CN117934480B - 一种用于肺损伤预测的肺部ct图像处理方法及系统 - Google Patents

一种用于肺损伤预测的肺部ct图像处理方法及系统 Download PDF

Info

Publication number
CN117934480B
CN117934480B CN202410337997.3A CN202410337997A CN117934480B CN 117934480 B CN117934480 B CN 117934480B CN 202410337997 A CN202410337997 A CN 202410337997A CN 117934480 B CN117934480 B CN 117934480B
Authority
CN
China
Prior art keywords
lung
image
region
neural network
network model
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
CN202410337997.3A
Other languages
English (en)
Other versions
CN117934480A (zh
Inventor
魏凯
徐晶晶
梁艳旭
王晴
侯晓明
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.)
5th Central Hospital Of Tianjin
Original Assignee
5th Central Hospital Of Tianjin
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 5th Central Hospital Of Tianjin filed Critical 5th Central Hospital Of Tianjin
Priority to CN202410337997.3A priority Critical patent/CN117934480B/zh
Publication of CN117934480A publication Critical patent/CN117934480A/zh
Application granted granted Critical
Publication of CN117934480B publication Critical patent/CN117934480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06T7/10—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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30—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)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及图像处理技术领域，公开了一种用于肺损伤预测的肺部CT图像处理方法及系统，包括：获取待预测的肺部CT图像；对所述肺部CT图像进行预处理；对经过预处理的所述肺部CT图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域；采用第一卷积神经网络模型对所述感兴趣区域进一步分割，得到所述肺部CT图像中的炎症区域；将所述肺部CT图像中的炎症区域输入第二卷积神经网络模型对肺损伤进行预测；将肺部周围无关的胸腔组织分割出去，只保留肺部区域，从而使得肺部CT图像的数据量大大减少，采用第一卷积神经网络模型分割出炎症区域，然后将炎症区域输入至第二卷积神经网络模型中，对肺损伤进行预测，提高了肺损伤预测的准确度。

Description

一种用于肺损伤预测的肺部CT图像处理方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种用于肺损伤预测的肺部CT图像处理方法及系统。
背景技术
如今，对肺部肿瘤的治疗主要还是通过放射治疗，肺损伤作为放射治疗最主要的副作用之一不仅限制了放疗的剂量攀升从而影响胸部肿瘤患者的治疗疗效，而且对患者的生活治疗造成了影响，随着放射治疗技术和设备的进步以及对放射性肺损伤的研究深入，放射性肺损伤的发生率已逐渐下降，但是仍然做不到完全避免产生肺损伤。胸部CT作为检测放射性肺损伤最常用的检测方式之一，对肺损伤的预测有了极为广泛的应用。现有技术中，存在通过深度学习对图像进行处理从而对肺部疾病预测的技术方案，例如，中国发明专利（CN111932541B）公开了一种用于预测新冠预后的CT影像图像处理方法。包括以下步骤：S1、基于K-means的自动肺分割算法；S2、肺部影像组学特征提取；S3、深度学习特征提取；S4、深度学习和影像组学差异性特征学习；S5、基于融合特征的不良预后预测模型图像处理。然而，上述方案在对图像处理时，直接将肺部图像输入至深度学习模型中，由于输入数据量较大，会增加模型的运算时间，并且由于输入的数据量大，使得模型在训练时，聚焦有用特征的能力减少，从而影响预测准确度；同时，现有技术中存在首先对CT图像进行ROI区域提取，再进行预测的技术方案，上述方案在ROI提取时提取出整个肺部图像，数据量仍然较大，进而影响预测速度和准确度。
发明内容
为了解决上述技术问题，本发明提供了一种用于肺损伤预测的肺部CT图像处理方法及系统，以实现肺损伤的预测。
本发明提供了一种用于肺损伤预测的肺部CT图像处理方法，包括：
步骤S1，获取待预测的肺部CT图像；
步骤S2，对所述肺部CT图像进行预处理；
步骤S3，对经过预处理的所述肺部CT图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域；
步骤S4，采用第一卷积神经网络模型对所述感兴趣区域进一步分割，得到所述肺部CT图像中的炎症区域；
步骤S5，将所述肺部CT图像中的炎症区域输入第二卷积神经网络模型对肺损伤进行预测。
进一步地，所述步骤S2中的预处理包括：图像标准化处理、图像归一化处理以及图像重采样处理。
进一步地，所述图像标准化处理将所述肺部CT图像的CT值标准化到[-100，250]范围内。
进一步地，所述图像归一化处理将所述肺部CT图像的CT值归一化到[0,1]之间。
进一步地，所述图像重采样处理将所述肺部CT图像插值到128×128×64大小。
进一步地，所述步骤S4中采用第一卷积神经网络模型对所述步骤S3中所述感兴趣区域进一步分割，得到所述肺部CT图像中的炎症区域，具体包括以下步骤：
步骤S4.1，建立第一卷积神经网络模型；
步骤S4.2，建立训练所述第一卷积神经网络模型的第一训练集；
步骤S4.3，利用第一训练集对所述第一卷积神经网络模型进行训练；
步骤S4.4，将所述步骤S3中所述感兴趣区域输入至所述第一卷积神经网络模型中，分割得到所述肺部CT图像中的炎症区域。
进一步地，所述步骤S4.2中建立训练所述第一卷积神经网络模型的第一训练集，具体包括以下步骤：
步骤S4.21，获取肺部CT医疗数据作为第一卷积神经网络模型的样本集；
步骤S4.22，对所述步骤S4.21中所述样本集进行粗分割，获得样本集感兴趣区域；
步骤S4.23，对所述样本集感兴趣区域进行标注获得第一训练集。
进一步地，所述步骤S5中将所述步骤S4得到的所述肺部CT图像中的所述炎症区域输入第二卷积神经网络模型对肺损伤进行预测，具体包括以下步骤：
步骤S5.1，建立第二卷积神经网络模型；
步骤S5.2，对所述步骤S4获取得到的所述肺部CT图像中的所述炎症区域进行标注，获得第二训练集；
步骤S5.3，利用所述第二训练集对所述第二卷积神经网络模型进行训练；
步骤S5.4，将所述肺部CT图像输入至训练好的所述第二卷积神经网络模型对肺损伤进行预测。
进一步地，所述步骤S5.4中将所述肺部CT图像输入至训练好的所述第二卷积神经网络模型对肺损伤进行预测，所述预测结果为采用常规药量对患者进行放化疗，确定是否会造成患者的肺部损伤。
本发明另一方面，还提供一种用于肺损伤预测的肺部CT图像处理系统，用于执行上述所述的一种用于肺损伤预测的肺部CT图像处理方法，包括以下模块：
图像采集模块：用于获取待预测的肺部CT图像；
预处理模块：与所述图像采集模块连接，用于对所述肺部CT图像进行预处理；
分割模块：与所述预处理模块连接，对经过预处理的所述肺部CT图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域；
第一卷积神经网络模型：与所述分割模块连接，用于对所述感兴趣区域进一步分割，得到所述肺部CT图像中的炎症区域；
第二卷积神经网络模型：与所述第一卷积神经网络模型连接，根据所述肺部CT图像中的炎症区域对肺损伤进行预测，得出预测结果；
标注模块：与所述第二卷积神经网络模型连接，用于将预测结果标注到待检测的所述肺部CT图像上。
本发明实施例具有以下技术效果：
1、本发明对肺部CT图像进行第一次分割，将肺部周围无关的胸腔组织分割出去，只保留肺部区域，从而使得肺部CT图像的数据量大大减少，提高了通过第一卷积神经网络模型分割出炎症区域的分割速度，在对肺损伤进行预测时，首先采用第一卷积神经网络模型分割出炎症区域，然后将炎症区域输入至第二卷积神经网络模型中，对肺损伤进行预测，从而提高预测的准确度。
2、本发明将样本集粗分割得到的感兴趣区域作为第一训练集对第一卷积神经网络模型进行训练，缩小了训练集的范围，提高了聚焦有用特征的能力，第一卷积神经网络模型可以仅对感兴趣区域进行训练，着重对感兴趣区域的特征进行学习，从而提高预测能力。
3、本发明通过第二卷积神经网络模型预测出肺损伤，将肺损伤直接标注在待预测的肺部CT图像，提高了肺损伤的预测准确度和速度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例1提供的一种用于肺损伤预测的肺部CT图像处理方法的流程图；
图2是本发明实施例1提供的通过S1获取的肺部CT图像；
图3是本发明实施例1提供的经过第一次分割后获得的整个肺部区域为感兴趣区域的图像；
图4是本发明实施例1提供的一种用于肺损伤预测的肺部CT图像处理方法中采用第一卷积神经网络模型对感兴趣区域进一步分割，得到肺部CT图像中的炎症区域的流程图；
图5是本发明实施例1提供的一种用于肺损伤预测的肺部CT图像处理方法中建立训练第一卷积神经网络模型的第一训练集的流程图；
图6是本发明实施例1提供的采用第一卷积神经网络模型得到的肺部CT图像中的炎症区域的图像；
图7是本发明实施例1提供的一种用于肺损伤预测的肺部CT图像处理方法中将肺部CT图像中的炎症区域输入第二卷积神经网络模型对肺损伤进行预测的流程图；
图8是本发明实施例2提供的一种用于肺损伤预测的肺部CT图像处理系统的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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得到的所有其它实施例，都属于本发明所保护的范围。
实施例1
图1是本发明实施例1提供的一种用于肺损伤预测的肺部CT图像处理方法的流程图。参见图1，具体包括：
步骤S1，获取待预测的肺部CT图像。
其中，采用西门子螺旋扫描仪进行扫描，扫描前对患者进行呼吸训练(深吸气末与深呼气末屏气)，扫描时患者呈仰卧位，双手上举，进行全肺扫描；扫描的参数：管电压为120KV，自动管电流选择剂量等级2，范围30-40 mAs，准直器宽度为128×0.62mm，螺距为1.0875，转速为0.5s/圈，扫描层厚为5 mm，视野范围为350mm-450 mm，矩阵为512×512；其中，图2示出了通过上述参数获取的肺部CT图像。
步骤S2，对所述肺部CT图像进行预处理。
所述预处理包括：图像标准化处理、图像归一化处理以及图像重采样处理；
其中，所述图像标准化处理为：由于不同的肺部CT图像的灰度分布范围存在一定的差异，为了降低灰度分布的差异对预测的影响，因此，将所述肺部CT图像的CT值标准化到[-100，250]范围内；所述图像归一化处理为：通过线性变换将所述肺部CT图像的CT值归一化到[0.1]区间内，具体地，获取肺部CT图像的最大CT值和最小CT值，对于每个肺部CT图像的CT值应用以下公式计算：
；
式中，为肺部CT图像中某一像素的灰度值，/>为所有灰度值中的最大值，为所有灰度值中的最小值，/>为像素灰度值归一化后的结果；
为提高CT图像的处理精度进而提高损伤预测的准确度，在本实施例中，所述肺部CT图像进行重采样操作，具体地，采用插样法对所述肺部CT图像重采样，使所述肺部CT图像插值到128×128×64大小；经过上述的重采样操作，使所述CT图像包含更为精确的细节信息。
步骤S3，对经过预处理的所述肺部CT图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域。
其中，通过阈值分割算法实现感兴趣区域的分割，具体地，设定一个阈值，将像素灰度值与阈值作比较，将像素点分为两类，若像素的灰度值大于等于阈值，则将其定义为感兴趣区域；
在现有技术中，在对肺部损伤预测时，一般感兴趣区域为整个肺部区域以及部分胸腔区域，本实施例相较于现有技术，在对感兴趣区域分割时，将胸腔区域分割出去，这样就可以避免将无关的周围胸腔等组织的图像输入至肺损伤模型中，从而减少输入至肺损伤模型的数据，进而减少模型运算的时间；附图3示出了经过第一次分割后获得的整个肺部区域为感兴趣区域的图像。
步骤S4，采用第一卷积神经网络模型对所述感兴趣区域进一步分割，得到所述肺部CT图像中的炎症区域。
实际上，肺部若存在炎症，在化疗时更容易发生肺损伤，因此，本实施例把关注点聚焦在肺部有炎症区域，通过有炎症区域进行分析，可预测在进行放化疗时是否更容易发生肺损伤，若更容易发生肺损伤，则对放化疗的常规药量进行调节；这样可最大准确程度的得到肺损伤的预测结果，从而为化疗医师用药提供参考。
具体地，图4是本发明实施例1提供的一种用于肺损伤预测的肺部CT图像处理方法中采用第一卷积神经网络模型对感兴趣区域进一步分割，得到肺部CT图像中的炎症区域的流程图。参照图4，采用第一卷积神经网络模型对感兴趣区域进一步分割，得到肺部CT图像中的炎症区域，具体包括以下步骤：
步骤S4.1，建立第一卷积神经网络模型；
所述第一卷积神经网络模型包括输入层、卷积层、下采样层，全连接层以及输出层；在本实施例中，第一卷积神经网络模型为9层结构，其中，包括了4个卷积层，4个池化层，一个全连接层，激活函数为TanH函数，学习率为0.0001；
步骤S4.2，建立训练所述第一卷积神经网络模型的第一训练集；
图5是本发明实施例1提供的一种用于肺损伤预测的肺部CT图像处理方法中建立训练第一卷积神经网络模型的第一训练集的流程图。参照图5，具体包括：
步骤S4.21，获取肺部CT医疗数据作为第一卷积神经网络的样本集；
本实施例将以往患者就诊的肺部CT医疗数据作为样本集，所有数据具有真实性和可靠性；
步骤S4.22，对所述步骤S4.21中所述样本集进行粗分割，获得样本集感兴趣区域；
对样本集中的肺部CT图像进行粗分割，得到样本集中肺部CT图像的感兴趣区域；
步骤S4.23，对所述样本集感兴趣区域进行标注获得训练集；
通过有经验的医生对感兴趣区域的炎症区域进行标注，从而形成第一卷积神经网络模型的第一训练集；
步骤S4.3，利用第一训练集对所述第一卷积神经网络模型进行训练；
第一卷积神经网络模型训练过程中，损失函数计算模型预测的输出值与实际值之间的差异，若损失函数的值不断减小，说明模型的预测结果与实际结果之间的差异也不断缩小，模型通过损失函数不断进行优化，为此通过损失函数来衡量第一卷积神经网络模型训练是否满足要求。
S4.4，将所述步骤S3中所述感兴趣区域输入至所述第一卷积神经网络模型中，分割得到所述肺部CT图像中的炎症区域；图6为采用第一卷积神经网络模型得到的肺部CT图像中的炎症区域。
在本实施例中，通过首先将CT图像中的炎症区域分割出来，仅将炎症区域输入至肺损伤预测模型，提高了肺损伤预测模型的聚焦能力，进而提高肺损伤模型预测的准确度。
步骤S5，将所述肺部CT图像中的炎症区域输入第二卷积神经网络模型对肺损伤进行预测。
其中，采用第二卷积神经网络模型对待预测的所述肺部CT图像的所述炎症区域进行标注，进而预测所述待预测患者放化疗是否会导致肺损伤；图7是本发明实施例1提供的一种用于肺损伤预测的肺部CT图像处理方法中将肺部CT图像中的炎症区域输入第二卷积神经网络模型对肺损伤进行预测的流程图。参照图7，具体包括：
步骤S5.1，建立第二卷积神经网络模型；
其中，第二卷积神经网络模型的结构与第一卷积神经网络模型相同；
步骤S5.2，对所述步骤S4获取得到的所述肺部CT图像中的所述炎症区域进行标注，获得第二训练集；
其中，通过所述S4的步骤，可得到第一训练集中具有炎症区域的肺部CT图像，将所述具有炎症区域的肺部CT图像采用所述S4步骤的分割，得到多张具有炎症区域的肺部CT图像，从而形成第二训练集；
然后医生对所述第二训练集进行标注，标注出是否存在肺损伤风险；
步骤S5.3，利用所述第二训练集对所述第二卷积神经网络模型进行训练；
步骤S5.4，将所述肺部CT图像输入至训练好的所述第二卷积神经网络模型对肺损伤进行预测；
具体地，所述步骤S5.4中所述第二卷积神经网络模型对肺损伤进行预测，得到预测结果，值得强调的是，所述预测结果为采用常规药量对患者进行放化疗，确定是否会造成患者的肺部损伤。
实施例2图8是本发明实施例2提供的一种用于肺损伤预测的肺部CT图像处理系统的结构图。参照图8，本发明提供一种用于肺损伤预测的肺部CT图像处理系统，用于执行上述实施例1所述的一种用于肺损伤预测的肺部CT图像处理方法，包括以下模块：
图像采集模块：用于获取待预测的肺部CT图像；
预处理模块：与所述图像采集模块连接，用于对所述肺部CT图像进行预处理；
分割模块：与所述预处理模块连接，对经过预处理的所述肺部CT图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域；
第一卷积神经网络模型：与所述分割模块连接，用于对所述感兴趣区域进一步分割，得到所述肺部CT图像中的炎症区域；
第二卷积神经网络模型：与所述第一卷积神经网络模型连接，根据所述肺部CT图像中的炎症区域对肺损伤进行预测，得出预测结果；
标注模块：与所述第二卷积神经网络模型连接，用于将预测结果标注到待检测的所述肺部CT图像上。
实施例3
本发明还提供一种电子设备，电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所说明的本申请任意实施例的一种用于肺损伤预测的肺部CT图像处理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置可以包括例如键盘、鼠标等等。该输出装置可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种用于肺损伤预测的肺部CT图像处理方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种水利工程渗漏异常智能识别方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它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、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (8)

1.一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，包括：
步骤S1，获取待预测的肺部CT图像；
步骤S2，对所述肺部CT图像进行预处理；
步骤S3，对经过预处理的所述肺部CT图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域；
步骤S4，采用第一卷积神经网络模型对所述感兴趣区域进一步分割，得到所述肺部CT图像中的炎症区域,具体包括以下步骤：
步骤S4.1，建立第一卷积神经网络模型；
步骤S4.2，建立训练所述第一卷积神经网络模型的第一训练集；
步骤S4.3，利用所述第一训练集对所述第一卷积神经网络模型进行训练；
步骤S4.4，将所述步骤S3中所述感兴趣区域输入至所述第一卷积神经网络模型中，分割得到所述肺部CT图像中的炎症区域;
步骤S5，将所述肺部CT图像中的炎症区域输入第二卷积神经网络模型对肺损伤进行预测。
2.根据权利要求1所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述步骤S2中对所述肺部CT图像进行预处理，包括：图像标准化处理、图像归一化处理以及图像重采样处理。
3.根据权利要求2所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述图像标准化处理将所述肺部CT图像的CT值标准化到[-100，250]范围内；
所述图像归一化处理将所述肺部CT图像的CT值归一化到[0,1]之间。
4.根据权利要求2所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述图像重采样处理将所述肺部CT图像插值到128×128×64大小。
5.根据权利要求1所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述步骤S4.2中建立训练所述第一卷积神经网络模型的第一训练集，具体包括以下步骤：
步骤S4.21，获取肺部CT医疗数据作为第一卷积神经网络模型的样本集；
步骤S4.22，对所述步骤S4.21中所述样本集进行粗分割，获得样本集感兴趣区域；
步骤S4.23，对所述样本集感兴趣区域进行标注获得第一训练集。
6.根据权利要求1所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述步骤S5中将所述步骤S4得到的所述肺部CT图像中的所述炎症区域输入第二卷积神经网络模型对肺损伤进行预测，具体包括以下步骤：
步骤S5.1，建立第二卷积神经网络模型；
步骤S5.2，对所述步骤S4获取得到的所述肺部CT图像中的所述炎症区域进行标注，获得第二训练集；
步骤S5.3，利用所述第二训练集对所述第二卷积神经网络模型进行训练；
步骤S5.4，将所述肺部CT图像输入至训练好的所述第二卷积神经网络模型对肺损伤进行预测。
7.根据权利要求6所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述步骤S5.4中将所述肺部CT图像输入至训练好的所述第二卷积神经网络模型对肺损伤进行预测，得到预测结果，所述预测结果为采用常规药量对患者进行放化疗，确定是否会造成患者的肺部损伤。
8.一种用于肺损伤预测的肺部CT图像处理系统，用于执行上述权利要求1-7任一项所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，包括以下模块：
图像采集模块：用于获取待预测的肺部CT图像；
预处理模块：与所述图像采集模块连接，用于对所述肺部CT图像进行预处理；
分割模块：与所述预处理模块连接，对经过预处理的所述肺部CT图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域；
第一卷积神经网络模型：与所述分割模块连接，用于对所述感兴趣区域进一步分割，得到所述肺部CT图像中的炎症区域；
第二卷积神经网络模型：与所述第一卷积神经网络模型连接，根据所述肺部CT图像中的炎症区域对肺损伤进行预测，得出预测结果；
标注模块：与所述第二卷积神经网络模型连接，用于将预测结果标注到待检测的所述肺部CT图像上。
CN202410337997.3A 2024-03-25 2024-03-25 一种用于肺损伤预测的肺部ct图像处理方法及系统 Active CN117934480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410337997.3A CN117934480B (zh) 2024-03-25 2024-03-25 一种用于肺损伤预测的肺部ct图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410337997.3A CN117934480B (zh) 2024-03-25 2024-03-25 一种用于肺损伤预测的肺部ct图像处理方法及系统

Publications (2)

Publication Number Publication Date
CN117934480A CN117934480A (zh) 2024-04-26
CN117934480B true CN117934480B (zh) 2024-05-28

Family

ID=90759615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410337997.3A Active CN117934480B (zh) 2024-03-25 2024-03-25 一种用于肺损伤预测的肺部ct图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN117934480B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171232A (zh) * 2017-11-15 2018-06-15 中山大学 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法
CN110969622A (zh) * 2020-02-28 2020-04-07 南京安科医疗科技有限公司 用于辅助肺炎诊断的图像处理方法和系统
CN111062955A (zh) * 2020-03-18 2020-04-24 天津精诊医疗科技有限公司 一种肺部ct影像数据分割方法及系统
CN111292289A (zh) * 2018-12-07 2020-06-16 中国科学院深圳先进技术研究院 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质
CN111340827A (zh) * 2020-05-18 2020-06-26 天津精诊医疗科技有限公司 一种肺部ct影像数据处理分析方法及系统
CN112967778A (zh) * 2021-03-17 2021-06-15 复旦大学附属华山医院 基于机器学习的炎症性肠病精准用药方法及系统
WO2022011616A1 (zh) * 2020-07-15 2022-01-20 北京肿瘤医院(北京大学肿瘤医院) 一种通过影像组学特征判断癌症治疗反应的方法及系统
CN117745717A (zh) * 2024-02-08 2024-03-22 江南大学附属医院 一种剂量学与深度学习特征预测放射性肺炎的方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10667778B2 (en) * 2016-09-14 2020-06-02 University Of Louisville Research Foundation, Inc. Accurate detection and assessment of radiation induced lung injury based on a computational model and computed tomography imaging

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171232A (zh) * 2017-11-15 2018-06-15 中山大学 基于深度学习算法的细菌性与病毒性儿童肺炎的分类方法
CN111292289A (zh) * 2018-12-07 2020-06-16 中国科学院深圳先进技术研究院 基于分割网络的ct肺肿瘤分割方法、装置、设备及介质
CN110969622A (zh) * 2020-02-28 2020-04-07 南京安科医疗科技有限公司 用于辅助肺炎诊断的图像处理方法和系统
CN111062955A (zh) * 2020-03-18 2020-04-24 天津精诊医疗科技有限公司 一种肺部ct影像数据分割方法及系统
CN111340827A (zh) * 2020-05-18 2020-06-26 天津精诊医疗科技有限公司 一种肺部ct影像数据处理分析方法及系统
WO2022011616A1 (zh) * 2020-07-15 2022-01-20 北京肿瘤医院(北京大学肿瘤医院) 一种通过影像组学特征判断癌症治疗反应的方法及系统
CN112967778A (zh) * 2021-03-17 2021-06-15 复旦大学附属华山医院 基于机器学习的炎症性肠病精准用药方法及系统
CN117745717A (zh) * 2024-02-08 2024-03-22 江南大学附属医院 一种剂量学与深度学习特征预测放射性肺炎的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Prediction of radiation pneumonitis after definitive radiotherapy for locally advanced non-small cell lung cancer using multi-region radioics analysis;Daisuke Kawahara et al.;scientific reports;20210810;全文 *

Also Published As

Publication number Publication date
CN117934480A (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN108778416B (zh) 使用组织参数估计根据mr数据的伪ct生成的系统、方法和介质
CN108770373B (zh) 使用特征回归模型根据mr数据的伪ct生成
CN110996785B (zh) 生物电磁场中异常的机器判别
EP4131160A1 (en) Image obtaining method and system, image quality determination method and system, and medical image acquisition method and system
US9710907B2 (en) Diagnosis support system using panoramic radiograph and diagnosis support program using panoramic radiograph
CN109035284B (zh) 基于深度学习的心脏ct图像分割方法、装置、设备及介质
CN112052896B (zh) 图像处理方法及装置，分类模型的训练方法及装置
Maaliw et al. A deep learning approach for automatic scoliosis cobb angle identification
EP3971830B1 (en) Pneumonia sign segmentation method and apparatus, medium and electronic device
EP3431005A1 (en) Inflammation estimation from x-ray image data
CN110992376A (zh) 基于ct图像的肋骨分割方法、装置、介质及电子设备
CN112233128B (zh) 图像分割方法及模型的训练方法、装置、介质、电子设备
CN111681233A (zh) 基于深度神经网络的us-ct图像分割方法、系统及设备
EP3602485B1 (en) Interaction monitoring of non-invasive imaging based ffr
CN111311612A (zh) 肺部分割方法、装置、介质及电子设备
US20220028072A1 (en) Method for detecting abnormality, non-transitory computer-readable recording medium storing program for detecting abnormality, abnormality detection apparatus, server apparatus, and method for processing information
CN117934480B (zh) 一种用于肺损伤预测的肺部ct图像处理方法及系统
CN113012118B (zh) 图像处理方法以及图像处理装置
CN115187512B (zh) 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质
EP3588378B1 (en) Method for determining at least one enhanced object feature of an object of interest
CN111080625B (zh) 肺部影像条索检测模型的训练方法及其训练装置
CN117765062B (zh) 用于青少年脊柱侧弯检测的图像处理方法及系统
TWI751956B (zh) 正子攝影之量化定位系統及其運作方法
CN117612726B (zh) 放射性肺炎预测方法、装置、设备及介质
CN113075599B (zh) 磁共振信号采集方法、磁共振系统及介质

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