(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211386395.4 (22)申请日 2022.11.07 (71)申请人 四川大学 地址 610065 四川省成 都市武侯区一环路 南一段24号 (72)发明人 章毅　赵祯　徐修远　蔡华伟　 周凯　李林　张海仙　蒋丽莎　 刘若萌　郭际香　 (74)专利代理 机构 成都弘毅天承知识产权代理 有限公司 5123 0 专利代理师 谢建 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/33(2017.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/50(2006.01) (54)发明名称 基于肺灌注的肺叶灌注强度评估方法、 系 统、 设备及 介质 (57)摘要 本发明公开了一种基于肺灌注的肺叶灌注 强度评估 方法、 系统、 设备及介质， 属于核医学灌 注显像领域中的肺叶灌注强度评估， 其目的在于 解决现有常规肺灌注显像法只能看出肺功能缺 失区域而无法计算每个肺叶的灌注数据的问题， 其包括搭建并训练肺叶分割模型， 并利用肺叶分 割模型得到的肺 叶分割图像与重构得到的核医 学肺灌注图像进行配准， 将肺叶分割的结果应用 在核医学肺灌注图像上， 并计算每个肺叶的灌注 容积强度计数和灌注容积占比。 本发 明利用肺叶 分割模型获得肺 叶分割图像后与重构的肺灌注 造影图像进行多模态配准、 融合， 能够自动地实 现肺叶分割， 并能计算每个肺叶的灌注容积强度 计数和灌注容积占比。 权利要求书3页 说明书12页 附图2页 CN 115439478 A 2022.12.06 CN 115439478 A 1.一种基于肺灌注的肺叶灌注强度评估方法， 其特 征在于， 包括以下步骤： 步骤S1， 样本数据获取 获取原始的CT样本图像， 并进行crop处 理、 归一化处理； 步骤S2， 模型构建 搭建肺叶分割模型， 肺叶分割模型采用3D全卷积神经网络作为主体特征提取网络， 并 在3D全卷积神经网络的解码器的最后一层增 加1*1*1的卷积和sigmo id激活函数； 步骤S3， 模型训练 利用步骤S1中处 理后的CT样本图像对步骤S2搭建好的肺叶分割模型进行训练； 步骤S4， 肺部分割图像获取 获取待评估的CT图像， 并将待评估的CT图像输入肺叶分割模型， 得到肺叶分割图像； 步骤S5， 核医学肺显像重构 获取待评估CT图像对应的由SPECT拍摄的原始肺灌注造影图像， 并使用有序子集最大 期望值法进行图像重构， 得到核医学肺灌注图像； 步骤S6， 多模态图像 配准 将步骤S4得到的肺叶分割图像与步骤S5得到的核医学肺灌注图像进行配准， 将肺叶分 割的结果应用在核医学肺灌注图像上， 并计算每个肺叶的灌注容积强度计数和灌注容积占 比。 2.如权利要求1所述的一种基于肺灌注的肺叶灌注强度评估方法， 其特征在于： 步骤S3 在进行模型训练时， 肺叶分割模型整体的学习误差为： 其中， 、 表示为调整肺叶分割任务与肺叶边界分割任务的权重的参数， 表 示肺叶分割任务的学习误差， 表示肺叶边界任务中学习误差； 设定P为肺叶分割任务中网络产生的肺叶预测， G为肺叶分割任务中的肺叶标签， C为总 类别的数量， 在肺叶分割任务中总类别由五个肺叶类别与一个背景类别组成， 即C为6； N为 像素的总数量； 设定若肺叶标签中第i个 像素属于类别c， 则 为1， 否则 为0； 为肺叶 预测中第i个 像素属于类别c的概 率， 范围为[0,1]； 则肺叶分割任务的学习误差 定义为： ； 设定 为肺叶边界任务中sigmoid层产生的肺叶边界预测结果， 为由肺叶标签 自动生成的肺叶边界标签， N为像素 的总数量； 设定若肺叶边界标签中第i个像素属于肺叶 边界， 则 为1， 否则 为0； 为肺叶边界预测中第i个像素为肺叶边界的概率， 范 围为[0,1]； 则肺叶边界任务中学习误差 定义为： 其中， 和 用于平衡样本难度， 这里分别设置为1和2。权　利　要　求　书 1/3 页 2 CN 115439478 A 23.如权利要求1所述的一种基于肺灌注的肺叶灌注强度评估方法， 其特征在于： 步骤S3 在进行模型训练 时， 初始学习率设置为0.001， 权重衰减参数设置为 ； 若单例误差 连续经过20例数据的训练不下降后， 学习率将乘以衰减系数0.8； 一次训练批次设置为1， 学 习迭代次数为10 0； 针对每个批次更新一次参数， 每一次迭代学习之后， 肺叶分割模型判断肺结节检测结 果的总误差大小， 如果当前误差小于上一个迭代的误差， 就保存当前模型， 然后继续训练； 若训练达 到最大迭代次数或者总误差连续经 过10迭代没有都下降， 训练停止 。 4.如权利要求1所述的一种基于肺灌注的肺叶灌注强度评估方法， 其特征在于： 步骤S5 中， 核医学肺显像重构的具体步骤为： 步骤S5‑1， 使用有序子集最大期望值法将原始肺灌注造影图像分为n个子集 ； 步骤S5‑2， 选择一个子集 ； 步骤S5‑3， 假定一个初始图像 ； 步骤S5‑4， 计算初始图像 的正向投影 ； 步骤S5‑5， 对比子集 与正向投影 ， 计算校正系数， 并更新初始图像 ； 步骤S5‑6， 重复步骤S5 ‑2到步骤S5 ‑5， 直到所有子集均对投影数据校正一次,  完成一 次迭代； 步骤S5‑7， 满足停步 规则时， 迭代中止， 完成图像重构， 得到核医学肺灌注图像。 5.如权利要求1所述的一种基于肺灌注的肺叶灌注强度评估方法， 其特征在于： 步骤S6 中， 具体步骤为： 步骤S6‑1， 利用插值方式将步骤S5得到的核医学肺灌注图像的分辨率调整到步骤S4得 到的肺叶分割图像的分辨 率， 得到插值核医学肺灌注图像； 步骤S6‑2， 用离散Hermite变换进行图像特征编码， 分别将步骤S4得到的肺叶分割图像 和步骤S6 ‑1的插值核医学肺灌注图像局 部投影到Hermite多项式集上， 输入图像被分解为 一组包含不同纹理特征的Hermite系数， 提供低频系数和细节系数； 利用变换得到的系数进 行图像融合， 低频系数通过稀疏表达和肺部轮廓mask进行融合， 同时利用局部方向信息和 方差对细节系数进行组合， 最后在原 始空间计算逆变换以获得最终的融合图像； 步骤S6‑3， 设步骤S4得到的肺叶分割图像容积为C， 设步骤S6 ‑2得到的融合图像上的初 步灌注容积为P， 两者交集结果为J； 对于容积为C的肺叶分割图像中的每一个体素， 获取该 体素的空间坐标(x  ,y ,z)， 将空间坐标(x  ,y ,z)映射到初步灌注容积P的体素空间； 如果 存在体素P(x  ,y ,z)， 则认为容积C、 P 存在交集， 并产生一个标记结果体素J(x,y  ,z)， 多个 标记结果体素构成标记交集结果J， 得到最终的肺叶灌注容积； 步骤S6‑4， 通过步骤S6 ‑3得到的肺叶灌注容积， 对每个肺叶内的灌注容积强度进行累 加计算， 计算公式为： 权　利　要　求　书 2/3 页 3 CN 115439478 A 3