肺图像处理方法及装置制造方法及图纸

本公开涉及一种肺图像处理方法，涉及医学图像处理技术领域，包括：利用第一数目的第一肺图像及其对应的肺血管标签图像对第一分割模型进行训练；并基于训练后的第一分割模型对第二数目的第二肺图像进行肺血管分割，得到对应的第一肺血管分割图像；对所述对应的第一肺血管分割图像进行选择，得到选择的第一肺血管分割图像；并利用所述第一数目的第一肺图像及其对应的肺血管标签图像

【技术实现步骤摘要】
肺图像处理方法及装置、电子设备和存储介质


[0001]本公开涉及医学图像处理
，尤其涉及一种肺图像处理方法及装置
、
电子设备和存储介质
。

技术介绍

[0002]医学影像分析是近年来医学研究和临床应用的一个重要领域
。
在诸多医学影像处理技术中，图像分割作为一种基础性和关键性的技术，一直是研究的热点
。
图像分割通过将图像划分为多个具有相关特性的区域，使得医生能够更加清晰地识别和分析图像中的结构和特征
。
在此背景下，从计算机断层扫描
(Computed Tomography,CT)
图像中精准地分割血管结构显得尤为重要
。
血管是人体循环系统的重要组成部分，通过
CT
图像进行血管分割能够使医生直观地观察血管的形态
、
粗细
、
分支以及与周围结构的关系
。
这对于循环系统疾病如冠状动脉疾病
、
动脉硬化
、
脑血管疾病等的诊断具有深远意义
。
血管分割的精准度直接影响到诊断的准确性和及时性
。
介入手术通常涉及到高度精细和复杂的操作，对血管的结构和位置了解必须非常精确
。
通过血管分割，医生能够清晰地看到血管的三维结构，这对于手术路径的规划
、
工具的选择和潜在风险的评估至关重要
。
同时，血管分割不仅在初步诊断中发挥作用，还在治疗过程中的病情监测和评估中起到关键作用
。
通过比较患者在不同时间点的血管图像，医生可以观察血管的变化，评估治疗效果和调整治疗方案
。
[0003]然而利用
CT
图像做血管标注和分割面临一系列困难和挑战
。(1)CT
图像的分辨率可能限制了血管结构的可见性，尤其是对于微血管
。
在较低分辨率的图像中，细小的血管可能无法清晰地显示，这给精确的标注和分割带来困难
。(2)CT
图像往往伴随着噪声，特别是在低剂量扫描中
。
噪声可能会掩盖或模糊血管的边缘，使得准确地标注和分割血管变得更加困难
。(3)
在
CT
图像中，血管与周围组织
(
如肌肉
、
骨骼或其他器官
)
的对比度可能不够明显
。
这使得自动分割算法很难准确地识别血管的边界
。(4)CT
图像通常以三维的形式提供信息
。
血管在三个空间维度上的复杂排列和变化使得标注和分割的任务变得更加困难和耗时
。(5)
对于某些复杂或模糊的情况，可能需要人工进行血管的标注
。
然而，手动标注是一项非常耗时和劳动强度的工作，而且可能受到操作者经验和技能的限制
。(6)
在
CT
图像中，由于各种原因
(
如金属植入物
、
患者运动等
)
可能出现伪影
。
这些伪影可能会对图像质量产生负面影响，进一步增加血管标注和分割的难度
。
[0004]近年来，深度学习，尤其是卷积神经网络
(CNNs)
在医学图像分析中表现出显著的优势
。
通过使用大量标记的数据进行训练，深度学习模型能够学习识别复杂的血管结构，并且能够抵抗噪声和伪影的干扰
。
然而标注数据的获取往往是十分耗时和昂贵的，而且医学图像通常涉及到隐私问题，所以只能获得有限数量的标注数据
。
因此，半监督学习在医学图像分析中获得广泛的关注和应用
。
主要表现在以下几方面：
(1)
医学图像分割：通过利用未标注的图像数据来训练模型，可以提高医学图像分割任务的准确性
。
例如，可以使用半监督学习来训练肺部分割模型，以帮助医生更好地诊断肺癌等疾病
。(2)
医学图像分类：利用未标注的数据，可以为医学图像分类任务提供更多的样本，从而提高模型的准确性
。
例如，可
以使用半监督学习来训练乳腺
X
光图像分类器，以帮助医生诊断乳腺癌等疾病
。(3)
医学图像重建：通过半监督学习，可以使用未标注数据来训练医学图像重建模型，从而提高医学图像的质量
。
例如，可以使用半监督学习来训练
MRI
重建模型，以提高
MRI
图像的分辨率和质量
。
总之，半监督学习在医学图像领域的应用可以提高医生的诊断准确性和效率，从而更好地服务于患者的健康
。
[0005]精确高效的分割肺部血管树是一项有挑战的任务
。
由于肺部血管树结构复杂
、
直径大小不一
、
分叉较多，尤其是在细小血管的标注上非常困难，导致标注数据的数量较少且质量不高
。
进而，导致慢性阻塞性肺疾病
(COPD)
由于肺血管的影响，
COPD
的分型准率率有待于提升
。

技术实现思路

[0006]本公开提出了一种肺图像处理方法及装置
、
电子设备和存储介质技术方案
。
[0007]根据本公开的一方面，提供了一种肺图像处理方法，包括：
[0008]利用第一数目的第一肺图像及其对应的肺血管标签图像对第一分割模型进行训练；并基于训练后的第一分割模型对第二数目的第二肺图像进行肺血管分割，得到对应的第一肺血管分割图像；
[0009]对所述对应的第一肺血管分割图像进行选择，得到选择的第一肺血管分割图像；并利用所述第一数目的第一肺图像及其对应的肺血管标签图像
、
选择的第一肺血管分割图像及其对应的第二肺图像对第二分割模型进行训练；并基于所述训练的第二分割模型对选择后剩余第三数目的第二肺图像进行肺血管分割，得到对应的第二肺血管分割图像
。
[0010]优选地，所述的处理方法，还包括：获取所述第二分割模型的性能指标；
[0011]若所述性能指标低于设定性能指标，则对所述对应的第二肺血管分割图像进行选择，得到选择的第二肺血管分割图像；
[0012]利用所述第一数目的第一肺图像及其对应的肺血管标签图像
、
选择的第二肺血管分割图像及其对应的第二肺图像对第三分割模型进行训练；
[0013]并基于所述训练的第三分割模型对选择后剩余第四数目的第二肺图像进行肺血管分割，得到对应的第二肺血管分割图像；
[0014]重复上述过程，直至最终的分割模型的性能指标高于或等于所述设定性能指标为止；以及
/
或，
[0015]所述对所述对应的第一肺血管本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种肺图像处理方法，其特征在于，包括：利用第一数目的第一肺图像及其对应的肺血管标签图像对第一分割模型进行训练；并基于训练后的第一分割模型对第二数目的第二肺图像进行肺血管分割，得到对应的第一肺血管分割图像；对所述对应的第一肺血管分割图像进行选择，得到选择的第一肺血管分割图像；并利用所述第一数目的第一肺图像及其对应的肺血管标签图像
、
选择的第一肺血管分割图像及其对应的第二肺图像对第二分割模型进行训练；并基于所述训练的第二分割模型对选择后剩余第三数目的第二肺图像进行肺血管分割，得到对应的第二肺血管分割图像
。2.
根据权利要求1所述的处理方法，其特征在于，还包括：获取所述第二分割模型的性能指标；若所述性能指标低于设定性能指标，则对所述对应的第二肺血管分割图像进行选择，得到选择的第二肺血管分割图像；利用所述第一数目的第一肺图像及其对应的肺血管标签图像
、
选择的第二肺血管分割图像及其对应的第二肺图像对第三分割模型进行训练；并基于所述训练的第三分割模型对选择后剩余第四数目的第二肺图像进行肺血管分割，得到对应的第二肺血管分割图像；重复上述过程，直至最终的分割模型的性能指标高于或等于所述设定性能指标为止；以及
/
或，所述对所述对应的第一肺血管分割图像进行选择，得到选择的第一肺血管分割图像的方法，包括：
。
获取每个第一肺血管分割图像对应的分割指标及第一设定分割指标；基于所述每个第一肺血管分割图像对应的分割指标及所述第一设定分割指标，对所述对应的第一肺血管分割图像进行选择，得到选择的第一肺血管分割图像；以及
/
或，所述基于所述每个第一肺血管分割图像对应的分割指标及所述第一设定分割指标，对所述对应的第一肺血管分割图像进行选择，得到选择的第一肺血管分割图像的方法，包括：若所述第一肺血管分割图像对应的分割指标大于或等于所述第一设定分割指标，则将此第一肺血管分割图像确定为选择的第一肺血管分割图像；以及
/
或，所述对所述对应的第二肺血管分割图像进行选择，得到选择的第二肺血管分割图像的方法，包括：获取每个第二肺血管分割图像对应的分割指标及第二设定分割指标；基于所述每个第二肺血管分割图像对应的分割指标及所述第二设定分割指标，对所述对应的第二肺血管分割图像进行选择，得到选择的第二肺血管分割图像；以及
/
或，所述基于所述每个第二肺血管分割图像对应的分割指标及所述第二设定分割指标，对所述对应的第二肺血管分割图像进行选择，得到选择的第二肺血管分割图像的方法，包括：若所述第二肺血管分割图像对应的分割指标大于或等于所述第二设定分割指标，则将此第二肺血管分割图像确定为选择的第二肺血管分割图像
。3.
根据权利要求1‑2任一项所述的处理方法，其特征在于，确定所述第一数目的第一肺图像对应的肺血管标签图像的方法，包括：利用已训练的预设肺血管卷积分割模型，分别对所述第一数目的第一肺图像进行第一
次肺血管分割，得到对应的第一肺血管标签图像；利用机器学习分割模型，分别对所述第一数目的第一肺图像进行第二次肺血管分割，得到对应的第二肺血管标签图像；其中，所述第二肺血管标签图像中肺血管的管径小于所述第一肺血管标签图像中肺血管的管径；分别对所述第一肺血管标签图像及所述第二肺血管标签图像进行融合，得到所述第一数目的第一肺图像对应的肺血管标签图像；以及
/
或，所述分别对所述第一肺血管标签图像及所述第二肺血管标签图像进行融合，得到所述第一数目的第一肺图像对应的肺血管标签图像的方法，包括：分别对所述第一肺血管标签图像及所述第二肺血管标签图像进行位置叠加，得到所述第一数目的第一肺图像对应的肺血管标签图像；以及
/
或，所述利用机器学习分割模型，分别对所述第一数目的第一肺图像进行第二次肺血管分割，得到对应的第二肺血管标签图像的方法，包括：分别对所述第一数目的第一肺图像进行多尺度表示，得到对应的多尺度肺图像；分别对所述多尺肺图像进行特征提取，并利用预设分类器对所述提取的特征进行分类，得到对应的第二肺血管标签图像
。4.
根据权利要求1‑3任一项所述的处理方法，其特征在于，对所述分割模型进行训练的过程中，计算所述分割模型的损失，利用所述损失调整所述分割模型的网络参数；以及
/
或，所述计算所述分割模型的损失的方法，包括：获取
Dice
损失函数及交叉熵损失函数；分别计算所述
Dice
损失函数及所述交叉熵损失函数的第一损失值及第二损失值；将所述第一损失值及第二损失值的和配置为所述分割模型的损失值；以及
/
或，所述计算所述分割模型的损失函数的方法，还包括：设置所述
Dice
损失函数及所述交叉熵损失函数的损失调节；基于所述损失调节，确定所述分割模型是...

【专利技术属性】
技术研发人员：齐守良，王美欢，吴雅楠，赵水清，
申请(专利权)人：东北大学，
类型：发明
国别省市：