一种基于影像组学的胸部X光肺结核活动预测装置
文献发布时间:2024-04-18 19:59:31
技术领域
本发明涉及医疗器械技术领域,具体为一种基于影像组学的胸部X光肺结核活动预测装置。
背景技术
肺结核是一种重要的公共卫生问题,而X光胸片是一种常用的肺结核筛查和诊断的影像检查方法。然而,在现有技术中,关于肺结核病灶的分析通常是由人工完成,因此需要耗费大量的时间和人力资源,存在分析效率和准确性较低的问题。
发明内容
本发明的目的在于提供一种基于影像组学的胸部X光肺结核活动预测装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于影像组学的胸部X光肺结核活动预测装置,包括图像亮度标准化模块、Unet分割网络模块、组学特征提取模块、组学特征分类模块和pyradiomics库,所述Unet分割网络模块分别与图像亮度标准化模块和组学特征提取模块建立数据连接,组学特征提取模块分别与组学特征分类模块和pyradiomics库建立数据连接。
优选的,所述图像亮度标准化模块采用以下亮度标准化公式:
其中,I
优选的,所述Unet分割网络模块包括编码器、解码器和跳跃连接,且编码器和解码器通过跳跃连接建立数据连接。
优选的,所述编码器用于从输入图像中提取特征,逐渐减小特征图的空间尺寸。
优选的,所述编码器包括多个卷积层和池化层,每个卷积层通常包含卷积核和激活函数,编码器的任务是逐步捕获图像的局部特征和全局上下文信息。
优选的,所述解码器用于将编码器提取的特征转化为与输入图像相同尺寸的分割掩模。
优选的,所述解码器包括上采样层和卷积层,解码器的任务是还原特征图的空间尺寸,并生成分割掩模。
优选的,所述Unet分割网络模块在训练过程中采用Dice作为损失函数,用于度量模型的预测与实际分割掩模之间的差异,Unet分割网络模块通过输出层输出分割掩模,用于指示图像中每个像素属于哪个区域。
优选的,所述组学特征提取模块所提取的特征包括形状特征、灰度共生矩阵特征、灰度值直方图特征、小波变换特征、Gabor滤波特征、区域相关性特征和边缘特征。
优选的,所述组学特征分类模块的构建方法具体包括:
a.特征选择:使用递归特征消除法,选择最相关的组学特征,以减少维度;
b.建立模型库:建立机器学习分类模型库,包括支持向量机和随机森林;
c.模型训练和交叉验证:使用训练数据集,对所选的分类模型进行训练,使用K折交叉验证来评估模型的性能,确保模型具有良好的泛化性能;K折交叉验证公式为:
其中:CV是交叉验证的性能度量,是均方误差,K是折叠的数量,通常为5或10,Performance(k)是第k次验证的性能度量结果;
d.模型评估:使用测试数据集评估模型的性能,包括准确度、召回率、精确度和F1分数;
e.最佳模型选择:选择步骤d中性能最佳的模型作为组学特征分类模块的分类器。
与现有技术相比,本发明的有益效果是:本发明通过对X光胸片进行基于关键点位的图像亮度标准化,对标准化后的影像采用Unet分割网络模块进行肺结核病灶自动分割,分割后的病灶采用pyradiomics库进行标准化组学特征提取,利用提取到的组学特征进行病灶活动性陈旧性分类判断,以此代替人工分析,节省了时间和人力资源,提高了分析效率和准确性。
附图说明
图1为本发明的结构框图;
图2为本发明的实施流程图。
图中:1、图像亮度标准化模块;2、Unet分割网络模块;21、编码器;22、解码器;23、跳跃连接;3、组学特征提取模块;4、组学特征分类模块;5、pyradiomics库。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
请参阅图1-2,本发明提供的一种实施例:一种基于影像组学的胸部X光肺结核活动预测装置,包括图像亮度标准化模块1、Unet分割网络模块2、组学特征提取模块3、组学特征分类模块4和pyradiomics库5,Unet分割网络模块2分别与图像亮度标准化模块1和组学特征提取模块3建立数据连接,组学特征提取模块3分别与组学特征分类模块4和pyradiomics库5建立数据连接,图像亮度标准化模块1用于消除亮度差异,使得后续处理更加稳定,Unet分割网络模块2用于分割亮度标准化后的图像,输出分割掩模,组学特征提取模块3利用pyradiomics库5提取肺结核病灶组学特征,组学特征分类模块4用于对组学特征进行分类并输出结果;图像亮度标准化模块1采用以下亮度标准化公式:
其中,I
a.特征选择:使用递归特征消除法,选择最相关的组学特征,以减少维度;
b.建立模型库:建立机器学习分类模型库,包括支持向量机和随机森林;
c.模型训练和交叉验证:使用训练数据集,对所选的分类模型进行训练,使用K折交叉验证来评估模型的性能,确保模型具有良好的泛化性能;K折交叉验证公式为:
其中:CV是交叉验证的性能度量,是均方误差MSE,K是折叠的数量,通常为5或10,Performance(k)是第k次验证的性能度量结果;
d.模型评估:使用测试数据集评估模型的性能,包括准确度、召回率、精确度和F1分数;
e.最佳模型选择:选择步骤d中性能最佳的模型作为组学特征分类模块4的分类器。
工作原理:将X光胸片输送给装置,装置利用图像亮度标准化模块1消除亮度差异,使图像亮度标准化,Unet分割网络模块2分割亮度标准化后的图像,输出分割掩模,组学特征提取模块3利用pyradiomics库5提取分割后的肺结核病灶的组学特征,组学特征分类模块4对组学特征进行分类并输出结果;Unet分割网络模块2通过编码器21从输入图像中提取特征,逐渐减小特征图的空间尺寸,通过解码器22将编码器21提取的特征转化为与输入图像相同尺寸的分割掩模,通过跳跃连接23将解码器22和编码器21之间的特征图连接在一起,有助于在解码器22中恢复细节信息,从而提高分割的准确性,跳跃连接23允许解码器22访问编码器21中的高级语义特征,组学特征提取模块3所提取的特征包括形状特征、灰度共生矩阵特征、灰度值直方图特征、小波变换特征、Gabor滤波特征、区域相关性特征和边缘特征,形状特征描述了肺结核病灶的形状和几何特性,例如面积、周长、长宽比等,常见的形状特征包括面积、周长、紧凑度、凸度等,灰度共生矩阵特征反映了不同像素之间的灰度关系,如纹理特征,常见的特征包括能量、对比度、相关性、熵等,灰度值直方图特征描述了像素灰度值的分布情况,包括均值、标准差、峰度、偏度等,小波变换特征是图像中的局部特征和频率信息,可以提取不同尺度和方向上的特征,Gabor滤波特征是图像中的纹理特征,可以提取纹理方向和频率信息,区域相关性特征描述了病灶内不同区域之间的相关性,如相关矩阵特征,边缘特征描述图像中的边缘和轮廓特征。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
- 具有引脚组织器的连接器组件
- 不使用拉杆电镀印刷电路板的边缘连接器引脚
- 一种采用印刷电路板及其边缘电镀工艺的连接器