[发明专利]医学图像处理方法和装置

说明书

本发明公开了一种医学图像处理方法和装置，所述方法采用三维肺炎深度分割网络提取胸部计算机断层扫描CT的三维病灶；对所述胸部CT三维病灶提取放射学特征；将所述胸部CT三维病灶的放射学特征输入到新型冠状病毒肺炎COVID‑19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID‑19的CT；由于本实施例COVID‑19分类模型是基于深度神经网络对多个COVID‑19的CT的放射学特征进行深度学习训练得到的分类模型，可以快速并准确地确诊COVID‑19患者，大大减轻了医护人员的工作压力。

技术领域

本发明涉及计算机断层扫描(ComputerizedTomography,CT)图像的处理技术领域，尤其涉及一种医学图像处理方法和装置。

背景技术

2019年12月以来,一种新型冠状病毒肺炎(COVID-19)已构成全球范围内的流行病威胁,其传染性强,蔓延速度快,短期内给人民健康和国家经济造成巨大损害,因此早期诊断并及时隔离和治疗对患者的预后及控制疫情至关重要。胸部CT检查具有及时、快捷、阳性率高的特点,在患者排查中可起到重要的辅助诊断作用,且已有研究证实CT检查较核酸检测具有更高的敏感性。然而,在COVID-19临床诊治中出现了临床表现、核酸检测和影像学表现不一致的病例,推测可能与患者就诊的时间处在疾病的不同发展阶段有关，因此，正确认识COVID-19患者胸部CT表现的医学特征对于指导临床诊治有着重要价值。

发明内容

本发明提供一种医学图像处理方法和装置，基于预训练的深度学习细分模型，放射学特征提取和机器学习，可对COVID-19与普通肺炎进行准确分类。

在一种可选的实施方式中，本发明实施例提供一种医学图像处理方法，包括：

采用三维肺炎深度分割网络提取胸部计算机断层扫描CT的三维病灶；

对所述胸部CT三维病灶提取放射学特征；

将所述胸部CT三维病灶的放射学特征输入到新型冠状病毒肺炎COVID-19分类模型进行特征匹配，若匹配则确定所述胸部CT为COVID-19的CT；

所述COVID-19分类模型是基于机器学习对多个COVID-19的CT的放射学特征进行深度学习训练得到的分类模型。

可选地，采用三维肺炎深度分割网络提取所述胸部CT的三维病灶之前还包括：

使用三线性插值策略消除各向同性地将所述胸部CT重采样为1mm×1mm×1mm的数据样本，以消除由所述数据样本的体素间距差异引起的干扰；

将所述数据样本的体素强度从HU值[-1000，600]的限幅窗口线性归一化为[0，255]，超出该间隔的任何HU值都相应地设置为-1000或600；

所述数据样本为长方体体积图像，按z/y/x顺序，大小为32×128×128，以覆盖所有肺炎病变的大小。

可选地，采用三维肺炎深度分割网络提取所述胸部CT的三维病灶还包括：

采用-350HU值的固定阈值将所述所述胸部CT的前景与背景分开，然后填充肺部以获得二值化的所述胸部CT图像；

在所述胸部CT图像上添加二值化蒙版以生成蒙版的CT图像；

对所述蒙版的CT图像的HU值小于-350HU值的部分进行了二值化，并使用膨胀操作获得了所述胸部CT的三维病灶。

可选地，所述三维肺炎深度分割网络采用的损失函数为：

其中Ω表示三维体积图像的网格，p表示体素位置。

可选地，对所述胸部CT三维病灶提取放射学特征包括：