[发明专利]一种基于深度学习的计算新冠肺炎病变区域占比的方法

说明书

本发明公开了一种基于深度学习的计算新冠肺炎病变区域占比的方法，属于肺测量技术领域，包括包括以下步骤：对原始CT图像集进行归一化处理，以适应深度学习模型的数据输入；将训练集中CT图像数据分别输入到2DUnet和2.5DUnet两种网络学习模型中，预测出肺部病变区域的二值掩模和肺部整个区域的二值掩模；计算训练集预测的二值掩模与真实标签掩模之间的相似性，选取最优网络学习模型；使用最优网络学习模型对训练集中的CT图像进行肺部病变区域掩模和肺部整个区域掩模的预测，并计算出病变区域掩模和整个区域掩模之间的占比。本发明利用深度学习技术，自动分割出肺部病变区域和整个肺的有效掩模，从而快速准确的计算出病变区域的体积占比。

技术领域

本发明涉及肺测量技术领域，特别涉及一种基于深度学习的计算新冠肺 炎病变区域占比的方法。

背景技术

在对新冠肺炎进行治疗的过程中，CT影像在新冠肺炎的诊断中起着重要 的作用，患者定时拍摄CT影像，观察病情的发展变化，在对患者病变区域的 定量分析中目前并没有统一的衡量标准，并不能将患者的患病趋势进行定量 分析，而且采用人工观察病变区域的变化很容易出现误差，不仅浪费大量人 力，还降低了定量分析的效率。

发明内容

本发明的就在于为了解决上述肺炎病变区域定量分析缺少衡量标准且误 差大、效率低的问题而提供一种基于深度学习的计算新冠肺炎病变区域占比 的方法，具有通过深度学习技术，可快速准确的计算出肺炎与整个肺部区域 之间的体积占比，有利于定量分析病情变化的优点。

为实现上述目的，本发明采取的技术方案为：一种基于深度学习的计算 新冠肺炎病变区域占比的方法，包括以下步骤：

对原始CT图像集进行归一化处理，以适应深度学习模型的数据输入；

将训练集中CT图像数据分别输入到2DUnet和2.5DUnet两种网络学习模 型中，预测出肺部病变区域的二值掩模和肺部整个区域的二值掩模；

计算训练集预测的二值掩模与真实标签掩模之间的相似性，选取最优网 络学习模型；

使用最优网络学习模型对训练集中的CT图像进行肺部病变区域掩模和肺 部整个区域掩模的预测，并计算出病变区域掩模和整个区域掩模之间的占比。

优选的，所述原始CT图像处理方法包括：

a、将原始CT图像的Hu值转换到[-1200,600]的区间；

b、对于小于-1200和大于600的Hu值则分别设置为-1200和600；

c、将上述区间的Hu值矩阵归一化到[0,255]，以适应深度学习模型数 据的输入。

优选的，所述网络学习模型采用的真实标签掩模包括病变区域标签掩模 和全部区域标签掩模，其中:

使用-750和-200两个阈值进行肺部分割，将-200得到的掩模减去-750 得到的掩模，最终的掩模作为病变区域标签掩模；

人工对肺部整个区域进行标注，作为全部区域标签掩模。

优选的，所述网络学习模型预测的肺部病变区域二值掩模为滤除正常软 组织的二值掩模，滤除方法包括：

通过连通域将生成的二值掩模分为不同的区块，再利用基于resnet18的 二分类模型判断每个区块掩模包含的病变区域掩模和正常软组织掩模，最后 将正常软组织掩模滤除。

优选的，所述二值掩模与真实标签掩模之间的相似性采用Dice系数进行 计算，用来选取相似性最高的网络学习模型，Dice系数计算公式如下：

其中，A代表使用网络学习模型预测出来的二值掩模，B为真实标签掩模。