本發(fā)明屬于醫(yī)療影像大數(shù)據(jù)分類研究領(lǐng)域，特別是涉及一種基于機器學(xué)習(xí)的肺部氣胸ct影像分類診斷方法。

背景技術(shù)：

隨著計算機技術(shù)和醫(yī)療影像技術(shù)的發(fā)展，特別是最近發(fā)展迅速的機器學(xué)習(xí)，深度學(xué)習(xí)和大數(shù)據(jù)技術(shù)，給現(xiàn)代醫(yī)療影像診斷的發(fā)展提供了巨大的技術(shù)支持。因此有必要將這些技術(shù)運用到計算機輔助診斷系統(tǒng)中，利用機器學(xué)習(xí)，深度學(xué)習(xí)和大數(shù)據(jù)技術(shù)自身的強大優(yōu)勢，進(jìn)一步提高醫(yī)學(xué)影像自動診斷的準(zhǔn)確率和誤診率，減輕臨床醫(yī)生的負(fù)擔(dān)。

氣胸一般認(rèn)為是氣體進(jìn)入胸膜腔形成氣體堆積狀態(tài)，造成氣胸的原因有多種。一般認(rèn)為是由于肺部組織，氣管，支氣管破裂，空氣逸入胸膜腔或者是因為胸壁傷口穿破胸膜，造成胸膜腔與外界聯(lián)通，外界空氣進(jìn)入所致。典型癥狀為突發(fā)性胸痛，繼之有胸悶和呼吸困難，并可有刺激性咳嗽。臨床上氣胸可以分為閉合性氣胸，開放性氣胸，張力性氣胸等，其中閉合性氣胸胸膜破裂口較小，隨肺萎縮而閉合，空氣不再繼續(xù)進(jìn)入胸膜腔；開放性氣胸患者常在傷后迅速出現(xiàn)嚴(yán)重呼吸困難、不安、脈搏細(xì)弱頻數(shù)、發(fā)紺和休克。檢查時可見胸壁有明顯創(chuàng)口通入胸腔，并可聽到空氣隨呼吸進(jìn)出的“嘶嘶”聲音。傷側(cè)叩診鼓音，呼吸音消失，有時可聽到縱隔擺動聲。張力性氣胸破裂口呈單向活瓣或活塞作用，胸膜腔內(nèi)空氣越積越多。

支持向量機(supportvectormachine)是一種分類算法，通過尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機泛化能力，實現(xiàn)經(jīng)驗風(fēng)險和置信范圍的最小化，從而達(dá)到在統(tǒng)計樣本量較少的情況下，亦能獲得良好統(tǒng)計效果的目的。通俗來講，它是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機的學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解。因此本發(fā)明利用醫(yī)學(xué)圖像處理技術(shù)和svm對氣胸進(jìn)行分類診斷，達(dá)到輔助醫(yī)生診斷和提高診斷準(zhǔn)確率降低誤診率的目的。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有氣胸ct影像完全依靠臨床醫(yī)生主觀診斷的不足，本發(fā)明公開了一種基于機器學(xué)習(xí)的肺部氣胸ct影像分類診斷方法。

為了實現(xiàn)上述目的，本發(fā)明公開的分類方法步驟如下：

步驟1，從臨床醫(yī)院中獲得氣胸ct影像數(shù)據(jù)并進(jìn)行氣胸區(qū)域標(biāo)定操作；步驟2，對標(biāo)定后的氣胸ct影像進(jìn)行圖像處理；步驟3，對經(jīng)過圖像處理的ct影像數(shù)據(jù)進(jìn)行正負(fù)樣本標(biāo)定，得到正樣本和負(fù)樣本；步驟4，利用得到的樣本數(shù)據(jù)對svm進(jìn)行訓(xùn)練預(yù)測診斷；步驟5，用訓(xùn)練好的svm模型對肺部氣胸ct影像進(jìn)行分類診斷。

進(jìn)一步地，所述步驟1中的氣胸標(biāo)定區(qū)域包括氣胸區(qū)域的邊界，中心點等。

進(jìn)一步地，所述步驟2中對標(biāo)定后的氣胸ct影像進(jìn)行圖像處理具體步驟包括：

(1)肺部區(qū)域的分割，濾波，增強操作，首先自適應(yīng)閾值法對氣胸ct影像進(jìn)行分割操作，得到二值化圖像；然后由于肺部ct影像自身的復(fù)雜性，存在背景床等噪聲區(qū)域，因此對分割后的ct圖像需要進(jìn)行去除床的操作，采用的方法是區(qū)域生長法，在經(jīng)過閾值分割后的肺mask上設(shè)置種子點生長并進(jìn)行腐蝕操作去掉面積較小的區(qū)域；再對得到的肺mask區(qū)域進(jìn)行高斯濾波去除噪聲并進(jìn)行增強操作，最后對得到的肺區(qū)域進(jìn)行聯(lián)通域分析重新生成標(biāo)簽獲取聯(lián)通域的面積，保留面積最大的區(qū)域作為最終的肺胸腔；

(2)因為人體胸腔內(nèi)部結(jié)構(gòu)復(fù)雜，存在多個非肺部區(qū)域和組織，這反映到肺部ct影像上就是各種噪聲，因此需要對肺胸腔中的這些噪聲進(jìn)行去除，去除方法包括直接閾值分割和基于手動設(shè)定的規(guī)則法進(jìn)行去除，設(shè)定規(guī)則包括這些噪聲的面積、分散度、距離三個屬性，對符合條件的區(qū)域進(jìn)行保留，不符合條件的區(qū)域進(jìn)行舍去，并結(jié)合形態(tài)學(xué)操作進(jìn)行多次膨脹腐蝕操作去掉這些噪聲區(qū)域，得到最終的肺實質(zhì)分割圖像。

進(jìn)一步地，所述步驟3中對經(jīng)過圖像處理的ct影像數(shù)據(jù)進(jìn)行正負(fù)樣本標(biāo)定，得到正樣本和負(fù)樣本的步驟包括：

(1)采用高斯濾波操作對得到的肺實質(zhì)圖像進(jìn)行濾波操作，去掉某些異常噪聲。其中高斯濾波操作中的高斯函數(shù)和高斯核如下：

(2)采用自適應(yīng)閾值法加形態(tài)學(xué)操作提取低密度灶區(qū)域；

(3)對得到的低密度灶區(qū)域進(jìn)行聯(lián)通域分析得到氣胸區(qū)域和非氣胸區(qū)域，其中的氣胸區(qū)域標(biāo)注為正樣本，非氣胸區(qū)域標(biāo)注為負(fù)樣本。

進(jìn)一步地，所述步驟4中對svm進(jìn)行訓(xùn)練預(yù)測診斷過程包括：

(1)將樣本數(shù)據(jù)分為訓(xùn)練集和測試集；

(2)利用訓(xùn)練集對svm進(jìn)行訓(xùn)練得到訓(xùn)練好的svm模型，本發(fā)明采用的主要特征包括圓度，方差，峰度，偏度，灰度共生矩陣中的對比度，差異性，熵，相關(guān)性，角二階矩等，表達(dá)式為：

圓度：其中a為區(qū)域面積，p為區(qū)域周長。

方差：峰度：

偏度：對比度：

熵：-∑p(i,j)ln[p(i,j)]角二階矩：

其中n為圖像像素總和，μ為圖像均值，g(i,j)為圖像像素值，r為圖像大小，p(i,j)為圖像(i,j)點的概率值。

(3)將svm模型在測試集上進(jìn)行測試得到測試結(jié)果。

與現(xiàn)有肺部氣胸ct影像分類診斷方法相比，本發(fā)明的優(yōu)勢在于：(1)利用機器學(xué)習(xí)的方法，將臨床醫(yī)生從繁重的閱片任務(wù)中解脫出來，減輕了醫(yī)生負(fù)擔(dān)；(2)將以往完全依據(jù)醫(yī)生的經(jīng)驗和知識進(jìn)行氣胸疾病診斷改為利用計算機進(jìn)行診斷，提高了診斷的準(zhǔn)確率和誤診率。

附圖說明

為更加清楚的說明本發(fā)明所采用的實現(xiàn)方法，現(xiàn)將對實施例進(jìn)行簡單的介紹，下面描述中的附圖僅僅是本發(fā)明中的一些實施例。

圖1是本發(fā)明的流程圖。

圖2是本發(fā)明所采用的臨床氣胸ct影像原始圖像。

圖3是本發(fā)明二值化閾值分割的效果圖。

圖4是本發(fā)明背景移除后的圖像效果圖。

圖5是本發(fā)明去除肺實質(zhì)部分的效果圖。

圖6是本發(fā)明最終得到的肺區(qū)域效果圖。

圖7是本發(fā)明得到的正樣本效果圖。

圖8是本發(fā)明得到的負(fù)樣本效果圖。

具體實施方式

以下結(jié)合附圖對本發(fā)明的優(yōu)選實施例進(jìn)行說明，應(yīng)當(dāng)理解，此處所描述的優(yōu)選實施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，基于機器學(xué)習(xí)的肺部氣胸ct影像分類診斷方法，步驟包括：步驟1，從臨床醫(yī)院中獲得氣胸ct影像數(shù)據(jù)并進(jìn)行氣胸區(qū)域標(biāo)定操作，其標(biāo)定區(qū)域包括氣胸區(qū)域的邊界，中心點等；步驟2，對標(biāo)定后的氣胸ct影像進(jìn)行圖像處理；步驟3，對經(jīng)過圖像處理的ct影像數(shù)據(jù)進(jìn)行正負(fù)樣本標(biāo)定，得到正樣本和負(fù)樣本；步驟4，利用得到的樣本數(shù)據(jù)對svm進(jìn)行訓(xùn)練預(yù)測診斷分類；步驟5，用訓(xùn)練好的svm模型對肺部氣胸ct影像進(jìn)行分類診斷。

上述步驟2中主要對標(biāo)定后的氣胸ct影像進(jìn)行圖像處理具體包括，肺部區(qū)域的分割，濾波，增強操作，首先自適應(yīng)閾值法對氣胸ct影像進(jìn)行分割操作，得到二值化圖像，如圖3所示，由于肺部ct影像自身的復(fù)雜性，存在背景床等噪聲區(qū)域，因此對分割后的ct圖像需要進(jìn)行去除床的操作，采用的方法是區(qū)域生長法，在經(jīng)過閾值分割后的肺mask上設(shè)置種子點生長并進(jìn)行腐蝕操作去掉面積較小的區(qū)域，下一步是對得到的肺mask區(qū)域進(jìn)行高斯濾波去除噪聲并進(jìn)行增強操作，最后對得到的肺區(qū)域進(jìn)行聯(lián)通域分析重新生成標(biāo)簽獲取聯(lián)通域的面積，保留面積最大的區(qū)域作為最終的肺胸腔，如圖4所示。

由于人體胸腔內(nèi)部結(jié)構(gòu)復(fù)雜，存在多個非肺部區(qū)域和組織。這反映到肺部ct影像上就是各種噪聲，因此需要對圖4中的這些噪聲進(jìn)行去除，去除方法包括直接閾值分割和基于手動設(shè)定的規(guī)則法進(jìn)行去除，如圖5所示。設(shè)定規(guī)則包括這些噪聲的面積、分散度、距離三個屬性，對符合條件的區(qū)域進(jìn)行保留，不符合條件的區(qū)域進(jìn)行舍去，并結(jié)合形態(tài)學(xué)操作進(jìn)行多次膨脹腐蝕操作去掉這些噪聲區(qū)域，得到最終的肺實質(zhì)分割圖像，如圖6所示。

(1)對得到的肺實質(zhì)圖像進(jìn)行濾波操作，去掉某些異常噪聲，主要采用高斯濾波操作，高斯函數(shù)和高斯核如下：

(2)進(jìn)行提取低密度灶操作，采用的是自適應(yīng)閾值法加形態(tài)學(xué)操作提取低密度灶區(qū)域，最后對得到的低密度灶區(qū)域進(jìn)行聯(lián)通域分析得到氣胸區(qū)域和非氣胸區(qū)域，其中的氣胸區(qū)域標(biāo)注為正樣本，如圖7所示，非氣胸區(qū)域標(biāo)注為負(fù)樣本，如圖8所示。

上述步驟4中對svm進(jìn)行訓(xùn)練預(yù)測診斷過程包括：

(1)將樣本數(shù)據(jù)分為訓(xùn)練集和測試集；

(2)利用訓(xùn)練集對svm進(jìn)行訓(xùn)練得到訓(xùn)練好的svm模型，本發(fā)明采用的主要特征包括圓度，方差，峰度，偏度，灰度共生矩陣中的對比度，差異性，熵，相關(guān)性，角二階矩等，表達(dá)式為：

圓度：其中a為區(qū)域面積，p為區(qū)域周長。

方差：峰度：

偏度：對比度：

熵：-∑p(i,j)ln[p(i,j)]角二階矩：

其中n為圖像像素總和，μ為圖像均值，g(i,j)為圖像像素值，r為圖像大小，p(i,j)為圖像(i,j)點的概率值。

(3)將svm模型在測試集上進(jìn)行測試得到測試結(jié)果。

以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不限于本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。