基于深度学习的肺纤维化检测与严重度评估方法及系统技术方案

本发明专利技术提供一种基于深度学习的肺纤维化检测与严重度评估方法，包含步骤：S1、预处理若干肺纤维化患者的胸部CT序列图像，得到若干第一CT图像；S2、抽取并标注若干第一CT图像生成训练集和验证集；S3、通过训练集和验证集预训练第一、第二深度卷积神经网络模型；S4、将待检测患者的CT图像序列输入训练好的第一、第二深度卷积神经网络模型，识别该患者CT图像序列中的每个CT图像所包含的肺部区域和肺纤维化病灶区域；计算得到该患者肺纤维化病灶在其肺中的占比；S5、基于所述占比标志肺部纤维化分期；S6、基于生理学参数的检测结果对患者肺纤维化严重度分级。本发明专利技术还包含一种基于深度学习的肺纤维化检测与严重度评估系统。

【技术实现步骤摘要】
基于深度学习的肺纤维化检测与严重度评估方法及系统
本专利技术涉及医学影像分析领域，具体涉及一种基于深度学习的肺纤维化检测与严重度评估方法及系统。
技术介绍
肺纤维化(pulmonaryfibrosis,PF)是各种肺部疾病的共同结局，以肺组织疤痕化为主要表现，如果受累范围广泛则导致肺容积缩小，肺功能明显下降，严重影响患者生存质量。尤其是特发性间质性肺炎(idiopathicpulmonaryfibrosis,IPF)是最典型的代表，其病理和/或影像表现为寻常性间质性肺炎的慢性进展性肺部疾病。IPF病因不明，预后极差，确诊后平均生存期仅为3-5年。IPF目前认为患者个体生存期差异很大，有些长期稳定存活多年，有些病情缓慢进展，有些则发生急性加重导致肺功能急速恶化，短时间内死亡。如何根据患者的情况做出较为精准的病情严重度评估和预后判断，目前尚缺乏被广泛接受的评估方法。当前主要采用的人工评估方法，是通过选择CT肺窗的4个代表层面：主动脉弓层面、气管分叉层面、下叶上基底段气管分叉层面和右侧肺隔顶下层面；每个层面有左右两个肺野，全肺共分为8个肺野，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肺纤维化检测与严重度评估方法，其特征在于，包含步骤：/nS1、读取若干肺纤维化患者的胸部CT序列图像并进行预处理，获得若干预处理后的第一CT图像；/nS2、抽取若干第一CT图像并标注肺部区域和肺纤维化病灶区域，基于标注的第一CT图像生成训练集和验证集；/nS3、通过所述训练集和验证集预训练第一、第二深度卷积神经网络模型；所述第一深度神经网络模型用于从输入的CT图像中识别肺部区域；所述第二深度神经网络模型用于从已识别有肺部区域的CT图像中识别肺纤维化病灶区域；/nS4、将待检测患者的CT图像序列输入训练好的第一、第二深度卷积神经网络模型，识别该患者CT图像序列中的每个CT图...

【技术特征摘要】
1.一种基于深度学习的肺纤维化检测与严重度评估方法，其特征在于，包含步骤：
S1、读取若干肺纤维化患者的胸部CT序列图像并进行预处理，获得若干预处理后的第一CT图像；
S2、抽取若干第一CT图像并标注肺部区域和肺纤维化病灶区域，基于标注的第一CT图像生成训练集和验证集；
S3、通过所述训练集和验证集预训练第一、第二深度卷积神经网络模型；所述第一深度神经网络模型用于从输入的CT图像中识别肺部区域；所述第二深度神经网络模型用于从已识别有肺部区域的CT图像中识别肺纤维化病灶区域；
S4、将待检测患者的CT图像序列输入训练好的第一、第二深度卷积神经网络模型，识别该患者CT图像序列中的每个CT图像所包含的肺部区域和肺纤维化病灶区域；计算得到该患者肺纤维化病灶在其肺中的占比γ；
S5、根据所述占比γ，为该患者肺部纤维化进行分期；
S6、选取若干生理学参数，基于所述生理学参数的检测结果对该患者肺纤维化严重度进行分级。


2.如权利要求1所述的基于深度学习的肺纤维化检测与严重度评估方法，其特征在于，步骤S1所述进行预处理包含：
S11、依据预设肺窗窗宽和肺窗窗位，对肺纤维化患者的胸部CT序列图像进行肺窗处理；所述肺窗处理包含：
S111、对所述CT序列图像中每个CT图像的每个像素的CT值进行调整，使每个像素的CT值位于所述窗宽和所述窗位界定的CT值范围内；
S112、将像素的CT值归一化至[0,255]之间；
S12、对肺窗处理后的所述CT序列图像的每个CT图像进行重采样，将该CT图像裁剪为设定的分辨率大小，获得对应的第一CT图像。


3.如权利要求1所述的基于深度学习的肺纤维化检测与严重度评估方法，其特征在于，步骤S2包含：
S21、为每个肺纤维化患者抽取相同数量的所述第一CT图像，且抽取的第一CT图像包含肺部图像和肺纤维化病灶；
S22、采用不同颜色填充的语义分割方式标注第一CT图像中的肺部区域和肺纤维化病灶区域；
S23、通过水平翻转第一CT图像生成对应的第二CT图像；通过缩放第一、第二CT图像得到对应的第三、第四CT图像；从第一至第四CT图像中选取部分CT图像建立训练集，其余CT图像归于验证集。


4.如权利要求1所述的基于深度学习的肺纤维化检测与严重度评估方法，其特征在于，步骤S3中所述第一、第二深度卷积神经网络模型采用相同的AttentionSEResUNet神经网络模型；
所述AttentionSEResUnet神经网络模型包括依序连接的输入卷积层、第一至第四下采样层、残差模块、第一至第四上采样层、输出卷积层；第i层下采样层与第5-i层上采样层之间按通道拼接，1≤i≤4；第一至第四下采样层为注意力机制池化层；所述输入卷积层具有3×3的卷积核；所述输出卷积层具有1×1的卷积核；
所述AttentionSEResUNet神经网络模型的损失函数为dice函数，梯度下降器为Adam函数；输出卷积层的激活函数采用sigmoid函数；当损失函数的计算值小于设定的第一阈值或迭代次数达到预设的第...

【专利技术属性】
技术研发人员：李惠萍，邬学宁，
申请(专利权)人：上海市肺科医院，
类型：发明
国别省市：上海;31