CN115170464B 肺图像的处理方法、装置、电子设备和存储介质 （东北大学）

WO2021173826A1,2021.09.02电子设备和存储介质，涉及慢阻肺识别技术领域图像及气道图像；分别基于所述预设分类模2获取预设分类模型、待处理的肺CT图像及所述肺CT图像对应的肺分别对所述待处理的肺CT图像、所述肺区域CT图像及所述气道CT图像进行特征提取，基于所述第一分类结果、所述第二分类结果及所述第三分类结果对应的第一概率值、2.根据权利要求1所述的肺CT图像的处理方法，其特征在于，在所述获取预设分类模分别对所述待处理的肺CT图像进行肺区域分割及气道提取3.根据权利要求1或2任一项所述的肺CT图像根据获取的设定数目，对仅包含肺的CT图像进行提取，得到待特征提4.根据权利要求1或2任一项所述的肺CT图像的处理方法，其按照多个第一设定角度，对所述三维肺区域CT图像进行拍照，得到3第二组特征及第三组特征之前，确定进行特征提取的所述肺区域CT图像对应的第二CT图按照多个第一设定角度，对所述三维肺区域CT图像进行拍照，得到在所述分别对所述待处理的肺CT图像、所述肺区域CT图像及按照多个第二设定角度，对所述三维气道CT图像进行拍照，得到多个第在所述分别对所述待处理的肺CT图像、所述肺区域CT图像及按照多个第二设定角度，对所述三维气道CT图像进行拍照，得到多个第在所述分别对所述待处理的肺CT图像、所述肺区域CT图像及按照多个第二设定角度，对所述三维气道CT图像进行拍照，得到多个第获取预设特征提取模型，对所述预设特征提取模型进行训练，得到基于所述训练的特征提取模型，分别对所述待处理的肺CT图像、所获取预设特征提取模型，对所述预设特征提取模型进行训练，得到4基于所述训练的特征提取模型，分别对所述待处理的肺CT图像、所获取预设特征提取模型，对所述预设特征提取模型进行训练，得到基于所述训练的特征提取模型，分别对所述待处理的肺CT图像、所获取预设特征提取模型，对所述预设特征提取模型进行训练，得到基于所述训练的特征提取模型，分别对所述待处理的肺CT图像、所获取单元，用于获取预设分类模型、待处理的肺CT图像及所述待分类单元，用于分别对所述待处理的肺CT图像、所述肺区识别单元，用于基于所述第一分类结果、所述第二分类结果及程序指令被处理器执行时实现权利要求1至12中任意一项所述的肺CT5[0003]慢阻肺的诊断主要依赖于肺功能检查(PFT)，利用肺活量测定法评估气流阻塞情以理解和遵守医生提出的要求。此外，PFT不能直观地提供详细的解剖学信息和形态学变6[0017]分别将所述第一组特征、第二组特征及第三组特征及对定为慢阻肺对应的第一数值及确定为非慢阻肺7进行慢阻肺的识别。[0049]图3示出根据本公开实施例的肺区域图像以及气道图像对应的第二图像及第三图8所说明的任何实施例不必解释为优于或好于其它实[0060]在本公开的实施例及其他可能的实施例中，从沈阳医学院附属中心医院(数据集标准是吸入式支气管扩张剂后FEV1/FVC<0.7。数据集2还提供了慢阻肺受试者的分级数据9用于生物医学图像分割的nnU-Net模型，它在BraTS2020挑战的分割任务中提供了最好性入已训练的AlexNet得到对应的第三分类结果及第三分类结果的分类模型，可以为基于机器学习的分类模型，例如支持向量机[0076]图2示出根据本公开实施例的预设分类模型对应的网络结了待处理的肺图像对应的第一分类结果，将待处理的肺图像替换为肺区域图像及气道图[0078]在本公开的实施例及其他可能的实施例中，本公开提出的一种基于注意力的MIL一分类特征)然后，利用多层感知器uTtanh(WHT)和softmax层从具有k维的嵌包括k个实例特征向量，ueR1和weRxd是MIL模块的[0089]例如，可将所述待处理的肺图像输入已训练的VGG16(删除分类层)得到对应的第[0092]在本公开的实施例及其他可能的实施例中，上述CNN模型需要大量的标注数据来开同时将所有其他比较网络也采用了与VGG-VGG-16的卷积层部分，在我们的模型中用注意力MIL池化模块取代了最后三个全连接(FC)可为三维气道(树)图像的正视图、背视图和斜45度视图或者其他可能的视图的一种或几[0099]图3示出根据本公开实施例的肺区域(肺野)图像以及气道(气道树)图像对应的第[0101]图4示出根据本公开实施例的肺图像的处理方法的具体实现示意图。在本公开的法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User行上文方法实施例描述的肺图像的处理方法，其具体实现可以参照上文方法实施例的描阴性预测值(NPV)、受试者操作特征(ROC)曲线和曲线下面积(AUC)(包括95％置信区间预设分类模型),snapshot-airway模型(气道图像对应的预设分类模型)和snapshot-lunfield模型(肺区域图像对应的预设分类模型)的不同融合方法[0114]其次，我们采用了四个常用的网络，如AlexNet、VGG、ResNet18、ResNet26和lice-CT,snapshot-airway和snapshot-lung-field模型中，如果有两个模型预测标签为"[0121]如表2所示，每个个体20个实例比每个个体10、15和25个实例取得了更好的性能据集1，修改后的VGG-16获得了更好的性能，其准确率为88.1高于Al改后的VGG-16产生的性能与其他网络相当或更高(表4)。此外，Resnet26的灵敏度达到个单一的MIL模型中，snapshot-lung-fieldMIL模型的表现优于其他两个模型(ACC=[0135]使用所提出的注意力引导的MIL方法识别慢阻肺的良好性能归功于两个方法上的改后的VGG-16模块帮助我们的模型达到了88.1％的[0137]由于之前的研究确定了从CT图像中提取的气道树的快照在使用深度CNN进行慢阻[0138]本研究提出的注意力引导的MIL集合模块可以提供良好的可解释性。每个实例的者中均匀分布的实例值代表了对最终袋子预方便多媒体组件808和处理组件802之间的[0143]电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管[0144]多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通[0146]I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或[0148]通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成[0152]电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如[0155]计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形[0156]这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如[0158]这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功计算机可读介质则包括一