一种基于深度学习的CT肺炎病灶自动处理系统

一种基于深度学习的ct肺炎病灶自动处理系统
技术领域
1.本发明涉及医学图像处理和辅助诊断技术领域，具体地说是一种基于深度学习的ct肺炎病灶自动处理系统。


背景技术：

2.肺炎是一种常见的呼吸系统疾病，在临床肺炎诊断中，ct影像诊断是一种常用的诊断方法，其检查方便、直观，尤其对于新冠肺炎，ct影像常被推荐为首选诊断方法。在临床上，通常由临床医生查看ct影像来进行诊断，耗时较长且具有一定的主观性。由于肺炎病程进展快，诊断周期长，错诊、漏诊都会对患者造成极大的影响，因此需要智能的诊断系统，协助医生检测肺炎病灶，在提升临床诊断效率的同时提高准确性。
3.在当前已有的一些辅助诊断系统中，在分割方面：（1）一些采用深度学习方法的分割模型，多采用基于2d mask的模型进行分割，这不符合病灶的真实形态，影响全面评估病情的进展情况；另外，大多数深度学习分割模型是直接输入ct影像直接进行分割，导致假阳性偏多；（2）而一些采用传统分割方法的系统，如传统的双边阈值、分水岭、水平集方法等算法，自动化程度不高且效果不佳。在病灶鉴别方面，一些诊断系统仍基于传统的机器学习鉴别方法，结合影像组学等人工设计的特征来进行诊断。然而，影像组学等人工设计的特征受图像背景变化的影响较大。
4.在辅助诊断系统方面：（1）大多数系统仅仅给出了直接分割或者直接辅助鉴别的结果，而分割和鉴别结果对最后的辅助诊断均有重要意义；（2）不仅需要分割出病灶，还要知晓肺炎对每个肺段的侵犯程度，需要具体的量化分级。


技术实现要素：

5.本发明之目的是弥补上述之不足，向社会公开一种基于深度学习的ct肺炎病灶自动处理系统，其能够对肺炎病灶进行自动3d分割、量化、鉴别的一体化操作，能够辅助医生进行诊断。
6.本发明的技术方案是这样实现的：一种基于深度学习的ct肺炎病灶自动处理系统，包括以下步骤：步骤一、预处理：在深度学习网络nnu-net中输入原始肺部ct三维图像，按照预先设置的预处理参数进行预处理，得到肺部区域图像；步骤二、三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照设定步长，提取设定大小且有相互重叠的局部片块图像；步骤三、肺叶分割：采用深度学习分割网络densevnet对步骤一得到的预处理后的图像进行肺叶分割，得到对应深度学习分割结果后利用分块的中间点为种子点进行区域生长；步骤四、肺炎病灶分割和鉴别：以左右肺叶为感兴趣区域，找出其最小包围盒，对图像进行裁剪，对裁剪后的图像输入到3d unet分割网络，所述的3d unet分割网络再接一
个分类网络自动进行鉴别诊断；步骤五、病灶量化：分别统计肺炎病灶在分叶中的分布，得到肺炎在每个肺叶中的具体分布。
7.进一步优化本技术方案的措施是：作为改进，所述的步骤一中，采用高斯滤波去躁后，再进行预处理。
8.作为改进，所述的预处理参数设置为0.5。
9.作为改进，所述的步骤二中，设定步长为48mm
×
48mm
×
48mm，提取图像的设定大小为80mm
×
80mm
×
64mm。
10.作为改进，所述的步骤三中，进行肺叶分割后，采用形态学的闭操作来进行缺失区域填充。
11.作为改进，所述的步骤四中，所述的分类网络采用softmax分类器。
12.作为改进，所述的步骤五中，统计数据包含病灶在肺叶中所占的体积、最大值、最小值、均值、方差。
13.本发明与现有技术相比的优点是：(1)系统自动化程度高，分割结果、鉴别结果、量化结果自动一体化输出。
14.(2)对输入系统的原始数据做预处理，仅对肺叶内的区域进行病灶分割，减少了假阳性。
15.(3)本系统的病灶分割方式是基于3d的方法，更加符合病灶的真实形态。
16.(4)系统的鉴别方法是基于深度学习方法，且在分割网络后直接接入分类器进行鉴别分析，自动化程度高，也能够提高处理效率。
附图说明
17.图1是本发明的流程框架图；图2是本发明实施例步骤二中肺部区域图像中提取局部片块图像的示意图；图3是本发明实施例步骤三中肺叶分割图；图4是本发明实施例步骤三闭操作前后的对比图；图5是本发明实施例步骤四最小包围盒的示意图；图6是本发明3d unet分割网络结构图；图7是本发明步骤四的流程图；图8是本发明实施例步骤四肺炎病灶分割图。
具体实施方式
18.如图1所示，一种基于深度学习的ct肺炎病灶自动处理系统，包括以下步骤：步骤一、预处理：在深度学习网络nnu-net中输入原始肺部ct三维图像，采用高斯滤波去躁后，按照预先设置的预处理参数进行预处理，得到肺部区域图像；这里的预处理参数设置为0.5。如果ct三维图像扫描输入过程中，扫描范围过大(如把ct机床等一些无关物体也扫入的情况)，可以通过系统集成的裁剪工具进行裁剪，如采用mitk提供的image crop工具。肺部区域图像的筛选，深度学习网络nnu-net自动完成。
19.步骤二、三维采样：根据筛选出的肺部区域图像，在肺部感兴趣的区域按照设定步
长，提取设定大小且有相互重叠的局部片块图像。这里的肺部感兴趣的区域为左右肺叶，如图2所示，设定步长为48mm
×
48mm
×
48mm，提取图像的设定大小为80mm
×
80mm
×
64mm，提取的6个局部片块（patch）图像之间存在相互重叠，并将提取的局部片块图像拼接还原到原始图像大小。
20.步骤三、肺叶分割：采用深度学习分割网络densevnet对步骤一得到的预处理后的图像进行肺叶分割，得到对应深度学习分割结果后利用分块的中间点为种子点进行区域生长，以减少误分割区域(如图3所示)，并且利用形态学的闭操作（closing）来进行缺失区域填充，如图4所示其中一些实质性病灶区域(方框内) 深度学习网络把其当做了肺外组织，经过形态学闭操作后得到了改善。
21.步骤四、肺炎病灶分割和鉴别：以左右肺叶为感兴趣区域，找出其最小包围盒(如图5所示)，对图像进行裁剪，对裁剪后的图像输入到3d unet分割网络，所述的3d unet分割网络再接一个分类网络自动进行鉴别诊断。3d unet分割网络结构如图6所示，3d unet分割网络结构上直接接一个softmax分类器。步骤四的流程图如图7所示，其肺炎病灶分割结构如图8所示。肺炎病灶分割、鉴别由深度学习网络自动完成。
22.步骤五、病灶量化：分别统计肺炎病灶在分叶中的分布，得到肺炎在每个肺叶中的具体分布。这里的病灶量化统计包含病灶在肺叶中所占的体积、最大值、最小值、均值、方差等。统计结构由系统量化输出，以供医生参考。
23.本发明的基于深度学习的ct肺炎病灶自动处理系统，通过输入原始肺部ct三维图像，对其进行预处理、三维采样、肺叶分割、肺炎病灶分割和鉴别以及病灶量化，对ct三维图像进行分割、鉴别、量化的一体化自动处理，将处理结果量化输出，为医生对于肺炎的诊断提供参考，能够提高医生的诊断效率。
24.本领域技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能以及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。