一种用于预测新冠肺炎预后的CT影像图像处理方法技术

本发明专利技术公开了一种用于预测新冠肺炎预后的基于深度学习‑影像组学融合特征的CT影像图像处理方法，包括以下步骤：S1、基于K‑means的自动肺分割算法；S2、肺部影像组学特征提取；S3、深度学习特征提取；S4、深度学习和影像组学差异性特征学习；S5、基于融合特征的不良预后预测模型图像处理。本发明专利技术方法保留了影像组学特征的可解释性以及深度学习特征的数据自适应性这两种方法的优势。同时，本发明专利技术提出了差异性特征学习方式，使深度学习特征与影像组学特征互补，减少两种特征的冗余性，可进一步提升预后预测的精度。

A novel coronavirus pneumonia CT image processing method for predicting the prognosis of new crown pneumonia

【技术实现步骤摘要】
一种用于预测新冠肺炎预后的CT影像图像处理方法
本专利技术涉及一种医疗技术，尤其涉及一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法。
技术介绍
不同新冠肺炎患者的预后情况差异较大，经过及时的治疗后，大部分新冠肺炎患者具有较好的预后，但7%左右的新冠肺炎患者在确诊后会出现不良预后，即需要机械通气或出现死亡。针对这部分具有不良预后的新冠肺炎患者，若能在诊断初期将其预测出来，则可提前进行干预或规划新的治疗方案，以减少不良预后出现的概率。因此，在新冠肺炎诊断初期预测出具有不良预后的患者对于新冠肺炎的治疗方案规划和患者管理具有重要意义。目前的新冠肺炎预后分析方法基本依赖临床指标（例如，年龄、并发症等）或一些量化的CT影像特征分析（例如，影像组学分析、深度学习模型等）。不同的分析方式各有优势，如果能将多种预后分析方法的优势结合起来，则可进一步提升模型的预测精度。但是，在实践中发现，如果只对不同特征进行简单的拼接融合，则可能会纳入很多冗余特征，造成模型过拟合。因此，本专利技术人设计了一种用于预测新冠肺炎预后的CT影像图像处理特征差异性学习机制，让深度学习特征和影像组学特征在融合时能够互补，发挥各自的优势，避免纳入冗余特征，进而提升融合模型的预测精度。
技术实现思路
本专利技术的目的是提供一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法，设计端到端的卷积神经网络，实现对影像组学特征和深度学习特征的融合，并且通过特征差异性损失函数让深度学习特征在训练过程中自适应地与影像组学特征互补，避免了融合后引入太多冗余特征，进而提升融合模型的预测精度。这样，采用该CT影像图像处理方案可实现个体化的新冠肺炎不良预后事件的预测，有助于在新冠肺炎确诊初期筛选出未来可能出现不良预后的患者，便于对其进行个体化的治疗和管理。为实现上述目的，本专利技术提供了一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法，包括以下步骤：S1、基于K-means的自动肺分割算法使用K-means无监督聚类算法将CT影像中的灰度值聚集为2类，并选取2类的聚类中心的平均值作为最优阈值，然后使用该阈值从CT影像中分割出肺部区域。在一个优选的实施方式中，所述S1具体包括以下步骤：对于所述K-means算法而言，首先使用两个随机点作为初始质心，然后最小化公式1所示CT影像中每一个体素点的CT值到这两个质心的欧式距离公式1其中是第i类体素点的质心，由于仅需分割出肺区，因此，聚类是类别数量C=2，分别表示肺区的体素点和其他区域的体素点，第i类的质心由公式2计算获得：公式2公式2中表示CT影像中每一个体素点的体素值，为了最小化公式1所示的欧式距离，K-means算法从随机初始化的2类质心开始，通过迭代的方式寻找新的2类的质心，直至两次迭代过程中质心的距离变化小于设定的最小阈值，此时K-means算法迭代完成，获得CT影像中2类CT值的质心，这2类CT值分别表示肺区域的CT值分布范围和其他组织的CT值分布范围，为了获得最优的肺区域分割阈值，将2类质心的平均值作为阈值，即可完成肺区的分割。S2、肺部影像组学特征提取对自动分割出的肺部CT影像提取高维纹理特征，然后，将影像组学特征拼接为一维特征向量，记为Fradiomics。优选地，在所述S2中，所述高维纹理特征包括GLCM、小波特征和LoG特征。S3、深度学习特征提取构建基于Dense连接的三维卷积神经网络，对自动分割出的肺部CT影像提取深度学习特征。在一个优选的实施方式中，所述S3具体包括以下步骤：特征提取网络由多个Dense块堆叠而成，Dense块之间使用大小为2x2x2的最大值池化层进行特征降维，在每一个Dense块内部，包含堆叠的多个3x3x3的卷积层和批量归一化层，并且每一个卷积层的输入均与其前面所有的卷积层的输出相连，即为Dense连接，在卷积神经网络的最后一层后，使用全局池化层将深度学习特征压缩为一维向量，记为FDL。在其他优选的实施方式中，可以使用其他卷积神经网络作为特征提取网络代替基于Dense连接的三维卷积神经网络作为深度学习特征提取网络。S4、深度学习和影像组学差异性特征学习在提取了肺部影像的影像组学特征和深度学习特征后，为了避免两种特征存在较大的冗余性，提出特征差异性损失函数对两种特征的差异性进行度量，使两种特征间的差异性尽量大，以减少特征冗余。在一个优选的实施方式中，所述S4具体包括以下步骤：将公式3所示的特征差异性损失函数用于度量影像组学特征Fradiomics和深度学习特征FDL之间的差异性，公式3公式3同时使用余弦距离和欧式距离对特征差异性进行度量，当两种特征差异性很大时，则公式产生很小的损失值，当两种特征相似时，公式3将产生较大的损失值，说明所提取的特征冗余度太高，需要继续优化。S5、基于融合特征的不良预后预测模型图像处理将步骤S2所得到的影像组学特征和步骤S3所得到的深度学习特征使用全连接层进行融合，然后使用步骤S4所提出的特征差异性损失函数对两种特征的差异进行约束，使用交叉熵损失函数对模型的预测性能进行度量，并将两种损失函数进行加权，作为最终的损失函数对模型进行训练。在一个优选的实施方式中，所述S4具体包括以下步骤：在进行模型训练时，使用交叉熵损失函数对模型的预测性能进行度量，并将其与公式3所示的特征差异性损失函数进行加权求和，作为最终的损失函数对模型进行训练，如公式4所示，公式4其中，N为训练集的样本数量，和分别表示两部分损失函数的权重，表示样本xi对应的特征差异性损失函数，表示样本xi对应的交叉熵损失函数，其计算公式如公式5所示：公式5其中，yi表示样本xi真实的患者预后情况，1代表患者出现了不良预后，0代表患者没有出现不良预后；表示模型预测的样本xi的预后情况，其取值在（0,1）范围内，最后，使用Adam优化算法对公式4所示的损失函数进行优化，直至模型收敛。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为基于K-means聚类的肺部CT影像分割流程。图2为基于深度学习-影像组学特征融合的新冠肺炎预后预测模型流程图。具体实施方式以下将结合附图对本专利技术作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围并不限于本实施例。本专利技术包括以下步骤：S1、基于K-means的自动肺分割为了提取CT影像中的肺部特征，首先将肺区从CT影像中自动分割出来。在CT影像中，肺区与人体肌肉、骨骼等组织的CT值差本文档来自技高网...

【技术保护点】
1.一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法，其特征在于：包括以下步骤：/nS1、基于K-means的自动肺分割算法/n使用K-means无监督聚类算法将CT影像中的灰度值聚集为2类，并选取2类的聚类中心的平均值作为最优阈值，然后使用该阈值从CT影像中分割出肺部区域；/nS2、肺部影像组学特征提取/n对自动分割出的肺部CT影像提取高维纹理特征，然后，将影像组学特征拼接为一维特征向量，记为F

【技术特征摘要】
1.一种用于预测新冠肺炎预后的基于深度学习-影像组学融合特征的CT影像图像处理方法，其特征在于：包括以下步骤：
S1、基于K-means的自动肺分割算法
使用K-means无监督聚类算法将CT影像中的灰度值聚集为2类，并选取2类的聚类中心的平均值作为最优阈值，然后使用该阈值从CT影像中分割出肺部区域；
S2、肺部影像组学特征提取
对自动分割出的肺部CT影像提取高维纹理特征，然后，将影像组学特征拼接为一维特征向量，记为Fradiomics；
S3、深度学习特征提取
构建基于Dense连接的三维卷积神经网络，对自动分割出的肺部CT影像提取深度学习特征；
S4、深度学习和影像组学差异性特征学习
在提取了肺部影像的影像组学特征和深度学习特征后，为了避免两种特征存在较大的冗余性，提出特征差异性损失函数对两种特征的差异性进行度量，使两种特征间的差异性尽量大，以减少特征冗余；
S5、基于融合特征的不良预后预测模型图像处理
将步骤S2所得到的影像组学特征和步骤S3所得到的深度学习特征使用全连接层进行融合，然后使用步骤S4所提出的特征差异性损失函数对两种特征的差异进行约束，使用交叉熵损失函数对模型的预测性能进行度量，并将两种损失函数进行加权，作为最终的损失函数对模型进行训练。


2.根据权利要求1所述的CT影像图像处理方法，其特征在于：所述S1具体包括以下步骤：
对于所述K-means算法而言，首先使用两个随机点作为初始质心，然后最小化公式1所示CT影像中每一个体素点的CT值到这两个质心的欧式距离

公式1
其中是第i类体素点的质心，由于仅需分割出肺区，因此，聚类是类别数量C=2，分别
表示肺区的体素点和其他区域的体素点，第i类的质心由公式2计算获得：

公式2
公式2中表示CT影像中每一个体素点的体素值，为了最小化公式1所示的欧式距离，
K-means算法从随机初始化的2类质心开始，通过迭代的方式寻找新的2类的质心，直至两次
迭代过程中质心的距离变化小于设定的最小阈值，此时K-means算法迭代完成，获得CT影像
中2类CT值的质心，这2类CT值分别表示肺区域的CT值分布范围和其他组织的CT值分布范
围，为了获得最优的肺区域分割阈值，将2类质心的...

【专利技术属性】
技术研发人员：薛新颖，高全胜，薛志强，王志军，
申请(专利权)人：北京信诺卫康科技有限公司，
类型：发明
国别省市：北京;11