一种CT胸部平扫影像质量控制的人工智能方法技术

本发明专利技术提供一种CT胸部平扫影像质量控制的人工智能方法，方法包括：步骤01、获取CT设备数据；步骤02、训练质量控制模型，构建肺部分割深度学习模型、气管分割深度学习模型、主动脉弓分割深度学习模型、结节识别模型、伪影检测模型；步骤03、依据质量控制标准，基于质量控制模型，实现对质量控制指标的自动化判定；步骤04、质量控制结果输出。04、质量控制结果输出。04、质量控制结果输出。

【技术实现步骤摘要】
一种CT胸部平扫影像质量控制的人工智能方法


[0001]本专利技术涉及CT胸部平扫影像质量控制技术，特别是一种CT胸部平扫影像质量控制的人工智能方法。

技术介绍

[0002]随着医学影像设备的快速发展，医学影像成为各级医疗机构诊疗工作必不可少的辅助信息。但是，由于医学影像质量不合格导致的医疗纠纷，以及医疗事故，如误诊、漏诊等问题也日益增多。究其原因，在于医学影像的质量控制工作没有符合现代医学诊疗工作的需求，与现代医学诊疗工作的强度不适配，无法达到理想的效果。
[0003]现有的医学影像质量控制完全依赖于人工，具有实时性低、效率低、主观差异性大等缺点。具体表现为三甲医院检查量极大，人工质量控制无法做到实时性的全覆盖质量控制；社区、乡镇医院医生水平参差不齐，质量控制结果主观性较强。上述现象在医学影像中数量比重较大的CT胸部平扫影像中尤其显著。因此，针对上述缺点，引入了人工智能技术来实现自动化智能质量控制，解决人工质量控制存在的问题。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术提供一种CT胸部平扫影像质量控制的人工智能方法，进而使得影像质量控制结果更加可靠、精确及高效率。
[0005]第一方面，本专利技术提供一种CT胸部平扫影像质量控制的人工智能方法，包括：
[0006]步骤01、获取CT设备数据；
[0007]步骤02、训练质量控制模型，构建肺部分割深度学习模型、气管分割深度学习模型、主动脉弓分割深度学习模型、结节识别模型、伪影检测模型；
[0008]步骤03、依据质量控制标准，基于质量控制模型，实现对质量控制指标的自动化判定；
[0009]步骤04、质量控制结果输出。
[0010]可选地，所述步骤02，质量控制模型是依据深度学习领域内的通识技术构建。质量控制模型实现了放射影像质量控制的核心功能，模型中包含编码器和解码器，在本专利技术中使用了三类解码器：分割解码器、检测解码器、分类解码器。每个质量控制模型在具体细节上略有不同，比如卷积层的个数、池化层的个数等，更为具体的是，根据解码器种类的不同，各解码器的卷积层、池化层等个数、顺序也会有所不同，解码器输入中的编码器特征值，可以来自编码器中的任何一层或几层的特征值。模型训练是将处理好的标记数据送入模型，根据模型在训练集、验证集、测试集的损失值和准确率评估是否训练完毕，若训练不符合完毕条件，调节模型的参数，再次训练。最终构建肺部分割深度学习模型、气管分割深度学习模型、主动脉弓分割深度学习模型、结节识别模型、伪影检测模型。
[0011]可选地，所述步骤03，质量控制指标包括：肺部完整性、主气管及左右段支气管可见、脂肪CT值校对、胸膜1cm以内小血管可见、结节可见、肺外围骨骼可见、伪影检测：
[0012]肺部完整性：肺组织完全包含于影像内；
[0013]主气管及左右段支气管可见：影像内可见主气管、左右段支气管；
[0014]脂肪CT值校对：在纵隔窗下，获取、校对主动脉弓附近的脂肪CT值；
[0015]胸膜1cm以内小血管可见：主气管与左右段支气管交界处胸膜1cm以内可见小血管；
[0016]结节可见：可在影像内识别出结节；
[0017]肺外围骨骼可见：在骨窗下，肺外围可见骨骼；
[0018]伪影检测：可在影像内识别出伪影(金属伪影、呼吸伪影、条状伪影)。
[0019]可选地，所述步骤03，基于质量控制模型，实现对质量控制指标的自动化判定，包括：肺部完整性判定方法、主气管及左右段支气管可见判定方法、脂肪CT值校对方法、胸膜1cm以内小血管可见判定方法、结节可见判定方法、肺外围骨骼可见判定方法、伪影检测方法。
[0020]相较于当前人工鉴定CT胸部平扫医学影像质量控制，本技术方案具有以下特点和优势：
[0021]可靠、精准。深度学习技术已经广泛地应用于日常的各项诊疗业务中，并且证明了其可靠性和精准性。本专利技术中质量控制模型的解码器同时使用了编码器的输出值和特征值，可以根据更为丰富的语义信息进行组织器官分割，提升了模型的可靠性和精准性。
[0022]高效率。通过将图像处理技术与本专利技术中肺部分割深度学习模型的输出结果相结合，实现了一次模型计算，完成了三项质量控制规则判定，免去了肺部小血管识别模型、肺外围骨骼识别模型的构建、训练工作。并且在鉴定过程中，也减少了两次模型计算，提高了质量控制的效率。此外，本专利技术鉴定一张放射影像的质量的耗时为毫秒级，远低于人工鉴定耗时，显著地提高了鉴定效率，节省了大量的人工成本和时间成本。此外，该模型可以不间断地工作，工作时长远超过人工，可以处理更多的质控工作。
[0023]可复用性。基于本专利技术的质量控制方法实现的系统或平台可以大规模复用于不同医疗机构的相同医疗业务场景，并且易于部署，极大地降低了质量控制成本。
[0024]稳定性。基于本专利技术的质量控制方法实现的系统或平台构建简单、易于实现，具有高度的灵活性，能够轻松应对质量控制标准的变更。
附图说明
[0025]图1为本专利技术的CT胸部平扫影像质量控制的人工智能方法的流程图；
[0026]图2为质量控制模型的总体结构；
[0027]图3为质量控制模型中的编码器结构；
[0028]图4为质量控制模型中的解码器结构；
[0029]图5为质量控制模型训练的流程图。
具体实施方式
[0030]为了更好的解释本专利技术，以便于理解，下面结合附图，通过具体实施方式，对本专利技术作详细描述。
[0031]如图1所示，本实施例提供一种CT胸部平扫影像质量控制的人工智能方法，该方法
包括：
[0032]步骤01、获取CT设备数据。
[0033]步骤02、训练质量控制模型，构建肺部分割深度学习模型、气管分割深度学习模型、主动脉弓分割深度学习模型、结节识别模型、伪影检测模型。
[0034]在本实施例中，质量控制模型是依据深度学习领域内的通识技术构建，例如基于Pytorch框架中的卷积层、池化层以及张量运算等来构建。质量控制模型实现了放射影像质量控制的核心功能，即组织、器官、病灶、ROI(感兴趣区域)的检测与分割，包含以下主要操作：图像语义分析、质量控制相关语义特征提取，组织、器官、病灶、ROI检测分割等。图2是模型的总体结构，模型中包含编码器(图3)和解码器(图4)，具体地编码器采用了下采样特征提取方法，通过2D卷积、池化操作实现。输入数据经过下采样特征提取方法处理后，输入数据的宽度和高度减少了，通道数增加了。编码器输出的数据是一个信息集成度很高的张量。具体地解码器采用了上采样特征提取方法，通过Upsample或ConvTranspose2d实现。对于分割解码器，其输出是一幅与输入图形尺寸一致的分割结果图像。对于检测解码器，其输出是一组二维坐标，即特定对象的检测框的左上顶点和右下顶点在输入图像中的坐标。对于分类解码器，其输出是一组One
‑
Hot编码，说明该输入图像属于哪一类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CT胸部平扫影像质量控制的人工智能方法，其特征在于，包括：步骤01、获取CT设备数据；步骤02、训练质量控制模型，构建肺部分割深度学习模型、气管分割深度学习模型、主动脉弓分割深度学习模型、结节识别模型、伪影检测模型；步骤03、依据质量控制标准，基于质量控制模型，实现对质量控制指标的自动化判定；步骤04、质量控制结果输出。2.根据权利要求1所述的方法，其特征在于：所述步骤02，质量控制模型是依据深度学习领域内的通识技术构建，例如基于Pytorch框架中的卷积层、池化层以及张量运算等来构建。质量控制模型实现了放射影像质量控制的核心功能，即组织、器官、病灶、ROI(感兴趣区域)的检测与分割，包含以下主要操作：图像语义分析、质量控制相关语义特征提取，组织、器官、病灶、ROI检测分割等。模型中包含编码器和解码器，在本发明中使用了三类解码器：分割解码器、检测解码器、分类解码器。每个质量控制模型在具体细节上略有不同，比如卷积层的个数、池化层的个数等，更为具体的是，根据解码器种类的不同，各解码器的卷积层、池化层等个数、顺序也会有所不同，解码器输入中的编码器特征值，可以来自编码器中的任何一层或几层的特征值。模型训练是将处理好的标记数据送入模型，根据模型在...

【专利技术属性】
技术研发人员：周军，牛昊，
申请(专利权)人：辽宁万象联合医疗科技有限公司，
类型：发明
国别省市：