一种胸部CT影像儿童闭塞性细小支气管炎分类方法

本发明涉及人工智能ct影像分类，尤其涉及一种胸部ct影像儿童闭塞性细小支气管炎分类方法。

背景技术：

1、闭塞性细支气管炎(bronchiolitis obliterans,bo)是指多种病因导致细支气管损伤后启动了炎症和纤维化过程，从而致管腔部分或完全闭塞所致的慢性气流受限综合征。既往的研究表示，下呼吸道感染、器官移植后的抗宿主反应、结缔组织病、吸入有毒气体以及辐射等被认为在bo的发生中起到了重要的作用。近年来随着医学的不断发展，人们对该病的认识也逐渐提高，在儿童中尤为关注。由于儿童的免疫系统相对较弱，对于疾病的自我调节能力较差，呼吸道发育尚未成熟，进而会对患儿健康和生活质量造成严重的不利影响。其中儿童以呼吸道感染引起的bo最为多见，腺病毒、流感、副流感、麻疹，支原体等病原体常见，covid-19和偏肺病毒也有类似的报道。多数bo患儿在感染或其他原因导致气道损伤后出现持续或反复的咳嗽、喘息、呼吸急促、呼吸困难、运动耐受力差等症状，重症患儿可死于呼吸衰竭。如果bo疾病未能及时得到正确诊断和有效治疗，可能会引起气道纤维化和气道阻塞等不可逆变化，严重危及患儿的健康和生活质量。不良的预后往往是由于诊断延迟造成的。因此及早识别bo疾病的症状，并在早期阶段采取有效治疗非常关键。

2、目前bo的诊断主要依赖临床表现、肺功能及高分辨率计算机断层扫描(hrct)检查，并没有利用人工智能技术进行辅助诊断的先例。bo为不可逆的病理改变，所以早期诊断尤为重要。目前主要临床诊断标准有：(1)发病之前往往有感染或其他原因所致的急性肺损伤；(2)有咳嗽、反复喘息、气促、呼吸困难、运动不耐受；(3)双肺可闻及广泛喘鸣音、爆破音，并持续存在达6周以上，对支气管扩张剂反应差；(4)辅助检查：胸部hrct显示马赛克灌注征、支气管扩张支气管壁增厚:肺功能显示小气道阻塞性通气功能障碍或混合性通气功能障碍，支气管扩张试验多为阴性；(5)排除其他引起咳喘的疾病，如支气管哮喘支气管肺发育畸形、肺囊性纤维化、免疫缺陷病、肺结核、弥漫性泛细支气管炎、先天性心脏病等；(6)bo确定诊断需病理证实。

3、当前背景技术的bo早期诊断面临着显著的挑战和局限性。由于bo的早期症状常常类似于其他呼吸道感染或慢性呼吸系统疾病，症状对于bo来说并不特异，容易被误解为其他疾病。此外，早期bo患儿的x线检查可能显示正常，或仅显示非特异性的过度充气和气道壁增厚，这使得早期诊断变得困难。高分辨率计算机断层扫描(hrct)是bo诊断的主要无创性工具，但对低龄儿童来说，特别是呼气相扫描技术的局限性，可能影响到诊断的准确性；并且由于bo患儿的ct影像与非bo患儿的ct影像无明显区别，在空间域下特征极难区分，因此仅依靠ct影像很难确定bo的存在。尽管肺活检被认为是诊断bo的金标准，但在儿童中实施此检查存在显著难度，由于病变部位多呈不均质状分布，临床上较难实施；且气道受累的不均匀分布可能导致取样误差，降低了这一诊断方法的敏感性。因此医生需要对该病的特点有深入了解，结合临床表现、病史、肺功能测试和影像学检查等多方面信息进行全面评估，才能尽早发现和诊断bo，从而采取有效的治疗措施。

技术实现思路

1、由于目前bo疾病的诊断存在显著的局限性，此外截至目前没有利用人工智能技术对bo疾病进行诊断的方法，因此本发明致力于从ct影像中学习bo和非bo的特征，从而进行分类。这会是bo疾病早期诊断的一大突破，有助于医生进行早期bo疾病诊断，从而改善bo患儿的预后并提高其长期生活质量。因此本发明的目的是提出一种胸部ct影像儿童闭塞性细小支气管炎分类方法，能够应用于临床的bo辅助疾病诊断中，能在大量数据集上取得较高的精度。

2、本发明的技术方案如下：一种胸部ct影像儿童闭塞性细小支气管炎分类方法，包括步骤如下：

3、步骤1、数据预处理；所述预处理包括数据清洗和数据像素值归一化；

4、步骤2、数据分组，构建多组训练数据集；

5、步骤3、通过微调的inceptionv3网络分组训练；

6、步骤4、筛选出预测效果较稳定的模型，然后将各模型的预测结果进行集成，以获得最终的分类预测结果。

7、所述数据清洗为手动删除ct数据中不包含肺部信息的影像数据。

8、所述数据分组具体为，非bo数据根据bo数据的数量随机等量分组；bo数据与分组后的非bo数据组成多组训练数据集；训练集和验证集中非bo数据与bo数据两类比例为1：1。

9、所述微调的inceptionv3网络针对inceptionv3网络进行优化设计；

10、微调的inceptionv3网络具体结构为：首先采用不包含顶层的inceptionv3网络作为分类主干网络；然后为了减少参数数量并增强模型的泛化能力，引入了全局平均池化层；随后添加了三个密集层，神经元数量分别为256、128和64，使模型能够更好地区分不同类别的目标；最后使用softmax激活函数将图像分为“bo”和“非bo”两类。

11、所述集成后的预测结果对两类预测概率差大于0.3，则认为是正确分类，对一类的预测概率小于0.65，则删除该集成后的预测结果。

12、因此基于卷积神经网络模型在图像分类任务中的显著成就，本发明对inceptionv3网络结构进行微调，利用其多尺度处理、并行结构和密集连接等先进技术，以提高对闭塞性细支气管炎疾病的准确分类能力。本发明首次提出采用深度学习的方法直接基于ct影像对bo疾病进行诊断，这为医生提供了更准确和可靠的辅助诊断手段，从而改善患者的治疗效果和生活质量。针对bo与非bo数据特征难以区分、导致严重类别不平衡问题的情况，对分组数据分别训练的方式是一种有效的应对策略。通过严格控制训练数据比例，可以避免类别不平衡对训练结果造成的不利影响，从而提高模型对bo疾病的准确分类能力。由于实际生活中非bo的数据占比较大，为接近实际情况，充分利用更多的非bo数据信息，本发明对分组训练结果中表现较好的模型进行模型集成，从而弥补单一模型的不足，提高整体分类性能，以获得更可靠和稳定的分类结果，为临床医学诊断提供更可靠的支持。最后，本发明从多个指标上评估了网络在bo疾病分类任务中的有效性。

13、本发明的有益效果：本发明首次采用深度学习的方法直接基于ct影像对bo进行分类，这将有助于辅助医生进行早期bo疾病诊断，从而改善bo患儿的预后并提高其长期生活质量。通过对inceptionv3网络结构进行微调，提高对闭塞性细支气管炎(bo)疾病的准确分类能力。针对bo与非bo数据特征难以区分导致的类别不平衡问题，采用分组数据分别训练的方式，严格控制训练数据比例继而避免不利影响。此外通过模型集成弥补单一模型的不足，提高整体分类性能，为临床医学诊断提供更可靠的支持。从多个角度对实验结果进行测试表明，本发明在儿童bo分类任务中取得了优秀的实验结果，展示出了巨大的潜力，对bo早期诊断和患儿预后具有非常大的帮助，为医学诊断技术的发展做出重要贡献。

技术特征：

1.一种胸部ct影像儿童闭塞性细小支气管炎分类方法，其特征在于，包括步骤如下：

2.根据权利要求1所述的胸部ct影像儿童闭塞性细小支气管炎分类方法，其特征在于，所述数据清洗为手动删除ct数据中不包含肺部信息的影像数据。

3.根据权利要求1或2所述的胸部ct影像儿童闭塞性细小支气管炎分类方法，其特征在于，所述数据分组具体为，非bo数据根据bo数据的数量随机等量分组；bo数据与分组后的非bo数据组成多组训练数据集；训练集和验证集中非bo数据与bo数据两类比例为1：1。

4.根据权利要求3所述的胸部ct影像儿童闭塞性细小支气管炎分类方法，其特征在于，所述微调的inceptionv3网络针对inceptionv3网络进行优化设计；

5.根据权利要求4所述的胸部ct影像儿童闭塞性细小支气管炎分类方法，其特征在于，所述集成后的预测结果对两类预测概率差大于0.3，则认为是正确分类，对一类的预测概率小于0.65，则删除该集成后的预测结果。

技术总结本发明属于人工智能CT影像分类技术领域，公开了一种胸部CT影像儿童闭塞性细小支气管炎分类方法。数据预处理后分组，构建多组训练数据集；通过微调的InceptionV3网络分组训练；通过筛选预测结果稳定的模型，将它们的预测结果进行集成，以获得最终的分类预测结果；针对BO与非BO数据特征难以区分导致的类别不平衡问题，采用分组数据分别训练的方式，严格控制训练数据比例继而避免不利影响。此外通过模型集成弥补单一模型的不足，提高整体分类性能，为临床医学诊断提供更可靠的支持。从多个角度对实验结果进行测试表明，本发明在儿童BO分类任务中取得了优秀的实验结果，展示出了巨大的潜力。技术研发人员：覃文军,刘璐,宿希琳,许巍,冯席彬,袁野,邵慰受保护的技术使用者：东北大学技术研发日：技术公布日：2024/8/20