肺部CT影像数据处理分析方法及系统.pdf

《肺部CT影像数据处理分析方法及系统.pdf》由会员分享，可在线阅读，更多相关《肺部CT影像数据处理分析方法及系统.pdf（21页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010416901.4 (22)申请日 2020.05.18 (71)申请人 天津精诊医疗科技有限公司 地址 300480 天津市滨海新区生态城动漫 中路126号动漫大厦B2区-6F-004 (72)发明人 王博赵威代笃伟侯雪雪 徐正清金烁申建虎张伟 金洪波靳博方潘承燕 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/13(2017.01) G06N 3/08(2006.01) (54)发明名称 一种肺部CT影像数据处理分析方法及系统 (57)摘。

2、要 本发明公开了一种肺部CT影像数据处理分 析方法及系统， 属于医学图像处理和人工智能技 术领域。 所述方法包括： 根据肺部CT影像和肺部 轮廓进行神经网络训练学习， 得到肺部轮廓分割 模型； 根据肺部轮廓分割模型和目标区域进行神 经网络训练学习， 得到肺部目标区域分割模型； 分割出肺部目标区域， 并使用分类网络进行训练 学习， 得到CT平扫影像数据分类模型； 根据CT平 扫影像数据分类模型， 确定肺部CT影像数据的类 别。 所述系统包括标注模块、 第一训练学习模块、 第二训练学习模块、 第三训练学习模块和计算分 析模块。 本发明提高了肺部CT影像数据的处理效 率， 可快速地分割出肺部区域及肺。

3、内的目标区 域， 并对目标区域图像进行准确分类。 权利要求书3页 说明书12页 附图5页 CN 111340827 A 2020.06.26 CN 111340827 A 1.一种肺部CT影像数据处理分析方法， 其特征在于， 包括： 在肺部CT平扫影像数据中标注肺部轮廓与目标区域， 并根据所述CT平扫影像数据和已 标注的肺部轮廓数据， 利用第一神经网络进行训练学习， 得到肺部轮廓分割模型； 根据所述肺部轮廓分割模型和已标注的目标区域， 利用第二神经网络进行训练学习， 得到肺部目标区域分割模型； 根据所述CT平扫影像数据和肺部目标区域分割模型， 分割出肺部目标区域， 并将固定 尺寸的归一化处理后。

4、的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练 数据， 使用分类网络对所述肺部目标区域进行训练学习， 得到CT平扫影像数据分类模型； 根据所述CT平扫影像数据和CT平扫影像数据分类模型， 计算出所述CT平扫影像数据的 分类概率， 并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。 2.如权利要求1所述的肺部CT影像数据处理分析方法， 其特征在于， 所述在肺部CT平扫 影像数据中标注肺部轮廓与目标区域， 并根据所述CT平扫影像数据和已标注的肺部轮廓数 据， 利用第一神经网络进行训练学习， 得到肺部轮廓分割模型的步骤具体包括： 获取及清洗肺部CT平扫影像数据， 采用。

5、手工勾勒标注法在清洗后的CT平扫影像数据中 标注肺部轮廓与目标区域； 调整清洗后的CT平扫影像分辨率至第一分辨率统一值， 并根据预设的第一灰度值裁剪 范围裁剪所述CT平扫影像的数值矩阵， 对所述影像的数值矩阵中的数据进行归一化处理， 使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值； 使用归一化处理后的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据， 并利用 第一神经网络进行训练学习， 得到肺部轮廓分割模型。 3.如权利要求2所述的肺部CT影像数据处理分析方法， 其特征在于， 所述根据所述肺部 轮廓分割模型和已标注的目标区域， 利用第二神经网络进行训练学习， 得到肺部目标区域。

6、 分割模型的步骤具体包括： 根据所述肺部轮廓分割模型提取出肺部轮廓， 以所述肺部轮廓外接立方体作为肺部感 兴趣区域， 并对所述肺部感兴趣区域作数值裁剪和归一化处理； 将归一化处理后的肺部感兴趣区域进行裁剪， 并使用裁剪后的肺部感兴趣区域数据和 已标注的目标区域， 利用第二神经网络进行训练学习， 得到肺部目标区域分割模型。 4.如权利要求3所述的肺部CT影像数据处理分析方法， 其特征在于， 所述对所述肺部感 兴趣区域作数值裁剪和归一化处理的步骤具体包括： 调整所述肺部感兴趣区域分辨率至第二分辨率统一值； 根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵， 对所述肺部感兴 趣区域数值矩阵。

7、中的数据进行归一化处理， 使裁剪后的所述肺部感兴趣区域数值矩阵中所 有数值变为0-1之间的一个数值。 5.如权利要求4所述的肺部CT影像数据处理分析方法， 其特征在于， 所述根据所述CT平 扫影像数据和肺部目标区域分割模型， 分割出肺部目标区域， 并将固定尺寸的归一化处理 后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据， 使用分类网 络对所述肺部目标区域进行训练学习， 得到CT平扫影像数据分类模型的步骤具体包括： 根据所述归一化处理后的肺部感兴趣区域和肺部目标区域分割模型， 得到肺部目标区 域； 权利要求书 1/3 页 2 CN 111340827 A 2 调整所述归一化处。

8、理后的肺部感兴趣区域和肺部目标区域的图像尺寸至固定尺寸； 将固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼 接， 得到拼接后的图像； 使用所述拼接后的图像作为训练数据， 利用分类网络进行训练学习， 得到CT平扫影像 数据分类模型。 6.如权利要求5所述的肺部CT影像数据处理分析方法， 其特征在于， 所述第一神经网络 为3D-Unet网络， 所述3D-Unet网络训练过程中使用的损失函数包括dice-loss和Focal- loss； 所述第二神经网络为加入attention机制的3D-Unet网络； 所述分类网络为带有注意 力机制的3D-SE_Resnet50网络。 。

9、7.如权利要求1-6中任一所述的肺部CT影像数据处理分析方法， 其特征在于， 所述根据 概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别的步骤之后还包括： 根 据概率值大于等于预设分类阈值的比较结果， 计算出所述肺部目标区域与整个肺部区域的 体积比， 并根据所述体积比与预设体积比阈值的比较结果修改或维持所述CT平扫影像数据 的类别。 8.一种肺部CT影像数据处理分析系统， 其特征在于， 包括： 标注模块， 用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域； 第一训练学习模块， 用于根据所述CT平扫影像数据和所述标注模块已标注的肺部轮廓 数据， 利用第一神经网络进行训练学习， 得到。

10、肺部轮廓分割模型； 第二训练学习模块， 用于根据所述第一训练学习模块得到的肺部轮廓分割模型和所述 标注模块已标注的目标区域， 利用第二神经网络进行训练学习， 得到肺部目标区域分割模 型； 第三训练学习模块， 用于根据所述CT平扫影像数据和所述第二训练学习模块得到的肺 部目标区域分割模型， 分割出肺部目标区域， 并将固定尺寸的归一化处理后的肺部感兴趣 区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据， 使用分类网络对所述肺部目 标区域进行训练学习， 得到CT平扫影像数据分类模型； 计算分析模块， 用于根据所述CT平扫影像数据和所述第三训练学习模块得到的CT平扫 影像数据分类模型， 计算出所述。

11、CT平扫影像数据的分类概率， 并根据概率值与预设分类阈 值的比较结果确定所述CT平扫影像数据的类别。 9.如权利要求8所述的肺部CT影像数据处理分析系统， 其特征在于， 所述标注模块包 括： 获取清洗单元， 用于获取及清洗肺部CT平扫影像数据， 去除存在伪影和/或扭曲变形的 CT平扫影像数据； 标注单元， 用于采用手工勾勒标注法在所述获取清洗单元清洗后的CT平扫影像数据中 标注肺部轮廓与目标区域； 所述第一训练学习模块包括： 第一设置单元， 用于预设第一灰度值裁剪范围； 第一调整单元， 用于调整清洗后的所述CT平扫影像分辨率至第一分辨率统一值； 第一裁剪单元， 根据所述第一设置单元预设的第一灰。

12、度值裁剪范围裁剪所述CT平扫影 像的数值矩阵； 权利要求书 2/3 页 3 CN 111340827 A 3 第一归一化单元， 用于将所述第一裁剪单元裁剪后的所述影像的数值矩阵中所有数值 变为0-1之间的一个数值； 第一训练单元， 用于使用所述第一归一化单元处理后的所述影像数据和所述标注单元 已标注的肺部轮廓数据作为训练数据， 并利用第一神经网络进行训练学习， 得到肺部轮廓 分割模型； 所述第二训练学习模块包括： 提取单元， 用于根据所述第一训练单元得到的肺部轮廓分割模型提取出肺部轮廓； 第二设置单元， 用于预设第二灰度值裁剪范围和裁剪尺寸； 建立单元， 用于以所述提取单元提取的肺部轮廓外接立。

13、方体作为肺部感兴趣区域； 第二调整单元， 用于调整所述建立单元确定的肺部感兴趣区域分辨率至第二分辨率统 一值； 第二裁剪单元， 用于根据所述第二设置单元预设的第二灰度值裁剪范围裁剪所述肺部 感兴趣区域数值矩阵； 第二归一化单元， 用于将所述第二裁剪单元裁剪后的所述肺部感兴趣区域数值矩阵中 所有数值变为0-1之间的一个数值； 第三裁剪单元， 用于根据所述第二设置单元设置的裁剪尺寸裁剪所述第二归一化单元 处理后的所述肺部感兴趣区域； 第二训练单元， 用于使用所述第三裁剪单元裁剪后的肺部感兴趣区域数据和所述标注 单元已标注的目标区域数据作为训练数据， 并利用第二神经网络进行训练学习， 得到肺部 目标。

14、区域分割模型； 所述第三训练学习模块包括： 分割单元， 用于根据所述第二归一化单元处理后的肺部感兴趣区域和所述第二训练单 元得到的肺部目标区域分割模型， 分割出肺部目标区域； 第三调整单元， 用于调整所述第二归一化单元处理后的肺部感兴趣区域和所述分割单 元分割出的肺部目标区域的图像尺寸至固定尺寸； 拼接单元， 用于将所述第三调整单元调整为固定尺寸的所述归一化处理后的肺部感兴 趣区域和肺部目标区域沿Z轴方向进行拼接， 得到拼接后的图像； 第三训练单元， 用于使用所述拼接单元得到的图像作为训练数据， 并利用分类网络进 行训练学习， 得到CT平扫影像数据分类模型。 10.如权利要求8或9所述的肺部C。

15、T影像数据处理分析系统， 其特征在于， 所述系统还包 括验证模块， 所述验证模块用于根据所述计算分析模块得出的概率值大于等于预设分类阈 值的比较结果， 计算出所述肺部目标区域与整个肺部区域的体积比， 并根据所述体积比与 预设体积比阈值的比较结果修改或维持所述CT平扫影像数据的类别。 权利要求书 3/3 页 4 CN 111340827 A 4 一种肺部CT影像数据处理分析方法及系统 技术领域 0001 本发明涉及医学图像处理和人工智能技术领域， 特别涉及一种肺部CT影像数据处 理分析方法及系统。 背景技术 0002 CT影像是CT设备使用X射线束对人体某部一定厚度的层面进行扫描， 由探测器接 。

16、收透过该层面的X射线， 转变为可见光后， 由光电转换变为电信号， 再经模拟/数字转换器转 化为数字信号， 输入计算机处理。 CT影像技术在医学检查上得到了广泛的应用， 尤其对CT影 像中的目标检测与分析已经成为多种疾病诊断的前置步骤。 0003 目前， 对于肺部CT影像中的目标检测主要是通过医生的肉眼进行查看， 这种检测 方法依赖医生对目标区域的检测经验， 并且医生阅读肺部CT影像耗费时间长、 速度慢、 效率 低， 不同医生对目标区域的判断结果各不相同。 对于目标区域的定性分析主要是通过医生 本人的医疗经验来作出， 并未与其他医学分析手段结合， 导致目标区域定性分析的结果往 往过于主观， 准确。

17、性不高。 0004 近期随着新型冠状病毒的快速蔓延， 被感染的新冠肺炎患者急剧增加。 由于新冠 病毒感染者的肺部CT影像表征要早于临床表征， 因此普遍采用肺部CT平扫检查为主。 新冠 疫情环境下， 医疗资源紧缺， 疫情重灾区每日有近千名患者排队等待肺部CT检查， 由于没有 足够多的医生来阅读大量的CT影像， 并且人工阅读CT影像速度慢、 效率低， 增加了患者院内 排队等候检查时间， 容易引发交叉感染， 贻误病情。 此外， 对于肺部CT影像数据中目标区域 的分析也由于缺少足够多的医生及分析标准不规范， 无法在短时间内给出正确的结果， 这 也会贻误疾病的及时治疗。 因此， 针对新冠肺炎病毒疫情， 。

18、急需一种能够快速处理及分析肺 部CT影像数据的方法， 以替代现有人工阅读肺部CT影像数据及分析目标区域的处理方式。 发明内容 0005 为了解决现有人工阅读肺部CT影像数据及分析目标区域存在的耗费时间长、 速度 慢、 效率低等问题， 本发明提供了一种肺部CT影像数据处理分析方法， 包括： 在肺部CT平扫影像数据中标注肺部轮廓与目标区域， 并根据所述CT平扫影像数据和已 标注的肺部轮廓数据， 利用第一神经网络进行训练学习， 得到肺部轮廓分割模型； 根据所述肺部轮廓分割模型和已标注的目标区域， 利用第二神经网络进行训练学习， 得到肺部目标区域分割模型； 根据所述CT平扫影像数据和肺部目标区域分割模。

19、型， 分割出肺部目标区域， 并将固定 尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像作为训练 数据， 使用分类网络对所述肺部目标区域进行训练学习， 得到CT平扫影像数据分类模型； 根据所述CT平扫影像数据和CT平扫影像数据分类模型， 计算出所述CT平扫影像数据的 分类概率， 并根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别。 0006 所述在肺部CT平扫影像数据中标注肺部轮廓与目标区域， 并根据所述CT平扫影像 说明书 1/12 页 5 CN 111340827 A 5 数据和已标注的肺部轮廓数据， 利用第一神经网络进行训练学习， 得到肺部轮廓分割模型。

20、 的步骤具体包括： 获取及清洗肺部CT平扫影像数据， 采用手工勾勒标注法在清洗后的CT平扫影像数据中 标注肺部轮廓与目标区域； 调整清洗后的CT平扫影像分辨率至第一分辨率统一值， 并根据预设的第一灰度值裁剪 范围裁剪所述CT平扫影像的数值矩阵， 对所述影像的数值矩阵中的数据进行归一化处理， 使裁剪后的所述影像的数值矩阵中所有数值变为0-1之间的一个数值； 使用归一化处理后的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据， 并利用 第一神经网络进行训练学习， 得到肺部轮廓分割模型。 0007 所述根据所述肺部轮廓分割模型和已标注的目标区域， 利用第二神经网络进行训 练学习， 得到肺部目标区域。

21、分割模型的步骤具体包括： 根据所述肺部轮廓分割模型提取出肺部轮廓， 以所述肺部轮廓外接立方体作为肺部感 兴趣区域， 并对所述肺部感兴趣区域作数值裁剪和归一化处理； 将归一化处理后的肺部感兴趣区域进行裁剪， 并使用裁剪后的肺部感兴趣区域数据和 已标注的目标区域， 利用第二神经网络进行训练学习， 得到肺部目标区域分割模型。 0008 所述对所述肺部感兴趣区域作数值裁剪和归一化处理的步骤具体包括： 调整所述肺部感兴趣区域分辨率至第二分辨率统一值； 根据预设的第二灰度值裁剪范围裁剪所述肺部感兴趣区域数值矩阵， 对所述肺部感兴 趣区域数值矩阵中的数据进行归一化处理， 使裁剪后的所述肺部感兴趣区域数值矩阵。

22、中所 有数值变为0-1之间的一个数值。 0009 所述根据所述CT平扫影像数据和肺部目标区域分割模型， 分割出肺部目标区域， 并将固定尺寸的归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向拼接后的图像 作为训练数据， 使用分类网络对所述肺部目标区域进行训练学习， 得到CT平扫影像数据分 类模型的步骤具体包括： 根据所述归一化处理后的肺部感兴趣区域和肺部目标区域分割模型， 得到肺部目标区 域； 调整所述归一化处理后的肺部感兴趣区域和肺部目标区域的图像尺寸至固定尺寸； 将固定尺寸的所述归一化处理后的肺部感兴趣区域和肺部目标区域沿Z轴方向进行拼 接， 得到拼接后的图像； 使用所述拼接后的图像作为。

23、训练数据， 利用分类网络进行训练学习， 得到CT平扫影像 数据分类模型。 0010 所述第一神经网络为3D-Unet网络， 所述3D-Unet网络训练过程中使用的损失函数 包括dice-loss和Focal-loss； 所述第二神经网络为加入attention机制的3D-Unet网络； 所 述分类网络为带有注意力机制的3D-SE_Resnet50网络。 0011 所述根据概率值与预设分类阈值的比较结果确定所述CT平扫影像数据的类别的 步骤之后还包括： 根据概率值大于等于预设分类阈值的比较结果， 计算出所述肺部目标区 域与整个肺部区域的体积比， 并根据所述体积比与预设体积比阈值的比较结果修改或维。

24、持 所述CT平扫影像数据的类别。 0012 本发明还提供了一种肺部CT影像数据处理分析系统， 包括： 说明书 2/12 页 6 CN 111340827 A 6 标注模块， 用于在肺部CT平扫影像数据中标注肺部轮廓与目标区域； 第一训练学习模块， 用于根据所述CT平扫影像数据和所述标注模块已标注的肺部轮廓 数据， 利用第一神经网络进行训练学习， 得到肺部轮廓分割模型； 第二训练学习模块， 用于根据所述第一训练学习模块得到的肺部轮廓分割模型和所述 标注模块已标注的目标区域， 利用第二神经网络进行训练学习， 得到肺部目标区域分割模 型； 第三训练学习模块， 用于根据所述CT平扫影像数据和所述第二训。

25、练学习模块得到的肺 部目标区域分割模型， 分割出肺部目标区域， 并将固定尺寸的归一化处理后的肺部感兴趣 区域和肺部目标区域沿Z轴方向拼接后的图像作为训练数据， 使用分类网络对所述肺部目 标区域进行训练学习， 得到CT平扫影像数据分类模型； 计算分析模块， 用于根据所述CT平扫影像数据和所述第三训练学习模块得到的CT平扫 影像数据分类模型， 计算出所述CT平扫影像数据的分类概率， 并根据概率值与预设分类阈 值的比较结果确定所述CT平扫影像数据的类别。 0013 所述标注模块包括： 获取清洗单元， 用于获取及清洗肺部CT平扫影像数据， 去除存在伪影和/或扭曲变形的 CT平扫影像数据； 标注单元， 。

26、用于采用手工勾勒标注法在所述获取清洗单元清洗后的CT平扫影像数据中 标注肺部轮廓与目标区域； 所述第一训练学习模块包括： 第一设置单元， 用于预设第一灰度值裁剪范围； 第一调整单元， 用于调整清洗后的所述CT平扫影像分辨率至第一分辨率统一值； 第一裁剪单元， 根据所述第一设置单元预设的第一灰度值裁剪范围裁剪所述CT平扫影 像的数值矩阵； 第一归一化单元， 用于将所述第一裁剪单元裁剪后的所述影像的数值矩阵中所有数值 变为0-1之间的一个数值； 第一训练单元， 用于使用所述第一归一化单元处理后的所述影像数据和所述标注单元 已标注的肺部轮廓数据作为训练数据， 并利用第一神经网络进行训练学习， 得到肺。

27、部轮廓 分割模型； 所述第二训练学习模块包括： 提取单元， 用于根据所述第一训练单元得到的肺部轮廓分割模型提取出肺部轮廓； 第二设置单元， 用于预设第二灰度值裁剪范围和裁剪尺寸； 建立单元， 用于以所述提取单元提取的肺部轮廓外接立方体作为肺部感兴趣区域； 第二调整单元， 用于调整所述建立单元确定的肺部感兴趣区域分辨率至第二分辨率统 一值； 第二裁剪单元， 用于根据所述第二设置单元预设的第二灰度值裁剪范围裁剪所述肺部 感兴趣区域数值矩阵； 第二归一化单元， 用于将所述第二裁剪单元裁剪后的所述肺部感兴趣区域数值矩阵中 所有数值变为0-1之间的一个数值； 第三裁剪单元， 用于根据所述第二设置单元设置。

28、的裁剪尺寸裁剪所述第二归一化单元 说明书 3/12 页 7 CN 111340827 A 7 处理后的所述肺部感兴趣区域； 第二训练单元， 用于使用所述第三裁剪单元裁剪后的肺部感兴趣区域数据和所述标注 单元已标注的目标区域数据作为训练数据， 并利用第二神经网络进行训练学习， 得到肺部 目标区域分割模型； 所述第三训练学习模块包括： 分割单元， 用于根据所述第二归一化单元处理后的肺部感兴趣区域和所述第二训练单 元得到的肺部目标区域分割模型， 分割出肺部目标区域； 第三调整单元， 用于调整所述第二归一化单元处理后的肺部感兴趣区域和所述分割单 元分割出的肺部目标区域的图像尺寸至固定尺寸； 拼接单元，。

29、 用于将所述第三调整单元调整为固定尺寸的所述归一化处理后的肺部感兴 趣区域和肺部目标区域沿Z轴方向进行拼接， 得到拼接后的图像； 第三训练单元， 用于使用所述拼接单元得到的图像作为训练数据， 并利用分类网络进 行训练学习， 得到CT平扫影像数据分类模型。 0014 所述系统还包括验证模块， 所述验证模块用于根据所述计算分析模块得出的概率 值大于等于预设分类阈值的比较结果， 计算出所述肺部目标区域与整个肺部区域的体积 比， 并根据所述体积比与预设体积比阈值的比较结果修改或维持所述CT平扫影像数据的类 别。 0015 本发明提供的肺部CT影像数据处理分析方法及系统， 通过将CT影像与人工智能技 术。

30、相结合， 利用人工智能深度学习技术， 使计算机在短期内学习到了大量的肺部CT影像特 征， 提高了肺部CT影像数据的处理效率。 本发明提供的肺部CT影像数据处理分析方法及系 统， 可以快速地分割出肺部区域及肺内的目标区域， 并对分割出的目标区域进行三维重建 及图像分类， 便于直观展示， 可广泛应用于各种肺部疾病的检查， 例如肺结节、 肺癌、 新冠肺 炎等， 为医生提供更加清晰准确的目标区域图像及其分类。 附图说明 0016 图1是本发明实施例提供的肺部CT影像数据处理分析方法的流程图； 图2是本发明实施例3D-Unet神经网络的结构示意图； 图3a是本发明实施例一新冠肺炎患者原始肺部CT平扫影像。

31、示意图； 图3b是本发明实施例用肺部轮廓分割模型对图3a提取的肺部轮廓示意图； 图4是本发明实施例Attention 3D-Unet神经网络的结构示意图； 图5是本发明实施例新冠肺炎患者使用肺部目标区域分割模型分割出的肺部目标区域 示意图； 图6是本发明实施例提供的肺部CT影像数据处理分析系统的结构示意图。 具体实施方式 0017 下面结合附图和实施例， 对本发明技术方案作进一步描述。 0018 参见图1， 本发明实施例提供的肺部CT影像数据处理分析方法， 具体包括如下步 骤： 步骤S1、 建立新冠肺炎患者肺部CT平扫影像数据库， 并标注CT平扫影像数据中肺部轮 说明书 4/12 页 8 CN。

32、 111340827 A 8 廓与目标区域。 0019 本实施例采集了900例新冠肺炎患者肺部CT平扫影像数据， 其中800例作为训练数 据使用， 100例作为测试数据使用， 据此建立了数据库， 并标注了CT平扫影像数据中肺部轮 廓与目标区域， 具体过程如下： 步骤S101、 获取新冠肺炎患者肺部CT平扫影像数据。 0020 新冠肺炎患者肺部CT平扫影像数据采集的对象来源于多个被授权医疗中心及地 区的不同年龄的新冠肺炎患者。 在数据采集过程中， 应严格保密被采集者的个人信息， 以防 个人信息在采集过程中泄露。 例如， 图3a是本实施例某一新冠肺炎患者原始肺部CT平扫影 像示意图。 0021 步。

33、骤S102、 清洗新冠肺炎患者肺部CT平扫影像数据。 0022 清洗新冠肺炎患者肺部CT平扫影像数据， 主要是指去除存在伪影和/或扭曲变形 的CT平扫影像数据， 以便得到符合神经网络训练要求的数据。 0023 步骤S103、 标注CT平扫影像数据中肺部轮廓与目标区域。 0024 在具体应用中， 采用手工勾勒标注法分别从矢状位、 冠状位和柱状位三个方向进 行数据标注， 并参考原始二维CT平扫影像数据， 对标注的三维结果进行三维修饰， 使标注结 果更加连续； 标注的肺部轮廓和目标区域数据格式保存为nrrd格式。 0025 步骤S2、 利用第一神经网络对CT平扫影像数据和已标注的肺部轮廓数据进行训练。

34、 学习， 得到肺部轮廓分割模型。 0026 由于新冠肺炎CT影像特征均表现在肺部内， 因此排除CT影像中其它脏器器官组织 的干扰， 可有效地提高目标区域的准确性。 由于肺部区域和周围组织有较明显的差异， 因此 可使用深度学习分割算法， 提取出肺部区域， 具体过程如下： 步骤S201、 调整清洗后的CT平扫影像分辨率至分辨率统一值， 并根据预设的第一灰度 值裁剪范围裁剪CT平扫影像的数值矩阵， 对裁剪后的数据进行归一化处理。 0027 CT平扫影像数据中的spacing信息包括每例CT平扫影像数据的切片厚度信息和每 个像素点实际的长度与宽度信息。 由于CT平扫影像数据库中存在不同的spacing。

35、数值， 增加 了计算机识别图像的困难， 因此需要统一spacing值， 例如spacing值可设定为所有spacing 数值的中位数。 本实施例spacing数值设为1mm， 1mm， 2.5mm。 0028 CT平扫影像数据中的CT值代表X射线穿过各组织或器官被吸收后的衰减值， 单位 为HU （Hounsfield Unit） ； 对CT值设置合适的取值范围， 可以对应的看到CT平扫影像数据中 不同的组织或器官。 由于本实施例需要分割出肺部区域， 因此设置CT值取值范围-200， 400， 并以此作为第一灰度值裁剪范围， 对统一分辨率后的CT平扫影像的数值矩阵进行灰 度值裁剪。 在裁剪之后，。

36、 还需要通过如下公式对CT平扫影像的数值矩阵中的数据进行归一 化处理， 使裁剪后的CT平扫影像的数值矩阵中所有数值变为0-1之间的一个数值： （1） 其中， k代表裁剪后的CT平扫影像的数值矩阵中像素点的值。 0029 步骤S202、 将归一化处理后的CT平扫影像数据进行随机裁剪， 并使用随机裁剪后 的CT平扫影像数据和已标注的肺部轮廓数据作为训练数据， 利用第一神经网络进行训练学 说明书 5/12 页 9 CN 111340827 A 9 习， 得到肺部轮廓分割模型。 0030 由于肺部CT平扫影像数据尺寸较大， 每例CT平扫影像数据在深度学习过程中会占 用大量显存， 因此需要对归一化处理后。

37、的CT平扫影像数据进行随机裁剪。 本实施例设置的 随机裁剪尺寸为256,256,128。 0031 由于不同的CT层之间具有语义相关性， 因此选择三维的神经网络进行训练学习。 本实施例第一神经网络采用3D-Unet网络， 其网络结构如图2所示。 3D-Unet网络训练过程中 使用的损失函数包括dice-loss和Focal-loss。 dice-loss是医学图像分割中常用的损失函 数， dice是一种集合相似度度量函数， 通常用于计算两个样本的相似度， dice-loss的数学 表达式如下： （2） 其中，代表M和N之间的交集；和分别代表M和N的元素个数， M代表GT- 分割图像， N代表预。

38、测分割图像。 0032 Focal-loss是一个解决分类问题中类别不平衡、 分类难度差异的一个loss。 分割 任务是像素级的分类， 因此Focal loss在分割任务中也是有效的。 Focal loss 的数学表达 式如下： （3） 其中， 为聚焦参数，pt为预测样本属于1的概率，为不同类别像素数量的权重。 0033 在具体应用中， 选择在测试集上dice分数最高的一轮模型作为最终的肺部轮廓分 割模型。 0034 步骤S3、 根据肺部轮廓分割模型提取出肺部轮廓， 以肺部轮廓外接立方体作为肺 部ROI， 并利用第二神经网络对肺部ROI数据和已标注的目标区域进行训练学习， 得到肺部 目标区域分。

39、割模型。 0035 在获得肺部轮廓分割模型后， 还需要据此获得肺部目标区域分割模型， 具体过程 如下： 步骤S301、 根据肺部轮廓分割模型提取出肺部轮廓， 以肺部轮廓外接立方体作为肺部 ROI， 并扩大肺部ROI。 0036 图3b是本实施例使用得到的最终肺部轮廓分割模型对图3a所示的肺部CT平扫影 像提取出的肺部轮廓示意图。 在具体应用中， 需要对肺部ROI （region of interest， 感兴趣 区域） 进行适当的扩大， 例如： 肺部ROI可在X、 Y和Z轴方向上分别扩大10个像素。 扩大肺部 ROI的作用在于不使外接立方体与肺部轮廓完全相切， 使得外接立方体与肺部轮廓之间留 。

40、有间隔， 避免遗漏肺部边界处的目标区域。 0037 步骤S302、 调整肺部ROI分辨率至分辨率统一值， 并根据预设的第二灰度值裁剪范 围裁剪肺部ROI数值矩阵， 对裁剪后的数据进行归一化处理。 0038 本实施例中， 本步骤的分辨率统一值与步骤S201中的分辨率统一值相同； 设置CT 说明书 6/12 页 10 CN 111340827 A 10 值取值范围-1024, 350， 并以此作为第二灰度值裁剪范围， 对统一分辨率后的肺部ROI数 值矩阵进行灰度值裁剪。 需要说明的是： 裁剪肺部ROI数值矩阵并不是改变肺部ROI的尺寸 大小， 而是改变肺部ROI数值矩阵中数值的大小； 如果肺部RO。

41、I数值矩阵中某一个像素点的 值在-1024, 350之间， 则该像素点的值不变； 如果肺部ROI数值矩阵中某一个像素点的值 大于350， 则令其等于350； 如果肺部ROI数值矩阵中某一像素点的值小于-1024， 则令其值等 于-1024。 0039 在裁剪之后， 还需要通过如下公式对肺部ROI数值矩阵中的数据进行归一化处理， 使裁剪后的肺部ROI数值矩阵中所有数值变为0-1之间的一个数值： （4） 其中， t代表裁剪后的肺部ROI数值矩阵中像素点的值。 例如： -1024归一化后变为0， 350归一化后变为1， 300归一化后变为0.96。 0040 步骤S303、 将归一化处理后的肺部RO。

42、I进行随机裁剪。 0041 随机裁剪是指在肺部ROI按照裁剪尺寸预设值任意裁剪一块区域， 裁剪尺寸预设 值为归一化后的CT平扫影像尺寸的中位数； 本实施例裁剪尺寸预设值为256,192,128， 即 任意裁剪一块256192128像素点的区域。 0042 步骤S304、 使用裁剪后的肺部ROI数据和已标注的目标区域作为训练数据， 利用第 二神经网络进行训练学习， 得到肺部目标区域分割模型。 0043 本实施例第二神经网络采用Attention 3D-Unet， 其网络结构如图4所示。 Attention 3D-Unet网络加入了attention机制， 可以使网络学习到更重要的区域信息。 00。

43、44 在具体应用中， 选择在测试集上dice分数最高的一轮模型作为最终的肺部目标区 域分割模型。 0045 步骤S4、 根据新冠肺炎患者肺部CT平扫影像数据和肺部目标区域分割模型， 分割 出肺部目标区域， 并使用分类网络对肺部目标区域进行训练学习， 得到CT平扫影像数据分 类模型。 0046 图5是一例新冠肺炎患者使用肺部目标区域分割模型分割出的肺部目标区域。 通 过将肺部目标区域分割模型分割出的肺部目标区域与原始新冠肺炎患者肺部CT平扫影像 中标注的目标区域进行比对， 确认了肺部目标区域分割模型的准确性和和泛化性。 0047 在获得肺部目标区域分割模型后， 还需要据此获得CT平扫影像数据分类。

44、模型， 具 体过程如下： 步骤S401、 根据归一化处理后的肺部ROI和肺部目标区域分割模型， 得到肺部目标区 域。 0048 步骤S402、 调整归一化处理后的肺部ROI和肺部目标区域的图像尺寸至固定尺寸。 0049 将肺部ROI和肺部目标区域的图像尺寸调整至固定尺寸， 以便符合分类网络训练 要求的数据。 本实施例图像固定尺寸设定为256, 192, 128。 0050 步骤S403、 将固定尺寸的肺部ROI和肺部目标区域沿Z轴方向进行拼接， 得到拼接 后的图像。 0051 在实际应用中， 肺部ROI仅包含了整个肺部区域的信息， 在对肺部ROI和肺部目标 说明书 7/12 页 11 CN 1。

45、11340827 A 11 区域两个图像信息进行拼接后， 可得到更丰富的用于输入分类网络的信息。 本实施例两个 图像拼接后得到的图像尺寸为256,192, 128*2。 0052 步骤S404、 使用拼接后的图像作为训练数据， 利用分类网络进行训练学习， 得到CT 平扫影像数据分类模型。 0053 本实施例使用带有注意力机制的3D-SE_Resnet50分类网络进行分类学习。 在3D- SE_Resnet50网络中， SE （Squenze-and-Excitation Networks） 模块可通过学习的方式来自 动获取到每个特征通道的重要程度， 然后依照这个重要程度去提升有用的特征并抑制对。

46、当 前任务用处不大的特征。 在使用3D-SE_Resnet50网络进行训练过程中， 使用Focal-loss作 为损失函数； 选择AUC （Area Under Curve， ROC曲线下的面积） 最高的一个模型作为最终的 肺部目标区域分类模型。 0054 ROC （receiver operating characteristic curve） 曲线全称为受试者工作特征 曲线， ROC曲线的横坐标是伪阳性率 （也叫假正类率， False Positive Rate） 、 纵坐标是真阳 性率 （真正类率， True Positive Rate） ， 相应的还有真阴性率 （真负类率， True 。

47、Negative Rate） 和伪阴性率 （假负类率， False Negative Rate） ， 这四类指标的计算方法如下： （1） 伪阳性率 （FPR） ： 判定为正例却不是真正例的概率， 即真负例中判为正例的概率； （2） 真阳性率 （TPR） ： 判定为正例也是真正例的概率， 即真正例中判为正例的概率 （也即 正例召回率） ； （3） 伪阴性率 （FNR） ： 判定为负例却不是真负例的概率， 即真正例中判为负例的概率； （4） 真阴性率 （TNR） ： 判定为负例也是真负例的概率， 即真负例中判为负例的概率。 0055 表1 表1为分类模型预测结果与真实结果的组合关系。 其中， TP。

48、 （True Positive） 代表预测 结果为正类， 实际上就是正类； FP （False Positive） 代表预测结果为正类， 实际上是反类； FN （False negative） 代表预测结果为反类， 实际上是正类； TN （True negative） 代表预测结 果为反类， 实际上就是反类。 0056 Precison （准确率） 为预测结果为正类中有多少是正类， 定义如下： （5） Recall （召回率） 为真实结果为正类中有多少被预测成正类， 定义如下： （6） 说明书 8/12 页 12 CN 111340827 A 12 FPR为所有反类中有多少被预测成正类 （正类。

49、预测错误） ， 定义如下： （7） ROC曲线用于评价模型的预测能力， ROC曲线是基于混淆矩阵得出的。 一个二分类模型 的阈值可能设定为高或低， 每种阈值的设定会得出不同的 FPR 和 TPR ， 将同一模型每个 阈值的 (FPR， TPR) 坐标都画在 ROC 空间里， 就成为特定模型的ROC曲线。 AUC是ROC曲线下 的面积， 在比较不同的分类模型时， 可以将每个模型的ROC曲线都画出来， 用AUC作为判定模 型优劣的指标， 其意义是： （1） 由于是在11的方格里求面积， 因此AUC一定在01之间； （2） 假设阈值以上是阳性、 阈值以下是阴性； （3） 若随机抽取一个阳性样本和一个。

50、阴性样本， 分类器正确判断阳性样本的值高于阴 性样本的概率 = AUC； （4） AUC值越大的分类器， 正确率越高。 0057 步骤S5、 根据肺部CT平扫影像数据和CT平扫影像数据分类模型， 计算出肺部CT平 扫影像数据的分类概率， 并将概率值与预设分类阈值比较， 根据比较结果确定肺部CT平扫 影像数据的类别。 0058 在实际应用中， 将肺部CT平扫影像数据输入CT平扫影像数据分类模型后， 可以得 到该肺部CT平扫影像数据的分类概率。 ROC曲线上的每一个点对应于一个阈值， 对于一个分 类器， 每个阈值下会有一个TPR和FPR； 根据ROC曲线， 设定合适的阈值作为判断肺部CT平扫 影像。