[发明专利]基于深度学习的病灶体积测量方法、系统、终端及存储介质

说明书

本申请提供一种基于深度学习的病灶体积测量方法、系统、终端及存储介质，包括：采集CT图像2D层面数据；根据医生对CT图像2D层面数据的标注结果确定标准标注数据；将CT图像2D层面数据输入至预设深度学习网络模型，将模型预测结果和标准标注数据对比进行模型参数更新，得到训练好分割网络模型；获取待测试CT图像2D层面数据，并将其输入至训练好分割网络模型，预测2D层面分割结果；将各2D层面上预测分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；根据所述3D分割结果计算出各种病灶体积；将相同患者的各种病灶数量和体积按照检测时间绘制波形图进行可视化显示；实现了病灶数量体积的测量及病灶发展趋势呈现。

技术领域

本申请涉及医学影像和计算机辅助技术领域，尤其是涉及一种基于深度学习的病灶体积测量方法、系统、终端及存储介质。

背景技术

新型冠状病毒潜伏期1‑14天，一般为3‑7天,以发热、乏力、干咳为主要表现，少数患者伴有鼻塞、流涕、腹泻等症状。部分重症患者由无明显呼吸困难的低氧血症在发病一周后发展为呼吸困难和/或低氧血症，严重者快速进展为急性呼吸窘迫综合征、脓毒症休克、难以纠正的代谢性酸中毒和出凝血功能障碍等。可见其在患者体内发展迅速发展的速度，并且易造成患者出现呼吸系统问题，导致不得不使用外部设备辅助呼吸。

目前，新型冠状病毒感染的肺炎诊疗方案（试行第五版）已将“疑似病例具有肺炎影像学特征者”作为湖北省临床诊断病例标准，通过在胸部CT影像中观察患者的肺内情况，作为目前2019nCoV肺炎筛查的主要依据。目前仅能通过视觉观察的方式判断病灶是否有变化。由于CT是将患者的部分组织进行断层重建，重建出多层的切面图像，单层的大小不代表病灶的真实大小，因此病灶的体积在2D平面无法准确的判断，存在因为空间感造成的判断误差；再加上时间维度，多次的病灶的定量更无法简单通过观察的方式记录准确的增长或者下降，尤其是新型冠状病毒肺炎侵犯的肺部，病灶为不均匀分布，非规则的形状，一旦病灶的形态位置发生改变更加无法准确的定位病灶和测量病灶的大小数量。

因此，目前亟需一种基于深度学习的病灶体积测量方法，以实现病灶数量和体积的快速准确测量及病灶发展趋势的结果呈现。

发明内容

针对现有技术的上述不足，本申请提供一种基于深度学习的病灶体积测量方法、系统、终端及存储介质，通过对2D层面图像的每一个像素点进行类别的判定，然后将相邻像素相同类别的点进行合并，并通过累加的方式将多层的病灶区域相加，得到该病灶的体积。

第一方面，为解决上述技术问题，本申请提供一种基于深度学习的病灶体积测量方法，包括：

采集CT图像2D层面数据；

根据医生对CT图像2D层面数据的标注结果，确定标准标注数据；

将CT图像2D层面数据输入至预设的深度学习网络模型，将模型自身的预测结果和标准标注数据对比计算损失，通过梯度反传算法进行模型参数更新，得到训练好的分割网络模型；

获取待测试CT图像2D层面数据，并将其输入至训练好的分割网络模型，预测2D层面分割结果；

将各2D层面上预测的分割结果按照是否属于同一病灶区域合并成3D分割区域，通过3D分割区域连接获得3D分割结果；

根据所述3D分割结果计算出各病灶的体积；

将相同患者的各种病灶数量和体积按照检测时间绘制波形图进行可视化显示。

可选的，所述病灶包括磨玻璃阴影、实变影、结节、纤维化、胸腔积液、白肺多种性质病灶。

可选的，所述将CT图像2D层面数据输入至预设的深度学习网络模型，将模型自身的预测结果和标准标注数据对比计算损失，通过梯度反传算法进行模型参数更新，得到训练好的分割网络模型，包括：