肺功能预测方法和装置

摘要: 本技术涉及肺功能预测方法、装置、介质、电子设备、计算机程序产品。背景技术:1、肺功能检查(pft)是评估呼吸系统疾病、制定手术方案及监测药效的金标准。然而,传统...
肺功能预测方法和装置

本技术涉及肺功能预测方法、装置、介质、电子设备、计算机程序产品。

背景技术:

1、肺功能检查(pft)是评估呼吸系统疾病、制定手术方案及监测药效的金标准。然而,传统临床诊断及现有ai辅助模型存在以下局限性:

2、物理测试的局限性:标准肺功能测试要求患者进行强力吹气协调,对于高龄、极度虚弱、术后疼痛或存在认知障碍的患者,往往无法完成测试或结果误差大。

3、平扫ct信息的挖掘不足:传统临床观点主要利用平扫ct观察形态学改变(如炎症、结节),由于肺部细微结构的复杂性,人眼和传统算法难以直接通过平扫图像精确推断肺部的生理功能指标,导致平扫ct在功能评估方面的价值被低估。

4、多中心的设备偏差导致的不准确:不同医院的ct设备(如ge、siemens、philips)在层厚、噪声水平和重建算法上存在显著差异。现有ai模型在单一中心表现良好,但在跨机构应用时,这些技术参数的异质性会导致肺功能预测出现严重偏差。标注数据的“稀缺性”:同时拥有高质量ct影像和配对肺功能检查报告的标注数据集规模有限。在小样本场景下,直接训练深层3d网络容易产生过拟合,难以捕捉影像特征与功能指标间复杂的非线性映射关系。

技术实现思路

1、本技术实施例提供了一种肺功能预测方法、装置、介质、电子设备、计算机程序产品。

2、第一方面,本技术实施例提供了一种肺功能预测方法,用于电子设备,包括:

3、获取步骤,获取多个历史受试者各自的胸部平扫ct影像、与ct检查时间对应的肺功能检测结果、以及基础临床信息;

4、预处理步骤,对每个所述胸部平扫ct影像进行预处理,所述预处理包括肺窗范围裁剪、灰度归一化、各向同性重采样,得到预处理后ct影像;

5、构建步骤,在所述预处理后ct影像中,构建肺部感兴趣区域;

6、初始化步骤,将基于自监督学习框架在大规模无标注医学影像上预训练得到的编码器权重,迁移至肺功能预测模型的骨干网络;

7、提取步骤,将所述肺部感兴趣区域输入所述骨干网络,其中,在所述骨干网络中嵌入多尺度特征融合模块mcff,进行三维多尺度影像特征提取,得到高维影像特征向量;

8、融合步骤,对所述基础临床信息进行处理,得到临床特征向量,并将所述高维影像特征向量与所述临床特征向量进行多模态融合,得到融合后的多模态特征;

9、回归预测步骤,将所融合后的多模态特征输入所述肺功能预测模型的回归头网络,输出肺功能预测值;

10、训练步骤,利用损失函数对所述肺功能预测值和对应历史受试者的实际肺功能标签之间的偏差进行约束,得到训练后的肺功能预测模型;

11、肺功能预测步骤,将待预测受试者的胸部平扫ct影像和基础临床信息输入所述训练后的肺功能预测模型,进行肺功能预测。

12、第二方面,本发明提供了一种肺功能预测装置,包括:

13、获取单元,获取多个历史受试者各自的胸部平扫ct影像、与ct检查时间对应的肺功能检测结果、以及基础临床信息;

14、预处理单元,对每个所述胸部平扫ct影像进行预处理,所述预处理包括肺窗范围裁剪、灰度归一化、各向同性重采样,得到预处理后ct影像;

15、构建单元,在所述预处理后ct影像中,构建肺部感兴趣区域;

16、初始化单元,将基于自监督学习框架在大规模无标注医学影像上预训练得到的编码器权重,迁移至肺功能预测模型的骨干网络;

17、提取单元,将所述肺部感兴趣区域输入所述骨干网络,其中,在所述骨干网络中嵌入多尺度特征融合模块mcff,进行三维多尺度影像特征提取,得到高维影像特征向量;

18、融合单元,对所述基础临床信息进行处理,得到临床特征向量,并将所述高维影像特征向量与所述临床特征向量进行多模态融合,得到融合后的多模态特征;

19、回归预测单元,将所融合后的多模态特征输入所述肺功能预测模型的回归头网络,输出肺功能预测值;

20、训练单元,利用损失函数对所述肺功能预测值和对应历史受试者的实际肺功能标签之间的偏差进行约束,得到训练后的肺功能预测模型;

21、肺功能预测单元,将待预测受试者的胸部平扫ct影像和基础临床信息输入所述训练后的肺功能预测模型,进行肺功能预测。

22、第三方面,本发明实施例提供了一种计算机可读存储介质,所述存储介质上存储有指令,所述指令在计算机上执行时使所述计算机执行第一方面任一项所述的肺功能预测方法。

23、第四方面,本发明实施例提供了一种电子设备,包括:一个或多个处理器;一个或多个存储器;所述一个或多个存储器存储有一个或多个程序,当所述一个或者多个程序被所述一个或多个处理器执行时,使得所述电子设备执行第一方面所述的肺功能预测方法。

24、第五方面,本技术实施例提供了一种计算机程序产品,包括计算机可执行指令,所述指令被处理器执行以实施第一方面所述的肺功能预测方法。

25、本发明通过“标准化预处理 + 自监督初始化 + 多尺度影像建模 + 临床信息补偿 + 回归输出”的组合技术路线,可以获得以下有益效果:

26、第一,针对无法完成或不适宜进行常规肺功能吹气测试的患者,本发明不再依赖受试者主动配合的呼吸动作,而是直接从常规胸部平扫ct影像中提取能够反映肺实质状态、肺容积变化、小气道受累程度及整体通气储备的影像特征,并将这些特征映射到肺功能指标空间,因此能够建立一种“无创、非配合式”的肺功能替代评估路径。

27、第二,针对肺功能受多尺度病理因素共同影响、传统单尺度卷积难以完整表征的问题,本发明设置多层次特征融合模块(mcff),其中 1×1 卷积分支用于提取局部纹理, 3×3 卷积分支用于提取邻域结构,扩张卷积分支用于扩大感受野,全局池化分支用于提取整体容积信息。多分支特征融合后,预测模型可同时感知微观病变与宏观结构变化,因此能够提升对fev1、fvc等连续指标的回归预测精度。

28、第三,针对多中心的ct设备参数差异导致模型泛化性能下降的问题,本发明在输入端对体素间距、灰度范围和图像尺寸进行统一处理,使不同来源的影像在进入网络前尽量落入同一数据分布。同时借助自监督预训练获得更加稳定的底层解剖表征能力,减少模型对特定中心噪声模式和重建风格的过拟合,因此在跨中心应用时仍能保持较好的鲁棒性。

29、第四,针对医学标注数据有限、直接从零训练深层三维网络容易过拟合的问题,本发明将moco自监督预训练权重迁移至预测模型的骨干网络,使预测模型在少量有标签样本条件下仍能快速收敛,并更容易学习到与肺功能相关的结构先验,从而显著降低训练不稳定性和性能波动。

30、第五,针对单纯依赖影像特征难以完全反映个体生理差异的问题,本发明进一步引入年龄、性别、bmi等基础临床信息作为辅助模态,与深层影像特征共同参与回归建模。由于这些变量与肺功能基线存在天然相关性,因此能够对不同个体之间的生理差异和扫描偏差进行补偿,最终提高预测结果的稳定性和临床可解释性。

31、本发明并非单一算法堆叠,而是围绕肺功能预测这一目标,在数据层、特征层和决策层构建了相互配合的整体方案,能够系统性地解决现有技术中“难采集、难泛化、难精确”的关键问题。