一种基于深度学习的病肺CT分割与定量分析的方法及系统

一种基于深度学习的病肺ct分割与定量分析的方法及系统
技术领域
1.本发明属于病理诊断技术领域，具体涉及一种基于深度学习的病肺ct分割与定量分析的方法及系统。


背景技术：

2.在肺部ct图像的分割与定量分析中，尤其是具有实质性病变的肺部ct图像的研究中进展缓慢，在对病肺的有效区域进行精准分割，是对肺部研究的基础步骤，而肺部有效充气量和肺重量的评估上对临床诊断有重要的意义。
3.传统的深度学习算法对正常肺组织或者有轻微病变的肺部分割效果良好，但是在具有严重实质病变的肺部ct图像中，因为其病变区域与肺部轮廓的hu值差别不明显，相关软组织粘连在一起，分割难度较大。其次在分割出肺部有效区域后，也缺少对肺部的充气量和肺重量的评估。


技术实现要素：

4.本发明的目的在于提供一种基于深度学习的病肺ct分割与定量分析的方法及系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于深度学习的病肺ct分割与定量分析的方法，该方法包括以下步骤：
6.利用深度分割模型分割出ct肺部扫描图像的有效区域作为分割掩模；
7.统计分割掩膜的hu值分布，根据不同hu值下，充气组织所拥有的气体百分比，计算肺部有效的充气量；
8.提取分割掩膜图像，利用深度对抗网络模型计算肺部密度。
9.优选的，所述深度分割模型由主分割模型训练而成，所述主分割模型的训练方法为：
10.收集具有实质性病变的病肺ct以及健康肺部ct数据的数据集；
11.将所述数据集分为两部分，其中一部分使用pixel级别的肺部ct标注数据，即完整的掩模标注数据，用f表示；另外一部分使用boundingbox进行标注，用w表示；
12.主分割模型使用基于u-net的网络结构对f数据集进行标签为掩模mask和boundingbox标注框进行语义级别的分割训练，将f数据集转换为boundingbox形式的标注，结合w数据集的图像和boundingbox的标注输入到辅助分割模型中进行校正。
13.优选的，所述辅助分割模型包括编码器和解码器，编码器使用5*5的卷积和sigmoid激活函数，生成两个尺度的featuremap，作为attentionmap以element-wisemultiple的方式加入原始图像的futuremap中，然后反馈给解码器，生成二值的mask。
14.优选的，所述辅助分割模型校正判断标准应满足如下公式：
[0015][0016]
其中第一项为在f数据集上，对主网络参数输入x经过网络，最大化其输出结果
为真实标注y的概率，第二项分为两部分，第一部分即在数据集w上，优化主网络参数第二部分是对无监督的标注y进行计算的过程，其q为：
[0017][0018]
q是动态更新的，一开始和无校正一样，随着网络模型的训练迭代主网络的分割结果逐渐准确，辅助网络的指导校正意义开始下降，q逐渐增加对主网络的权重。
[0019]
优选的，所述计算肺部有效的充气量的方法为：
[0020]
肺组织充气量分为充气良好组织和充气不良组织气体之和除以总肺体积不同组织间充气组织所占比例，计算公式为：
[0021][0022]
总的肺体积计算公式为：
[0023][0024]
其中si为上述得到肺部的有效掩模第i张的横截面积，h为相邻两张ct切片的实际物理距离。
[0025]
优选的，所述深度对抗网络模型包括生成模型和判别模型，生成模型学习得到联合概率分布p(x,y)，即特征x和标记y共同出现的概率；判别模型学习得到条件概率分布p(y|x)，即在特征x出现的情况下标记y出现的概率；利用对抗网络使用下式对模型效果进行评估：
[0026][0027]
其中t
data
是真实数据分布，d(x)是将真实ct归一化后的数据x代入判别模型d(x),判别模型输出范围是0-1，生成模型使用2d u-net生成和输入相同尺寸的密度图g(z)，d模型希望d(g(z))＝0，1-d(g(z))＝1。
[0028]
一种基于深度学习的病肺ct分割与定量分析系统，包括：
[0029]
分割单元，用于利用深度分割模型分割出ct肺部扫描图像的有效区域作为分割掩模；
[0030]
充气量计算单元，用于统计分割掩膜的hu值分布，根据不同hu值下，充气组织所拥有的气体百分比，计算肺部有效的充气量；
[0031]
密度计算单元，用于提取分割掩膜图像，利用深度对抗网络模型计算肺部密度。
[0032]
本发明的技术效果和优点：通过深度分割模型大大减少了数据的标注量和标注难度，在分割出肺部的有效区域后在此基础上对肺部充气量和肺重量进行了计算，这些指标不仅可以多维度观察患者病情的概况以及发展，还可以辅助医生进行疾病的早期筛查和诊断。
附图说明
[0033]
图1为本发明的病肺ct分割与定量分析方法流程图；
[0034]
图2为本发明的深度分割模型切割流程图；
[0035]
图3为本发明的肺充气量计算流程图。
[0036]
图4为本发明的肺密度计算流程图。
[0037]
图5为本发明的病肺ct分割与定量分析系统组成示意图。
具体实施方式
[0038]
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。
[0039]
本发明提供了如图1所示的一种基于深度学习的病肺ct分割与定量分析的方法，该方法包括以下步骤：
[0040]
s1、利用深度分割模型分割出ct肺部扫描图像的有效区域作为分割掩模，所述深度分割模型由主分割模型训练而成，如图2所示，所述主分割模型的训练方法为：
[0041]
a、收集具有实质性病变的病肺ct以及健康肺部ct数据的数据集，病变的病肺ct包括流感重症肺炎、病毒性肺炎、禽流感、肺结核、新冠肺炎ct图像；
[0042]
b、将所述数据集分为两部分，其中一部分使用pixel级别的肺部ct标注数据，即完整的掩模标注数据，用f表示；另外一部分使用boundingbox进行标注，用w表示；
[0043]
c、主分割模型使用基于u-net的网络结构对f数据集进行标签为掩模mask和boundingbox标注框进行语义级别的分割训练，将f数据集转换为boundingbox形式的标注，结合w数据集的图像和boundingbox的标注输入到辅助分割模型中进行校正。
[0044]
所述辅助分割模型包括编码器和解码器，编码器使用5*5的卷积和sigmoid激活函数，生成两个尺度的featuremap，作为attentionmap以element-wisemultiple的方式加入原始图像的featuremap中，然后反馈给解码器，生成二值的mask，所述辅助分割模型校正判断标准应满足如下公式：
[0045][0046]
其中第一项为在f数据集上，对主网络参数输入x经过网络，最大化其输出结果为真实标注y的概率，第二项分为两部分，第一部分即在数据集w上，优化主网络参数第二部分是对无监督的标注y进行计算的过程，其q为：
[0047][0048]
q是动态更新的，一开始和无校正一样，随着网络模型的训练迭代主网络的分割结果逐渐准确，辅助网络的指导校正意义开始下降，q逐渐增加对主网络的权重。
[0049]
s2、统计分割掩膜的hu值分布，根据不同hu值下，充气组织所拥有的气体百分比，计算肺部有效的充气量，如图3所示，在训练好肺部的深度分割模型之后，对测试数据进行分割预测，在分割出肺部的有效区域后，统计有效区域内的hu值分布，根据不同hu值下，充气组织所拥有的的气体百分比，计算肺部有效的充气量，肺组织充气量分为充气良好组织和充气不良组织气体之和除以总肺体积，不同组织间充气组织所占比例，计算公式为：
[0050][0051]
总的肺体积计算公式为：
[0052][0053]
其中si为上述得到肺部的有效掩模第i张的横截面积，h为相邻两张ct切片的实际物理距离。
[0054]
s3、提取分割掩膜图像，利用深度对抗网络模型计算肺部密度，如图4所示，肺部ct图像使用hu值进行表现，不能直接评估肺部密度，所述深度对抗网络模型包括生成模型和判别模型，生成模型根据输入的肺部ct图像，生成密度特征图，判别模型根据既有测量肺部质量对生成的密度图不断进行鉴伪优化，在鉴伪的过程中利用判别模型中的鉴别器来完成，生成模型学习得到联合概率分布p(x,y)，即特征x和标记y共同出现的概率；判别模型学习得到条件概率分布p(y|x)，即在特征x出现的情况下标记y出现的概率；利用对抗网络使用下式对模型效果进行评估：
[0055][0056]
其中t
data
是真实数据分布，d(x)是将真实ct归一化后的数据x代入判别模型d(x),判别模型输出范围是0-1，生成模型使用2d u-net生成和输入相同尺寸的密度图g(z)，d模型希望d(g(z))＝0，1-d(g(z))＝1。也就是说，g希望上式结果越小越好，而d希望上式结果越大越好。最终函数v既非最大，也非最小，找到双方的利益平衡点，即生成数据完全拟合真实数据时达到纳什平衡。
[0057]
如图5所示，一种基于深度学习的病肺ct分割与定量分析系统，包括：
[0058]
分割单元，用于利用深度分割模型分割出ct肺部扫描图像的有效区域作为分割掩模；
[0059]
充气量计算单元，用于统计分割掩膜的hu值分布，根据不同hu值下，充气组织所拥有的气体百分比，计算肺部有效的充气量；
[0060]
密度计算单元，用于提取分割掩膜图像，利用深度对抗网络模型计算肺部密度。
[0061]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。