一种基于CT图像分析的肺结核排菌能力检测方法及系统与流程

一种基于ct图像分析的肺结核排菌能力检测方法及系统
技术领域
1.本发明属于肺结核检测技术领域，尤其涉及一种基于ct图像分析的肺结核排菌能力检测方法及系统。


背景技术：

2.肺结核是世界范围内主要的呼吸道传染病之一。肺结核的传染源主要为排菌者，其传染性强弱通常与排菌者的排菌能力相关。临床上采用涂片、集菌、细菌培养等方法判断肺结核患者的传染性，但这些方法均需要对患者痰液进行采样，采样的不确定性造成这些方法具有较高的假阴性，这可能使医生对排菌者做出错误判断，从而不利于患者隔离、安置以及转科治疗。此外，常规的排菌能力检测方法需要花费较长的时间，可能耽误患者的治疗进程。
3.近年来，深度学习方法在肺结核分析领域取得巨大进展，这些方法主要聚焦于肺结核检测、肺结核病灶检测和活动性肺结核分析等。这些方法提高了肺结核判断精度、降低了医生工作量和优化了肺结核疾病检测及治疗流程。然而，几乎没有研究关注肺结核排菌能力的自动检测。大多数肺结核分析方法针对x光片进行分析，因为x光片廉价、普遍、辐射低。然而肺结核排菌能力检测相比肺结核诊断和活动性检测更难，二维的x光片无法提供足够的信息。


技术实现要素：

4.本发明实施例的目的在于提供一种基于ct图像分析的肺结核排菌能力检测方法及系统，旨在解决背景技术中提出的问题。
5.为实现上述目的，本发明实施例提供如下技术方案：一种基于ct图像分析的肺结核排菌能力检测方法，所述方法具体包括以下步骤：获取多个肺结核患者的ct影像数据；获取专家对所述ct影像数据进行的ct数据标记分类，得到标记分类结果；将所述ct影像数据和对应的标记分类结果划分成训练集和测试集，并进行数据预处理，得到预处理训练集和预处理测试集；将所述预处理训练集输入到三维resnet模型中进行训练，得到优化三维resnet模型；将所述预处理测试集输入到所述优化三维resnet模型进行测试，选定分类阈值；将待诊断的肺结核患者的ct图像预处理后输入所述优化三维resnet模型中，对比所述分类阈值得到分类结果。
6.作为本发明实施例技术方案进一步的限定，所述获取多个肺结核患者的ct影像数据具体包括以下步骤：从医院数据存储系统中下载肺结核患者的ct图像原始dicom格式数据；将ct图像原始dicom格式数据转换成nii格式数据，得到ct影像数据。
7.作为本发明实施例技术方案进一步的限定，所述获取专家对所述ct影像数据进行的ct数据标记分类，得到标记分类结果的过程中，专家进行标记分类的标准为：肺结核患者在一个月内三次及以上结核痰涂片或pcr检查为阴性，则其被归为弱排菌能力群体；只要有一次结核痰涂片检查为阳性的肺结核患者则被归为强排菌能力。
8.作为本发明实施例技术方案进一步的限定，所述将所述ct影像数据和对应的标记分类结果划分成训练集和测试集，并进行数据预处理，得到预处理训练集和预处理测试集具体包括以下步骤：将所述ct影像数据和对应的标记分类结果进行划分，80%为训练集，20%为测试集；对所述ct影像数据进行肺部切割，将肺部分割结果与原始ct图像相乘，得到仅保留肺部的肺部ct图像；根据肺部分割结果裁剪出肺部ct图像中肺的最小外接立方体，然后将其进行体积缩放；对ct值进行归一化处理，得到预处理训练集和预处理测试集。
9.作为本发明实施例技术方案进一步的限定，所述将所述预处理训练集输入到三维resnet模型中进行训练，得到优化三维resnet模型具体包括以下步骤：通过所述三维resnet模型的第一层对输入ct图像进行特征提取；通过所述三维resnet模型的第二层对特征图降维；使用所述三维resnet模型的多个残差模块提取ct图像的深度特征；通过所述三维resnet模型的自适应平均池化层将特征图压缩为特征向量；通过所述三维resnet模型的全连接层输出模型的分类结果，得到优化三维resnet模型。
10.作为本发明实施例技术方案进一步的限定，所述将所述预处理测试集输入到所述优化三维resnet模型进行测试，选定分类阈值具体包括以下步骤：将所述预处理测试集输入到优化三维resnet模型中进行二分类，得到概率值数据；根据所述概率值数据绘制roc曲线，并计算二分类模型的评价指标；在所述roc曲线上选定分类阈值，大于等于此阈值的样例为阳性，即强排菌能力；小于此阈值的样例为阴性，即弱排菌能力。
11.作为本发明实施例技术方案进一步的限定，所述将待诊断的肺结核患者的ct图像预处理后输入所述优化三维resnet模型中，对比所述分类阈值得到分类结果具体包括以下步骤：将待诊断的肺结核患者的ct图像进行预处理和归一化，得到处理ct图像；将所述处理ct图像输入到优化三维resnet模型中进行检测分析，得到模型预测概率值；根据所述分类阈值进行对比，将所述模型预测概率值对应的患者分类为强排菌能力或者弱排菌能力。
12.一种基于ct图像分析的肺结核排菌能力检测系统，所述系统包括影像数据获取单元、标记分类获取单元、结果划分处理单元、模型训练单元、模型测试单元和分类结果生成单元，其中：
影像数据获取单元，用于获取多个肺结核患者的ct影像数据；标记分类获取单元，用于获取专家对所述ct影像数据进行的ct数据标记分类，得到标记分类结果；结果划分处理单元，用于将所述ct影像数据和对应的标记分类结果划分成训练集和测试集，并进行数据预处理，得到预处理训练集和预处理测试集；模型训练单元，用于将所述预处理训练集输入到三维resnet模型中进行训练，得到优化三维resnet模型；模型测试单元，用于将所述预处理测试集输入到所述优化三维resnet模型进行测试，选定分类阈值；分类结果生成单元，用于将待诊断的肺结核患者的ct图像预处理后输入所述优化三维resnet模型中，对比所述分类阈值得到分类结果。
13.与现有技术相比，本发明的有益效果是：1、本发明提供了一种基于深度学习的肺结核排菌能力检测分析方法， 使用三维resnet模型对患者影像数据进行特征提取和分类。相比于临床上传统的肺结核排菌能力检查方法，本发明具有较好的可重复性和较少的时间开销；2、本发明使用三维ct图像作为分析对象，相比于二维的x光片，三维ct图像能够提供更丰富的信息，提高了肺结核排菌能力判定精度；3、本发明使用了一系列针对肺结核ct图像分析的预处理方法，提高了深度学习模型提取ct图像特征的针对性，提高了预测精度。
附图说明
14.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
15.图1示出了本发明实施例提供的弱排菌能力和强排菌能力肺结核患者的ct图像示例图。
16.图2示出了本发明实施例提供的ct图像肺部分割结果示例图。
17.图3示出了本发明实施例提供的三维resnet网络结构的示意图。
具体实施方式
18.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
19.可以理解的是，现有技术中，临床上采用涂片、集菌、细菌培养等方法判断肺结核患者的排菌能力，但这些方法均需要对患者痰液进行采样，采样的不确定性造成这些方法具有较高的假阴性，这可能使医生对排菌者做出错误判断，从而不利于患者隔离、安置以及转科治疗；此外，常规的排菌能力检测方法需要花费较长的时间，可能耽误患者的治疗进程；大多数肺结核分析方法针对x光片进行分析，因为x光片廉价、普遍、辐射低，然而肺结核排菌能力检测相比肺结核诊断和活动性检测更难，二维的x光片无法提供足够的信息。
20.为解决上述问题，本发明实施例基于深度学习方法对ct图像分析从而检测肺结核患者的排菌能力，所采用的深度神经网络为三维resnet模型，利用卷积神经网络的强大特征提取能力对ct图像进行分析，最终将肺结核患者划分为强排菌能力和弱排菌能力两个群体，相比于临床上传统的肺结核排菌能力检查方法，本发明具有较好的可重复性和较少的时间开销，使用三维ct图像作为分析对象，相比于二维的x光片，三维ct图像能够提供更丰富的信息，提高了肺结核排菌能力判定精度，使用了一系列针对肺结核ct图像分析的预处理方法，提高了预测精度。
21.图1示出了本发明实施例提供的方法的流程图。
22.具体的，一种基于ct图像分析的肺结核排菌能力检测方法，所述方法具体包括以下步骤：步骤s101，获取多个肺结核患者的ct影像数据。
23.在本发明实施例中，从医院数据存储系统中下载肺结核患者的ct图像原始dicom格式数据，dicom格式数据中包含患者姓名、设备型号和采集时间等大量与排菌能力诊断无关的信息，因此将dicom格式数据转换成nii格式数据，nii格式数据中仅包含与图像相关的信息，减少了数据存储空间需求和无关信息干扰。
24.具体的，在本发明提供的优选实施方式中，所述获取多个肺结核患者的ct影像数据具体包括以下步骤：从医院数据存储系统中下载肺结核患者的ct图像原始dicom格式数据；将ct图像原始dicom格式数据转换成nii格式数据，得到ct影像数据。
25.进一步的，所述基于ct图像分析的肺结核排菌能力检测方法还包括以下步骤：步骤s102，获取专家对所述ct影像数据进行的ct数据标记分类，得到标记分类结果。
26.在本发明实施例中，获取专家根据随访病历对肺结核患者的ct图像分类，分类依据主要为结核痰涂片或结核菌pcr检查结果。具体的：如果该肺结核患者在一个月内三次及以上结核痰涂片或pcr检查为阴性，则其被归为弱排菌能力群体；只要有一次结核痰涂片检查为阳性的肺结核患者则被归为强排菌能力群体。如图1示出了本发明实施例提供的弱排菌能力和强排菌能力肺结核患者的ct图像示例图。
27.步骤s103，将所述ct影像数据和对应的标记分类结果划分成训练集和测试集，并进行数据预处理，得到预处理训练集和预处理测试集。
28.在本发明实施例中，根据类别比例将所有数据划分为80%用于训练，20%用于测试，确保训练集与测试集二者相互独立并互斥，不存在信息泄露问题，且在本发明实施例中，主要对患者肺部的病变进行分析，肺部以外的骨骼、组织、诊断床等信息对肺结核分析是无用的，不仅对肺结核分析带来干扰，还增加了深度学习模型的学习成本，因此，首先需要通过预处理将肺部区域裁剪出来，使用开源模型lungmask对肺部进行分割，将肺部分割结果与原始ct图像相乘，得到仅保留肺部的ct图像，如图2示出了本发明实施例提供的ct图像肺部分割结果示例图，根据肺部分割结果裁剪出ct图像中肺的最小外接立方体，然后将其缩放到56
×
208
×
336体积大小，最后，对ct值进行归一化处理，首先截取ct值范围为-1000～400，然后线性插值到0～1。
29.具体的，在本发明提供的优选实施方式中，所述将所述ct影像数据和对应的标记
分类结果划分成训练集和测试集，并进行数据预处理，得到预处理训练集和预处理测试集具体包括以下步骤：将所述ct影像数据和对应的标记分类结果进行划分，80%为训练集，20%为测试集；对所述ct影像数据进行肺部切割，将肺部分割结果与原始ct图像相乘，得到仅保留肺部的肺部ct图像；根据肺部分割结果裁剪出肺部ct图像中肺的最小外接立方体，然后将其进行体积缩放；对ct值进行归一化处理，得到预处理训练集和预处理测试集。
30.进一步的，所述基于ct图像分析的肺结核排菌能力检测方法还包括以下步骤：步骤s104，将所述预处理训练集输入到三维resnet模型中进行训练，得到优化三维resnet模型。
31.在本发明实施例中，使用的深度学习网络为34层的三维resnet模型，如图3示出了本发明实施例提供的三维resnet网络结构的示意图，三维resnet模型第一层使用一个卷积核为7
×7×
7且步长为2
×2×
2的卷积层对输入ct图像进行特征提取，该卷积层直接将输入图像的尺寸从56
×
208
×
336缩小到28
×
104
×
168，大大降低了对设备内存的需求，同时使用较大的卷积核获取更大的感受野，经过第一层后得到的特征图通道数为64，这使其能够保存更多的信息，第二层紧接着一个最大池化层对特征图降维，进一步缩小特征图尺寸，这使得该模型能够在一批次输入更多的样本，随后，使用16个残差模块提取ct图像的深度特征，一个残差模块由2个卷积层、2个批归一化层（batch normalization）和一个线性整流函数（relu）构成，它将输入的特征通过一个跨层连接结构直接加在输出特征，提高了特征重用，并缓解了训练时梯度消失的问题，经过所有残差模块之后，一个自适应平均池化层（adaptiveavgpool）将特征图压缩为一条512维的特征向量，最后使用一个全连接层（full connection）作为分类器输出模型的分类结果，该分类结果再经过一个sigmoid激活函数得到最终的输出概率值，得到优化三维resnet模型。
32.在本发明实施例中，三维resnet模型训练阶段，在线的数据扩增技术用于增加训练样本量和提高模型的泛化能力，所使用的数据扩增方法包括随机翻转、随机缩放、随机平移、随机旋转、随机噪声。使用的优化器为adam，学习率设置为0.0001，模型训练的损失函数为交叉熵损失函数，其表达式如下：其中，表示样本数量，表示样本的分类标签，表示模型预测样本为强排菌能力的概率。该损失函数促使三维resnet模型将强排菌能力的样本预测为1，将弱排菌能力的样本预测为0。
33.具体的，在本发明提供的优选实施方式中，所述将所述预处理训练集输入到三维resnet模型中进行训练，得到优化三维resnet模型具体包括以下步骤：通过所述三维resnet模型的第一层对输入ct图像进行特征提取；通过所述三维resnet模型的第二层对特征图降维；使用所述三维resnet模型的多个残差模块提取ct图像的深度特征；通过所述三维resnet模型的自适应平均池化层将特征图压缩为特征向量；
通过所述三维resnet模型的全连接层输出模型的分类结果，得到优化三维resnet模型。
34.进一步的，所述基于ct图像分析的肺结核排菌能力检测方法还包括以下步骤：步骤s105，将所述预处理测试集输入到所述优化三维resnet模型进行测试，选定分类阈值。
35.在本发明实施例中，将预处理测试集输入优化三维resnet模型中进行二分类，根据测试集输出的概率值，绘制roc曲线，并计算ro-auc作为二分类模型的评价指标，在roc曲线上选定特异度为0.7时的阈值作为分类阈值，大于等于此阈值的样例为阳性，即强排菌能力；小于此阈值的样例为阴性，即弱排菌能力。
36.具体的，在本发明提供的优选实施方式中，所述将所述预处理测试集输入到所述优化三维resnet模型进行测试，选定分类阈值具体包括以下步骤：将所述预处理测试集输入到优化三维resnet模型中进行二分类，得到概率值数据；根据所述概率值数据绘制roc曲线，并计算二分类模型的评价指标；在所述roc曲线上选定分类阈值，大于等于此阈值的样例为阳性，即强排菌能力；小于此阈值的样例为阴性，即弱排菌能力。
37.进一步的，所述基于ct图像分析的肺结核排菌能力检测方法还包括以下步骤：步骤s106，将待诊断的肺结核患者的ct图像预处理后输入所述优化三维resnet模型中，对比所述分类阈值得到分类结果。
38.在本发明实施例中，将待诊断的肺结核患者ct图像经过数据预处理和归一化之后，输入到优化三维resnet模型中进行检测分析，得到模型预测概率值，根据分类阈值将该患者分类为强排菌能力或者弱排菌能力，该模型的诊断结果可以指导医生对肺结核患者的后续治疗。
39.具体的，在本发明提供的优选实施方式中，所述将待诊断的肺结核患者的ct图像预处理后输入所述优化三维resnet模型中，对比所述分类阈值得到分类结果具体包括以下步骤：将待诊断的肺结核患者的ct图像进行预处理和归一化，得到处理ct图像；将所述处理ct图像输入到优化三维resnet模型中进行检测分析，得到模型预测概率值；根据所述分类阈值进行对比，将所述模型预测概率值对应的患者分类为强排菌能力或者弱排菌能力。
40.进一步的，在本发明提供的又一个优选实施方式中，一种基于ct图像分析的肺结核排菌能力检测系统，所述系统包括影像数据获取单元、标记分类获取单元、结果划分处理单元、模型训练单元、模型测试单元和分类结果生成单元，其中：影像数据获取单元，用于获取多个肺结核患者的ct影像数据。
41.标记分类获取单元，用于获取专家对所述ct影像数据进行的ct数据标记分类，得到标记分类结果。
42.结果划分处理单元，用于将所述ct影像数据和对应的标记分类结果划分成训练集和测试集，并进行数据预处理，得到预处理训练集和预处理测试集。
43.模型训练单元，用于将所述预处理训练集输入到三维resnet模型中进行训练，得到优化三维resnet模型。
44.模型测试单元，用于将所述预处理测试集输入到所述优化三维resnet模型进行测试，选定分类阈值。
45.分类结果生成单元，用于将待诊断的肺结核患者的ct图像预处理后输入所述优化三维resnet模型中，对比所述分类阈值得到分类结果。
46.应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
47.以上所述实施描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
48.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。