基于深度学习的哮喘CT影像智能分型系统的制作方法

本发明涉及哮喘ct影像智能分型，具体是指基于深度学习的哮喘ct影像智能分型系统。

背景技术：

1、哮喘ct影像分型是利用计算机辅助技术，基于患者的高分辨率ct影像数据，对不同类型的哮喘进行自动化分类和分析的过程。其通过结合图像处理算法和机器学习技术，能够提取肺部结构的特征，并与临床数据相结合，实现对哮喘患者病情的精准分型，从而辅助医生制定个性化的治疗方案，改善患者的治疗效果。

2、然而，传统的哮喘ct影像分型系统存在依赖静态的吸气相或呼气相单一时刻影像特征，忽视呼吸周期气道形变的病理信息，导致分型依据仅停留在形态学表面，且缺乏对气道复杂拓扑结构的有效建模，难以将离散的气道段运动信息整合为个体化特征，稳定性和可重复性不足的技术问题；传统的哮喘ct影像分型系统存在缺乏物理一致性约束，使得模型在学习影像生成或特征提取时可能偏离真实的呼吸运动机制，且忽视个体间呼吸动力学参数的差异，无法为新病例进行个性化的参数适配，导致模型在面对不同病情严重程度或合并症患者时表现极不稳定的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于深度学习的哮喘ct影像智能分型系统，针对传统的哮喘ct影像分型系统存在依赖静态的吸气相或呼气相单一时刻影像特征，忽视呼吸周期气道形变的病理信息，导致分型依据仅停留在形态学表面，且缺乏对气道复杂拓扑结构的有效建模，难以将离散的气道段运动信息整合为个体化特征，稳定性和可重复性不足的技术问题，本方案创造性地采用了改进残差网络模型作为约束提取模型，将深度特征学习与力学位移场估计结合，保留了高层语义提取能力的同时，通过结构化输出将非欧几里得的气道拓扑信息压缩为紧凑的约束特征，提升了特征对个体差异的表征能力；针对传统的哮喘ct影像分型系统存在缺乏物理一致性约束，使得模型在学习影像生成或特征提取时可能偏离真实的呼吸运动机制，且忽视个体间呼吸动力学参数的差异，无法为新病例进行个性化的参数适配，导致模型在面对不同病情严重程度或合并症患者时表现极不稳定的技术问题，本方案创造性地采用了改进条件扩散模型作为分型模型，将物理运动方程作为条件约束嵌入生成过程，使得模型拟合统计分布为分型提供更丰富分布信息的同时，保证生成和推理过程符合呼吸力学基本规律，增强了模型对新患者的泛化能力。

2、本发明采取的技术方案如下：本发明提供的基于深度学习的哮喘ct影像智能分型系统，包括影像数据获取模块、数据预处理模块、约束提取模型构建模块、分型模型构建模块和哮喘影像分型模块；

3、所述影像数据获取模块，通过影像采集，得到哮喘分型原始数据集，并将所述哮喘分型原始数据集发送至数据预处理模块；

4、所述数据预处理模块，采用hu归一化、肺实质分割、双相刚性配准、肺区裁剪和数据集划分的数据预处理方法，得到初步待分型数据集、初步训练集和初步测试集，并将所述初步待分型数据集、所述初步训练集和所述初步测试集发送至约束提取模型构建模块；

5、所述约束提取模型构建模块，通过构建改进残差网络模型，得到约束提取模型，将初步待分型数据集、初步训练集和初步测试集作为输入得到待分型数据集、分型训练集和分型测试集，并将所述约束提取模型和所述待分型数据集发送至哮喘影像分型模块，将所述分型训练集和所述分型测试集发送至分型模型构建模块；

6、所述分型模型构建模块，通过构建改进条件扩散模型，得到分型模型，并将所述分型模型发送至哮喘影像分型模块；

7、所述哮喘影像分型模块，通过结合所述约束提取模型和所述分型模型，进行实时哮喘ct影像分型，得到最终哮喘ct影像分型结果。

8、进一步地，在影像数据获取模块中，所述哮喘分型原始数据集，具体包括历史哮喘分型原始数据集和当前哮喘分型原始数据集，所述历史哮喘分型原始数据集和所述当前哮喘分型原始数据集，两者均包含双相ct影像数据，所述历史哮喘分型原始数据集，还包括哮喘分型标签数据，所述双相ct影像数据，具体包括吸气相ct影像数据和呼气相ct影像数据，所述吸气相ct影像数据，具体为患者吸气末采集的肺部高分辨率ct影像，所述呼气相ct影像数据，具体为患者呼气末采集的肺部高分辨率ct影像，同一患者采集的吸气相ct影像与呼气相ct影像构成一个数据对。

9、进一步地，在数据预处理模块中，所述hu归一化，用于消除不同ct设备和扫描协议导致的体素间距和灰度范围差异，具体为将所有ct影像序列重采样至各向同性1mm3体素，并将hu值截断至肺窗范围后线性映射到区间[0,1]；

10、所述肺实质分割，用于去除非肺部无关结构，聚焦肺部区域，具体为采用阈值法结合连通域分析和形态学闭运算提取肺部区域，得到二值肺掩膜；

11、所述双相刚性配准，用于校正患者体位移动造成的全局错位，具体为以吸气相为固定图像、呼气相为浮动图像，通过六自由度刚体变换最大化归一化互相关，得到空间对齐的呼气相图像；

12、所述肺区裁剪，用于增加训练样本多样性，具体为采用二值肺掩膜的最小包围盒裁剪双相ct影像，再以50%重叠的滑动窗口切分为64×64×64大小的块，得到局部块对；

13、所述数据集划分，用于获取训练数据和测试数据，具体为对所述历史哮喘分型原始数据集进行数据集分割；

14、通过所述hu归一化、所述肺实质分割、所述双相刚性配准和所述肺区裁剪，对所述当前哮喘分型原始数据集进行数据预处理，得到初步待分型数据集，通过所述hu归一化、所述肺实质分割、所述双相刚性配准、所述肺区裁剪和所述数据集划分，对所述历史哮喘分型原始数据集进行数据预处理，得到初步训练集和初步测试集。

15、进一步地，在约束提取模型构建模块中，用于构建从双相ct影像中提取患者个性化的呼吸力学特征所需的模型，具体为通过构建改进残差网络模型，作为约束提取模型，所述改进残差网络模型，通过预测每个体素从吸气相到呼气相的三维位移矢量并构造图结构提取特征，得到个体动态约束特征；

16、所述约束提取模型构建模块，具体内容包括连续位移场预测、运动拓扑骨架提取、应变率计算、约束特征提取和构建模型并训练；

17、所述连续位移场预测，用于从预处理后的双相ct块中预测体素的三维位移矢量，内容包括：

18、双相特征提取，用于从双相ct块中提取高层语义特征，具体为分别采用两个权值共享的三维resnet-34提取吸气相局部块和呼气相局部块的特征，经过全局平均池化处理得到吸气相特征图和呼气相特征图，并通过逐元素差融合，经过上采样恢复分辨率得到粗融合特征；

19、连续隐式解码，用于将离散体素上的位移场转换为连续坐标的函数表示，具体为对块内任意连续坐标，首先从粗融合特征双线性插值得到局部特征，随后连同位置编码输入一个多层感知机，输出该坐标的三维位移矢量，得到三维位移场；

20、所述运动拓扑骨架提取，用于从位移场中自动提取气道中心线的图结构，内容包括：

21、位移场散度计算，用于量化每个体素的局部体积变化率，具体为通过计算三维位移场各分量偏导之和得到散度体；

22、零交叉面处理，用于从散度体中提取气道管壁并简化为中心线图，具体为采用行进立方体算法提取散度为0的等值面，再经拓扑细化算法腐蚀至单像素宽度并剔除短分支，得到气道结构无向图；

23、气道属性赋值，用于为每个气道段赋予运动相关属性，具体为沿气道结构无向图每条边均匀采样5个点，从三维位移场中读取各点的位移幅值和散度值，得到气道增强无向图；

24、所述应变率计算，用于量化每个气道段在呼吸周期中的径向形变程度，内容包括：

25、径向管壁距离提取，用于测量每个采样点处的气道内外径，具体为沿垂直于气道结构无向图每条边的径向方向，每条边的采样点发射8条射线，与散度零等值面求交，得到吸气相最近交点距离和呼气相最近交点距离，分别作为吸气相径向半径和呼气相径向半径；

26、径向应变率计算，用于将管径变化转化为无量纲的应变率指标，具体为对气道结构无向图每条边5个采样点的径向半径取平均值，再计算呼气相相对于吸气相的相对变化率，得到气道结构无向图每条边的径向应变率值；

27、所述约束特征提取，用于将非欧几里得的气道结构无向图和径向应变率序列压缩为固定长度的向量，内容包括：

28、图注意力消息传递，用于在图神经网络中保留气道结构无向图的层次结构信息，具体为在每层图神经网络消息传递时，将气道结构无向图边属性和分叉级差作为偏置融入注意力权重计算，以获取每层更新后的节点隐向量，所述气道结构无向图边属性，具体包括边长度和边径向应变率值；

29、可微分图池化，用于将可变大小的节点集聚合为固定大小的图级向量，并强制压缩过程保留原始拓扑，具体为通过可微分图池化将图注意力消息传递处理后气道结构无向图的节点聚为32个超级节点并全局求和，得到初步约束特征和池化后的粗化图，计算粗化图与气道结构无向图的编辑距离作为拓扑正则损失；

30、约束特征获取，用于将高维图级向量降维得到紧凑表示，具体为通过两层全连接层将初步约束特征进一步降维，得到个体动态约束特征；

31、所述构建模型并训练，具体为通过集成所述连续位移场预测、所述运动拓扑骨架提取、所述应变率计算和所述约束特征提取，进行改进残差网络模型的构建，基于初步训练集和初步测试集训练模型并验证性能，得到改进残差网络模型，作为约束提取模型；

32、将初步待分型数据集、初步训练集和初步测试集作为所述约束提取模型的输入进行处理，得到待分型数据集、分型训练集和分型测试集。

33、进一步地，在分型模型构建模块中，用于构建基于吸气相ct影像和上游输出的个体动态约束特征输出哮喘分型标签所需的模型，具体为通过构建改进条件扩散模型，作为分型模型；

34、所述分型模型构建模块，具体内容包括条件扩散模型构建、最优物理参数反演、疾病流形空间预标定、最终分型输出和模型构建并训练；

35、所述条件扩散模型构建，用于建立一个既能生成逼真ct影像又能强制满足物理一致性的生成模型，内容包括：

36、扩散前向加噪过程，用于将吸气相ct影像的编码结果逐步破坏为标准高斯噪声，具体为采用余弦噪声调度，对吸气相ct影像的编码结果逐步添加方差递增的高斯噪声，得到含噪编码特征；

37、物理一致性约束，用于设计一个反应扩散方程嵌入扩散前向加噪过程，具体为定义一个包含扩散、反应和呼吸驱动的方程，并采用个体动态约束特征调制呼吸驱动项，通过求解方程得到预测的呼气编码特征，并与呼气相特征图一同计算物理一致性损失；

38、条件去噪网络，用于训练一个以个体动态约束特征为条件的去噪网络，具体为采用三维u-net作为去噪网络，并在每层跳跃连接处采用film调制将个体动态约束特征作为条件注入，得到条件去噪网络；

39、所述最优物理参数反演，用于为待分型患者求解最能解释其ct影像和呼吸运动的反应扩散方程参数，内容包括：

40、初始化，用于准备反演的起点，具体为固定训练好的条件扩散模型，并处理待分型患者的吸气相ct影像，反应扩散方程参数初始化为训练集均值；

41、带物理约束的联合优化，用于在固定模型的情况下搜索最优反应扩散方程参数，具体为对待分型患者交替进行条件去噪网络去噪步骤和反应扩散方程参数的梯度下降，得到使条件扩散模型输出的生成影像与真实影像最吻合的反应扩散方程参数；

42、所述疾病流形空间预标定，用于在训练集上建立参数的连续谱地图，内容包括：

43、训练集参数集合降维，用于将训练集样本的反应扩散方程参数降维为二维流形，具体为对所有训练集样本的反应扩散方程参数计算高维邻接概率，通过最小化与低维邻接概率的kl散度，得到每个训练集样本的二维流形；

44、盆地分型聚类，用于在二维流形上自动划分哮喘分型标签表示的哮喘类型的聚集区域，具体为以wasserstein距离为度量对训练集样本的二维流形进行k-means聚类，得到基于哮喘分型标签的多个吸引子盆地；

45、所述最终分型输出，用于将待分型患者投影到预标定流形空间并输出临床分型，具体为采用与训练集参数集合降维相同的方法计算待分型患者的反应扩散方程参数的二维流形，并计算与所有吸引子盆地中心的欧氏距离，经softmax函数转换为归一化的隶属度向量，得到哮喘分型标签的连续置信度分数，取最大置信度分数大于设定阈值的哮喘分型标签作为输出；

46、所述模型构建并训练，具体为通过集成所述条件扩散模型构建、所述最优物理参数反演、所述疾病流形空间预标定和所述最终分型输出，进行改进条件扩散模型的构建，基于分型训练集和分型测试集训练模型并验证性能，得到改进条件扩散模型，作为分型模型。

47、进一步地，在哮喘影像分型模块中，具体为将所述待分型数据集作为所述分型模型的输入进行哮喘ct影像分型，分型模型输出的哮喘分型标签作为最终哮喘ct影像分型结果。

48、采用上述方案本发明取得的有益效果如下：

49、（1）针对传统的哮喘ct影像分型系统存在依赖静态的吸气相或呼气相单一时刻影像特征，忽视呼吸周期气道形变的病理信息，导致分型依据仅停留在形态学表面，且缺乏对气道复杂拓扑结构的有效建模，难以将离散的气道段运动信息整合为个体化特征，稳定性和可重复性不足的技术问题，本方案创造性地采用了改进残差网络模型作为约束提取模型，将深度特征学习与力学位移场估计结合，保留了高层语义提取能力的同时，通过结构化输出将非欧几里得的气道拓扑信息压缩为紧凑的约束特征，提升了特征对个体差异的表征能力。

50、（2）针对传统的哮喘ct影像分型系统存在缺乏物理一致性约束，使得模型在学习影像生成或特征提取时可能偏离真实的呼吸运动机制，且忽视个体间呼吸动力学参数的差异，无法为新病例进行个性化的参数适配，导致模型在面对不同病情严重程度或合并症患者时表现极不稳定的技术问题，本方案创造性地采用了改进条件扩散模型作为分型模型，将物理运动方程作为条件约束嵌入生成过程，使得模型拟合统计分布为分型提供更丰富分布信息的同时，保证生成和推理过程符合呼吸力学基本规律，增强了模型对新患者的泛化能力。