肺图像的处理方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种肺图像的处理方法及装置、电子设备和存储介质，涉及慢性阻塞性肺病技术领域。所述的肺图像的处理方法，包括：获取待处理的肺图像；根据所述待处理的肺图像，提取多个设定影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。本公开实施例可以实现慢性阻塞性肺病的等级进行分类。塞性肺病的等级进行分类。塞性肺病的等级进行分类。

【技术实现步骤摘要】
肺图像的处理方法及装置、电子设备和存储介质


[0001]本公开涉及慢性阻塞性肺病的图像处理
，尤其涉及一种肺图像的处理方法及装置、电子设备和存储介质。

技术介绍

[0002]慢性阻塞性肺疾病(COPD)是一种异质性炎症性疾病[1]，其特征是持续气流受限[2]。由于持续气流受限的特点，诊断和评估COPD的金标准是肺功能试验(PFT)[2]。COPD的主要解剖和病理生理学表现为小气道病变和肺气肿[1,3]。然而，PFT仅评估持续气流限制的程度，以间接反映COPD分期，并解释疾病对COPD患者症状和生活质量的影响[4,5]。
[0003]由于胸部的解剖结构和病理生理信息可以通过计算机断层扫描(CT)图像进行观察或测量，因此CT被认为是表征和量化COPD的最有效方式[6]。尽管PFT目前被视为COPD诊断和评估的金标准，但在PFT中无气流限制的吸烟者中，CT图像显示患者患有轻度小叶中央肺气肿，运动耐力下降[7]。通过测量COPD患者的参数或使用其分析方法，胸部CT图像已被用于定量分析COPD患者的支气管[8,9]、气道疾病[10
‑
15]、肺气肿[16]和血管[17,18]。为了从医学图像中挖掘信息[19]。影像组学已广泛应用于肺部疾病成像分析，包括肺结节、肺结节、阻塞性肺疾病、间质性肺疾病、血管性肺疾病和胸膜疾病[20]，以及新冠病毒19的筛查、预测、临床分类和诊断[21
‑
24]。与正常肺相比，COPD患者的肺纹理和密度受到空气丰度增加的影响[20]，这导致胸部CT图像的变化。肺部结构和密度的变化可以通过胸部CT图像计算的影像组学特征反映出来。从胸部CT图像计算出的纹理特征也可用于预测严重的COPD加重[25]。影像组学特征已用于肺气肿存在和COPD严重程度的肺活量评估[26]。然而，慢性阻塞性肺病的影像组学尚未得到广泛的研究，并且影像组学特征在慢性阻塞性肺病的诊断、治疗、随访和未来方向方面有潜在的应用[27]。
[0004]大多数学者都致力于改进分类器，以得到较好的分类效果。然而，他们忽略了特征对于分类效果的影像。目前，很多学者利用影像组学特征对肺结节或者肺癌进行了分类，并得到了较好的分类效果。但是，其首先需要解决的问题是对病灶组织进行自动、半自动或手动分割。由于慢性阻塞性肺病疾病自身的特点，其分布并不像肺结节或者肺癌呈现固定的结构。慢性阻塞性肺病区域弥散分布在肺内，难以像肺结节或者肺癌那样对慢性阻塞性肺病区域进行分割，因此很少人研究慢性阻塞性肺病的影像组学。但是，慢性阻塞性肺病疾病的本质原因是整个肺区域的气流受限，因此研究慢性阻塞性肺病影像组学时，可以计算整个肺区域的影像组学特征。进而，分析肺区域的影像组学特征与肺部的气流受限的关系。
[0005]1.Mathioudakis A G,Mathioudakis G A.The phenotypes of chronic obstructive pulmonary disease[J].Archives of Hellenic Medicine,2014,31(5):558
‑
569.
[0006]2.GOLD 2021:Global initiative for chronic obstructive lung disease,2021.
[0007]3.Suffredini D A,Reed R M.At the twisted heart of nicotine addiction
Imaging:State
‑
of
‑
the
‑
Art for Clinicians[J].Journal of Personalized Medicine,2021,11(7):602.
[0025]21.Rezaeijo S M,Abedi
‑
Firouzjah R,Ghorvei M,et al.Screening of COVID
‑
19based on the extracted radiomics features from chest CT images[J].Journal of X
‑
Ray Science and Technology,2021,29(4):1
‑
15.
[0026]22.Xiao F,Sun R,Sun W,et al.Radiomics analysis of chest CT to predict the overall survival for the severe patients of COVID
‑
19pneumonia[J].Physics in Medicine and Biology,2021.
[0027]23.Xiong F,Wang Y,You T,et al.The clinical classification of patients with COVID
‑
19pneumonia was predicted by Radiomics using chest CT[J].Medicine,2021,100(12):e25307.
[0028]24.Tamal M,Alshammari M,Alabdullah M,et al.An Integrated Framework with Machine Learning and Radiomics for Accurate and Rapid Early Diagnosis of COVID
‑
19from Chest X
‑
ray[J].Expert Systems with Applications,2021,180:115152.
[0029]25.Chaudhary M,Hoffman E A,Comellas A P,et al.CT Texture Features Predict Severe COPD Exacerbations in SPIROMICS[C]//American Thoracic Society 2021 International Conference,May 14
‑
19,2021
‑
San Diego,CA.2021.
[0030]26.Occhipinti M,Paoletti M,Bartholmai B J,et al.Spirometric assessment of emphysema presence and severity as measured by quantitative CT and CT
‑
based radiomics in COPD[J].Respiratory research,2019,20(1).
[0031]27.Re本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺图像的处理方法，其特征在于，包括：获取待处理的肺图像；根据所述待处理的肺图像，提取多个设定影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征对慢性阻塞性肺病的等级进行分类。2.根据权利要求1所述的处理方法，其特征在于，还包括：根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征及所述第一影像组学特征对慢性阻塞性肺病的等级进行分类；或，获取设定类别；根据所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类；或，获取设定类别；根据所有类别的所述多个设定影像组学特征及其第一组设定系数，构造第一影像组学特征；根据所述所有类别中的所述设定类别对应的设定影像组学特征及其第二组设定系数，构造第二影像组学特征；基于预设分类模型，根据所述多个设定影像组学特征、所述第一影像组学特征以及所述第二影像组学特征对慢性阻塞性肺病的等级进行分类。3.根据权利要求1或2所述的处理方法，其特征在于，所述根据所述待处理的肺图像，提取多个设定影像组学特征的方法，包括：获取多个设定影像组学特征对应的类别及图像的类型；对所述待处理的肺图像进行肺区域分割，得到肺区域图像；根据所述类别及图像的类型，对所述肺区域图像进行影像组学特征提取，得到所述多个设定影像组学特征。4.根据权利要求2
‑
3任一项所述的处理方法，其特征在于，所述多个设定影像组学特征及所述第一组设定系数的确定方法，包括：获取具有慢性阻塞性肺病分类等级的设定数目肺图像以及筛选模型；分别对所述设定数目肺图像进行肺区域分割，得到设定数目的肺区域图像；分别对所述设定数目的肺区域图像进行影像组学特征提取，得到多个待筛选的影像组学特征；基于所述筛选模型，利用所述分类等级以及所述多个待筛选的影像组学特征，得到所述多个设定影像组学特征及对应的所述第一组设定系数。5.根据权利要求2
‑
4任一项所述的处理方法，其...

【专利技术属性】
技术研发人员：杨英健，康雁，郭英委，畅润笙，冯孟婷，李强，杨超然，曹冯秋，郭嘉琦，张智超，
申请(专利权)人：东北大学，
类型：发明
国别省市：