[发明专利]一种基于深度学习与模糊逻辑的间质性肺炎评估方法

说明书

本发明公开了一种基于深度学习与模糊逻辑的间质性肺炎评估方法，包括以下步骤：收集汇总间质性肺病图像，制作样本数据集；输入病例图像，训练深度学习模型，深度学习模型并部署；导入实时肺部CT图像，通过深度学习模型自动标记出所有病变区域；对所有病变区域进行模糊，该发明采用模型训练和模型预测分离的形式，在胸部纵隔窗CT图像数据中心的电脑上对间质性肺炎深度学习模型进行训练和优化，将训练后深度学习模型部署到搭建了深度学习环境的服务器设备中，通过接收科室主机传递的患者CT图像，由模型读取图像，在服务器中进行间质性肺炎推理预测，实现检测自动化，缓解医生每天因阅读大量CT图像产生的疲劳和误诊，辅助医生决策的速度和准确度。

技术领域

本发明涉及基于深度学习与模糊逻辑的间质性肺炎评估方法技术领域，具体为一种基于深度学习与模糊逻辑的间质性肺炎评估方法。

背景技术

间质性肺炎属于肺炎的一种，但是截止到2021年4月，还没有完整的流行病学数据统计，但临床较为常见的特发性间质性肺炎，近年来发病率有所升高。2016年的一项调查显示，韩国每10万人群中，有74～88人患有特发性间质性肺炎。其中特发性肺纤维化的发病率随年龄的增长而显著升高，男性患病率高于女性。在已知病因中，常见病因包括：吸入无机粉尘、有机粉尘和各种刺激性的有毒气体；各类结缔组织病以及药物或放疗相关性间质性肺炎等。部分间质性肺炎的病因虽然还不清楚，但病情的进展与一些危险因素有关。在感染慢性间质性肺炎后，患者会出现不明原因的呼吸困难和干咳，若不及时就医，不可逆的肺部损伤往往就发生了。在感染急性间质性肺炎，若不及时就医，可能危及生命。现在，胸透技术仍然是世界范围内的重要的间质性肺炎诊断方法。

胸部纵膈窗CT图像需要有完备知识和经验丰富的专家来仔细阅读，并且作为间质性肺炎等胸部疾病的最重要依据，它们也会伴随着其他种类的肺部疾病，比如：肺癌，肺部积液过多，肺结节病等，这些疾病也会显现出类似与间质性肺炎或者肺炎的视觉信号，从而导致通过人工阅读胸部CT图像来检测患者是否患有间质性肺炎的过程会相当浪费时间，因为阅片专家需要排除一些可疑特征，从而降低了结果的准确度。为此，为了更好的辅助甚至是代替放射科医生阅读胸部CT图像，从而开发一个自动的间质性肺炎检测的模型是十分有意义的，因此，亟待一种改进的技术来解决现有技术中所存在的这一问题。

发明内容

本发明的目的在于提供一种基于深度学习与模糊逻辑的间质性肺炎评估方法，采用模型训练和模型预测分离的形式，在胸部纵隔窗CT图像数据中心的电脑上对间质性肺炎深度学习模型进行训练和优化，将训练后的深度学习模型部署到搭建了深度学习环境的服务器设备中，设备通过接收科室主机传递的患者CT图像，由模型读取图像，在服务器的环境中进行间质性肺炎推理预测，实现检测自动化，缓解医生每天因阅读大量CT图像产生的疲劳和误诊，辅助医生决策的速度和准确度，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：一种基于深度学习与模糊逻辑的间质性肺炎评估方法，包括以下步骤：

S1：收集汇总间质性肺病图像，制作样本数据集；

S2：对肺部CT图像进行肺实质分割，获得仅存在双肺而不包含躯干部分、床板、隔膜等对检测工作没有作用的图像，输入病例图像，训练深度学习模型，深度学习模型并部署；

S3：导入实时肺部CT图像，通过深度学习模型自动标记出所有病变区域，具体为将深度学习模型远程部署到医院的主服务器中，通过科室办公电脑将病人会诊的CT图像传送给主服务器，通过主服务器中部署的深度学习模型对CT图像进行自动识别检测，得出是否发生间质性肺病现象，并输出结果，并对异常的图片进行报警；

S4：对所有病变区域进行模糊化，模糊推理和去模糊化，输出评估结果。

优选的，所述S1中样本数据集上传至网络数据库。