一种基于深度学习的病肺CT分割与定量分析的方法及系统

技术特征：
1.一种基于深度学习的病肺ct分割与定量分析的方法，其特征在于，该包括以下步骤：利用深度分割模型分割出ct肺部扫描图像的有效区域作为分割掩模；统计分割掩膜的hu值分布，根据不同hu值下，充气组织所拥有的气体百分比，计算肺部有效的充气量；提取分割掩膜图像，利用深度对抗网络模型计算肺部密度。2.根据权利要求1所述的一种基于深度学习的病肺ct分割与定量分析的方法，其特征在于，所述深度分割模型由主分割模型训练而成，所述主分割模型的训练方法为：收集具有实质性病变的病肺ct以及健康肺部ct数据的数据集；将所述数据集分为两部分，其中一部分使用pixel级别的肺部ct标注数据，即完整的掩模标注数据，用f表示；另外一部分使用boundingbox进行标注，用w表示；主分割模型使用基于u-net的网络结构对f数据集进行标签为掩模mask和boundingbox标注框进行语义级别的分割训练，将f数据集转换为boundingbox形式的标注，结合w数据集的图像和boundingbox的标注输入到辅助分割模型中进行校正。3.根据权利要求2所述的一种基于深度学习的病肺ct分割与定量分析的方法，其特征在于，所述辅助分割模型包括编码器和解码器，编码器使用5*5的卷积和sigmoid激活函数，生成两个尺度的featuremap，作为attentionmap以element-wisemultiple的方式加入原始图像的featuremap中，然后反馈给解码器，生成二值的mask。4.根据权利要求3所述的一种基于深度学习的病肺ct分割与定量分析的方法，其特征在于，所述辅助分割模型校正判断标准应满足如下公式：其中第一项为在f数据集上，对主网络参数输入x经过网络，最大化其输出结果为真实标注y的概率，第二项分为两部分，第一部分即在数据集w上，优化主网络参数第二部分是对无监督的标注y进行计算的过程，其q为：q是动态更新的，一开始和无校正一样，随着网络模型的训练迭代主网络的分割结果逐渐准确，辅助网络的指导校正意义开始下降，q逐渐增加对主网络的权重。5.根据权利要求1所述的一种基于深度学习的病肺ct分割与定量分析的方法，其特征在于，所述计算肺部有效的充气量的方法为：肺组织充气量分为充气良好组织和充气不良组织气体之和除以总肺体积不同组织间充气组织所占比例，计算公式为：总的肺体积计算公式为：其中s
i
为上述得到肺部的有效掩模第i张的横截面积，h为相邻两张ct切片的实际物理距离。
6.根据权利要求1所述的一种基于深度学习的病肺ct分割与定量分析的方法，其特征在于，所述深度对抗网络模型包括生成模型和判别模型，生成模型学习得到联合概率分布p(x,y)，即特征x和标记y共同出现的概率；判别模型学习得到条件概率分布p(y|x)，即在特征x出现的情况下标记y出现的概率；利用对抗网络使用下式对模型效果进行评估：其中t
data
是真实数据分布，d(x)是将真实ct归一化后的数据x代入判别模型d(x),判别模型输出范围是0-1，生成模型使用2du-net生成和输入相同尺寸的密度图g(z)，d模型希望d(g(z))＝0，1-d(g(z))＝1。7.一种基于深度学习的病肺ct分割与定量分析系统，其特征在于，包括：分割单元，用于利用深度分割模型分割出ct肺部扫描图像的有效区域作为分割掩模；充气量计算单元，用于统计分割掩膜的hu值分布，根据不同hu值下，充气组织所拥有的气体百分比，计算肺部有效的充气量；密度计算单元，用于提取分割掩膜图像，利用深度对抗网络模型计算肺部密度。

技术总结
本发明公开了一种基于深度学习的病肺CT分割与定量分析的方法及系统，属于病理诊断技术领域，该方法包括以下步骤：利用深度分割模型分割出CT肺部扫描图像的有效区域作为分割掩模；统计分割掩膜的Hu值分布，根据不同Hu值下，充气组织所拥有的气体百分比，计算肺部有效的充气量；提取分割掩膜图像，利用深度对抗网络模型计算肺部密度。通过深度分割模型大大减少了数据的标注量和标注难度，在分割出肺部的有效区域后在此基础上对肺部充气量和肺重量进行了计算，这些指标不仅可以多维度观察患者病情的概况以及发展，还可以辅助医生进行疾病的早期筛查和诊断。病的早期筛查和诊断。病的早期筛查和诊断。


技术研发人员：杜维波 吴炜 李旭锟 杜鹏
受保护的技术使用者：浙江大学医学院附属第一医院
技术研发日：2022.03.29
技术公布日：2022/7/29