[发明专利]气道分类方法及其装置、计算机可读存储介质

权利要求书

1.一种气道分类方法，其特征在于，所述方法包括：

获取气道图像数据；

对所述气道图像数据进行分割，以得到气道区域图像数据；

将所述气道图像数据和所述气道区域图像数据进行连接，以得到二通道数据；

将所述二通道数据输入至预先训练的深度学习网络，以确认所述气道图像中的气道是否为困难气道。

2.根据权利要求1所述的气道分类方法，其特征在于，所述深度学习网络包括深度学习特征提取网络模型和深度学习分类网络模型，

所述将所述二通道数据输入至预先训练的深度学习网络，以确认所述气道图像中的气道是否为困难气道的步骤具体包括：

将所述二通道数据输入至预先训练的深度学习特征提取网络模型进行特征提取得到气道特征图；

将所述气道特征图输入到预先训练的深度学习分类网络模型进行识别确定所述气道是否为困难气道。

3.根据权利要求2所述的气道分类方法，其特征在于，

所述对所述气道图像数据进行分割，以得到气道区域图像数据的步骤具体包括：

设定阈值，使用阈值分割对所述气道图像数据进行二值化处理，以提取初始气道区域图像；

对所述初始气道区域图像进行预处理，所述预处理包括孔洞填充和小区域去除；

构建气道模板并通过所述气道模板在所述初始气道区域图像中确定种子点；

根据所述种子点的连通域内的体素点在所述气道图像数据的体素点中所占的比例确定所述种子点的连通域是否为所述气道区域图像。

4.根据权利要求3所述的气道分类方法，其特征在于，

所述构建气道模板并通过所述气道模板在所述初始气道区域图像中确定种子点的步骤具体包括：

构建气道模板；

将所述气道模板与所述初始气道区域图像中各体素点的连通域进行匹配；

将所述连通域与所述气道模板重合度最高的体素点确定为所述种子点。

5.根据权利要求3所述的气道分类方法，其特征在于，

所述根据所述种子点的连通域内的体素点在所述气道图像数据的体素点中所占的比例确定所述种子点的连通域是否为所述气道区域图像的步骤具体包括：

判断所述种子点的连通域内的体素点在所述气道图像数据的体素点中所占的比例是否在0.2％～0.8％范围内；

如果所述比例在所述范围内，则确定所述种子点的连通域为所述气道区域图像。

6.根据权利要求2所述的气道分类方法，其特征在于，

所述获取气道图像数据的步骤之前还包括：

对所述深度学习网络进行训练，其中，所述深度学习特征提取网络模型和所述深度学习分类网络模型具有三维卷积核。

7.根据权利要求6所述的气道分类方法，其特征在于，

所述对所述深度学习网络进行训练的步骤具体包括：

获取第一训练样本集，所述第一训练样本集包括医学CT(Computed Tomography，计算机X线断层扫描)图像公开数据集中的多个第一图像样本，所述第一图像样本包括图像数据以及所述扫描图像数据对应的真实掩膜区域图像；其中，同一所述图像数据堆叠成二通道数据；

将所述二通道数据输入到初始特征提取网络模型中进行特征提取得到特征图；

将所述特征图输入到解码器中进行分割得到所述图像数据的预测掩膜区域图像；

通过所述预测掩膜区域图像与所述真实掩膜区域图像构建第一损失函数；

利用所述第一损失函数对所述初始特征提取网络模型进行迭代预训练得到特征提取网络模型。