【技术实现步骤摘要】
漏斗胸Haller指数测量方法、电子设备及存储介质
本专利技术涉及医学影像处理和深度学习领域,尤其涉及一种漏斗胸Haller指数测量方法。
技术介绍
漏斗胸是临床常见的儿童先天性胸壁畸形,症状表现为部分胸骨及与其相连的第3~7根肋软骨向脊柱方向呈现漏斗状。Haller指数利用胸部CT确定漏斗胸的严重程度,是诊断漏斗胸严重程度的常用方法。利用Haller指数诊断时,需要对患者的CT影像进行测量,计算胸骨凹陷处至脊椎骨皮质前缘的距离,正常人平均指数为2.52,小于3.2为轻度患者,3.2至3.5之间为中度患者,大于3.5为重度患者。目前常用的漏斗胸Haller指数测量方法,由于测量在内胸廓上进行,在一定程度上不能准确表征漏斗胸患者胸廓外形特征,而且传统人工测量的方式需要从患者的CT影像中筛选出最凹陷的部位,并进行手动画辅助线,会出现因测量人员不同导致的主观差异,且诊断效率低下。
技术实现思路
针对目前测量方法存在的非自动化、非标准化、效率低下等问题,本专利技术提出了一种漏斗胸Haller指数测量方法、电子设备及存储介质。为实现上述技术目的,本专利技术采用的具体技术方案如下:漏斗胸Haller指数测量方法,包括:S1.获取大量漏斗胸患者胸骨横切面的CT影像,构建训练数据集。S2.构建卷积神经网络U-Net模型,采用训练数据集对卷积神经网络U-Net模型进行训练,直到模型收敛,得到训练好的胸骨轮廓分割模型。S3.对于任一患者的所有待处理的胸部CT影像,找出其 ...
【技术保护点】
1.漏斗胸Haller指数测量方法,其特征在于,包括:/nS1. 获取大量漏斗胸患者胸骨横切面的CT影像,构建训练数据集;/nS2. 构建卷积神经网络U-Net模型,采用训练数据集对卷积神经网络U-Net模型进行训练,直到模型收敛,得到训练好的胸骨轮廓分割模型;/nS3. 对于任一患者的所有待处理的胸部CT影像,找出其中胸骨凹陷程度最大的胸部CT影像并输入到训练好胸骨轮廓分割模型,分割出其对应的胸骨轮廓图,找出胸骨轮廓图中Haller指数的四个关键点,计算得到Haller指数。/n
【技术特征摘要】 【专利技术属性】
1.漏斗胸Haller指数测量方法,其特征在于,包括:
S1.获取大量漏斗胸患者胸骨横切面的CT影像,构建训练数据集;
S2.构建卷积神经网络U-Net模型,采用训练数据集对卷积神经网络U-Net模型进行训练,直到模型收敛,得到训练好的胸骨轮廓分割模型;
S3.对于任一患者的所有待处理的胸部CT影像,找出其中胸骨凹陷程度最大的胸部CT影像并输入到训练好胸骨轮廓分割模型,分割出其对应的胸骨轮廓图,找出胸骨轮廓图中Haller指数的四个关键点,计算得到Haller指数。
2.根据权利要求1所述的漏斗胸Haller指数测量方法,其特征在于:S1中,收集大量漏斗胸患者胸部CT影像构成漏斗胸患者胸部CT影像集,对漏斗胸患者胸部CT影像集中的各漏斗胸患者胸部CT影像进行人工标注,标记出各漏斗胸患者胸部CT影像中内胸轮廓、胸骨轮廓的界限范围,从漏斗胸患者胸部CT影像集中筛选出其中的胸骨横切面的CT影像,对筛选出的所有胸骨横切面的CT影像进行数据增强、归一化处理、二值化处理后将所有图像调整为统一大小,得到训练数据集。
3.根据权利要求2所述的漏斗胸Haller指数测量方法,其特征在于:S1中,所述数据增强的方法是:通过W/L调窗算法将胸骨横切面的CT影像转为灰度图;
然后将图像边缘部分设置为0,同时根据斜率和截距计算Hu值,计算公式如下:
其中,Hu表示灰度值,X表示输入的胸骨横切面的CT影像,Slope表示斜率,Intercept表示截距;
将图像的窗宽值和窗位值分别设置为360Hu和60Hu,图片分辨率设置为512像素*512像素后,使用带通滤波器对胸骨横切面的灰度图进行去噪即可。
4.根据权利要求2所述的漏斗胸Haller指数测量方法,其特征在于:S1中,所述归一化处理的计算公式为:,其中x表示输入图像,norm表示归一化后的图像。
5.根据权利要求2所述的漏斗胸Haller指数测量方法,其特征在于:S1中,所述二值化处理的计算公式如下:
其中是二值化前的图像,是二值化后的图像,thresh是阈值,设置为3。
6.根据权利要求1所述的漏斗胸Haller指数测量方法,其特征在于,S2中构建的卷积神经网络U-Net模型的网络结构是:包括8层,其中第一层为输入层,第一层的输入图像是训练数据集中的图像;第二层至第七层为隐藏层,其中第二层和第三层均包含两个卷积层、一个Dropout层和一个池化层,第四层包含两个卷积层和一个Dropout层,第五、六层包含两个卷积层、一个Dropout层、一个上采样层和一个合并层,第七层包含一个Reshape层和Permute层;第八层为输出层,输出层为激活函数层。
7.根据权利要求6所述的漏斗胸Haller指数测量方法,其特征在于,S2中胸骨轮廓分割模型的训练方法,包括:
(1)设置卷积神经网络U-Net模型参数;
技术研发人员:谢松县,彭立宏,邓喜成,
申请(专利权)人:湖南数定智能科技有限公司,
类型:发明
国别省市:湖南;43
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。