本發(fā)明涉及圖像分析，具體為一種基于平掃ct數(shù)據(jù)的醫(yī)學圖像分析方法及系統(tǒng)。

背景技術：

1、醫(yī)學成像技術是現(xiàn)代醫(yī)療系統(tǒng)中不可或缺的一部分，它為臨床診斷和治療提供了必要的視覺信息，特別是計算機斷層掃描（ct）技術，由于其能夠提供高分辨率的身體內(nèi)部圖像，已成為評估各種疾病，特別是肺部疾病的重要工具，然而，傳統(tǒng)的ct圖像分析多依賴于放射科醫(yī)生的經(jīng)驗進行視覺解讀，這不僅耗時，而且容易受限于個體醫(yī)生的經(jīng)驗差異，可能導致診斷的不一致性和誤診。

2、隨著數(shù)字圖像處理技術的發(fā)展，特別是深度學習技術的興起，計算機輔助診斷系統(tǒng)（cad）已經(jīng)開始在醫(yī)學成像領域展現(xiàn)出巨大的潛力，這些系統(tǒng)通過自動化處理和分析醫(yī)學圖像數(shù)據(jù)，可以輔助醫(yī)生更快、更準確地識別病理特征，從而提高診斷效率和精度，盡管如此，現(xiàn)有的系統(tǒng)仍面臨著處理復雜數(shù)據(jù)、提高系統(tǒng)泛化能力以及與臨床流程無縫集成等挑戰(zhàn)。

3、對于肺部疾病診斷尤其如此，肺部的結構復雜且與周圍組織的對比度不高，這使得從傳統(tǒng)的二維ct圖像中準確識別和定量肺部病變變得尤為困難，此外，二維圖像無法有效表示肺部結構的三維形態(tài)，這限制了對疾病的全面評估，因此，發(fā)展一種能夠基于平掃ct數(shù)據(jù)自動重建肺部三維模型并進行高精度分析的系統(tǒng)，是提高肺部疾病診斷與治療效率的關鍵。

4、現(xiàn)有技術存在的局限至少包括如下問題，首先，傳統(tǒng)技術通常依賴于二維圖像或是簡單的三維重建，未能充分利用現(xiàn)代醫(yī)學成像技術提供的數(shù)據(jù)豐富性，從而容易導致在分析過程中難以充分理解疾病的空間分布和組織的詳細變化，進而影響診斷的準確性和治療的個性化，其次，現(xiàn)有的分析方法往往依賴醫(yī)生的經(jīng)驗進行圖像的解讀，缺乏可以系統(tǒng)化、自動化提取圖像特征的工具，這不僅增加了醫(yī)生的工作負擔，也容易導致由于主觀判斷的不同導致診斷結果之間的差異，并且，傳統(tǒng)方法在評估肺部健康狀況時往往缺乏清晰的量化標準，這使得跨時間點的病情監(jiān)測和效果評估缺乏精確度，難以系統(tǒng)地跟蹤疾病進程或評價治療效果。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提供了一種基于平掃ct數(shù)據(jù)的醫(yī)學圖像分析方法及系統(tǒng)，解決了傳統(tǒng)技術通常依賴于二維圖像或是簡單的三維重建，未能充分利用現(xiàn)代醫(yī)學成像技術提供的數(shù)據(jù)豐富性，從而容易導致在分析過程中難以充分理解疾病的空間分布和組織的詳細變化，進而影響診斷的準確性和治療的個性化，其次，現(xiàn)有的分析方法往往依賴醫(yī)生的經(jīng)驗進行圖像的解讀，缺乏可以系統(tǒng)化、自動化提取圖像特征的工具，這不僅增加了醫(yī)生的工作負擔，也容易導致由于主觀判斷的不同導致診斷結果之間的差異，并且，傳統(tǒng)方法在評估肺部健康狀況時往往缺乏清晰的量化標準，這使得跨時間點的病情監(jiān)測和效果評估缺乏精確度，難以系統(tǒng)地跟蹤疾病進程或評價治療效果的問題。

2、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：一種基于平掃ct數(shù)據(jù)的醫(yī)學圖像分析方法，包括以下步驟：獲取患者的胸部平掃ct數(shù)據(jù)，所述胸部平掃ct數(shù)據(jù)包括若干個掃描位置的胸部橫截面圖像數(shù)據(jù)；基于患者的胸部平掃ct數(shù)據(jù)建立患者胸部三維模型；對患者胸部三維模型進行分割處理，得到患者肺部三維模型；將患者肺部三維模型輸入至預先訓練的深度學習模型中進行還原分析，得到患者肺部健康三維模型；基于患者肺部三維模型和患者肺部健康三維模型分析患者的肺部健康評分指標，并根據(jù)預設的評分規(guī)則劃分患者的肺部健康等級。

3、進一步地，所述胸部橫截面圖像數(shù)據(jù)包括若干個胸部橫截面像素點的像素值。

4、進一步地，基于患者的胸部平掃ct數(shù)據(jù)建立患者胸部三維模型的具體步驟如下：讀取每個掃描位置的胸部橫截面圖像數(shù)據(jù)，并進行掃描位置排序堆疊處理，得到患者的胸部初始三維模型；對患者的胸部初始三維模型進行插值判斷處理，得到患者胸部三維模型，所述患者胸部三維模型包括若干個胸部體素點的體素值。

5、進一步地，得到患者肺部三維模型的具體步驟如下：基于預設的體素閾值范圍對患者胸部三維模型中的若干個胸部體素點進行初步篩選分析，得到若干個初始肺部體素點；分別分析每個初始肺部體素點的lbp值；基于預設的lbp閾值對每個初始肺部體素點進行篩選分析，得到若干個肺部體素點，并進行連接處理，得到患者肺部三維模型。

6、進一步地，分析每個初始肺部體素點的lbp值的具體步驟如下：對于每個初始肺部體素點，分別識別預設的鄰域范圍內(nèi)的相鄰初始肺部體素點；將每個初始肺部體素點分別與預設的鄰域范圍內(nèi)的相鄰初始肺部體素點進行綜合分析，得到每個初始肺部體素點的lbp值，其計算公式如下：；其中，為第個初始肺部體素點的lbp值，為符號函數(shù)，為第個初始肺部體素點的預設鄰域范圍內(nèi)的第個相鄰初始肺部體素點的體素值，為第個初始肺部體素點的體素值，，為初始肺部體素點個數(shù)，，為初始肺部體素點的預設鄰域范圍內(nèi)的相鄰初始肺部體素點個數(shù)。

7、進一步地，預先訓練的深度學習模型具體為變分自編碼器，得到患者肺部健康三維模型的具體步驟如下：加載預先訓練的變分自編碼器；將患者肺部三維模型輸入至變分自編碼器的編碼器中進行編碼處理；在編碼處理結束后，由變分自編碼器中的解碼器進行解碼重構處理，得到患者肺部健康三維模型，所述患者肺部健康三維模型包括若干個胸部健康體素點的健康體素值。

8、進一步地，基于患者肺部三維模型和患者肺部健康三維模型分析患者的肺部健康評分指標的具體步驟如下：將患者肺部三維模型中每個胸部體素點的體素值分別與患者肺部健康三維模型中每個胸部健康體素點的健康體素值進行綜合分析，得到患者的肺部體素強度偏差評分指標、肺部體素變異度評分指標；對患者的肺部體素強度偏差評分指標、肺部體素變異度評分指標進行綜合分析，得到患者的肺部健康評分指標；其中，計算患者的肺部健康評分指標的具體公式如下：；其中，為患者的肺部健康評分指標，為患者的肺部體素強度偏差評分指標，為患者的肺部體素強度偏差評分指標的加權系數(shù)，為患者的肺部體素變異度評分指標，為患者的肺部體素變異度評分指標的加權系數(shù)，，為自然常數(shù)。

9、進一步地，得到患者的肺部體素強度偏差評分指標、肺部體素變異度評分指標的具體步驟如下：讀取患者肺部三維模型中每個胸部體素點的體素值，并分別與患者肺部健康三維模型中每個胸部健康體素點的健康體素值進行差值均值分析，得到患者的肺部體素差值均值；將患者肺部三維模型中每個胸部體素點的體素值分別與患者肺部健康三維模型中每個胸部健康體素點的健康體素值的進行標準差分析，得到患者的肺部體素差值標準差；將患者的肺部體素差值均值、肺部體素差值標準差進行綜合分析，得到患者的肺部體素強度偏差評分指標、肺部體素變異度評分指標。

10、進一步地，計算患者的肺部體素差值均值、肺部體素差值標準差、肺部體素強度偏差評分指標、肺部體素變異度評分指標的具體公式如下：

11、；

12、其中，為患者的肺部體素差值均值，為患者肺部三維模型中第個胸部體素點的體素值，為患者肺部三維模型對應的患者肺部健康三維模型中第個胸部健康體素點的健康體素值，為患者肺部三維模型中第個胸部體素點的體素值的加權系數(shù)，為患者肺部三維模型中第個胸部體素點的體素值，為患者肺部三維模型對應的患者肺部健康三維模型中第個胸部健康體素點的健康體素值，為患者肺部三維模型中第個胸部體素點的體素值的加權系數(shù)，，為患者的肺部體素差值標準差，為患者的肺部體素強度偏差評分指標，為患者的肺部體素變異度評分指標，為患者的肺部體素差值均值的權重系數(shù)，為患者的肺部體素差值標準差的權重系數(shù)，，，為胸部體素點個數(shù)。

13、一種基于平掃ct數(shù)據(jù)的醫(yī)學圖像分析系統(tǒng)，包括：數(shù)據(jù)獲取模塊、三維模型建立模塊、分割模塊、還原模塊、健康分析模塊；所述數(shù)據(jù)獲取模塊，用于獲取患者的胸部平掃ct數(shù)據(jù)，所述胸部平掃ct數(shù)據(jù)包括若干個掃描位置的胸部橫截面圖像數(shù)據(jù)；所述三維模型建立模塊，用于基于患者的胸部平掃ct數(shù)據(jù)建立患者胸部三維模型；所述分割模塊，用于對患者胸部三維模型進行分割處理，得到患者肺部三維模型；所述還原模塊，用于將患者肺部三維模型輸入至預先訓練的深度學習模型中進行還原分析，得到患者肺部健康三維模型；所述健康分析模塊，用于基于患者肺部三維模型和患者肺部健康三維模型分析患者的肺部健康評分指標，并根據(jù)預設的評分規(guī)則劃分患者的肺部健康等級。

14、本發(fā)明具有以下有益效果：

15、（1）、該基于平掃ct數(shù)據(jù)的醫(yī)學圖像分析方法，通過使用深度學習模型自動重建健康肺部的三維模型，并與患者的實際肺部模型進行比較，從而能夠提供更精確的疾病診斷，這種自動化的比較減少了人為的誤差，提高了分析的效率，使得醫(yī)生可以快速準確地識別出病變區(qū)域和疾病程度，從而制定出更有效的治療計劃。

16、（2）、該基于平掃ct數(shù)據(jù)的醫(yī)學圖像分析方法，通過利用變分自編碼器等深度學習技術，從而能夠根據(jù)患者具體的肺部情況生成個性化的健康肺部模型，這種模型不僅能用于當前的健康評估，還可以作為治療效果評估的基準，隨著治療的進行，通過定期掃描和模型比較，醫(yī)生可以實時監(jiān)控治療效果，調整治療方案。

17、（3）、該基于平掃ct數(shù)據(jù)的醫(yī)學圖像分析方法，通過將復雜的醫(yī)學圖像數(shù)據(jù)轉化為易于理解的三維模型和直觀的健康評分，使得患者能夠更好地理解自己的健康狀況，從而有助于增強患者對治療過程的信任和滿意度。

18、當然，實施本發(fā)明的任一產(chǎn)品并不一定需要同時達到以上所述的所有優(yōu)點。