基于深度学习的肺炎病灶分割算法在新冠肺炎中的应用

基于深度学习的肺炎病灶分割算法在新冠肺炎中的应用

黄秋云,张波,赖华,梁宇 ,通讯作者：胡俊承

桂林医学院，541199

[摘要]目的：查究基于深度学习的肺炎病灶分割算法在新冠肺炎中的应用效果。方法：抽选肺炎CT影像与分割病灶模型36例，肺炎CT影像测试模型6例，CT影像测试分类模型28例，非肺炎/肺炎CT影像训练模型108例，基于深度学习，对新冠肺炎疑似患者14例的CT影像进行病灶分割分析，并进行对比分析。结果：基于深度学习的肺炎病灶分割在新冠肺炎中的应用，病灶分切部位的特异性是97.2%，灵敏度是95%，新冠肺炎阳性患者的病灶密度、受累肺叶数量均与阴性患者间的数据差异性较大，在统计学方面存在意义（P＜0.05）。结论：致。

基于深度学习的肺炎病灶分割在新冠肺炎中的应用效果良好，不仅有利于提高病患的确诊率，而且能够大大降低医护人员的工作量。

关键词：深度学习；肺炎；病灶分割；新冠肺炎；应用

新冠肺炎[1]（COVID-19）主要是冠状病毒造成的一种呼吸综合征。自2019年12月开始，新冠肺炎在全球范围内肆虐，严重影响人们的身体健康，严重时会导致人死亡。截止到2022年4月底，我国共确诊人数为627641例，死亡人数共15070例，新冠肺炎具备较强传染性，可致患者出现呼吸困难、多器官衰竭等症状。深度学习属于一种机器学习视觉技术，在医学图像中的应用较广泛，病灶分析则是对特定病灶区域实施像素分析，以总结出病灶掩膜，从而为新冠肺炎诊断提供更好的诊断依据。笔者节选2017年1月—2018年12月我院纳入治疗的80例混合痔患者的相关资料，现总结如下。

1资料与方法

1.1一般资料  随机选择研究对象为192例肺炎患者的数据资料，包括36例肺炎CT影像与分割病灶模型、6例肺炎CT影像测试模型、28例CT影像测试分类模型、108例非肺炎/肺炎CT影像训练模型、14例新冠肺炎疑似患者，其中女性85例，男性107例，年龄跨度范围是13—87岁，年龄中间值是（49.7±18.3）岁。

1.2方法  数据资料均是由医院采集肺炎数据构建而成的病灶分割模型，导出影像资料，并利用TIK-Snap对影像病灶实施分割标注，共进行两轮，第一轮是由一名医护人员对病灶范围进行初步勾画，第二轮则是由一名医护人员对勾画范围进行审核修改，使其更细节、具体，共构建36例训练集，7例测试集。

从院内胸部CT影像中选取数据资料构建肺炎模型，针对病例影像中的突变、渗出等进行分类，一名医护人员进行评定，共有109例训练集，28例测试集。

14例新冠肺炎疑似患者则是2021年9月—2022年3月期间医院发热门诊接诊的，且均属于核算检测异常患者，其中4例阳性，10例阴性。通过Dicom格式将CT影像导出，对肺炎病灶进行分割，一名医护人员确认结果，并开展分析。

1.3观察指标   对患者的病灶密度与受累肺叶数量进行详细观察与统计。

1.4统计学分析  通过SPSS20.0软件对数据资料实施分析，计数资料以%形式统计，实施X2检验，计量资料以（±s）形式表示，实施t检验，差异性明显，保有统计学意义（P＜0.05）。

2结果

本次研究活动中，依据特异度、灵敏度评估肺炎分类模型，通过计算可知肺炎病灶中ROC曲线下面积在0.99左右，分切点的特异度与灵敏度分别是97.2%与95%。

将新型冠状肺炎患者实施肺炎病灶分割，以详细分析患者的CT影像资料，一名医护人员修正与审核分割范围。修正病灶范围后，DICE系数、精准度、召回率分别是41.9%、67.7%、40.1%。肺叶分割和病灶分割两种方式中，新冠肺炎阳性病例和阴性病例在影像学特征中存在明显差异性。新冠肺炎阳性患者的病灶密度、受累肺叶数量均与阴性患者间的数据差异性较大，在统计学方面存在意义（P＜0.05），详细情况如表一：

表一  新型冠状肺炎阳性与阴性影像对比    

3讨论

基于深度学习算法对新型冠状肺炎的病灶进行分割，有利于新冠肺炎患者的临床诊断，利用计算机辅助计数分割新冠肺炎患者的病灶，能够大大降低医护人员对于病灶范围勾画的压力与工作量，大大提升工作效率，同时能够确保病灶范围的准确性与一致性[2]。新冠肺炎患者的病灶分割具备良好的应用价值。

本次研究是在Unet++网络[3]的基础上开展的，划分注意力机制，详细分析通道与空间两者的重要性，同时，将跃层连接运用到残差模块之中，有利于增强模型的文字表达能力，拓展传播维度。

本次探究活动中，基于深度学习新型冠状肺炎患者的阳性在病灶密度、受累肺叶数量等方面均与阴性患者的差异性较大，保有统计学意义（P＜0.05）。和现有的卢云飞[4]等人的研究结果差异不大。

综上所述，基于深度学习的肺炎病灶分割算法对于新冠肺炎患者的CT影像分割具备良好的准确性，且阳性患者的病灶密度更高，受累肺叶更多，有利于新型冠状肺炎患者的确诊。模型在新型冠状肺炎患者CT影像分割中的应用，能够有效提升医护人员的工作效率，实现病灶分割的全自动化发展。

参考文献：

[1]张新华. 基于卷积神经网络的肺部CT图像COVID-19病灶分割研究[D].海南大学,2021.

[2]唐江平,周晓飞,贺鑫,褚晓文,李世锋,常庆蕊,张继勇. 基于深度学习的新型冠状病毒肺炎诊断研究综述[J]. 计算机工程,2021,47(05):1-15.

[3]杨雯,辛小燕,张艳秋,邵明冉,刘柏韵,朱斌,周科峰,张冰. 基于深度学习模型对新型冠状病毒肺炎的定量CT研究[J]. 医学影像学杂志,2021,31(06):985-988.

[4]卢云飞. 基于强化学习多尺度和多任务的病灶分割与few-shot自适应多器官分割研究[D].西安电子科技大学,2021.

基金项目：本成果由桂林医学院胡俊承博士所指导，黄秋云为项目负责人，广西壮族自治区教育厅，2020年大学生创新创业训练计划项目，基于深度学习的肺炎影像分级分期辅助诊疗平台（项目编号：202010601038）资助。

作者简介：胡俊承，男，汉族，1984年生，博士，讲师，研究方向为医学影像人工智能及医疗大数据分析与管理。