肺病的計算機診斷系統及方法
2023-06-02 07:47:36
專利名稱：肺病的計算機診斷系統及方法
技術領域：
本發明涉及一種計算機診斷系統及方法，特別涉及一種用於診斷如塵肺病等肺病的計算機診斷系統及方法。
背景技術：
塵肺病(Pneumoconiosis),是一種由於長期吸入大量細微粉塵而引起的以肺組織纖維化為主的職業病，據權威資料統計塵肺病是我國最嚴重的職業病之一，不僅患病人數多，而且也是嚴重降低勞動能力、致殘和影響壽命的疾病。目前，塵肺病的診斷與分期主要依據影像學上品質較好的X射線胸片。在有確切職業性粉塵接觸史和一定粉塵接觸量的前提下，胸片表現是作出塵肺診斷和鑑別診斷的肯定依據。現階段，國內外診斷塵肺病以攝取標準後前位高千伏X射線胸片為首選，並對照多組標準片來對待診斷的X射線胸片進行診斷與分期。其中，該組標準片是根據以往數據及經驗所制定的，現中國最新的診斷塵肺病的標準為GBZ 70-2009。簡單舉例來說，當該待診斷的X射線胸片根據某一個標準片或多個標準片判斷出其上各區域的小陰影密集度時，則可根據此來判定該待診斷的X射線胸片是否患有塵肺病或者已經達到了塵肺病的某一期，具體判斷標準請參考中國標準GBZ 70-2009。但是，應用上述傳統方法至少有如下的幾點不足。首先，從事塵肺病診斷的人員必須通過國家職業病(塵肺病)診斷醫師資格考核並取得資質證書，這在一定程度上限制了就醫範圍，給患者帶來了不便，尤其對一些經濟落後地區；第二，該待診斷的X射線胸片的膠片品質必須要達到一定的標準，例如X射線胸片須保證照片無偽影、漏光、汙染、劃痕、水潰及低外物影響(更多標準請參考GBZ 70-2009);第三，使用大量的X射線胸片的膠片進行診斷，一方面大大增加了成本，另一方面也極其不環保；第四，由於診斷結果是通過醫生主觀比對及個人的經驗綜合進 行判斷的，因此不同的醫生難免產生不同的結果，進而可能導致診斷結果不客觀或者出現誤判，影響了後續的治療；第五，由於針對診斷結果是完全通過人工比對來判斷的，工作量很大，無形中浪費了大量的時間與人力成本。所以，需要提供一種新的肺病的計算機診斷系統及方法來解決至少上述問題。
發明內容
現在歸納本發明的一個或多個方面以便於本發明的基本理解，其中該歸納並不是本發明的擴展性縱覽，且並非旨在標識本發明的某些要素，也並非旨在劃出其範圍。相反，該歸納的主要目的是在下文呈現更詳細的描述之前用簡化形式呈現本發明的一些概念。本發明的一個方面在於提供一種肺病的計算機診斷系統。該肺病的計算機診斷系統包括:第一訓練單元，用於根據若干第一數字X射線圖像樣本產生一個平均肺部形狀模型；第二訓練單元，用於根據若干第二數字X射線圖像樣本產生至少一個用於對該肺病的特徵進行分類的肺區分類器模型；分割單元，用於根據該平均肺部形狀模型從待診斷的數字X射線圖像中分割出肺野圖像 '及評估單元，用於比對該肺區分類器模型與該肺野圖像來分析該待診斷的數字X射線圖像中該肺病的特徵。本發明的另一個方面在於提供一種肺病的計算機診斷方法。該肺病的計算機診斷方法包括:根 據若干第一數字X射線圖像樣本產生一個平均肺部形狀模型；若干第二數字X射線圖像樣本產生至少一個用於對該肺病的特徵進行分類的肺區分類器模型；根據該平均肺部形狀模型從待診斷的數字X射線圖像中分割出肺野圖像；及比對該肺區分類器模型與該肺野圖像來分析該待診斷的數字X射線圖像中該肺病的特徵。通過應用本發明肺病的計算機診斷系統及方法，無需使用X射線胸片的膠片來對肺病進行診斷，而只需對數位化的X射線圖像進行處理分析即可快速診斷肺病及其分期。由此，診斷的人員無須通過國家職業病(塵肺病)診斷醫師資格考核並取得資質證書。並且，由於診斷的依據僅為數字的圖像信息，而無需使用實體的膠片，故可大大降低成本，並且不會造成環境汙染。另外，由於診斷的過程是通過電腦程式來實現的，因而保證了診斷結果的客觀性，降低了誤判，並且可大大提供效率。
通過結合附圖對於本發明的實施方式進行描述，可以更好地理解本發明，在附圖中:圖1為本發明肺病的計算機診斷系統的較佳實施方式的框圖。圖2為圖1中第一訓練單元的較佳實施方式的框圖。圖3為圖2第一訓練單元的執行過程的較佳實施方式的示意圖。圖4為圖2第一訓練單元的執行過程的較佳實施方式的流程圖。圖5為圖1中第二訓練單元的較佳實施方式的框圖。圖6為圖5第二訓練單元的執行過程的較佳實施方式的示意圖。圖7為一數字後前位X射線圖像的示意圖。圖8為圖1中分割單元的較佳實施方式的框圖。圖9及圖10為圖8分割單元的執行過程的較佳實施方式的示意圖。圖11為圖8分割單元的執行過程的較佳實施方式的流程圖。圖12及圖13為圖1中切分單元的執行過程的較佳實施方式的示意圖。
具體實施例方式以下將描述本發明的具體實施方式
，需要指出的是，在這些實施方式的具體描述過程中，為了進行簡明扼要的描述，本說明書不可能對實際的實施方式的所有特徵均作詳盡的描述。應當可以理解的是，在任意一種實施方式的實際實施過程中，正如在任意一個工程項目或者設計項目的過程中，為了實現開發者的具體目標，為了滿足系統相關的或者商業相關的限制，常常會做出各種各樣的具體決策，而這也會從一種實施方式到另一種實施方式之間發生改變。此外，還可以理解的是，雖然這種開發過程中所作出的努力可能是複雜並且冗長的，然而對於與本發明公開的內容相關的本領域的普通技術人員而言，在本公開揭露的技術內容的基礎上進行的一些設計，製造或者生產等變更只是常規的技術手段，不應當理解為本公開的內容不充分。除非另作定義，權利要求書和說明書中使用的技術術語或者科學術語應當為本發明所屬技術領域內具有一般技能的人士所理解的通常意義。本發明專利申請說明書以及權利要求書中使用的「第一」、「第二」以及類似的詞語並不表示任何順序、數量或者重要性，而只是用來區分不同的組成部分。「一個」或者「一」等類似詞語並不表示數量限制，而是表示存在至少一個。「包括」或者「包含」等類似的詞語意指出現在「包括」或者「包含」前面的元件或者物件涵蓋出現在「包括」或者「包含」後面列舉的元件或者物件及其等同元件，並不排除其他元件或者物件。「連接」或者「相連」等類似的詞語並非限定於物理的或者機械的連接，而是可以包括電氣的連接，不管是直接的還是間接的。請參考圖1，為本發明肺病的計算機診斷系統100的較佳實施方式的框圖。為方便理解發明，本實施方式中該計算機診斷系統100僅用於診斷塵肺病，其他實施方式中，可根據該診斷塵肺病的方法來對其他類似的肺病或其他類似的疾病進行診斷。與傳統方法相t匕，本發明肺病的計算機診斷系統100直接處理數字X射線圖像，並根據處理後的結果進行診斷。該計算機診斷系統100可以是一個獨立操作的儀器(如計算機)，也可以嵌入到直接數字攝影(Direct digital radiography, DR)系統中，還可以嵌入到圖片存檔及通信系統(Picture archiving and communication system, PACS)中。此外，該計算機診斷系統100可應用於在線實時工作模式，也可應用於離線工作模式。在圖1的實施方式中，該計算機診斷系統100包括一個圖像輸入單元110、一個第一訓練單元120、一個分割單元130、一個切分單元140、一個第二訓練單元150、一個第一分類單元160、一個第二分類單元170、一個評估單元180及一個報告輸出單元190。圖1所示的功能模塊單元可以通過硬體的 形式來實現，也可以通過軟體的形式來實現，或者通過硬體結合軟體的形式來實現。該圖像輸入單元110用於接收需要處理的數字X射線圖像。更具體地，這些數字X射線圖像包括訓練所用的數字X射線圖像，用於生成所需的分類器模型，還包括用於診斷的數字X射線圖像，後續會詳細說明。並且，這些數字X射線圖像可由事先設定好的形式輸入，例如真值(O或I)形式等，以方便後續的運算處理，其他實施方式中也可設定為其它運算的形式。這些數字X射線圖像可以來自於DR系統、圖片存檔及通信系統、或其他類型的數據存儲系統中。該報告輸出單元190用於輸出診斷結果。例如，該報告輸出單元190可將診斷結果輸出至一個顯示器進行顯示，也可以將診斷結果存儲至一個資料庫中，以備後續統計分析之用。在一些實施方式中，該圖像輸入單元110、第一訓練單元120、分割單元130、切分單元140、第二訓練單元150、第一分類單元160、第二分類單元170、評估單元180及報告輸出單元190為各自獨立的單元或算法，而在其他實施方式中，上述單元中的任意兩個或多個也可集成為一體成為一個獨立的單元或算法，甚至根據需要還可將上述單元中的任意兩個或多個單元的部分元素集成為一體成一個獨立的單元或算法，而不拘泥於圖1實施方式所給出的例子。請參考圖2，為圖1中第一訓練單元120的較佳實施方式的框圖。該第一訓練單元120用於為該分割單元130建立所需的訓練模型。在圖2的實施方式中，該第一訓練單元120包括一個訓練圖像收集模組121、一個肺野標記模組122、一個校準模組123、一個點分布模型(Point distribution model, PDM)產生模組124及一個平均肺部形狀模型產生模組125。在一個實施方式中，該第一訓練單元120與分割單元130可應用主動形狀模型(Active shape mo del, ASM)算法來獲取待診斷的數字X射線圖像中的實際肺野區域。在其他實施方式中，該第一訓練單元120與分割單元130還可應用其他類型的統計學圖像定位/識別算法來實現上述功能，例如還可應用水平集(level set)算法、規則推理(rule-basedreasoning)算法、像素分類(pixel classification)算法、或者不同算法的結合算法等等。該第一訓練單元120用於訓練的數字圖像包括若干個正常人(可理解為未患塵肺病且體形屬於相對標準的一類人群)的數字X射線圖像樣本，例如選取二十個正常人的數字X射線圖像作為樣本，通過對這些正常人的數字X射線圖像樣本進行訓練，即可建立一個平均肺部形狀模型，以表徵所有數字X射線圖像樣本中肺部形狀的平均形狀。請繼續參考圖3及圖4，分別為該第一訓練單元120的執行過程的較佳實施方式的示意圖與流程圖。在圖3中，通過該肺野標記模組122標記一個數字X射線圖像樣本310的肺野輪廓301，例如可通過手動方式沿著肺野輪廓301標記若干個關鍵的坐標點302 (對應圖4中的步驟401)。同理，其他的數字X射線圖像樣本310也以同樣的方式標記各自的肺野輪廓301。為了獲得一個平均/最佳的坐標點302，通過該校準模組123對所有數字X射線圖像樣本310上的坐標點302進行校準，例如可通過縮放、旋轉、偏移等方式實現，即得到平均/最佳的肺野輪 廓301 (對應圖4中的步驟402)。在校準完所有數字X射線圖像樣本310上的坐標點302之後，一組平均/最佳的坐標點303通過該PDM產生模組124計算得出，同時由該組平均/最佳的坐標點303形成的PDM320也即產生了(對應圖4中的步驟403)。在該PDM320產生之後，通過該平均肺部形狀模型產生模組125產生一個平均肺部形狀模型330，例如通過平滑的連接PDM320上每兩個相鄰坐標點303 (對應圖4中的步驟404)。該平均肺部形狀模型330包括左右兩側肺野304，其表徵了從若干個正常人的數字X射線圖像樣本310提取出來的平均/最佳肺野。在非限定的實施方式中，用於調整該平均肺部形狀模型330變形的形狀參數、位置參數或其他相關參數也通過適當的算法計算出來，用於後續的運算。簡言之，通過該第一訓練單元120對若干正常人的數字X射線圖像樣本310進行訓練，建立了一個最佳的用於提取待診斷的數字X射線圖像中的肺野區域的一個訓練模型，即該平均肺部形狀模型330。請參考圖5，為圖1中第二訓練單元150的較佳實施方式的框圖。該第二訓練單元150用於為該第一分類單元160及第二分類單元170建立所需的訓練模型。在圖5的實施方式中，該第二訓練單元150包括一個訓練圖像收集模組151、一個圖像切分模組152、一個特徵提取模組153、一個特徵選擇模組154及一個分類器模型建立模組155。在一個實施方式中，該第二訓練單元150應用結構分析算法(texture analysis algorithms)來提取表徵塵肺病的各種特徵(均為數字信息形式)。該結構分析算法可包括但不限於多尺度濾波器組算法(mult1-scale filter bank algorithm)、直方圖算法(histogram algorithm)、共生矩陣算法(co-occurrence matrix algorithm)、光譜/空間頻域算法(spectral/spatialfrequency domain algorithm)等等。該第二訓練單元150用於訓練的數據包括若干個正常人的數字X射線圖像樣本及若干塵肺病人的數字X射線圖像樣本，例如100個正常人的數字X射線圖像樣本及1000個塵肺病人的數字X射線圖像樣本，通過對這些正常人及塵肺病人的數字X射線圖像樣本進行訓練，即可建立用於表徵塵肺病特徵的各種需要的分類器模型。請繼續參考圖6，為該第二訓練單元150的執行過程的較佳實施方式的流程圖。在步驟601中，通過該訓練圖像收集模組151收集用於訓練所用的數字X射線圖像樣本。該數字X射線圖像樣本的數量可根據需要進行調整。在步驟602中，每一個數字X射線圖像樣本通過該圖像切分模組152被切分成六個肺區(即感興趣的區域，regions of interest, R0I)。請參考圖7, —個數字後前位X射線圖像樣本包括一個右側肺野A及一個左側肺野B，每側肺野從肺尖到膈頂的垂直距離等分為3，用等分點的水平線把每側肺野劃分為上、中、下共六個肺區Rl、R2、R3、L1、L2、L3。在其他實施方式中，該數字X射線圖像樣本也可以根據不同的需求被切分成其他數量的區域。具體地，切分該數字X射線圖像樣本的方法可應用如上述所述的肺野標記模組122所應用的手動標記方法來實現，也可通過自動切分的方法來實現，該自動切分的方法將在後續闡述該分割單元130及切分單元140中詳細描述。另外，根據不同的需求，也可以不對數字X射線圖像樣本中的肺野區域進行任何形式的切分。在步驟603中，通過該特徵提取模組153分別提取每一個肺區(Rl、R2、R3、L1、L2、L3)中表徵塵肺病的特徵。在一個實施方式中，由於表徵塵肺病的特徵體現但不局限數字X射線圖像樣本中的多種尺寸、多種小陰影密集程度、多種形狀等特徵，故可事先對數字X射線圖像樣本進行過濾(即圖像增強)，如通過加亮小陰影或提高圖像對比度等方式實現，經過過濾處理之後，可更容易提取特徵。在一個實施方式中，表徵塵肺病的特徵可通過但不限於直方圖算法、共生矩陣算法、光譜/空間頻域算法等來計算得出，然後每一肺區的特徵將分別被提取出來，例如記錄在一個或多個特徵向量中。這些特徵可由但不限於如下統計函數來表徵，如平均值(mean)、標準差(standard deviation)、偏態(skewness)、峰態(kurtosis)、相關係數(correlation)、慣性(inertial)、均方根(root-mean-square,RMS) >一階矩(first moment)等等。在步驟604中，通過該特徵選擇模組154將該特徵提取模組153提取到的所有特徵進行進一步的選擇，以將數量最少且最能表徵塵肺病的特徵選擇出來。例如，通過該特徵提取模組153得到的特徵向量中共包括300個特徵，而其中不相關的或冗餘的特徵包括250個，故該步驟604的目的就是將該250個不相關的或冗餘的特徵剔除掉，而僅選擇出數量最少且最能表徵塵肺病的50個特徵，進而可使後續的運算更加簡化，從而可節省診斷時間。當然，在其他實施方式中也可根據需要不對該特徵提取模組153得到的特徵向量中的特徵進行選擇。一些標準的數據分析算法可以被應用來進行特徵的選擇運算，例如，當一些特徵經過分析後彼此非常相似，故可僅保留其中一個特徵，而將其他特徵剔除。這些標準的數據分析算法包括 但不限於相關閾值算法(correlation threshold algorithm)、分級群集算法(hierarchical clustering algorithm)、特徵選擇算法(choice of featurealgorithm)等。
在步驟605中，通過該分類器模型建立模組155分別對應該六個肺區Rl、R2、R3、L1、L2、L3建立六個肺區分類器模型，該肺區分類器模型的建立基於上述選擇後的特徵及所有數字X射線圖像樣本的診斷結果。該所有數字X射線圖像樣本的診斷結果均是事先根據一種塵肺病的診斷標準得出的，例如根據中國的塵肺病的診斷標準GBZ 70-2009來診斷的。在一個實施方式中，每一個肺區分類器模型包括一個特徵向量，且該特徵向量中的特徵對應各自相關塵肺病特徵，例如特徵向量中的一個特徵對應直徑不大於3毫米的圓形小陰影。以下表格給出了中國的塵肺病的診斷標準GBZ 70-2009的分期定義。
權利要求
1.一種肺病的計算機診斷系統，其特徵在於，該系統包括: 第一訓練單元，用於根據若干第一數字X射線圖像樣本產生一個平均肺部形狀模型；第二訓練單元，用於根據若干第二數字X射線圖像樣本產生至少一個用於對該肺病的特徵進行分類的肺區分類器模型； 分割單元，用於根據該平均肺部形狀模型從待診斷的數字X射線圖像中分割出肺野圖像；及 評估單元，用於比對該肺區分類器模型與該肺野圖像來分析該待診斷的數字X射線圖像中該肺病的特徵。
2.如權利要求1所述的診斷系統，其中該診斷系統還包括第一分類單元，用於將該至少一個肺區分類器模型整合為一個篩選分類器模型，該評估單元通過比對該篩選分類器模型與該肺野圖像來判斷該待診斷的數字X射線圖像對應的人員是否患有該肺病。
3.如權利要求1或2所述的診斷系統，其中該診斷系統還包括第二分類單元，用於將該至少一個肺區分類器模型整合為一個分期分類器模型，該評估單元通過比對該分期分類器模型與該肺野圖像來判斷該待診斷的數字X射線圖像對應的人員患有該肺病的分期情況。
4.如權利要求1所述的診斷系統，其中該診斷系統還包括切分單元，用於將該肺野圖像切分成若干肺區圖像，該至少一個肺區分類器模型對應該若干肺區圖像包括若干肺區分類器模型，該評估單元分別比對該若干肺區分類器模型與對應的肺區圖像來分析該待診斷的數字X射線圖像的各個肺區圖像中該肺病的特徵。
5.如權利要求1所述的診斷系統，其中該第一訓練單元包括: 肺野標記模組，用於在每一第一數字X射線圖像樣本中的肺野輪廓上標記若干坐標佔.校準模組，用於對該若干第一數字X射線圖像樣本中的肺野輪廓上的坐標點進行校準； 點分布模型產生模組，用於根據校準後的坐標點產生一個點分布模型；及 平均肺部形狀模型產生模組，用於根據該點分布模型產生該平均肺部形狀模型。
6.如權利要求1所述的診斷系統，其中該第二訓練單元包括: 特徵提取模組，用於根據該若干第二數字X射線圖像樣本提取該肺病的特徵；及分類器模型建立模組，用於根據該若干第二數字X射線圖像樣本的診斷結果及所述提取的特徵產生該至少一個肺區分類器模型。
7.如權利要求6所述的診斷系統，其中該第二訓練單元還包括: 圖像切分模組，用於將每一第二數字X射線圖像樣本切分成若干肺區，該至少一個肺區分類器模型包括若干對應該若干肺區的肺區分類器模型。
8.如權利要求6或7所述的診斷系統，其中該第二訓練單元還包括: 特徵選擇模組，用於將提取的該肺病的特徵進行選擇，以選擇出數量最少且最能表徵該肺病的特徵，該分類器模型建立模組根據選擇後的特徵產生該至少一個肺區分類器模型。
9.如權利要求1所述的診斷系統，其中該分割單元包括: 肺野輪廓產生模組，用於從該待診斷的數字X射線圖像中產生一個肺野輪廓 '及 肺野形狀產生模組，用於根據該平均肺部形狀模型的參數將該肺野輪廓轉換成一個肺野形狀，該分割單元通過該肺野形狀從該待診斷的數字X射線圖像中分割出肺野圖像。
10.如權利要求9所述的診斷系統，其中該分割單元還包括: 肺部位置形狀提取模組，用於從該待診斷的數字X射線圖像中提取出一個肺部位置形狀；及 肺部閾值形狀提取模組，用於從該待診斷的數字X射線圖像中提取出一個肺部閾值形狀，該肺野輪廓通過將該肺部位置形狀與該肺部閾值形狀相疊加產生的。
11.一種肺病的計算機診斷方法，其特徵在於，該方法包括: 根據若干第一數字X射線圖像樣本產生一個平均肺部形狀模型； 若干第二數字X射線圖像樣本產生至少一個用於對該肺病的特徵進行分類的肺區分類器模型； 根據該平均肺部形狀模型從待診斷的數字X射線圖像中分割出肺野圖像；及比對該肺區分類器模型與該肺野圖像來分析該待診斷的數字X射線圖像中該肺病的特徵。
12.如權利要求11所述的診斷方法，其中該診斷方法還包括: 將該至少一個肺區分類器模型整合為一個篩選分類器模型；及 通過比對該篩選分類器模型與該肺野圖像來判斷該待診斷的數字X射線圖像對應的人員是否患有該肺病。
13.如權利要求11或12所述的診斷方法，其中該診斷方法還包括: 將該至少一個肺區分類器模型整合為一個分期分類器模型；及 通過比對該分期分類器模型與該肺野圖像來判斷該待診斷的數字X射線圖像對應的人員患有該肺病的分期情況。
14.如權利要求11所述的診斷方法，其中該診斷方法還包括: 將該肺野圖像切分成若干肺區圖像，該至少一個肺區分類器模型對應該若干肺區圖像包括若干肺區分類器模型；及 分別比對該若干肺區分類器模型與對應的肺區圖像來分析該待診斷的數字X射線圖像的各個肺區圖像中該肺病的特徵。
15.如權利要求11所述的診斷方法，其中該「根據若干第一數字X射線圖像樣本產生一個平均肺部形狀模型」的步驟包括: 在每一第一數字X射線圖像樣本中的肺野輪廓上標記若干坐標點； 對該若干第一數字X射線圖像樣本中的肺野輪廓上的坐標點進行校準； 根據校準後的坐標點產生一個點分布模型；及 根據該點分布模型產生該平均肺部形狀模型。
16.如權利要求11所述的診斷方法，其中該「若干第二數字X射線圖像樣本產生至少一個用於對該肺病的特徵進行分類的肺區分類器模型」的步驟包括: 根據該若干第二數字X射線圖像樣本提取該肺病的特徵；及 根據該若干第二數字X射線圖像樣本的診斷結果及所述提取的特徵產生該至少一個肺區分類器模型。
17.如權利要求16所述的診斷方法，其中該「若干第二數字X射線圖像樣本產生至少一個用 於對該肺病的特徵進行分類的肺區分類器模型」的步驟還包括:將每一第二數字X射線圖像樣本切分成若干肺區，該至少一個肺區分類器模型包括若干對應該若干肺區的肺區分類器模型。
18.如權利要求16或17所述的診斷方法，其中該「若干第二數字X射線圖像樣本產生至少一個用於對該肺病的特徵進行分類的肺區分類器模型」的步驟還包括: 將提取的該肺病的特徵進行選擇，以選擇出數量最少且最能表徵該肺病的特徵，該分類器模型建立模組根據選擇後的特徵產生該至少一個肺區分類器模型。
19.如權利要求11所述的診斷方法，其中該「根據該平均肺部形狀模型從待診斷的數字X射線圖像中分割出肺野圖像」的步驟包括: 從該待診斷的數字X射線圖像中提取出一個肺部位置形狀； 從該待診斷的數字X射線圖像中提取出一個肺部閾值形狀； 疊加該肺部位置形狀及肺部閾值形狀來產生一個肺野輪廓；及根據該平均肺部形狀模型的參數將該肺野輪廓轉換成一個肺野形狀，通過該肺野形狀從該待診斷的數字X射線圖像中分割出肺野圖像。
20.如權利要 求11所述的診斷方法，其中該肺病為塵肺病。
全文摘要
本發明涉及一種肺病的計算機診斷系統及方法，該診斷系統包括第一訓練單元，用於根據若干第一數字X射線圖像樣本產生一個平均肺部形狀模型；第二訓練單元，用於根據若干第二數字X射線圖像樣本產生至少一個用於對該肺病的特徵進行分類的肺區分類器模型；分割單元，用於根據該平均肺部形狀模型從待診斷的數字X射線圖像中分割出肺野圖像；及評估單元，用於比對該肺區分類器模型與該肺野圖像來分析該待診斷的數字X射線圖像中該肺病的特徵。
文檔編號G06F19/00GK103246888SQ20121002444
公開日2013年8月14日 申請日期2012年2月3日 優先權日2012年2月3日
發明者徐昊, 陶曉東, 嚴衛中, R.G.山大然賈恩, P.K.安南吉, 楊潮 申請人:通用電氣公司