[发明专利]漏斗胸Haller指数测量方法、电子设备及存储介质

说明书

本发明提出一种漏斗胸Haller指数测量方法、电子设备及存储介质，包括：获取大量漏斗胸患者胸骨横切面的CT影像，构建训练数据集；基于卷积神经网络U‑Net构建胸骨轮廓分割模型，采用训练数据集对胸骨轮廓分割模型进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型；对于患者所有待处理的胸部CT影像，找出其中胸骨凹陷程度最大的胸部CT影像并输入到训练好胸骨轮廓分割模型，分割出其对应的胸骨轮廓图，找出胸骨轮廓图中Haller指数的四个关键点，计算得到Haller指数。本发明可自动计算并输出漏斗胸Haller指数，提高漏斗胸自动诊断准确率及诊断效率，为计算机辅助个性化漏斗胸诊疗技术奠定基础。

技术领域

本发明涉及医学影像处理和深度学习领域，尤其涉及一种漏斗胸Haller指数测量方法。

背景技术

漏斗胸是临床常见的儿童先天性胸壁畸形，症状表现为部分胸骨及与其相连的第3～7根肋软骨向脊柱方向呈现漏斗状。Haller指数利用胸部CT确定漏斗胸的严重程度，是诊断漏斗胸严重程度的常用方法。利用Haller指数诊断时，需要对患者的CT影像进行测量，计算胸骨凹陷处至脊椎骨皮质前缘的距离，正常人平均指数为2.52，小于3.2为轻度患者，3.2至3.5之间为中度患者，大于3.5为重度患者。

目前常用的漏斗胸Haller指数测量方法，由于测量在内胸廓上进行，在一定程度上不能准确表征漏斗胸患者胸廓外形特征，而且传统人工测量的方式需要从患者的CT影像中筛选出最凹陷的部位，并进行手动画辅助线，会出现因测量人员不同导致的主观差异，且诊断效率低下。

发明内容

针对目前测量方法存在的非自动化、非标准化、效率低下等问题，本发明提出了一种漏斗胸Haller指数测量方法、电子设备及存储介质。

为实现上述技术目的，本发明采用的具体技术方案如下：

漏斗胸Haller指数测量方法，包括：

S1. 获取大量漏斗胸患者胸骨横切面的CT影像，构建训练数据集。

S2. 构建卷积神经网络U-Net模型，采用训练数据集对卷积神经网络U-Net模型进行训练，直到模型收敛，得到训练好的胸骨轮廓分割模型。

S3. 对于任一患者的所有待处理的胸部CT影像，找出其中胸骨凹陷程度最大的胸部CT影像并输入到训练好胸骨轮廓分割模型，分割出其对应的胸骨轮廓图，找出胸骨轮廓图中Haller指数的四个关键点，计算得到Haller指数。

优选地，本发明的S1中，收集大量漏斗胸患者胸部CT影像构成漏斗胸患者胸部CT影像集，对漏斗胸患者胸部CT影像集中的各漏斗胸患者胸部CT影像进行人工标注，标记出各漏斗胸患者胸部CT影像中内胸轮廓、胸骨轮廓的界限范围，从漏斗胸患者胸部CT影像集中筛选出其中的胸骨横切面的CT影像，对筛选出的所有胸骨横切面的CT影像进行数据增强、归一化处理、二值化处理后将所有图像调整为统一大小，得到训练数据集。

优选地，本发明S1中，所述数据增强的方法是：通过W/L调窗算法将胸骨横切面的CT影像转为灰度图。

然后将图像边缘部分设置为0，同时根据斜率和截距计算Hu值，计算公式如下：

其中，Hu表示灰度值，X表示输入的胸骨横切面的CT影像，Slope表示斜率，Intercept表示截距。

将图像的窗宽值和窗位值分别设置为360Hu和60Hu，图片分辨率设置为512像素*512像素后，使用带通滤波器对胸骨横切面的灰度图进行去噪即可。