漏斗胸Haller指数测量方法、电子设备及存储介质技术

本发明专利技术提出一种漏斗胸Haller指数测量方法、电子设备及存储介质，包括：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；基于卷积神经网络U‑Net构建胸骨轮廓分割模型，采用训练数据集对胸骨轮廓分割模型进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型；对于患者所有待处理的胸部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。本发明专利技术可自动计算并输出漏斗胸Haller指数，提高漏斗胸自动诊断准确率及诊断效率，为计算机辅助个性化漏斗胸诊疗技术奠定基础。

【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。优选地，本专利技术的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。优选地，本专利技术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。优选地，本专利技术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。优选地，本专利技术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。优选地，本专利技术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。优选地，本专利技术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。卷积神经网络U-Net模型中卷积层的卷积核大小为3×3，步长为1，激活函数为ReLU函数，padding=1；池化层为最大池化层，大小为2×2，步长为2；输出层的激活函数为softmax。令，，U和V分别表示胸骨轮廓分割得到的结果图像和输入图像归一化后的图像，u、v分别表示U、V中的像素，m和n表示图像的宽和高，均设为256。损失函数采用下面公式计算：其中：，C为胸骨轮廓分割区域的轮廓曲线；，Ω为胸骨轮廓分割区域内的像素集，c1和c2分别被表示为前景和背景，定义为常数，c1=1和c2=0。（2）采用训练数据集，使用随机梯度下降算法对卷积神经网络U-Net模型参数进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型其中为学习率，为网络的权重，Loss(θ)代表损失函数。优选地，本专利技术S3的实现方法，包括：S3.1对于某一患者的所有待处理的胸部CT影像，寻找各胸部CT影像的图像轮廓，根据轮廓面积最大的规则找出其中的胸腔外轮廓。S3.2找出该患者第i个胸部CT影像中的关键点，关键点包括胸腔外轮廓上方凹陷点gi、左侧最高点li和右侧最高点ri，其中i=1,2,...,n,n为该患者的所有待处理的胸部CT影像数量。S3.3计算患者第i个胸部CT影像中胸腔凹陷程度degreei：S3.4选出该患者胸腔凹陷程度最大的CT影像j，。S3.5对该患者胸腔凹陷程度最大的胸部CT影像j进行数据增强、归一化、二值化处理后调整为256像素*256像素的图像。S3.6将S3.5得到的图像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。S3.7提取S3.6得到的胸骨轮廓图中的胸骨轮廓，找到胸骨轮廓中左下侧和右下侧的最低点D和E，计算出D、E两点间的连线与水平线的夹角，即为S3.6得到的胸骨轮廓图中的胸骨轮廓倾斜的角度。S3.8将S3.6得到的胸骨轮廓图反向旋转角度进而得到正位的胸骨轮廓图。S3.9根据S3.8中得到的正位的胸骨轮廓图，计算Haller指数：其中h表示Haller指数，G是正位的胸骨轮廓图中的胸骨轮廓上方凹陷点，H是正位的胸骨轮廓图中的胸骨轮廓下方凸点，L是正位的胸骨轮廓图中的胸骨轮廓最左侧点，R是正位的胸骨轮廓图中的胸骨轮廓最右侧点，LR表示L、R两点间的距离，GH表示G、H两点间的距离。本专利技术提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的漏斗胸Haller指数测量方法的步骤。本专利技术提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的漏斗胸Haller指数测量方法的步骤。本专利技术的有益效果如下：本专利技术可自动计算并输出漏斗胸Haller指数，提高漏斗胸自动诊断准确率及诊断效率，为计算机辅助个性化漏斗胸诊疗技术奠定基础。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图本文档来自技高网...

【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】
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；

【专利技术属性】
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