基于3D卷积神经网络的肺部CT影像衰老评估方法及系统与流程

本发明涉及医疗图像分析，尤其涉及一种基于3d卷积神经网络的肺部ct影像衰老评估方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、肺部衰老程度是指随着年龄增长，肺部组织结构和功能发生的变化。这些变化包括肺部组织的弹性下降、肺泡的结构变化，以及气体交换效率的降低等。肺部衰老程度是医学和生物学研究的重要领域之一，因为这些变化直接关联到呼吸功能的下降，进而影响整体健康状况。在ct影像学中，可以通过观察肺部的结构变化，例如肺泡壁的增厚、肺间质的纤维化等来评估肺部衰老程度。

3、人体肺部衰老程度是临床医学诊断的重要参考因素，肺部衰老程度的不同也直接决定了同一病情对于特定个体的严重程度。在现有技术中，对肺部衰老程度的判断通常依赖于以下几种主要手段：

4、①肺功能测试：使用肺功能仪器，如螺旋仪和肺活量计，来测量患者吸入和呼出的空气量，从而评估肺部功能；但是肺功能测试仅能提供有关肺容量和气流的信息，但不能直接显示肺部结构的变化。

5、②放射学影像分析：使用x射线、ct扫描等放射学技术来观察肺部结构，如肺实质、气道和血管的变化。这种方式虽然可以观察到结构变化，但对于早期或微妙的生物标志性变化可能无法精确捕捉。

6、③生物标志物：通过分析血液或呼吸道分泌物中的生物标志物，如炎症因子和氧化应激相关蛋白，来评估肺部健康状态；生物标志物虽然可以反映病理状态，但并不总是特异性地与肺部衰老相关。

7、综上，传统手段往往侧重于单一方面的评估，如功能测试或结构观察，难以全面地评估肺部衰老的复杂性；手工评估放射学影像依赖于放射科医生的经验和判断，这可能导致结果的主观性和不一致性。另外，现有技术难以持续监测肺部衰老的进展，尤其是在没有明显临床症状的早期阶段。

8、随着医疗卫生信息化建设进程的不断加快，肺部ct影像的数据规模也在以前所未有的速度迅猛增长；越来越多的肺部诊断算法基于神经网络算法从肺部ct影像中提取有用的特征信息；卷积神经网络算法是最为常见的肺部ct影像数据处理方法，卷积神经网络(cnn)的设计初衷是利用卷积层捕捉局部特征，如边缘、纹理和形状，这使得cnn在处理图像任务时非常有效。然而，一些疾病的诊断不仅需要识别局部的异常，还需要评估这些异常在整个器官中的分布和相互作用。卷积操作的这种局部性也意味着它可能难以捕捉到跨越较大空间的全局特征，在分析需要考虑整体结构的医学影像(如肺部ct)时，局部特征可能无法完全表达病变区域与健康组织的整体关系，或者无法捕捉到整体的形状变化。另外，如果模型主要依赖局部特征，它可能在遇到新样本或不同于训练集的数据分布时表现不佳。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于3d卷积神经网络的肺部ct影像衰老评估方法及系统，在3d卷积神经网络中添加注意力机制以充分利用ct影像中重要区域的3d不规则信息而提高诊断精度；通过注意力机制对图片的高级上下文特征进行建模，提高模型特征提取能力，使得模型具有更高的可解释性与准确性。

2、在一些实施方式中，采用如下技术方案：

3、一种基于3d卷积神经网络的肺部ct影像衰老评估方法，包括：

4、获取待检测的肺部影像数据并进行预处理；

5、将预处理后的数据输入至训练好的3d卷积神经网络模型，得到肺部衰老评估结果；

6、其中，所述3d卷积神经网络模型包括：依次设置的多个3d卷积和最大池化层、3d全局平均池化层、注意力机制模块、展平层和两个全连接层；所述注意力机制模块包括依次连接的四个卷积层。

7、其中，所述3d卷积神经网络模型的损失函数具体为：

8、

9、其中，m表示预测的标签类别数量，n表示样本数量，yji是第j个肺部影像的真实标签中衰老等级i的值，是模型预测的第j个肺部影像属于衰老等级i的概率，∈是标签平滑的参数，用于控制标签平滑的程度。

10、进一步地，所述肺部衰老评估结果具体为：

11、根据年龄段18-44年龄段、45-59年龄段、60-74年龄段、75-89年龄段和90以上年龄段，将衰老等级划分为等级0、等级1、等级2、等级3和等级4五个等级。

12、进一步地，对肺部影像数据进行预处理，具体为：

13、将原始的dicom格式数据转换为nifti格式数据；

14、定义一个read_nifti_file函数，该函数能够将nifti格式影像文件读取并解析为一个nibabel对象，该对象包含了nifti格式影像文件中的数据以及相关的元数据信息；

15、通过get_fdata()方法，从加载的nibabel对象中提取数据部分并转换为numpy数组，numpy数组中包含了nifti文件中的体素数据；

16、将numpy数组返回，以在read_nifti_file函数需要调用时直接使用numpy数组来处理nifti格式的肺部影像数据；

17、对数组中的图像数据进行归一化处理，并将图像大小调整为期望的目标图像尺寸。

18、进一步地，所述3d卷积和最大池化层包括依次设置的3d卷积层和最大池化层，3d卷积单元用于捕捉输入数据的空间和深度信息，最大池化单元用于保留最显著的特征，同时忽略不重要的细节；

19、初级的3d卷积和最大池化层能够识别出肺部影像数据中基础的边缘和形状特征，包括肺部轮廓和主要支气管；随着网络层次的加深，后续的3d卷积和最大池化层能够识别出肺部影像数据中更复杂的特征，包括肺泡的破裂或纤维化区域；这些特征作为肺部衰老的指标特征。

20、进一步地，所述注意力机制模块的前三个卷积层用于分别计算注意力机制中的查询、键和值；

21、对查询和键的乘积进行softmax操作，得到注意力权重矩阵；

22、将注意力权重应用到值上，得到注意力机制处理后的输出；

23、通过最后一个卷积层调整输出的通道数，使其与输入通道数相匹配。

24、进一步地，所述两个全连接层中，第一个全连接层的输出经过relu激活函数，用于引入非线性性质，增强模型的表达能力和拟合能力；

25、第一个全连接层的输出作为第二个全连接层的输入，第二个全连接层继续对特征进行线性变换，将维度降低到预测类别的数量；最后应用softmax函数将第二个全连接层的输出转换为概率值，即待检测的肺部影像数据属于每一个预测类别的概率值。

26、在另一些实施方式中，采用如下技术方案：

27、一种基于3d卷积神经网络的肺部ct影像衰老评估系统，包括：

28、数据获取模块，用于获取待检测的肺部影像数据并进行预处理；

29、衰老评估模块，用于将预处理后的数据输入至训练好的3d卷积神经网络模型，得到肺部衰老评估结果；

30、其中，所述3d卷积神经网络模型包括：依次设置的多个3d卷积和最大池化层、3d全局平均池化层、注意力机制模块、展平层和两个全连接层；所述注意力机制模块包括依次连接的四个卷积层。

31、在另一些实施方式中，采用如下技术方案：

32、一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于3d卷积神经网络的肺部ct影像衰老评估方法。

33、在另一些实施方式中，采用如下技术方案：

34、一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于3d卷积神经网络的肺部ct影像衰老评估方法。

35、与现有技术相比，本发明的有益效果是：

36、(1)本发明在进行肺部衰老评估时，在3d卷积神经网络中添加注意力机制，可以突出显示诸如肺结节、肺纤维化等与年龄相关变化的指标的关键区域，通过聚焦于最相关的特征，可以提高预测的准确性和效率。

37、本发明的注意力机制通过可视化注意力权重，医生和研究人员可以看到模型在做出决策时最关注影像的哪些部分。

38、本发明在3d卷积神经网络模型中添加注意力机制，不仅能捕捉到全局和局部的空间特征，还能根据任务的需求动态地调整其对这些特征的关注程度。

39、(2)本发明的3d卷积神经网络模型通过逐层提取越来越复杂的特征，并通过全局信息和关注重点区域的方式，提高对肺部结构变化敏感性和预测精度。3d卷积能够有效地处理和利用三维ct影像的体积性质，而注意力机制则确保模型集中分析最关键的健康指标。这种结合使用3d空间信息和目标导向的注意力调节，使得模型在诊断肺部衰老情况时既精准又高效。

40、本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。