[发明专利]一种CT胸部平扫影像质量控制的人工智能方法

说明书

本发明提供一种CT胸部平扫影像质量控制的人工智能方法，方法包括：步骤01、获取CT设备数据；步骤02、训练质量控制模型，构建肺部分割深度学习模型、气管分割深度学习模型、主动脉弓分割深度学习模型、结节识别模型、伪影检测模型；步骤03、依据质量控制标准，基于质量控制模型，实现对质量控制指标的自动化判定；步骤04、质量控制结果输出。

技术领域

本发明涉及CT胸部平扫影像质量控制技术，特别是一种CT胸部平扫影像质量控制的人工智能方法。

背景技术

随着医学影像设备的快速发展，医学影像成为各级医疗机构诊疗工作必不可少的辅助信息。但是，由于医学影像质量不合格导致的医疗纠纷，以及医疗事故，如误诊、漏诊等问题也日益增多。究其原因，在于医学影像的质量控制工作没有符合现代医学诊疗工作的需求，与现代医学诊疗工作的强度不适配，无法达到理想的效果。

现有的医学影像质量控制完全依赖于人工，具有实时性低、效率低、主观差异性大等缺点。具体表现为三甲医院检查量极大，人工质量控制无法做到实时性的全覆盖质量控制；社区、乡镇医院医生水平参差不齐，质量控制结果主观性较强。上述现象在医学影像中数量比重较大的CT胸部平扫影像中尤其显著。因此，针对上述缺点，引入了人工智能技术来实现自动化智能质量控制，解决人工质量控制存在的问题。

发明内容

针对现有技术中的缺陷，本发明提供一种CT胸部平扫影像质量控制的人工智能方法，进而使得影像质量控制结果更加可靠、精确及高效率。

第一方面，本发明提供一种CT胸部平扫影像质量控制的人工智能方法，包括：

步骤01、获取CT设备数据；

步骤02、训练质量控制模型，构建肺部分割深度学习模型、气管分割深度学习模型、主动脉弓分割深度学习模型、结节识别模型、伪影检测模型；

步骤03、依据质量控制标准，基于质量控制模型，实现对质量控制指标的自动化判定；

步骤04、质量控制结果输出。

可选地，所述步骤02，质量控制模型是依据深度学习领域内的通识技术构建。质量控制模型实现了放射影像质量控制的核心功能，模型中包含编码器和解码器，在本发明中使用了三类解码器：分割解码器、检测解码器、分类解码器。每个质量控制模型在具体细节上略有不同，比如卷积层的个数、池化层的个数等，更为具体的是，根据解码器种类的不同，各解码器的卷积层、池化层等个数、顺序也会有所不同，解码器输入中的编码器特征值，可以来自编码器中的任何一层或几层的特征值。模型训练是将处理好的标记数据送入模型，根据模型在训练集、验证集、测试集的损失值和准确率评估是否训练完毕，若训练不符合完毕条件，调节模型的参数，再次训练。最终构建肺部分割深度学习模型、气管分割深度学习模型、主动脉弓分割深度学习模型、结节识别模型、伪影检测模型。

可选地，所述步骤03，质量控制指标包括：肺部完整性、主气管及左右段支气管可见、脂肪CT值校对、胸膜1cm以内小血管可见、结节可见、肺外围骨骼可见、伪影检测：

肺部完整性：肺组织完全包含于影像内；

主气管及左右段支气管可见：影像内可见主气管、左右段支气管；

脂肪CT值校对：在纵隔窗下，获取、校对主动脉弓附近的脂肪CT值；

胸膜1cm以内小血管可见：主气管与左右段支气管交界处胸膜1cm以内可见小血管；

结节可见：可在影像内识别出结节；

肺外围骨骼可见：在骨窗下，肺外围可见骨骼；

伪影检测：可在影像内识别出伪影(金属伪影、呼吸伪影、条状伪影)。