CN109065165B - 一种基于重建气道树图像的慢性阻塞性肺病预测方法 - Google Patents

Abstract

本发明提供一种基于重建气道树图像的慢性阻塞性肺病预测方法，涉及医学图像处理技术领域。该方法首先采集来自同一家医院的COPD患者和健康人的多层CT图像文件，生成健康人和COPD患者的重建气道树图像，并转换不同的视角对生成的健康人和COPD患者的重建气道树图像进行截图，然后去除所截取气道树图像的多余背景信息，并基于卷积神经网络进行训练并分类，预测测试集中是否有人患有COPD；最后对重建气道树截取的图像集进行十字交叉验证，保证预测结果的准确性。本发明提供的基于重建气道树图像的慢性阻塞性肺病预测方法，将作为一种初步筛选该疾病的技术手段，准确且高效，有效避免了误诊和漏诊；同时也免去了肺功能检查的复杂过程，大大减少了医院工作量。

Description

一种基于重建气道树图像的慢性阻塞性肺病预测方法

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种基于重建气道树图像的慢性阻塞性肺病预测方法。

背景技术

慢性阻塞性肺疾病(Chronic Obstructive Pulmonary Disease，即COPD)是常见的呼吸系统疾病，严重危害患者的身心健康，已经成为全球公共卫生必须面对的一个重要问题。因而，有效的诊断手段也显得格外重要。

传统的临床检测上，经常使用肺呼吸功能检查(Pulmonary Function Tests，PFTs)，将支气管舒张后的第一秒用力呼气容积(FEV1)与用力肺活量(FVC)的比值小于70％作为确诊的标准，PFTs测量的是全肺宏观功能参数，无法提供COPD肺部气道树的结构信息。除此之外，健康人群的FEV1与FVC的比值随着年龄的增长而降低，故该方法也容易出现误诊和漏诊。

同时，医院中的肺功能检查过程也十分繁琐，步骤冗长，一般包括通换气功能，呼吸调节及肺循环功能。而检测的标准也往往不同，临床上用肺功能检查诊断COPD疾病需要结合患者的症状和健康状态等进行综合评估，部分重症患者不能耐受，且难以与其它疾病引起的气流受限加以区分。与此同时，医务人员及工作者对于相关知识的了解也有限，极大的限制了临床上的应用。

综上所述，目前针对COPD疾病所采用的诊断方法存在诸多缺陷，增加了医生的工作量以及病人的痛苦，其诊断结果也不尽如人意。

发明内容

针对现有技术的缺陷，本发明提供一种基于重建气道树图像的慢性阻塞性肺病预测方法，实现对慢性阻塞性肺病的预测。

一种基于重建气道树图像的慢性阻塞性肺病预测方法，包括以下步骤：

步骤1、基于医学影像分割和三维可视化方法，分别提取COPD患者和健康人的气道树，并保存气道树图像，具体方法为：

步骤1.1、采用软件读取采集的来自同一家医院的COPD患者和健康人的多层CT图像文件，并生成健康人和COPD患者的重建气道树图像；

步骤1.2、将生成的健康人和COPD患者的重建气道树图像的背景设置为白色；

步骤1.3、转换不同的视角分别对生成的健康人和COPD患者的重建气道树图像进行截图，同时控制所截取的图像尺寸大小和分辨率一致，并保存截取的气道树图像；

步骤2、去除所截取的相同尺寸大小和分辨率的气道树图像的多余背景信息；

步骤3、利用截取的不同视角的气道树彩色图像，基于3通道卷积神经网络模型进行训练并分类，预测测试集中是否有人患有COPD，具体方法为：

步骤3.1、基于重建气道树截取的图像，将卷积神经网络模型的训练集、验证集和测试集按照8∶1∶1的比例进行设置；

步骤3.2、构建包括输入层、卷积层、池化层和全连接层的卷积神经网络结构；所述卷积神经网络的第一层为输入层，第二层为卷积层C1，卷积层C1紧接着BatchNormalization层和ReLU激活函数层，第三层为卷积层C2，后面紧跟着BatchNormalization层和ReLU激活函数层，第四层是最大池化层P1，第五层为卷积层C3，第六层为卷积层C4，第七层为最大池化层P2，第八层为均值池化P3，后面紧接着dropout层，第九层为全连接层F2；

步骤3.3、训练卷积神经网络模型，通过训练时间和验证集的准确率来确定卷积神经网络模型的最优参数；

步骤3.4、将测试集输入训练好的卷积神经网络模型中，进而预测测试集中是否有人患有COPD；

步骤4、对重建气道树截取的图像集进行十字交叉验证，保证预测结果的准确性。

由上述技术方案可知，本发明的有益效果在于：本发明提供的一种基于重建气道树图像的慢性阻塞性肺病预测方法，准确且高效，有效避免了误诊和漏诊；同时，本发明方法能够作为检查者确诊之前的一种初步筛选慢性阻塞性肺病的技术手段，免去了过往医院肺功能检查的过程繁琐和步骤冗长的复杂过程，从而大大减少了检查者的痛苦和医院的工作量；除此之外，本发明也提出了不同于过往肺功能检查的新途径，旨在直接从多层CT重建气道树图像的角度进行预测慢性阻塞性肺病，从而解决了大部分基层医院无肺功能仪器的缺陷。

附图说明

图1为本发明实施例提供的一种基于重建气道树图像的慢性阻塞性肺病预测方法的流程图；

图2为本发明实施例提供的多层CT图像中重建的COPD患者气道树图像和健康者的气道树图像，其中，(a)为重建的健康者的气道树图像，(b)为重建的COPD患者的气道树图像；

图3为本发明实施例提供的基于CT图像重建后所截取的3个不同视角的健康人的气道树图像；其中，(a)为健康人基于CT图像所重建的气道树的正视图；(b)为健康人基于CT图像所重建的气道树的背视图；(c)为健康人基于CT图像所重建的气道树的俯斜视图；

图4为本发明实施例提供的基于CT图像重建后所截取的3个不同视角的COPD患者的气道树图像，其中，(a)为COPD患者基于CT图像所重建的气道树的正视图；(b)为COPD患者基于CT图像所重建的气道树的背视图；(c)为COPD患者基于CT图像所重建的气道树的俯斜视图；

图5为本发明实施例提供的去除基于CT图像重建后的气道树图像的多余背景图；

图6为本发明实施例提供的简化的卷积神经网络模型的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种基于重建气道树图像的慢性阻塞性肺病预测方法，如图1所示，包括以下步骤：

步骤1、基于医学影像分割和三维可视化方法，分别提取COPD患者和健康人的气道树，具体方法为：

步骤1.1、采用软件读取采集的来自同一家医院的COPD患者和健康人的多层CT图像文件，并生成如图2所示的健康人和COPD患者的重建气道树图像；

本实施例所用的数据均来自于同一家医院，COPD患者数据采集190例，健康人数据采集90例，训练集、验证集和测试集按照8∶1∶1的比例进行设置。

步骤1.2、为了便于处理所重建后的气道树图像，即省去处理大量图像背景需要花费的大量时间成本，将生成的健康人和COPD患者的重建气道树图像的背景设置为白色；

步骤1.3、转换不同的视角分别对健康人和COPD患者生成的重建气道树图像进行截图，同时控制所截取的图像尺寸大小和分辨率一致，并保存截取的气道树图像；

本实施例中，健康人基于CT图像所重建的气道树的3个不同视角所截取的图像如图3所示；COPD患者基于CT图像所重建的气道树的3个不同视角所截取的图像如图4所示。

本实施例中，为了确保每一例COPD患者和健康人所重建后的气道树图像其转换的视角相同，因此不能手动地进行实施转换视角，需要在三维可视化方法中选择所自带的方向按钮进行操作，如当选择截取正面图像时，需要在重建图像的页面点击Select 3D view按钮，选择Front即可。同样的，对于背视图和俯斜视图(基于正视图向下旋转45°)，将分别在Select 3D view按钮中选择Back和Isometric即可。

为了确保每一例COPD患者和健康人所重建后的气道树图像的大小和分辨率相同，因此在保存重建后的气道树图像时应在三维可视化时选择默认值，而不应放大或缩小所重建的3D气道树图像，同样地，也不应手动截取所重建的气道树图像。

步骤2、去除所截取的相同尺寸大小和分辨率的气道树图像的多余背景信息；

本实施例中，去除多余背景信息后的气道树图像如图5所示。由于在训练卷积神经网络时，图像尺寸越小，训练所消耗的时间成本则越低。因此在这里，去除多余白色背景，并不会影响图像信息的损失。

所采用的去除多余背景的方法具体为：按行分别从上到下和从下到上检测图像，当检测到图像有用信息时停止，并分别记录所在行数；按列分别从左到右和从右向左检测图像，当检测到图像有用信息时停止，并分别记录所在列数。将两行所记录的数值做差以及两列所记录的数值做差，比较差值的大小，选取较大的数值对气道树图像进行正方形的截取，将所获取的正方形图像保存并作为之后训练的数据集。

步骤3、利用截取的不同视角的气道树彩色图像，基于3通道的卷积神经网络模型进行训练并分类，预测测试集中是否有人患有COPD，具体方法为：

步骤3.1、基于重建气道树截取的图像，将卷积神经网络模型的训练集、验证集和测试集按照8∶1∶1的比例进行设置；

步骤3.2、构建如图6所示的包括输入层、卷积层、池化层和全连接层的卷积神经网络结构；卷积神经网络的第一层为输入层，第二层为卷积层C1，卷积层C1紧接着BatchNormalization层和ReLU激活函数层，第三层为卷积层C2，后面紧跟着BatchNormalization层和ReLU激活函数层，第四层是最大池化层P1，第五层为卷积层C3，第六层为卷积层C4，第七层为最大池化层P2，第八层为均值池化P3，后面紧接着dropout层，第九层为全连接层F2；

其中，输入层尺寸大小为224×224，卷积层的过滤器尺寸为3×3，第二层有64个卷积核，第五层和第六层有128个卷积核。

步骤3.3、训练卷积神经网络模型，通过训练时间和验证集的准确率来确定卷积神经网络模型的最优参数；

步骤3.4、将测试集输入训练好的卷积神经网络模型中，进而预测测试集中是否有人患有COPD；

步骤4、对重建气道树截取的图像集进行十字交叉验证，保证预测结果的准确性，即把训练集、验证集和测试集循环使用，将所有预测结果的准确率取平均值。

本实施例中，预测结果的准确率的平均值为90％。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (1)

1.一种基于重建气道树图像的慢性阻塞性肺病预测方法，其特征在于：包括以下步骤：

步骤1、基于医学影像分割和三维可视化方法，分别提取COPD患者和健康人的气道树，并保存气道树图像，具体方法为：

步骤1.1、采用软件读取采集的来自同一家医院的COPD患者和健康人的多层CT图像文件，并生成健康人和COPD患者的重建气道树图像；

步骤1.2、将生成的健康人和COPD患者的重建气道树图像的背景设置为白色；

步骤1.3、转换不同的视角分别对生成的健康人和COPD患者的重建气道树图像进行截图，同时控制所截取的图像尺寸大小和分辨率一致，并保存截取的气道树图像；

步骤2、去除所截取的相同尺寸大小和分辨率的气道树图像的多余背景信息；

步骤3、利用截取的不同视角的气道树彩色图像，基于3通道的卷积神经网络模型进行训练并分类，预测测试集中是否有人患有COPD；

步骤4、对重建气道树截取的图像集进行十字交叉验证，保证预测结果的准确性；

所述步骤3的具体方法为：

步骤3.1、基于重建气道树截取的图像，将卷积神经网络模型的训练集、验证集和测试集按照8：1：1的比例进行设置；

步骤3.2、构建包括输入层、卷积层、池化层和全连接层的卷积神经网络结构；所述卷积神经网络的第一层为输入层，第二层为卷积层C1，卷积层C1紧接着Batch Normalization层和ReLU激活函数层，第三层为卷积层C2，后面紧跟着Batch Normalization层和ReLU激活函数层，第四层是最大池化层P1，第五层为卷积层C3，第六层为卷积层C4，第七层为最大池化层P2，第八层为均值池化P3，后面紧接着dropout层，第九层为全连接层F2；

步骤3.3、训练卷积神经网络模型，通过训练时间和验证集的准确率来确定卷积神经网络模型的最优参数；

步骤3.4、将测试集输入训练好的卷积神经网络模型中，进而预测测试集中是否有人患有COPD。

Images