【技术实现步骤摘要】
基于深度学习的新冠肺炎肺部病灶区域分割系统
本专利技术属于计算机视觉分析
，具体涉及一种基于深度学习的新冠肺炎肺部病灶区域分割系统。
技术介绍
目前，新冠肺炎疫情(简称COVID-19)正日益严重，而每个COVID-19疑似病例都需要通过痰液的实时聚合酶链反应(RT-PCR)分析来确认。尽管这是诊断的金标准，但在许多国家/地区使用RT-PCR确认每个疑似COVID-19病例非常耗时，而且其假阴性概率较高。另外，从收集到的COVID-19患者胸部计算机断层扫描影像(CT)中可以明显看出肺部双侧多灶性斑块状合并或玻璃样混浊(GGO)等特征，因此，将上述特征作为COVID-19筛查中的重要补充指标。虽然，CT提供了丰富的胸部成像信息，但是由于缺乏精确量化肺部病灶区域及其纵向变化的计算机化工具，CT仅在放射学报告中提供了定性评估。所以在定性评估前先勾画出胸部CT中的感染区域轮廓是十分必要的。但是在实际应用中，手动绘制感染区域轮廓是一项繁琐且耗时的工作，并且手动绘制的感染区域轮廓与实际感染区域不一致时会导致随后的...
【技术保护点】
1.一种基于深度学习的新冠肺炎肺部病灶区域分割系统，用于将CT断层影像中的肺部病灶区域从肺部区域中分割出来，其特征在于，包括：/n数据获取部，用于获取所述CT断层影像；/n数据预处理部，根据HU值对所述CT断层影像进行预处理，得到待分割肺部影像；/n图像分割模型部，利用预先训练好的图像分割模型直接对所述待分割肺部影像进行分割得到所述肺部病灶区域并输出；/n画面存储部，用于存储肺部病灶区域画面；以及/n显示部，用于显示所述肺部病灶区域画面以及所述肺部病灶区域，/n其中，所述图像分割模型的训练过程包括如下步骤：/n步骤S1，收集不同患者与健康人员的待训练CT断层影像；/n步骤S...
【技术特征摘要】
1.一种基于深度学习的新冠肺炎肺部病灶区域分割系统，用于将CT断层影像中的肺部病灶区域从肺部区域中分割出来，其特征在于，包括：
数据获取部，用于获取所述CT断层影像；
数据预处理部，根据HU值对所述CT断层影像进行预处理，得到待分割肺部影像；
图像分割模型部，利用预先训练好的图像分割模型直接对所述待分割肺部影像进行分割得到所述肺部病灶区域并输出；
画面存储部，用于存储肺部病灶区域画面；以及
显示部，用于显示所述肺部病灶区域画面以及所述肺部病灶区域，
其中，所述图像分割模型的训练过程包括如下步骤：
步骤S1，收集不同患者与健康人员的待训练CT断层影像；
步骤S2，根据HU值对所述待训练CT断层影像进行预处理，得到待训练肺部影像；
步骤S3，搭建原始二分类器以及分割网络；
步骤S4，将所述待训练肺部影像输入所述原始二分类器进行训练与优化，直到所述原始二分类器收敛得到二分类器；
步骤S5，在所述原始二分类器中获取所述待训练肺部影像通过所述原始二分类器的第3个模块的卷积层时产生的二维梯度特征图；
步骤S6，对所述二维梯度特征图中的每个点进行升序排列，得到排序表；
步骤S7，在所述排序表中按照预定比例将前面的点对应的所述肺部影像的像素点作为背景像素点，按照预定比例将倒数的点对应的所述肺部影像的像素点作为前景像素点；
步骤S8，将所述待训练肺部影像输入所述分割网络并基于作为正负样本的所述前景像素点以及背景像素点对所述分割网络进行优化，直到所述分割网络收敛得到所述图像分割模型。
2.根据权利要求1所述的基于深度学习的新冠肺炎肺部病灶区域分割系统，其特征在于：
其中，所述步骤S4还包含所述二分类器的优化过程，该优化过程用于学习一个稀疏化的网络参数W，从而获取对输入感应强的参数，最终达到特征选择的作用，所述优化过程具体如下：
首先，优化网络整体的损失函数：
式中，Γ为一个与W大小相同且用于约束W的参数，为包含W和Γ的损失函数，为只包含W的原始损失函数(即...
【专利技术属性】
技术研发人员：单飞，薛向阳，史维雅，王丽，张志勇，张力，施裕新，付彦伟，
申请(专利权)人：上海市公共卫生临床中心，复旦大学，
类型：发明
国别省市：上海;31
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。