一预测结果进行权重分析计算，并根据权重分析计算后的结果进行重症预测，输出对应的重症化权重。
作为一示例，参照图9，图9为逻辑回归模型对不同CT切片权重的分析结果示意图，从图9可以看出其115-120层的结果对最终的预测结果贡献最大。这也与之前的病理学分析的结论相一致，即对于重症患者，病变部分会逐渐向上肺叶扩散并加重病情。因此，我们选择这些靠近上肺叶的切片作为逻辑回归模型的输入，经过权重分析计算后，输出每层CT切片对应的重症化权重。
在本实施例中，通过所述逻辑回归模型对所述每层CT切片的第一预测结果进行权重分析计算，并根据权重分析计算后的结果进行重症预测，输出对应的重症化权重；从而通过利用机器学习方法对不同层的权重重新进行分析计算的方法，提高重症化预测的准确性。
本发明还提供一种肺炎重症化预测装置。参照图10，本发明肺炎重症化预测装置可以包括：
采集模块10，用于采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；
分层模块20，用于基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果；
重症模块30，用于基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重；
校正模块40，用于对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并对所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果。
此外，本发明还提供一种计算机可读存储介质，其上存储有肺炎重症化预测程序，肺炎重症化预测程序被处理器执行时实现如上所述的肺炎重症化预测方法的步骤。
其中，在所述处理器上运行的肺炎重症化预测程序被执行时所实现的方法可参照本发明肺炎重症化预测方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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，本发明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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台电子设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书与附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种肺炎重症化预测方法，其特征在于，所述方法包括：
采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；
基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果；
基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重；
对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并对所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果。
2.如权利要求1所述的方法，其特征在于，所述采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的三维CT压缩图像的步骤之前，还包括：
获取多个不同的样本二维CT肺部区域图像，并将所述样本二维CT肺部区域图像构建用于训练预设数量个不同的二维卷积神经网络模型的训练集；
获取各个样本二维CT肺部区域图像对应的样本标注结果；
将所述训练集中的所述样本二维CT肺部区域图像作为所述预设数量个不同的二维卷积神经网络模型的输入，将所述样本标注结果作为所述预设数量个不同的二维卷积神经网络模型的输出，并分别对所述预设数量个不同的二维卷积神经网络模型进行迭代训练，直至迭代训练后二维卷积神经网络模型的验证集的准确率达到稳定时停止训练，获得对应的预测模型。
3.如权利要求1所述的方法，其特征在于，所述采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像的步骤之前，还包括：
获取多个不同的样本二维CT肺部区域图像，并通过所述预测模型对多个不同的所述样本二维CT肺部区域图像进行分层预测，获得各个样本二维CT肺部区域图像对应的不同层切片的样本预测结果；
基于所述不同层切片的样本预测结果，通过所述初始逻辑回归模型进行训练以及对重症程度进行回归，获得训练后的逻辑回归模型。
4.如权利要求1所述的方法，其特征在于，所述对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像的步骤包括：
对所述三维肺部CT影像进行下采样，获得所述三维肺部CT影像压缩后的三维CT压缩图像；
对所述三维CT压缩图像进行轴向切片，获得所述三维CT压缩图像对应的二维CT肺部区域图像。
5.如权利要求1所述的方法，其特征在于，所述预测模型包括定制COVID-Net模块、密集Dense-Net模块、快速高效Efficient-Net模块、融合残差Inception-Net模块以及残差Res-Net模块，所述基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果的步骤包括：
通过所述定制COVID-Net模块、所述密集Dense-Net模块、所述快速高效Efficient-Net模块、所述融合残差Inception-Net模块以及所述残差Res-Net模块分别对所述二维CT肺部区域图像进行分层预测，并输出各个模块对应的所述二维CT肺部区域图像中每层CT切片的预测结果；
将各个所述模块对应的所述二维CT肺部区域图像中每层CT切片的预测结果取平均值，并将所述平均值作为所述每层CT切片的第一预测结果。
6.如权利要求1所述的方法，其特征在于，所述基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重的步骤包括：
通过所述逻辑回归模型对所述每层CT切片的第一预测结果进行权重分析计算，并根据权重分析计算后的结果进行重症预测，输出对应的重症化权重。
7.如权利要求1所述的方法，其特征在于，所述基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重的步骤之后，还包括：
若所述重症化权重所对应的预测重症的概率不小于预设值，则确定所述重症化权重所对应的患者为重症风险人群；
若所述重症化权重所对应的预测重症的概率小于预设值，则确定所述重症化权重所对应的患者为无重症转化风险人群。
8.一种肺炎重症化预测装置，其特征在于，所述装置包括：
采集模块，用于采集患者的三维肺部CT影像，并对所述三维肺部CT影像进行预处理，获得对应的二维CT肺部区域图像；
分层模块，用于基于所述二维CT肺部区域图像，通过预测模型进行分层预测，输出所述二维CT肺部区域图像中每层CT切片的第一预测结果；
重症模块，用于基于所述每层CT切片的第一预测结果，通过预置的逻辑回归模型进行重症预测，输出对应的重症化权重；
校正模块，用于对所述三维肺部CT影像进行预测，获得对应的肺炎评估值，并对所述肺炎评估值以及所述重症化权重进行校正，确定最终预测结果。
9.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
10.一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程序，所述程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310002851.9A CN116797521A (zh) | 2023-01-03 | 2023-01-03 | 肺炎重症化预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310002851.9A CN116797521A (zh) | 2023-01-03 | 2023-01-03 | 肺炎重症化预测方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116797521A true CN116797521A (zh) | 2023-09-22 |
Family
ID=88045707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310002851.9A Pending CN116797521A (zh) | 2023-01-03 | 2023-01-03 | 肺炎重症化预测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797521A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576126A (zh) * | 2024-01-16 | 2024-02-20 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-03 CN CN202310002851.9A patent/CN116797521A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576126A (zh) * | 2024-01-16 | 2024-02-20 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
| CN117576126B (zh) * | 2024-01-16 | 2024-04-09 | 广东欧谱曼迪科技股份有限公司 | 一种肺叶分割的优化方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428475B (zh) | 一种医学图像的分类方法、模型训练方法和服务器 | |
| KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
| CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| CN111325739B (zh) | 肺部病灶检测的方法及装置，和图像检测模型的训练方法 | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN110363760B (zh) | 用于识别医学图像的计算机系统 | |
| CN111681219A (zh) | 基于深度学习的新冠肺炎ct图像分类方法、系统及设备 | |
| WO2021169126A1 (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN108898238B (zh) | 医疗设备故障预测系统及相关方法、装置及设备 | |
| WO2019200745A1 (zh) | Mri病变位置检测方法、装置、计算机设备和存储介质 | |
| CN113744183B (zh) | 肺结节检测方法及系统 | |
| CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
| CN116703901B (zh) | 肺部医学ct影像分割及分类装置及设备 | |
| US11721023B1 (en) | Distinguishing a disease state from a non-disease state in an image | |
| CN112862778A (zh) | 扫描影像检测方法、电子设备和计算机可读介质 | |
| CN116797521A (zh) | 肺炎重症化预测方法、装置、电子设备及介质 | |
| CN114119637A (zh) | 基于多尺度融合和拆分注意力的脑白质高信号分割方法 | |
| CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
| CN113129278A (zh) | 基于非局部分离注意力机制的X-Ray图片股骨干骨折检测方法 | |
| CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
| Lee et al. | Calibrated bayesian neural networks to estimate gestational age and its uncertainty on fetal brain ultrasound images | |
| CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
| 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 | |
| CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
| Thakral et al. | An innovative intelligent solution incorporating artificial neural networks for medical diagnostic application |
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 |