气胸自动诊断及危机预警方法、装置、设备及存储介质制造方法及图纸

本申请实施例属于医学智能和人工智能技术领域，涉及一种气胸自动诊断及危机预警方法，方法包括：获取肺部CT图像，通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值，将所述肺部CT图像的灰度值基于OSTU进行优化，并计算得出肺实质区域的体积，基于3D U

【技术实现步骤摘要】
气胸自动诊断及危机预警方法、装置、设备及存储介质


[0001]本申请涉及医学智能与人工智能
，尤其涉及一种气胸自动诊断及危机预警方法、装置、设备及存储介质。

技术介绍

[0002]在气胸诊断方面，目前的算法依旧存在如下问题：第一、已精确标记的气胸肺部图像数量不足、分辨率较低，大部分图像分割算法，尤其是基于深度学习的分割算法需要准备大量精确标记的训练图像，然而，医学图像的标记不仅依赖于医生的专业知识，还需要考虑到医学伦理和病人的隐私，因此可以获取到的专病医学图像数据库并不多，并且还受到不同医生临床实践的差异影响，对于标记后的医学图像可能存在错误；第二、目前气胸区域的分割算法的精准度还需提高，气胸病灶的形状不规则，个体差异大，较小的气胸可能是微小的，难以识别，目前的分割算法还有很高的提升空间；第三、大部分气胸诊断系统无法自动诊断出患者的危急情况，较大面积的气胸可能会引起通气障碍,就会让人出现呼吸困难等现象，若是没有进行及时的医疗介入，可能会引起许多危险的情况。

技术实现思路

[0003]本申请实施例的目的在于提出一种气胸自动诊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气胸自动诊断及危机预警方法，其特征在于，所述方法包括下述步骤：获取肺部CT图像；通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值；将所述肺部CT图像的灰度值基于OSTU进行优化，并计算得出肺实质区域的体积；基于3D U
‑
net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积；根据所述肺实质区域的体积以及所述气胸区域的体积确定气胸的占有比例；当达到预设数值时，提供危机预警；当未达到预设数值时，提供保养方案。2.根据权利要求1所述的气胸自动诊断及危机预警方法，其特征在于，所述通过灰度直方图均衡化处理所述肺部CT图像并获取所述肺部CT图像的灰度值的步骤包括：根据所述肺部CT图像的概率密度函数以及每个肺部CT图像的像素强度进行关系映射；获取所述肺部CT图像的灰度值。3.根据权利要求1所述的气胸自动诊断及危机预警方法，其特征在于，所述将所述肺部CT图像的灰度值基于OSTU进行优化，并计算得出肺实质区域的体积的步骤包括：根据所述肺部CT图像的灰度值计算类间方差；当所述类间方差最大时，基于最大所述类间方差对应的最佳灰度值进行肺实质区域分割；基于形态学滤波计算分割后的肺实质区域的体积。4.根据权利要求3所述的气胸自动诊断及危机预警方法，其特征在于，肺部CT图像的灰度值包括前景部分与后景部分，所述根据所述肺部CT图像的灰度值计算类间方差的步骤包括：获取所述肺部CT图像的灰度值的前景部分的平均值以及后景部分的平均值、前景部分中的像素数占总像素数的比例、背景部分中的像素数占总像素数的比例；根据所述前景部分的平均值与所述后景部分的平均值的差的平方乘以所述前景部分中的像素数占总像素数的比例以及所述背景部分中的像素数占总像素数的比例，计算结果为类间方差。5.根据权利要求1所述的气胸自动诊断及危机预警方法，其特征在于，所述基于3D U
‑
net深度卷积网络识别所述肺部CT图像中的气胸区域并分割出气胸区域以及计算气胸区域的体积的步骤包括：构建所述肺部CT图像的3D U
‑
net深度卷积网络；根据3D U
‑
net深度卷积网络挖掘所述肺部CT图像的关键特征，并由所述关键特征建立网络模型；识别网络模块中的气胸区域并分割气胸...

【专利技术属性】
技术研发人员：梁凯轶，唐智贤，周慧，张铭，孙彦茗，
申请(专利权)人：上海市嘉定区中心医院，
类型：发明
国别省市：