基于智能影像的尘肺预警方法、装置及存储介质与流程

1.本发明涉及尘肺识别技术领域，尤其涉及一种基于智能影像的尘肺预警方法、装置及存储介质。


背景技术：

2.尘肺病是由于在职业活动中长期吸入生产性粉尘，并在肺内潴留而引起的以肺组织弥漫性纤维化为主的全身性疾病。根据国内近年来多地报告的职业病发病情况，尘肺病仍位居职业病首位。
3.我国的尘肺诊断标准将尘肺按等级分为四类：无尘肺、一期尘肺、二期尘肺和三期尘肺，尘肺的等级主要是通过x光拍摄的胸片进行鉴定的，传统的x线成像是使透过人体的x线投射在夹在两侧增感屏之间的胶片上，其图像是模拟信号，影像信息只能记录在胶片上，影像真实，无法修饰。随着现代科学技术的发展cr、dr、ct等现代x线成像技术的图像都已经实现数字化。其拍摄结果能够被输入到计算机进行处理成像。
4.在对一期尘肺的ct图像进行识别时，会存在很多的肺部细小病灶无法被准确识别的情况，进而导致早期肺部病变识别时会出现误判断的情况。


技术实现要素：

5.本发明实施例提供一种基于智能影像的尘肺预警方法、装置及存储介质，能够对早期肺部病变进行有效识别，并根据识别结果进行尘肺预警。
6.本发明实施例的第一方面，提供一种基于智能影像的尘肺预警方法，包括：
7.对接收到的ct图像进行预处理；
8.基于识别模型对预处理后的尘肺ct图像依次进行粗分割和细分割得到粗分割结果和细分割结果；
9.对所述粗分割结果和细分割结果融合处理得到融合结果；
10.基于所述融合结果进行尘肺预警。
11.可选地，在第一方面的一种可能实现方式中，通过以下步骤对所述识别模型进行训练，包括：
12.预先设置训练样本集，所述训练样本集包括多帧ct图像，其中每帧ct图像分别具有尘肺病信息和\或标准信息；
13.识别模型对训练样本集中的ct图像进行识别，依次得到粗分割结果、细分割结果以及融合结果；
14.识别模型将粗分割结果、细分割结果、融合结果与尘肺病信息和\或标准信息比对以更新识别模型的参数梯度。
15.可选地，在第一方面的一种可能实现方式中，在识别模型对训练样本集中的ct图像进行识别前，还包括：
16.获取当前时刻的ct图像，选取所述ct图像前和\或后的预设数量帧的ct图像；
17.将当前时刻的ct图像和选取的ct图像分别作为输入至所述识别模型进行训练。
18.可选地，在第一方面的一种可能实现方式中，在识别模型对训练样本集中的ct图像进行识别前，还包括：
19.对所述ct图像采用滑动窗口的方法生成48
×
64
×
64大小的体数据块作为识别模型的输入进行训练。
20.可选地，在第一方面的一种可能实现方式中，对接收到的ct图像进行预处理包括：
21.对所述ct图像依次进行层厚重分割、灰度校正、图像噪声及伪影去除。
22.本发明实施例的第二方面，提供一种基于智能影像的尘肺预警装置，包括：
23.预处理模块，用于对接收到的ct图像进行预处理；
24.分割模块，用于基于识别模型对预处理后的尘肺ct图像依次进行粗分割和细分割得到粗分割结果和细分割结果；
25.融合模块，用于对所述粗分割结果和细分割结果融合处理得到融合结果；
26.预警模块，用于基于所述融合结果进行尘肺预警。
27.可选地，在第二方面的一种可能实现方式中，还包括：
28.设置单元，用于预先设置训练样本集，所述训练样本集包括多帧ct图像，其中每帧ct图像分别具有尘肺病信息和\或标准信息；
29.识别单元，用于使识别模型对训练样本集中的ct图像进行识别，依次得到粗分割结果、细分割结果以及融合结果；
30.更新单元，用于使识别模型将粗分割结果、细分割结果、融合结果与尘肺病信息和\或标准信息比对以更新识别模型的参数梯度。
31.可选地，在第二方面的一种可能实现方式中，还包括：
32.第一选取单元，用于获取当前时刻的ct图像，选取所述ct图像前和\或后的预设数量帧的ct图像；
33.第一训练单元，用于将当前时刻的ct图像和选取的ct图像分别作为输入至所述识别模型进行训练。
34.可选地，在第二方面的一种可能实现方式中，还包括：
35.第二训练单元，用于对所述ct图像采用滑动窗口的方法生成48
×
64
×
64大小的体数据块作为识别模型的输入进行训练。
36.可选地，在第一方面的一种可能实现方式中，
37.本发明实施例的第二方面，提供一种
38.本发明实施例的第三方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
39.本发明提供的一种基于智能影像的尘肺预警方法、装置及存储介质，能够对正常人群及壹期尘肺人群的ct图像进行深度学习，计算已识别病灶的相关权重及系数，训练识别模型，实现对肺部尘肺相关病变进行早期预警，有效提高了尘肺筛查的准确度和效率。并且，早期预警可以发现煤矿相关产业人员中的尘肺高危人群，及早采取干预，降低了转变为尘肺的可能性。
附图说明
40.图1为基于智能影像的尘肺预警方法的流程图；
41.图2为识别模型对ct图像识别的示意图；
42.图3为基于智能影像的尘肺预警装置的结构图。
具体实施方式
43.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
45.应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
46.应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
47.应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。
48.应当理解，在本发明中，“与a对应的b”、“与a相对应的b”、“a与b相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。
49.取决于语境，如在此所使用的“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。
50.下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
51.本发明提供一种基于智能影像的尘肺预警方法，如图1所示其第一种实施方式的流程图，包括：
52.步骤s110、对接收到的ct图像进行预处理。
53.其中，步骤s110包括：
54.对所述ct图像依次进行层厚重分割、灰度校正、图像噪声及伪影去除。通过对ct图像的预处理，使得处理后的ct图像在分割过程中不会产生误差，以保障识别结果或者是训
练样本的准确性。
55.在尘肺病智能检测任务中有很多小的病灶(<1mm)进行识别，例如说一期尘肺，但是这些细小的病灶人工标注起来费事费力，且很容易遗漏，这导致很难采用有监督学习的方式进行肺部细小病灶的识别。因此本发明采用无监督学习的方式进行肺部细小病灶的检测。无监督学习的方法利用cnn网络进行特征的提取然后通过聚类的策略来实现对目标的检测和识别。
56.步骤s120、基于识别模型对预处理后的尘肺ct图像依次进行粗分割和细分割得到粗分割结果和细分割结果。
57.在步骤s120中，如图2所示，分别采用2d cnn和3d cnn进行肺部器官的分割，得到粗分割结果和细分割结果。2d cnn网络是为了提取整体特征，3d cnn网络是为了提取丰富的细节信息。通过2d cnn网络保障了肺部图像的整体特征，通过3d cnn网络保障了肺部图像的细节特征，进而得到准确的分割结果。
58.步骤s130、对所述粗分割结果和细分割结果融合处理得到融合结果。将粗分割结果和细分割结果采用相加的方式进行融合得到融合结果，以此实现融合结果分别包括整体特征和细节特征。
59.步骤s140、基于所述融合结果进行尘肺预警。
60.在得到融合结果后，既可以检测到<1mm的病灶，如果发现融合结果中的肺部存在<1mm的病灶，此时进行尘肺预警。
61.在步骤s140的一种实施方式中，本发明也可以结合融合结果和临床职业史资料对相关产业人员进行尘肺预警，即基于所述融合结果和相关产业人员的临床职业史资料、血液学指标进行尘肺预警。其中，临床职业史资料包括年龄、性别、工种、职业年限等、血液学指标包括生化、基因检测等。例如说相关产业人员年龄较高、职业年限较长，基因中显示肺部的功能较差等等，则该相关产业人员产生尘肺的几率就会更高。
62.本发明通过识别模型对肺进行识别，去除ct图像中的血管、支气管等组织，得到ct图像中的感兴趣区域，其中感兴趣区域只有肺，通过2d cnn网络对感兴趣区域中的微小结节及异常肺纹理进行识别，通过3d cnn网络对感兴趣区域中的血管、支气管进行识别。将2d cnn和3d cnn的识别结果进行融合得到器官的三维立体可视化图像。
63.在一个可能的实施方式中，通过以下步骤对所述识别模型进行训练，包括：
64.预先设置训练样本集，所述训练样本集包括多帧ct图像，其中每帧ct图像分别具有尘肺病信息和\或标准信息。
65.识别模型对训练样本集中的ct图像进行识别，依次得到粗分割结果、细分割结果以及融合结果。
66.识别模型将粗分割结果、细分割结果、融合结果与尘肺病信息和\或标准信息比对以更新识别模型的参数梯度。
67.在一个可能的实施方式中，在识别模型对训练样本集中的ct图像进行识别前，还包括：
68.获取当前时刻的ct图像，选取所述ct图像前和\或后的预设数量帧的ct图像；
69.将当前时刻的ct图像和选取的ct图像分别作为输入至所述识别模型进行训练。
70.本发明提供的技术方案，在对识别模型训练的过程中为了缓解2d cnn在空间特征
提取能力的不足，将多帧医学图像组合到一起作为网络的输入进行模型的训练，例如原始的输入图像是512
×
512
×
1，现在将前后各4帧的图像进行组合，则输入图像大小变为512
×
512
×
9。
71.在一个可能的实施方式中，在识别模型对训练样本集中的ct图像进行识别前，还包括：
72.对所述ct图像采用滑动窗口的方法生成48
×
64
×
64大小的体数据块作为识别模型的输入进行训练。
73.由于显存的限制，很难在原始图像尺寸上进行3d cnn网络的训练，因此本项目采用滑动窗口的方法生成48
×
64
×
64大小的体数据块作为网络的输入，进行模型的训练。
74.本发明提供的识别模型来对医学图像进行预处理(去除其中的血管、支气管等组织)。然后利用无监督分割网络进行疑似病灶区域的分割。由于需要处理的疑似病灶很小，其对空间的依赖性较弱，通过相邻多帧医学图像组合的策略即可满足其识别需求。
75.此外，目前很多的无监督分割网络的都是基于2d cnn网络的，有很多的预训练模型可以利用来提高整体的分割效果，因此本项目采用2d无监督分割网络进行病灶的识别。
76.本发明还提供一种基于智能影像的尘肺预警装置，如图所示其结构示意图，包括：
77.预处理模块，用于对接收到的ct图像进行预处理；
78.分割模块，用于基于识别模型对预处理后的尘肺ct图像依次进行粗分割和细分割得到粗分割结果和细分割结果；
79.融合模块，用于对所述粗分割结果和细分割结果融合处理得到融合结果；
80.预警模块，用于基于所述融合结果进行尘肺预警。
81.在一个可能的实施方式中，还包括：
82.设置单元，用于预先设置训练样本集，所述训练样本集包括多帧ct图像，其中每帧ct图像分别具有尘肺病信息和\或标准信息；
83.识别单元，用于使识别模型对训练样本集中的ct图像进行识别，依次得到粗分割结果、细分割结果以及融合结果；
84.更新单元，用于使识别模型将粗分割结果、细分割结果、融合结果与尘肺病信息和\或标准信息比对以更新识别模型的参数梯度。
85.在一个可能的实施方式中，还包括：
86.第一选取单元，用于获取当前时刻的ct图像，选取所述ct图像前和\或后的预设数量帧的ct图像；
87.第一训练单元，用于将当前时刻的ct图像和选取的ct图像分别作为输入至所述识别模型进行训练。
88.在一个可能的实施方式中，还包括：
89.第二训练单元，用于对所述ct图像采用滑动窗口的方法生成48
×
64
×
64大小的体数据块作为识别模型的输入进行训练。
90.其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以
是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(application specific integrated circuits，简称：asic)中。另外，该asic可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(rom)、随机存取存储器(ram)、cd
‑
rom、磁带、软盘和光数据存储设备等。
91.本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
92.在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
93.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的范围。