【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种用于肺损伤预测的肺部ct图像处理方法及系统。
技术介绍
1、如今，对肺部肿瘤的治疗主要还是通过放射治疗，肺损伤作为放射治疗最主要的副作用之一不仅限制了放疗的剂量攀升从而影响胸部肿瘤患者的治疗疗效，而且对患者的生活治疗造成了影响，随着放射治疗技术和设备的进步以及对放射性肺损伤的研究深入，放射性肺损伤的发生率已逐渐下降，但是仍然做不到完全避免产生肺损伤。胸部ct作为检测放射性肺损伤最常用的检测方式之一，对肺损伤的预测有了极为广泛的应用。现有技术中，存在通过深度学习对图像进行处理从而对肺部疾病预测的技术方案，例如，中国专利技术专利（cn111932541b）公开了一种用于预测新冠预后的ct影像图像处理方法。包括以下步骤：s1、基于k-means的自动肺分割算法；s2、肺部影像组学特征提取；s3、深度学习特征提取；s4、深度学习和影像组学差异性特征学习；s5、基于融合特征的不良预后预测模型图像处理。然而，上述方案在对图像处理时，直接将肺部图像输入至深度学习模型中，由于输入数据量较大，会增加模型的运算时间，并且由于输入的数据量大，使得模型在训练时，聚焦有用特征的能力减少，从而影响预测准确度；同时，现有技术中存在首先对ct图像进行roi区域提取，再进行预测的技术方案，上述方案在roi提取时提取出整个肺部图像，数据量仍然较大，进而影响预测速度和准确度。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种用于肺损伤预测的肺部ct图像处理方法及系统，以实
2、本专利技术提供了一种用于肺损伤预测的肺部ct图像处理方法，包括：
3、步骤s1，获取待预测的肺部ct图像；
4、步骤s2，对所述肺部ct图像进行预处理；
5、步骤s3，对经过预处理的所述肺部ct图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域；
6、步骤s4，采用第一卷积神经网络模型对所述感兴趣区域进一步分割，得到所述肺部ct图像中的炎症区域；
7、步骤s5，将所述肺部ct图像中的炎症区域输入第二卷积神经网络模型对肺损伤进行预测。
8、进一步地，所述步骤s2中的预处理包括：图像标准化处理、图像归一化处理以及图像重采样处理。
9、进一步地，所述图像标准化处理将所述肺部ct图像的ct值标准化到[-100，250]范围内。
10、进一步地，所述图像归一化处理将所述肺部ct图像的ct值归一化到[0,1]之间。
11、进一步地，所述图像重采样处理将所述肺部ct图像插值到128×128×64大小。
12、进一步地，所述步骤s4中采用第一卷积神经网络模型对所述步骤s3中所述感兴趣区域进一步分割，得到所述肺部ct图像中的炎症区域，具体包括以下步骤：
13、步骤s4.1，建立第一卷积神经网络模型；
14、步骤s4.2，建立训练所述第一卷积神经网络模型的第一训练集；
15、步骤s4.3，利用第一训练集对所述第一卷积神经网络模型进行训练；
16、步骤s4.4，将所述步骤s3中所述感兴趣区域输入至所述第一卷积神经网络模型中，分割得到所述肺部ct图像中的炎症区域。
17、进一步地，所述步骤s4.2中建立训练所述第一卷积神经网络模型的第一训练集，具体包括以下步骤：
18、步骤s4.21，获取肺部ct医疗数据作为第一卷积神经网络模型的样本集；
19、步骤s4.22，对所述步骤s4.21中所述样本集进行粗分割，获得样本集感兴趣区域；
20、步骤s4.23，对所述样本集感兴趣区域进行标注获得第一训练集。
21、进一步地，所述步骤s5中将所述步骤s4得到的所述肺部ct图像中的所述炎症区域输入第二卷积神经网络模型对肺损伤进行预测，具体包括以下步骤：
22、步骤s5.1，建立第二卷积神经网络模型；
23、步骤s5.2，对所述步骤s4获取得到的所述肺部ct图像中的所述炎症区域进行标注，获得第二训练集；
24、步骤s5.3，利用所述第二训练集对所述第二卷积神经网络模型进行训练；
25、步骤s5.4，将所述肺部ct图像输入至训练好的所述第二卷积神经网络模型对肺损伤进行预测。
26、进一步地，所述步骤s5.4中将所述肺部ct图像输入至训练好的所述第二卷积神经网络模型对肺损伤进行预测，所述预测结果为采用常规药量对患者进行放化疗，确定是否会造成患者的肺部损伤。
27、本专利技术另一方面，还提供一种用于肺损伤预测的肺部ct图像处理系统，用于执行上述所述的一种用于肺损伤预测的肺部ct图像处理方法，包括以下模块：
28、图像采集模块：用于获取待预测的肺部ct图像；
29、预处理模块：与所述图像采集模块连接，用于对所述肺部ct图像进行预处理；
30、分割模块：与所述预处理模块连接，对经过预处理的所述肺部ct图像进行第一次分割，分割出感兴趣区域，所述感兴趣区域为整个肺部区域；
31、第一卷积神经网络模型：与所述分割模块连接，用于对所述感兴趣区域进一步分割，得到所述肺部ct图像中的炎症区域；
32、第二卷积神经网络模型：与所述第一卷积神经网络模型连接，根据所述肺部ct图像中的炎症区域对肺损伤进行预测，得出预测结果；
33、标注模块：与所述第二卷积神经网络模型连接，用于将预测结果标注到待检测的所述肺部ct图像上。
34、本专利技术实施例具有以下技术效果：
35、1、本专利技术对肺部ct图像进行第一次分割，将肺部周围无关的胸腔组织分割出去，只保留肺部区域，从而使得肺部ct图像的数据量大大减少，提高了通过第一卷积神经网络模型分割出炎症区域的分割速度，在对肺损伤进行预测时，首先采用第一卷积神经网络模型分割出炎症区域，然后将炎症区域输入至第二卷积神经网络模型中，对肺损伤进行预测，从而提高预测的准确度。
36、2、本专利技术将样本集粗分割得到的感兴趣区域作为第一训练集对第一卷积神经网络模型进行训练，缩小了训练集的范围，提高了聚焦有用特征的能力，第一卷积神经网络模型可以仅对感兴趣区域进行训练，着重对感兴趣区域的特征进行学习，从而提高预测能力。
37、3、本专利技术通过第二卷积神经网络模型预测出肺损伤，将肺损伤直接标注在待预测的肺部ct图像，提高了肺损伤的预测准确度和速度。
本文档来自技高网...【技术保护点】
1.一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，包括：
2.根据权利要求1所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述步骤S2中对所述肺部CT图像进行预处理，包括：图像标准化处理、图像归一化处理以及图像重采样处理。
3.根据权利要求2所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述图像标准化处理将所述肺部CT图像的CT值标准化到[-100，250]范围内；
4.根据权利要求2所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述图像重采样处理将所述肺部CT图像插值到128×128×64大小。
5.根据权利要求1所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述步骤S4.2中建立训练所述第一卷积神经网络模型的第一训练集，具体包括以下步骤：
6.根据权利要求1所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，所述步骤S5中将所述步骤S4得到的所述肺部CT图像中的所述炎症区域输入第二卷积神经网络模型对肺损伤进行预测，具体包括以下步骤：
8.一种用于肺损伤预测的肺部CT图像处理系统，用于执行上述权利要求1-7任一项所述的一种用于肺损伤预测的肺部CT图像处理方法，其特征在于，包括以下模块：
...【技术特征摘要】
1.一种用于肺损伤预测的肺部ct图像处理方法，其特征在于，包括：
2.根据权利要求1所述的一种用于肺损伤预测的肺部ct图像处理方法，其特征在于，所述步骤s2中对所述肺部ct图像进行预处理，包括：图像标准化处理、图像归一化处理以及图像重采样处理。
3.根据权利要求2所述的一种用于肺损伤预测的肺部ct图像处理方法，其特征在于，所述图像标准化处理将所述肺部ct图像的ct值标准化到[-100，250]范围内；
4.根据权利要求2所述的一种用于肺损伤预测的肺部ct图像处理方法，其特征在于，所述图像重采样处理将所述肺部ct图像插值到128×128×64大小。
5.根据权利要求1所述的一种用于肺损伤预测的肺部ct图像处理方法，其特征在于，所述步骤s4.2中建立训练所述...
【专利技术属性】
技术研发人员：魏凯，徐晶晶，梁艳旭，王晴，侯晓明，
申请(专利权)人：天津市第五中心医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。