本发明涉及医学图像处理，具体涉及一种心胸比计算方法、心脏房室增大发生概率确定方法及设备。
背景技术：
1、胸片检查是最常见且最具成本效益的医学影像检查之一，临床需求极高。虽然其精确性不如断层成像手段，但因其简便、成本低廉和可重复性等优点，仍然有着独特且重要的参考作用。
2、胸片检测可用于计算心胸比即心脏最大横径和胸廓最大横径的比值，心胸比作为一个简单、易行的描述心脏整体大小的指标是临床上判断心脏大小的重要依据。
3、心脏增大是患者心脏出现了生理病变，及时诊断、治疗对于减少患者并发症、改善患者预后具有积极意义。多种心脏疾病如冠心病、肺动脉高血压、二尖瓣狭窄、房间隔出现缺损等均会导致患者心脏增大。例如，普大型心脏通常见于联合瓣膜病、扩张型心肌病等，其胸片特点为：各房室均增大；二尖瓣型心脏通常见于二尖瓣疾病、肺动脉段狭窄、肺源性心脏病等，其胸片特点：为肺动脉段凸出，右心室增大；主动脉型心脏通常见于主动脉瓣疾病、高血压心脏病、冠心病等，其胸片特点为：肺动脉段相对凹陷，左心室增大，主动脉增宽等。可见异常心脏的诊断与心脏房室增大密切相关，故对胸片内心脏房室大小变化进行诊断有较高的临床价值。
4、目前获取心胸比的方法相对较粗糙，未准确获取心脏的最大横径，导致计算得到的心胸比与真实值相比较小，对心胸比处于中间值的患者，诊断敏感性不高；考虑到阅片医生工作时，既需先验知识积累，又需结合特定胸片才能给出精确诊断, 而不同医生的专业技术能力参差不齐，导致同一患者经不同的医生诊断可能会得出不同的结论。
技术实现思路
1、为了解决现有技术中的上述问题，本发明提出了一种心胸比计算方法、心脏房室增大发生概率确定方法及设备，降低了对医生经验的依赖，提高了准确率。
2、本发明的第一方面，提出一种心胸比计算方法，所述方法包括：
3、将正位胸片图像输入到训练好的心肺分割模型，输出心肺分割结果；
4、对所述心肺分割结果去除噪点；
5、将所述正位胸片图像输入到训练好的脊柱分割模型，输出脊柱分割结果；
6、根据所述脊柱分割结果获取脊柱中心线；
7、基于所述心肺分割结果中左右肺野对应的两个闭合区域，获取左右肺野在同一水平面上最外侧分割点连接线的最大长度，作为胸廓最大横径；
8、基于所述心肺分割结果中心脏对应的闭合区域，分别计算心脏左右侧缘在同一水平面上与所述脊柱中心线的最远距离，得到左侧缘最远距离和右侧缘最远距离；
9、计算所述左侧缘最远距离和所述右侧缘最远距离之和，作为心脏最大横径；
10、根据所述心脏最大横径和所述胸廓最大横径计算心胸比。
11、优选地，“根据所述脊柱分割结果获取脊柱中心线”的步骤包括：
12、根据所述脊柱分割结果，在脊柱左右两侧各均分m段并提取m+1个关键点；
13、连接左右两侧对应位置的关键点形成m+1个线段，并分别计算每个线段的中垂线；
14、利用最小二乘法拟合所述m+1个线段与对应中垂线的交点，获得脊柱中心线；
15、其中，m为预设值。
16、优选地，所述心肺分割模型采用vnet模型；
17、所述心肺分割模型的损失函数为：;
18、其中，;;
19、 n为像素点总个数；yi与分别表示第i个像素点的标签值与预测值；p(yi)表示输出属于yi标签的概率。
20、本发明的第二方面，提出一种心脏房室增大发生概率确定方法，所述方法包括：
21、根据上面所述的心胸比计算方法，对待评估正位胸片图像进行所述心胸比计算，并获取心肺分割结果；
22、根据所述心肺分割结果对心脏的边缘点进行精细化提取，进而计算心脏的稠密边缘点矩阵；
23、将所述稠密边缘点矩阵和所述待评估正位胸片图像输入卷积神经网络，提取所述待评估正位胸片图像的视觉特征；
24、根据正位胸片报告历史数据集挖掘心脏各房室同时增大的关系数据，进而生成基于先验知识的特征矩阵；
25、将所述基于先验知识的特征矩阵与所述待评估正位胸片图像的视觉特征进行点乘，计算得到心脏各房室增大的多类别概率；
26、其中，所述多类别概率包括：左心房增大的概率、左心室增大的概率、右心房增大的概率，以及右心室增大的概率。
27、优选地，“根据所述心肺分割结果对心脏的边缘点进行精细化提取，进而计算心脏的稠密边缘点矩阵”的步骤包括：
28、根据所述心肺分割结果分别提取心脏左右边缘最外侧的像素点，由所述最外侧的像素点在所述心肺分割模型的分割结果中对应的概率值构建一个稀疏像素概率矩阵；
29、将二维高斯函数作用于所述稀疏像素概率矩阵，得到渲染后的心脏边缘点概率矩阵；
30、结合距离和概率值对所述心脏边缘点概率矩阵进行聚类操作，形成稠密边缘点矩阵。
31、优选地，“将二维高斯函数作用于所述稀疏像素概率矩阵，得到渲染后的心脏边缘点概率矩阵”的步骤包括：
32、对二维高斯函数中的参数μ和σ分别取预设值，并基于高斯核位置矩阵生成3*3的高斯矩阵g；
33、其中，所述高斯核位置矩阵为：
34、 ；
35、将所述高斯矩阵g中的每个元素分别除以该矩阵中所有元素之和，得到归一化后的矩阵g'；
36、将所述矩阵g'中的每个元素分别除以该矩阵中心点的元素，得到转换后的矩阵g''；
37、将所述稀疏像素概率矩阵中每个稀疏像素中心数值分别与所述矩阵g''相乘，得到以该稀疏像素为中心的高斯矩阵分布矩阵，并将得到的多个所述高斯矩阵分布矩阵之间的重复像素进行叠加，得到所述渲染后的心脏边缘点概率矩阵。
38、优选地，“结合距离和概率值对所述心脏边缘点概率矩阵进行聚类操作，形成稠密边缘点矩阵”的步骤包括：
39、以所述渲染后的心脏边缘点概率矩阵内左侧最高点处稀疏像素中心点为起始核心点，在当前核心点的邻域范围内寻找距离与概率的线性之和最大的点作为下一个核心点，设定心脏分割图的左侧寻迹方式为从上到下，右侧寻迹方式为从下到上，最后聚类形成所述稠密边缘点矩阵。
40、优选地， “将所述稠密边缘点矩阵和所述待评估正位胸片图像输入卷积神经网络，提取所述待评估正位胸片图像的视觉特征”的步骤包括：
41、将所述待评估正位胸片图像和所述稠密边缘点矩阵拼接为两通道的矩阵数据；
42、将所述矩阵数据输入卷积神经网络，从而提取所述待评估正位胸片图像的视觉特征。
43、优选地，“根据正位胸片报告历史数据集挖掘心脏各房室同时增大的关系数据，进而生成基于先验知识的特征矩阵”的步骤包括：
44、根据所述正位胸片报告历史数据集和心脏房室增大的标签类别，挖掘心脏各房室同时增大的关系数据，从而构建关系数据矩阵；所述标签类别包括：左心房增大、左心室增大、右心房增大和右心室增大；
45、根据所述关系数据矩阵计算每个标签类别出现时其他标签类别出现的概率，从而得到条件概率矩阵；
46、对所述条件概率矩阵进行二值化处理并引入权重，获得相关矩阵；
47、根据所述相关矩阵和类别词嵌入向量计算所述基于先验知识的特征矩阵。
48、本发明的第三方面，提出一种计算机可读存储设备，存储有能够被处理器加载并执行如上面所述方法的计算机程序。
49、本发明的第四方面，提出一种处理设备，包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行如上面所述方法的计算机程序。
50、本发明具有如下有益效果：
51、本发明提出的心胸比计算方法，分别计算心脏左右侧缘在同一水平面上与脊柱中心线的最远距离，得到左侧缘最远距离和右侧缘最远距离，再计算左侧缘最远距离和右侧缘最远距离之和，作为心脏最大横径。相比于现有技术中通过测量心脏左右侧缘之间的距离来确定中心脏最大横径，或者通过计算心脏左右侧缘与胸正中线的最远距离之和来确定心脏最大横径，本发明的计算方法获得的心胸比更为精确，不易出现漏诊。
52、本发明提出的心脏房室增大发生概率确定方法，通过将基于先验知识的特征矩阵与待评估正位胸片图像的视觉特征进行点乘，实现了临床先验知识与胸片影像信息的双向融合，充分利用多维度信息提高了心脏房室增大识别率。
53、另外，根据心肺分割结果对心脏的边缘点进行精细化提取，并提出了距离与概率的边缘聚类算法，能够充分挖掘心脏边缘信息，进一步提高了心脏房室增大识别率。
54、总之，本发明基于胸片提出的心胸比量化计算方法与心脏房室增大发生概率确定方法，可辅助医生进行诊断，降低对医生经验的依赖，提高诊断准确率，减少医生的重复工作，降低不同医生间的诊断差异。
1.一种心胸比计算方法，其特征在于，所述方法包括：
2.根据权利要求1所述的心胸比计算方法，其特征在于，“根据所述脊柱分割结果获取脊柱中心线”的步骤包括：
3.根据权利要求1所述的心胸比计算方法，其特征在于，
4.一种心脏房室增大发生概率确定方法，其特征在于，所述方法包括：
5.根据权利要求4所述的心脏房室增大发生概率确定方法，其特征在于，
6.根据权利要求5所述的心脏房室增大发生概率确定方法，其特征在于，
7.根据权利要求5所述的心脏房室增大发生概率确定方法，其特征在于，
8.根据权利要求4所述的心脏房室增大发生概率确定方法，其特征在于， “将所述稠密边缘点矩阵和所述待评估正位胸片图像输入卷积神经网络，提取所述待评估正位胸片图像的视觉特征”的步骤包括：
9.根据权利要求4所述的心脏房室增大发生概率确定方法，其特征在于，
10.一种计算机可读存储设备，其特征在于，存储有能够被处理器加载并执行如权利要求1-9中任一项所述方法的计算机程序。
11.一种处理设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被所述处理器加载并执行如权利要求1-9中任一项所述方法的计算机程序。
