一种基于腹部CT的脂肪肝智能分级评定方法

技术领域

本发明涉及智能医学影像诊断领域，尤其涉及一种基于腹部CT的脂肪肝智能分级评定方法。

背景技术

当今人类的膳食结构和活动方式发生了巨大的变化，小康生活使得人们饮食中获取过剩的脂肪，然而体力劳动却减轻很多，这也间接诱发了好多富贵病。脂肪肝作为一种较常见的消化系统疾病，是由于各种原因引起的肝细胞内脂肪代谢异常，导致堆积过多的脂肪。脂肪肝早期诊断并及时治疗常可恢复正常，临床上常采用B超、CT等影像学技术对脂肪肝作定性、定量诊断，使用CT检查时由于脂肪的堆积，脂肪肝主要表现为肝脏密度降低，影像诊断学中常采用肝/脾CT比值来给脂肪肝定级，肝/脾CT比值小于0.5为重度脂肪肝，肝/脾CT比值小于0.7为中度脂肪肝，肝/脾CT比值小于1为轻度脂肪肝，据此对脂肪肝的严重程度进行评估，进而给出定量诊断。

目前针对脂肪肝定级诊断的研究方法，常采用影像医生手工分割出肝组织和脾组织，选定肝组织和脾组织中的某个子区域，计算子区域的CT灰度均值，以两者的CT比值来对脂肪肝评定分级。人工分割CT影像耗时耗力，随后出现了半自动的分割方法，但同样需要在CT影像上给出器官的初始分割曲线，方能实现器官的分割。近年来伴随人工智能与大数据技术的发展，基于深度学习的医学影像研究受到广泛的关注，使用深度学习技术实现医学影像的全自动分割成为一种趋势。

发明内容

本发明针对背景技术的不足提供一种基于腹部CT的脂肪肝智能分级评定方法，其使用深度学习技术实现了肝组织和脾组织的全自动分割，从而对脂肪肝的严重程度评定分级。

本发明解决其技术问题所采用的技术方案是：

一种基于腹部CT的脂肪肝智能分级评定方法，具体包括以下步骤：

步骤1、读取患者腹部CT影像，选取肝、脾最大面积对应的附近4层切片构建训练样本集，对训练样本集数据进行预处理；

步骤2、构建U-Net分割网络模型，将训练样本送入该分割网络模型进行监督学习，分割模型经训练收敛后，使用该模型来分割CT影像，分割出影像中的肝组织和脾组织；

步骤3、分别对肝组织和脾组织作网格化切割，获得若干相同面积的矩形小区域，在两个组织的内部随机选取5个矩形小区域作为采样区域，计算各自的灰度均值作为肝CT值和脾CT值，最终依据肝脾CT比值对脂肪肝分级。

作为本发明基于腹部CT的脂肪肝智能分级评定方法的进一步优选方案，所述步骤1具体包括：

步骤1.1：读取患者腹部CT影像DCM文件，选取包含肝、脾最大面积对应的附近4层切片；

步骤1.2：使用窗宽窗位技术校正切片的CT值，使用缩放技术调整CT切片的尺寸，使用图像连通区域法消除影像中的设备背景干扰信息；

步骤1.3：影像医生对选定的4层切片手工分割，获得肝组织和脾组织的掩摸图，以此来构建训练样本数据集。

作为本发明基于腹部CT的脂肪肝智能分级评定方法的进一步优选方案，所述步骤2具体包括：

步骤2.1：构建U-Net分割网络模型，U-Net网络结构主要包括卷积层、池化层、级联层、反卷积层，卷积层利用卷积核提取输入像上的特征图，池化层是对每个特征图进行下采样操作，反卷积层是对特征图填补后做卷积操作，级联层是将两个特征图进行组合的操作；

步骤2.2：将训练样本集送入该分割网络模型进行监督学习，初始化权重参数，设置学习速率，使用Adam优化器迭代训练多次，直至分割模型收敛；

步骤2.3：使用该模型来分割CT切片，分割出影像中的肝组织和脾组织；

作为本发明基于腹部CT的脂肪肝智能分级评定方法的进一步优选方案，所述步骤3具体包括：

步骤3.1：依次对分割后的两部分器官组织作网格化切割，获得肝组织和脾组织内部的若干相同面积的矩形小区域；

步骤3.2：随机选取两个器官组织内部的5个矩形小区域作为器官组织的采样区域；

步骤3.3：分别计算两个器官各自的灰度均值作为肝CT值和脾CT值，最终以肝脾CT比值对脂肪肝分级。

通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

(1). 肝组织和脾组织的全自动分割：利用深度学习卷积神经网络模型实现对腹部CT图像中各器官的全自动分割。

(2). 脂肪肝的分级评定：选取器官组织CT图像内部多个子区域的灰度均值计算肝/脾CT比值，更加客观的给出评定结果。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明实施例中的基于腹部CT的脂肪肝智能分级评定方法的流程图；

图2是本发明实施例中某患者的腹部CT影像；

图3是本发明实施例中使用U-Net模型分割器官的流程图；

图4是本发明实施例中某患者肝组织和脾组织器官的切割图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明一种基于腹部CT的脂肪肝智能分级评定方法。如图所示，所述方法包括以下步骤：

步骤1、对患者腹部CT影像数据预处理，使用Python编程开发技术读取DCM影像文件，将文件转换成三维数组矩阵，对该矩阵进行数据规约，具体步骤包括：

步骤1.1：选取包含肝、脾最大面积对应的附近4层切片，使用Python编程技术中的SimpleITK工具包读取患者腹部CT影像DCM文件；

步骤1.2：使用窗宽窗位技术校正切片的CT值，窗宽值为400hu，窗位值为100hu，使用双线性内插值技术调整CT切片的尺寸，调整后切片大小为256*256，使用图像连通区域法消除影像中的设备背景干扰信息；

步骤1.3：影像医生对选定的4层切片手工分割，获得肝组织和脾组织的掩摸图，以此来构建训练样本数据集。

步骤2、构建U-Net分割网络模型，将训练样本送入该分割网络模型进行监督学习，分割模型经训练收敛后，使用该模型来分割CT影像，分割出影像中的肝组织和脾组织，具体步骤包括：

步骤2.1：使用Keras框架工具包构建U-Net分割网络模型，U-Net网络结构主要包括卷积层、池化层、级联层、反卷积层，卷积层利用卷积核提取输入像上的特征图，池化层是对每个特征图进行下采样操作，反卷积层是对特征图填补后做卷积操作，级联层是将两个特征图进行组合的操作；

步骤2.2：将训练样本集送入该分割网络模型进行监督学习，batchsize设置为1，设置学习速率learning rate为0.001，使用Adam优化器迭代训练，epoch次数为10，直至分割模型收敛；

步骤2.3：输入CT切片图像，使用该模型来分割CT切片，输出肝组织和脾组织的掩摸图，最终分割出影像中的肝组织和脾组织；

步骤3、分别对肝组织和脾组织作网格化切割，获得若干相同面积的矩形小区域，在两个组织的内部随机选取5个矩形小区域作为采样区域，计算各自的灰度均值作为肝CT值和脾CT值，最终依据肝脾CT比值对脂肪肝分级，具体步骤包括：

步骤3.1：依次对分割后的两部分器官组织作网格化切割，获得肝组织和脾组织内部的若干相同面积的矩形小区域；

步骤3.2：随机选取两个器官组织内部的5个矩形小区域作为器官组织的采样区域；

步骤3.3：分别计算两个器官各自的灰度均值作为肝CT值和脾CT值，进一步计算肝脾CT比值，最终以该值对脂肪肝分级评定。

实施例一

本发明一个实施例的基于腹部CT的脂肪肝智能分级评定方法及系统，具体包括以下步骤：

步骤1、对如图2所示的患者腹部CT影像数据预处理，使用SimpleITK工具包读取DCM影像文件，使用Numpy工具包将文件转换成数组矩阵，使用窗宽窗位技术校正切片的CT值，窗宽值为400hu，窗位值为100hu，使用双线性内插值技术调整CT切片的尺寸，调整后切片大小为256*256，使用图像连通区域法消除影像中的设备背景干扰信息；

步骤2、输入CT切片图像，使用U-Net分割模型分割患者CT切片，输出肝组织和脾组织各自的掩摸图，最终分割出影像中的肝组织和脾组织，图3是U-Net模型分割器官的流程图；

步骤3、依次对分割后的两部分器官组织作网格化切割，获得肝组织和脾组织内部的若干相同面积的矩形小区域，选取两个器官组织内部的5个矩形小区域作为器官组织的采样区域，分别计算两个器官各自的灰度均值作为肝CT值和脾CT值，进一步计算肝脾CT比值，给出脂肪肝的分级结果。图4是肝组织和脾组织器官的切割图。

基于深度学习技术，本发明实现了一种肝组织和脾组织的全自动分割，较传统的人工分割和半自动分割更加智能化，进一步基于肝/脾CT比值实现脂肪肝的分级评定。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。