【技术实现步骤摘要】
一种基于深度学习的肺裂分割及完整性评估的方法和系统
本专利技术涉及医学影像处理领域，特别涉及一种基于深度学习的肺裂分割及完整性评估的方法和系统。
技术介绍
肺裂在肺部疾病的检测、分类和评估中具有非常重要的作用，因此准确定位肺裂区域并分割肺裂在肺部疾病诊断方面具有十分重要的意义。CT影像中，肺裂在二维切面结构中变现为曲率变化很小的曲线，在三维结构中则表现为缎带结构或平面结构。在临床诊断中，了解肺裂结构特征有助于肺部病灶的定位和肺部疾病的定量评估。而CT影像中要完成自动肺裂分割是十分困难的，肺裂往往存在不完整、形变、断裂和附裂等现象。目前肺裂分割算法面临着最大的挑战：肺裂分割。大量的检测分割方法（如气道、血管和肺的分割）均与肺的CT影像有关并且发展成熟，但肺裂的检测分割方法却仍在研究中，目前肺裂分割一般集中在计算几何学方法自动检测分割肺裂的方法上，但此方案存在局限性，此方法需要在“有利的”条件下才能够达到良好的效果，即它的检测是需要前提条件的；此方案的执行效率低。而本专利技术中是基于全卷积神经网络算法对CT影像进行分析、处理，实现自动肺裂分割，全卷积神经网络算法具备自...
【技术保护点】
1.一种基于深度学习的肺裂分割及完整性评估的方法和系统，其特征在于，包括以下步骤：S1）构建肺裂分割数据集：采集胸部CT影像，对肺裂区域进行类别标注，并进行数据预处理；S2）训练肺裂分割模型：基于步骤S1）的标注数据，搭建全卷积神经网络进行训练，得到肺裂分割模型；S3）预测肺裂区域：将数据经过步骤S1）的数据预处理，然后输入到步骤S2）得到的肺裂分割模型，得到肺裂分割结果，并且利用已有的肺叶分割去除假阳；S4）估计完整肺裂：通过肺叶分割或拟合三维曲面的其中一种方式得到完整的肺裂；S5）肺裂完整性计算：对不同的肺裂区域计算肺裂完整性，计算公式为：肺裂完整性=预测的肺裂区域面积...
【技术特征摘要】
1.一种基于深度学习的肺裂分割及完整性评估的方法和系统，其特征在于，包括以下步骤：S1）构建肺裂分割数据集：采集胸部CT影像，对肺裂区域进行类别标注，并进行数据预处理；S2）训练肺裂分割模型：基于步骤S1）的标注数据，搭建全卷积神经网络进行训练，得到肺裂分割模型；S3）预测肺裂区域：将数据经过步骤S1）的数据预处理，然后输入到步骤S2）得到的肺裂分割模型，得到肺裂分割结果，并且利用已有的肺叶分割去除假阳；S4）估计完整肺裂：通过肺叶分割或拟合三维曲面的其中一种方式得到完整的肺裂；S5）肺裂完整性计算：对不同的肺裂区域计算肺裂完整性，计算公式为：肺裂完整性=预测的肺裂区域面积/估计的完整肺裂面积。2.如权利要求1所述的方法，其特征在于，所述步骤S1）中，医生根据临床解剖结构，将肺裂分为三个区域进行标注，分别为：左肺斜裂，右肺斜裂，右肺水平裂。3.如权利要求1所述的方法，其特征在于，所述步骤S1）中，数据预处理进一步包括：对数据进行归一化处理，对数据进行插值，使得数据在x,y,z三个方向上的物理像素间隔为d1,d2,d3，并且d1,d2,d3均为大于0的数；对数据进行滑动切块使数据块满足神经网络输入的尺寸要求；进行数据增广，包括放缩，旋转，换轴，高斯滤波，明暗处理等变换方式。4.如权利要求1所述的方法，其特征在于，所述步骤S2）中，用以训练肺裂分割的全卷积神经网络结构进一步包括：该全卷积神经网络为从粗到细的分割模型；该全卷积神经网络由2个串联的子网络组成，该子网络为输入尺寸与输出尺寸相同的全卷积神经网络；并且，第一个子网络的输入为原图，输出为预测的肺裂的ROI区域，第二个子网络的输入为原图与第一个网络ROI预测相乘的结果，输出为预测的肺裂精准区域；第一个子网络的输出通过Softmax函数激活，输出为2个类别，分别为背景和ROI区域；第二个子网络的输出通过Softmax函数激活，输出为4个类别，分别为左肺斜裂、右肺斜裂、右肺水平裂和背景。5.如权利要求1所述的方法，其特征在于，所述步骤S3）中，对于要预测肺裂的数据，经过步骤S1）的数据归一化处理与滑动切块，并输入到步骤S2）训练得到的肺裂分割模型进行预测，并...
【专利技术属性】
技术研发人员：程国华，姜志强，何林阳，季红丽，
申请(专利权)人：杭州健培科技有限公司，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。