一种基于CT影像随机区域的肺气肿量化分析方法

一种基于ct影像随机区域的肺气肿量化分析方法
技术领域
1.本发明属于医学临床医学领域，具体地，涉及一种基于ct影像随机区域的肺气肿量化分析方法和应用。


背景技术：

2.肺ct影像在诊断肺气肿中的敏感性和特异性已经得到业界公认，并已有肺气肿量化评估的方法被临床和科研采纳。在利用肺ct对肺气肿进行定量分析的过程中，将吸气相ct上体素小于特定阈值的区域称为低衰减区，通过计算低于特定阈值的肺部体素值在全肺中的百分比来对低衰减区进行定量评估。但是，这一方法是以肺气肿区域在整个肺实质区域的百分率为诊断阈值进行评估，对于“局灶性”肺气肿的诊断敏感性不足。随着ct数据的处理技术逐步完善，各种ct定量评估肺气肿的相关研究不断涌现，主要方法有阈值法、百分位法、平均肺密度法、d值法等。这些肺气肿的定量检测方法具有很高的可重复性，对于微小的病变也能很快的发现，但由于这些方法都是在整个肺部区域进行计算的，所以对气肿的位置检测并不精确，因此引入分区域肺气肿的定量分析方法是非常重要的。
3.华南理工大学提出的基于胸部ct图像的肺气肿计算机辅助诊断系统对断层扫描中的肺气肿区域进行了标记，但是并未明确肺气肿的具体所在位置，医生不能够从断层扫描中判断病变位置的空间区域，不能对肺气肿区域进行定位。同时，此方法中计算肺气肿体积分数的目标为整个肺部，从而导致肺气肿局灶检测的敏感性降低。中国医科大学附属盛京医院提出的基于随机选取分区的肺气肿精准检测与量化分析方法是根据肺裂将肺部划分为右肺三叶、左肺两叶，之后在五个肺叶中进行随机选取分区的量化计算，但由于结构扭曲、肺叶边界模糊、肺部与气管粘连等情况，使得此种方法的结果易受个体结构的影响，导致肺叶划分结果不准确，进而影响量化分析结果。
4.综上所述，目前临床上对肺气肿的量化存在ct影像中的肺叶边界通常不完整，相邻肺叶的肺实质可能会发生融合的现象；肺部组织的病变以及与支气管的粘连也会干扰算法对肺裂的检测；患者的移动或者部分容积效应也会导致ct图像的模糊不清，从而影响肺部区域的划分等问题。


技术实现要素：

5.针对上述问题，本发明提供了一种随机区域选取的肺气肿量化检测方法，能够准确地量化计算肺气肿的影像特征值，并检测气肿所在区域，实现肺气肿的客观量化分析。同时，由于得出的量化数据可以区分左右肺以及上中下部位，所以能够较准确的定位病灶位置，辅助医生制定更有效的肺气肿诊断与治疗方案。
6.为了实现上述目的，本发明提供了如下技术方案。
7.本发明提供了一种基于ct影像随机区域的肺气肿量化分析系统，其特征在于，包括：数据输入模块：对数据的预处理以及数据增强，输入格式为dicom格式的矢状面图
像；肺实质分割模块：使用深度学习进行分割训练，然后使用训练好的网络模型对输入的数据进行肺实质分割；肺实质三维数据生成模块：在肺实质分割模块中输出的多个矢状面肺实质在此部分叠加为三维数据；冠状面肺区划分模块：在肺实质三维数据生成模块中的三维数据中，选择最大冠状面，并对其进行上、中、下三个区域的肺区划分；肺内随机圆提取模块：在肺部的每个肺区进行随机圆提取，每个区域选取若干个随机圆，各随机圆之间不存在重叠，随后在得到的随机圆内特征指数，进行计算；肺气肿量化检测模块：根据肺内随机圆提取模块得到的随机区域计算各肺区特征指数；量化结果保存模块：系统自动生成肺气肿量化检测模块中得到的量化结果并保存。
8.进一步地，肺实质分割模块中所述深度学习进行分割训练具体包括：（1）将luna16数据集中的5400个图片分为测试集1620，训练集3780；（2）使用u-net网络对其进行训练：采用拼接方式将特征在channel维度拼接在一起，形成更厚的特征，从而能够将低分辨率信息和高分辨率信息结合起来；（3）将（2）训练后的网络对测试集进行验证，准确度达到98.39%。
9.进一步地，肺内随机圆提取模块中所述随机圆内特征指数为：圆内肺实质的均值、小于-950的体素百分比。
10.进一步地，量化结果保存模块中所述量化结果包括：左/右肺上部均值、左/右肺中部均值、左/右肺下部均值、左/右肺上部百分比、左/右肺中部百分比、左/右肺下部百分比。
11.本发明还提供一种基于ct影像随机区域的肺气肿量化分析方法，其特征在于，包括以下步骤：（1）数据输入：对数据的预处理以及数据增强，输入格式为dicom格式的矢状面图像；（2）肺实质分割：使用深度学习进行分割训练，然后使用训练好的网络模型对输入的数据进行肺实质分割；（3）肺实质三维数据生成：在（2）中输出的多个矢状面肺实质在此部分叠加为三维数据，便于冠状面的提取；（4）冠状面肺区划分：在（3）中的三维数据中，选择最大冠状面，并对其进行上、中、下三个区域的肺区划分；（5）肺内随机圆提取：在肺部的每个肺区进行随机圆提取，每个区域选取若干个随机圆，各随机圆之间不存在重叠，随后在得到的随机圆内进行计算；（6）肺气肿量化检测：根据得到的随机区域计算各肺区特征指数；（7）量化结果保存到数据库中：系统自动生成（6）中得到的量化结果，记录并保存。
12.进一步地，（2）中所述深度学习进行分割训练具体包括：（2.1）将luna16数据集中的5400个图片分为测试集1620，训练集3780；（2.2）使用u-net网络对其进行训练：采用拼接方式将特征在channel维度拼接在
一起，形成更厚的特征，从而能够将低分辨率信息和高分辨率信息结合起来；（2.3）将（2.2）训练后的网络对测试集进行验证，准确度达到98.39%。
13.进一步地，（5）中所述随机圆内特征指数为：圆内肺实质的均值、小于-950的体素百分比。
14.进一步地，（7）中所述量化结果包括：左/右肺上部均值、左/右肺中部均值、左/右肺下部均值、左/右肺上部百分比、左/右肺中部百分比、左/右肺下部百分比。
15.本发明还提供一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述任一项所述系统中各个模块的功能或执行上述中任意一项所述的方法。
16.本发明还提供一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述任一项所述系统中各个模块的功能或执行上述中任意一项所述的方法。
17.与现有技术相比本发明的有益效果。
18.本发明使用的肺部区域划分方法，突破了支气管与肺部粘连导致肺叶分割不准确的瓶颈问题，避免了肺部粘连以及结构扭曲影响肺叶精准划分的问题；对肺实质进行均等划分以及随机区域选取进行量化分析使得肺气肿检测结果相较于传统全肺量化计算更加准确，大大提高了局灶性肺气肿诊断的敏感性，为早期诊断肺气肿提供了更加准确、敏感和特异的方法；就肺气肿辅助诊断而言，通过计算机辅助自动处理方式，有效减轻了医生工作量，降低诊断成本，提高诊断准确性。
19.本发明在进行随机量化计算之前的肺实质提取过程中采用了深度学习方法来对肺实质进行分割，与传统的分割肺实质算法相比，采用深度学习进行肺实质分割的准确率更高，分割效果更好，而且在气管与肺实质的分割中取得了更好的结果，使得后续的量化计算结果准确率更高。
20.本发明分别将左右肺实质都均等划分为上中下三个区域，同时随机在每个区域中以特定半径选取若干个圆，保证肺部每个微小气肿区域都能被检测到，以期提高局灶性肺气肿诊断的敏感性，最终得出每个区域所有随机圆内的肺实质量化数据，保存入数据库中提供给影像科临床医生，实现肺气肿的客观量化分析。同时，由于得出的量化数据可以区分左右肺以及上中下部位，所以能够较准确的定位病灶位置，辅助医生制定更有效的肺气肿诊断与治疗方案，提高肺气肿的分级诊断准确性与诊断效率，可以有效降低医生的诊断负担。
附图说明
21.图1本发明算法总体框架。
22.图2 u-net网络模型。
23.图3原图及左右肺分割结果。其中(a)原图，(b)左肺，(c)右肺。
24.图4双侧冠状面肺区划分。其中(a)左肺，(b)右肺。
25.图5肺气肿随机区域量化计算的流程图。
具体实施方式
26.以下实施例将有助于对本发明的了解，但这些实施例仅为了对本发明加以说明，本发明并不限于这些内容。在实施例中的操作方法均为本技术领域常规操作方法。
27.实施例一。
28.本发明主要包括7个步骤：数据输入、肺实质分割、肺实质三维数据生成、冠状面肺区划分、肺内随机圆提取、慢阻肺量化检测、量化结果保存到数据库中（如图1所示）。各步骤具体如下。
29.（1）数据输入：主要完成对数据的预处理以及数据增强，输入格式为dicom格式的矢状面图像。
30.（2）肺实质分割：使用深度学习进行分割训练，然后使用训练好的网络模型对输入的数据进行肺实质分割。
31.（3）肺实质三维数据生成：在（2）中输出的多个矢状面肺实质在此部分叠加为三维数据，便于冠状面的提取。
32.（4）冠状面肺区划分：在（3）中的三维数据中，选择最大冠状面，并对其进行上、中、下三个区域的肺区划分。
33.（5）肺内随机圆提取：在肺部的每个肺区进行随机圆提取，每个区域选取若干个随机圆，各随机圆之间不存在重叠，随后在得到的随机圆内进行计算。
34.（6）肺气肿量化检测：根据得到的随机区域计算各肺区特征指数，包括随机区域内均值、肺气肿百分比等。
35.（7）量化结果保存到数据库中：系统自动生成（6）中得到的量化结果，记录项目如下表1所示：表1 量化结果记录项目。
36.实施例二。
37.影响计算结果准确度的主要因素为肺实质的分割。在肺部ct影像的定量分析中，最重要的一步预处理操作就是肺实质分割，其准确性对区域的划分以及定量分析结果的准确性有着十分重要的意义，若肺实质分割结果准确，后续再对ct进行分析时就会更加方便与准确。本发明为了解决以上问题，主要实现对肺部分区域进行定量分析，以此来实现气肿的位置检测及精确特征数据的计算。
38.具体步骤如下。
39.（1）肺实质分割：本发明采用深度学习方法分割肺实质，训练集使用luna16数据集中的5400个图片，测试集1620，训练集3780，使用u-net网络对其进行训练。该网络由收缩路径（contracting path）和扩张路径（expanding path）组成。其中，收缩路径用于获取上下文信息（context），扩张路径用于精确的定位（localization），两条路径相互对称。该网络能从极少的训练图像中，依靠数据增强将标注数据更为有效地使用。u-net采用了完全不同的特征融合方式：拼接（concat），u-net将特征在channel维度拼接在一起，形成更厚的特征，从而能够将低分辨率信息（提供物体类别识别依据）和高分辨率信息（提供精准分割定
位依据）结合起来，非常适用于医学图像分割。用此网络对测试集进行训练时准确度达到98.39%，将训练好的网络模型应用本发明需要分割的数据中，得到的结果如图2-3所示。
40.（2）冠状面肺区划分：在进行肺气肿定量计算之前，需要先对肺部区域划分为上、中、下三个区域以方便定位气肿位置。根据肺实质三维数据生成的结果，找到最大冠状面，然后对其进行肺区平均划分，找到最大冠状面肺实质的最高位置与最低位置，对肺实质进行三等分。划分结果如下图4所示分别为左肺右肺的三等划分结果。
41.（3）肺区内随机圆提取与计算：在对冠状面进行肺区划分后，在每个肺区内进行以固定半径、随机圆心进行画圆，并且确保圆与圆之间没有重叠部分。随后计算随机圆内特征指数，即圆内肺实质的均值、小于-950的体素百分比。
42.通过以上方法可以得到每位患者的定量评估数据，从而根据数据判断慢阻肺的严重程度。由于特征指数是按照区域进行计算的，因此还可以检测到气肿位置。
43.（4）结果输出与显示：根据计算得到的各随机区域内均值和气肿百分比等信息，得到最终数据，并存入数据库中便于医生进行查询。
44.实施例三。
45.根据现有的肺气肿组26套，正常组29套ct数据，应用本专利中的方法，将计算得到的量化数据值保存在数据库中，表2和表3为随机选择的6套肺气肿组数据及5套正常组数据的量化计算结果图展示，由表2、表3可知，此量化计算结果能够直观地显示出患者的气肿部位与有关气肿的精确数据。
46.表2 肺气肿组计算结果。
47.表3 正常组计算数据。
48.综上所述，本发明所述方法主要实现对肺实质分割，其准确性对区域的划分以及定量分析结果的准确性有着十分重要的意义，若肺实质分割结果准确，后续再对ct进行分析时就会更加方便与准确。

技术特征：
1.一种基于ct影像随机区域的肺气肿量化分析系统，其特征在于，包括：数据输入模块：对数据的预处理以及数据增强，输入格式为dicom格式的矢状面图像；肺实质分割模块：使用深度学习进行分割训练，然后使用训练好的网络模型对输入的数据进行肺实质分割；肺实质三维数据生成模块：在肺实质分割模块中输出的多个矢状面肺实质在此部分叠加为三维数据；冠状面肺区划分模块：在肺实质三维数据生成模块中的三维数据中，选择最大冠状面，并对其进行上、中、下三个区域的肺区划分；肺内随机圆提取模块：在肺部的每个肺区进行随机圆提取，每个区域选取若干个随机圆，各随机圆之间不存在重叠，随后在得到的随机圆内特征指数，进行计算；肺气肿量化检测模块：根据肺内随机圆提取模块得到的随机区域计算各肺区特征指数；量化结果保存模块：系统自动生成肺气肿量化检测模块中得到的量化结果并保存。2.根据权利要求1所述的分析系统，其特征在于，肺实质分割模块中所述深度学习进行分割训练具体包括：（1）将luna16数据集中的5400个图片分为测试集1620，训练集3780；（2）使用u-net网络对其进行训练：收缩路径用于获取上下文信息（context），扩张路径用于精确的定位（localization），两条路径相互对称；采用拼接方式将特征在channel维度拼接在一起，形成更厚的特征，从而能够将低分辨率信息和高分辨率信息结合起来；（3）将（2）训练后的网络对测试集进行验证，准确度达到98.39%。3.根据权利要求1所述的分析系统，其特征在于，肺内随机圆提取模块中所述随机圆内特征指数为：圆内肺实质的均值、小于-950的体素百分比。4.根据权利要求1所述的分析系统，其特征在于，量化结果保存模块中所述量化结果包括：左/右肺上部均值、左/右肺中部均值、左/右肺下部均值、左/右肺上部百分比、左/右肺中部百分比、左/右肺下部百分比。5.一种基于ct影像随机区域的肺气肿量化分析方法，其特征在于，包括以下步骤：（1）数据输入：对数据的预处理以及数据增强，输入格式为dicom格式的矢状面图像；（2）肺实质分割：使用深度学习进行分割训练，然后使用训练好的网络模型对输入的数据进行肺实质分割；（3）肺实质三维数据生成：在（2）中输出的多个矢状面肺实质在此部分叠加为三维数据，便于冠状面的提取；（4）冠状面肺区划分：在（3）中的三维数据中，选择最大冠状面，并对其进行上、中、下三个区域的肺区划分；（5）肺内随机圆提取：在肺部的每个肺区进行随机圆提取，每个区域选取若干个随机圆，各随机圆之间不存在重叠，随后在得到的随机圆内进行计算；（6）肺气肿量化检测：根据得到的随机区域计算各肺区特征指数；（7）量化结果保存到数据库中：系统自动生成（6）中得到的量化结果，记录并保存。6.根据权利要求1所述的分析方法，其特征在于，（2）中所述深度学习进行分割训练具体包括：
（2.1）将luna16数据集中的5400个图片分为测试集1620，训练集3780；（2.2）使用u-net网络对其进行训练：采用拼接方式将特征在channel维度拼接在一起，形成更厚的特征，从而能够将低分辨率信息和高分辨率信息结合起来；（2.3）将（2.2）训练后的网络对测试集进行验证，准确度达到98.39%。7.根据权利要求1所述的分析系统，其特征在于，（5）中所述随机圆内特征指数为：圆内肺实质的均值、小于-950的体素百分比。8.根据权利要求1所述的分析系统，其特征在于，（7）中所述量化结果包括：左/右肺上部均值、左/右肺中部均值、左/右肺下部均值、左/右肺上部百分比、左/右肺中部百分比、左/右肺下部百分比。9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-4任一项所述系统中各个模块的功能或执行权利要求5-8中任意一项所述的方法。10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-4所述系统中各个模块的功能或执行权利要求5-8中任意一项所述的方法。

技术总结
本发明公开了一种基于CT影像随机区域的肺气肿量化分析方法和应用，属于医学临床医学领域。本发明公开的一种随机区域选取的肺气肿量化检测方法，主要实现对肺实质分割，能够准确地量化计算肺气肿的影像特征值，实现肺气肿的客观量化分析。同时，由于得出的量化数据可以区分左右肺以及上中下部位，所以能够较准确的定位病灶位置，辅助医生制定更有效的肺气肿诊断与治疗方案，具有重大的临床意义。具有重大的临床意义。具有重大的临床意义。


技术研发人员：赵立 叶蕊 周楚铭 王媛 刘鑫宇 张瑛琦 雷华
受保护的技术使用者：中国医科大学附属盛京医院
技术研发日：2023.06.02
技术公布日：2023/8/9