【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...
【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
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。