一种体检CT影像数据处理分析系统及其应用的制作方法

本发明涉及医疗数据处理，特别涉及一种体检ct影像数据处理分析系统及其应用。

背景技术：

1、“预防优先”的健康观念已经深入人心，健康体检受到了普遍重视。但现有的健康体检设备普遍存在购置成本高、检查费用高、检查项目单一等问题。以骨骼肌质量检测和体脂测量为例，目前多采用双能x线扫描或生物电阻抗分析，但双能x线扫描并非体检常规检测项目，而生物电阻抗分析对测量者体态、测量者水合状态、测量室温度湿度、电极片的数量都有极为严格的要求，还需考虑不同人群的差异，整个测量流程复杂。

2、目前，胸腹部计算机断层扫描(ct)检查已成为健康体检的重要项目，主要用于检查肺部、胸膜、纵隔、胸壁以及腹腔等部位是否存在病变。ct值是衡量组织密度的一种量化指标，现有临床研究结果表明其能够准确反应人体成分，可用于评价肌肉减少症和营养不良程度等。因此，有望基于体检ct影像数据完成客观准确的人体成分分析。例如，第三腰椎(l3)水平横断面肌肉面积已被证明与全身肌肉质量密切相关，可准确定量地反映全身肌肉质量。但从不同扫描范围的ct序列中准确地识别l3椎体中间的横断面并且提取图像中的肌肉和脂肪，不仅需要专业知识，而且费时费力。考虑到巨大的体检ct影像数据量，单纯依靠人工分析的方式难以满足效率和精度的要求。

3、为了解决现有技术中存在的问题，本发明提供了一种体检ct影像数据处理分析系统及其应用，只需要从体检ct影像中进行自动处理分析，体检人员无需接受额外的x射线和支付其他加检查费用，测量过程自动客观准确。另外，基于自动的椎体分割结果还可进行椎体形态学评价和量化分析，为不以疾病的诊断和治疗为目的的椎体疾病评估、骨密度测量等的研究提供了一种方法。

技术实现思路

1、一种体检ct影像数据处理分析系统，包括：

2、步骤1、构建体检ct影像数据库；

3、步骤2、构建面向联合椎体分类和分割的深度神经网络；

4、步骤3、使用体检ct影像数据库训练所述深度神经网络；

5、步骤4、将待处理的体检ct影像输入到完成训练的深度神经网络模型，进行自动的识别和分割；

6、步骤5、给出分析结果。

7、进一步地，所述步骤1包括：

8、收集多中心的体检ct影像数据，所述ct影像中至少包含有代表第三腰椎的扫描数据，所述ct影像由专家识别并手动标注扫描范围中代表每个椎体的目标点。

9、进一步地，所述椎体分类包括以下数据：第一颈椎c1、第一颈椎c2、第三颈椎c3、第四颈椎c4、第五颈椎c5、第六颈椎c6、第七颈椎c7；第一胸椎t1、第二胸椎t2、第三胸椎t3、第四胸椎t4、第五胸椎t5、第六胸椎t6、第七胸椎t7、第八胸椎t8、第九胸椎t9、第十胸椎t10、第十一胸椎t11、第十二胸椎t12；第一腰椎l1、第二腰椎l2、第三腰椎l3、第四腰椎l4、第五腰椎l5。

10、进一步地，所述深度神经网络结构由图像块嵌入、4个阶段的编码器-解码器、高效成对注意力模块、卷积块和线性分类模块构成，并且同一层的编码器和解码器之间使用跳跃连接以帮助恢复在下采样操作期间丢失的空间信息。

11、5.根据权利要求4所述的一种体检ct影像数据处理分析系统，其特征在于，

12、所述图像块嵌入，是将输入的3d ct影像分成n个尺寸为(r1,r2,r3)且互不重叠的图像块，目的是降低计算复杂度并提高后续特征提取的效率；其中h、w和d分别为输入ct影像的高度、宽度和厚度，r1、r2和r3分别为图像块的高度、宽度和厚度；

13、所述4个阶段依次包括第一阶段、第二阶段、第三阶段、第四阶段；

14、将所述图像块线性投影到c维空间，生成尺寸为的特征图，并将所述特征图输入到所述第一阶段的高效成对注意力模块。

15、进一步地，在第二阶段至第四阶段的编码器中，均使用一个高效成对注意力模块和下采样层，所述下采样层将输入的特征图的分辨率降低1/2倍；

16、解码器中均包含一个上采样层，所述上采样层将特征图的分辨率提高2倍；

17、然后，第一阶段至第三阶段的跳跃连接将所述上采样层输出的特征图与同一阶段编码器对应的特征图连接，以帮助恢复在下采样操作期间丢失的空间信息；

18、第一阶段至第三阶段的解码器中，还包括另一个高效成对注意力模块，跳跃连接将所得到的连接特征图输入所述另一个高效成对注意力模块；

19、最后，第一阶段的解码器的输出与输入的3d ct影像的卷积特征图融合，以恢复空间信息并增强特征表示；

20、将得到的融合特征图输入3×3×3卷积块和1×1×1卷积块，生成输入的3d ct影像中属于分类内的椎体的预测掩膜；

21、为了得到各个椎体在输入的3d ct影像中存在的概率，将第四阶段编码器的输出特征图经过上采样后，输入到24个并行的线性层后经过softmax层，得到24个椎体各自的存在概率。

22、进一步地，所述高效成对注意力模块包括：空间注意力模块和通道注意力模块；

23、两种注意力模块共享q线性层和k线性层的权重qshared和kshared，但具有各自的v线性层vspatial和vchannel；

24、对于空间注意力模块，假设输入形状为hwd×c的归一化张量s，首先使用三个线性层计算qshared，kshared和vspatial投影，得到qshared＝wqs，kshared＝wks和vspatial＝wvs，其中wq，wk和wv分别是qshared，kshared和vspatial的投影权重；然后将kshared和vspatial从hwd×c投影到形状为p×c的低维矩阵和进一步将qshared乘以的转置，然后使用softmax计算每个特征与其余空间特征之间的相似性并乘以生成形状为hwd×c的空间注意力图：

25、

26、其中，⊙表示点积，d＝hwd；

27、通道注意力模块使用了和空间注意力模块相同的qshared和kshared，并在通道维度对qshared和kshared进行点积运算后通过softmax计算特征通道之间的相关性，使用线性层学习互补特征vchannel＝wvs，将两者进行点积，生成形状为hwd×c的通道注意力图：

28、

29、其中，⊙表示点积，d＝hwd；

30、最后，将空间注意力图和通道注意力图进行相加融合，并使用3×3×3卷积块和1×1×1卷积块进行变化以获得所述高效成对注意力模块输出的含有丰富的空间-通道特征表示的特征图：

31、m＝conv1(conv3(mspatial+mchannel))。

32、进一步地，步骤3中所述的深度神经网络，损失函数定义如下：

33、

34、其中，ldice表示dice损失，lbce表示二分类交叉熵损失，α和β分别是两种损失的权重，p表示输入3d ct影像中的金标准掩模中的体素个数，qi和分别表示第i个体素的标签值和预测概率值，cj＝1表示输入的3d ct影像包含第j类椎体，cj＝0表示输入的3d ct影像中不包含第j类椎体，表示网络输出的第j类椎体的预测概率；通过adam算法最小化ldice-bce损失函数优化深度神经网络的网络参数，建立自动的椎体分类和分割模型。

35、进一步地，步骤4中通过自动识别和分割得到代表第三腰椎的扫描数据，获取第三腰椎椎体中间的横断面影像，以不同的阈值进行所述横断面影像的肌肉组织与脂肪组织分割；

36、ct值介于-29hu和+150hu之间的为肌肉组织，ct值介于-190hu和-30hu之间的为皮下脂肪组织，ct值介于-150hu和-50hu之间的为内脏脂肪组织；

37、根据ct影像的分辨率自动计算骨骼肌面积sma、皮下脂肪面积sata和内脏脂肪面积vata，计算公式如下：

38、area＝sx*sy*p

39、其中，sx表示输入ct影像的x轴分辨率，sy表示输入ct影像的y轴分辨率，p表示对应组织包含的像素个数；

40、进一步计算对应组织面积与输入ct影像对应体检人员的身高h平方的比值得到骨骼肌指数smi、皮下脂肪组织指数sati、内脏脂肪组织指数vati，计算公式为：

41、smi＝sma/h2，sati＝sata/h2，vati＝vata/h2和tati＝tata/h2，单位为cm2/m2；

42、另外，基于各组织分割结果计算对应的平均hu值，表示对应组织的平均密度，分别为骨骼肌密度smd、皮下脂肪密度satd和内脏脂肪密度vatd。

43、进一步地，本发明还公开了一种体检ct影像数据处理分析系统在如下不以疾病的诊断和治疗为目的中的应用：

44、(1)人体肌肉脂肪分析；

45、(2)椎体疾病评估；

46、(3)骨密度测量；

47、(4)健康体检。