心胸比估算方法及心胸比估算系统与流程

1.本发明是有关于一种医疗信息分析方法及系统，特别是一种心胸比估算方法以及心胸比估算系统。


背景技术：

2.心胸比(cardiothoracic ratio,ct ratio)为x光影像上所呈现的心脏最大横径(左右心缘至身体中线的最大距离之和)与胸肺廓横径(通过右膈顶的水平胸廓内径)的比例。通常成年人及儿童的正常心胸比不大于0.5，此时医师可以初步排除心脏功能受损的情况。反之，患有慢性心脏衰竭、高血压或慢性肾病的患者常有心胸比大于0.5的情形，显示心脏有增大的疑虑，是以心胸比可用以初步判断患者的心脏功能，并有利于后续医疗方针的拟定。
3.目前对于心胸比数值的估算是由医师根据患者的胸部x光影像以现行的医疗影像系统操作界面而手动拉取比例尺，借以计算患者的心脏最大横径与胸肺廓横径，并根据前述的测量数值计算该患者的心胸比数值。然而，现行临床上并无专门用以即时计算并提供心胸比数值的医疗信息系统，且同一患者的心胸比数值容易因为不同医师对于心胸比的主观判读标准而有所不同，导致依据人工判读的心胸比数值的准确度出现落差。
4.因此，如何发展出一种自动化、标准化、快速且具有高度检测准确度的心胸比评估方式，实为一具有临床应用价值的技术课题。


技术实现要素：

5.本发明的一态样在于提供一种心胸比估算方法，包含下述步骤。提供一受试者的一受试x光影像数据集。进行一第一影像数据分类步骤，其是利用一第一深度学习神经网络分类器对前述的受试x光影像数据集进行归类，以得一受试胸部x光影像数据，其中所述的受试胸部x光影像数据包含一胸部x光后前照(posterior-anterior view,pa view)影像数据或一胸部x光前后照(anterior-posterior view,ap view)影像数据。进行一第二影像数据分类步骤，其是利用一第二深度学习神经网络分类器对前述的受试胸部x光影像数据进行归类，以得一目标胸部x光影像数据。进行一特征提取步骤，其是自动撷取前述的目标胸部x光影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将前述的胸腔宽度讯息及前述的心脏宽度讯息以一第三深度学习神经网络分类器进行训练至收敛，以得一心胸比特征值。进行一判断步骤，其是利用前述的第三深度学习神经网络分类器根据前述的心胸比特征值输出一心胸比估算结果。
6.依据前述的心胸比估算方法，其中前述的目标胸部x光影像数据可为胸部x光后前照影像数据。
7.依据前述的心胸比估算方法，其中前述的第一深度学习神经网络分类器可为resnet-50深度学习神经网络分类器，前述的第二深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
8.依据前述的心胸比估算方法，可还包含进行一确认步骤，其是利用一第四深度学习神经网络分类器确认前述的目标胸部x光影像数据的一胸腔位置以及一心脏位置，并根据所述的胸腔位置以及所述的心脏位置发出一可信度预警讯息。
9.依据前述的心胸比估算方法，其中前述的目标胸部x光影像数据可由一调整者调整前述的胸腔宽度讯息及前述的心脏宽度讯息，以得一调整后胸腔宽度讯息及一调整后心脏宽度讯息。其中，调整后胸腔宽度讯息及调整后心脏宽度讯息可以前述的第四深度学习神经网络分类器进行训练至收敛，以得一二重心胸比特征值，且第四深度学习神经网络分类器可根据前述的二重心胸比特征值输出一心胸比可信度预警结果。
10.依据前述的心胸比估算方法，其中前述的目标胸部x光影像数据可由调整者根据前述的可信度预警讯息而调整胸腔宽度讯息及心脏宽度讯息。
11.依据前述的心胸比估算方法，其中前述的第四深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
12.依据前述的心胸比估算方法，可还包含进行一建模步骤，其可包含下述步骤。提供一参照x光影像数据库，其中前述的参照x光影像数据库包含多个参照x光影像数据集。进行一第一参照影像数据分类步骤，其是利用前述的第一深度学习神经网络分类器对各参照x光影像数据集进行归类，以得多个训练胸部x光影像数据，其中各训练胸部x光影像数据可包含一胸部x光后前照影像数据或一胸部x光前后照影像数据。进行一第二参照影像数据分类步骤，其是利用前述的第二深度学习神经网络分类器对前述的训练胸部x光影像数据进行归类，以得多个训练胸部x光后前照影像数据。进行一参照特征提取步骤，其是自动撷取各训练胸部x光后前照影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将前述的胸腔宽度讯息及前述的心脏宽度讯息以一深度学习演算模块进行训练至收敛，以得所述的第三深度学习神经网络分类器。
13.依据前述的心胸比估算方法，其中前述的深度学习演算模块可为u-net演算模块。
14.本发明的另一态样在于提供一种心胸比估算系统，包含一影像撷取装置以及一处理器。影像撷取装置用以撷取一受试者的一受试x光影像数据集。处理器电性连接前述的影像撷取装置，其中处理器包含一参照x光影像数据库及一心胸比估算程序，且前述的参照x光影像数据库包含多个参照x光影像数据集。其中，前述的心胸比估算程序包含一第一参照影像数据分类模块、一第二参照影像数据分类模块、一训练模块、一第一目标影像数据分类模块、一第二目标影像数据分类模块及一比对模块。第一参照影像数据分类模块是利用一第一深度学习神经网络分类器对各参照x光影像数据集进行归类，以得多个训练胸部x光影像数据，其中各训练胸部x光影像数据包含一胸部x光后前照影像数据或一胸部x光前后照影像数据。第二参照影像数据分类模块是利用一第二深度学习神经网络分类器对前述的训练胸部x光影像数据进行归类，以得多个训练胸部x光后前照影像数据。训练模块是自动撷取各训练胸部x光后前照影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将前述的胸腔宽度讯息及前述的心脏宽度讯息以一深度学习演算模块进行训练至收敛，以得一第三深度学习神经网络分类器。第一目标影像数据分类模块是利用前述的第一深度学习神经网络分类器对前述的受试x光影像数据集进行归类，以得一受试胸部x光影像数据，其中前述的受试胸部x光影像数据包含一胸部x光后前照影像数据或一胸部x光前后照影像数据。第二目标影像数据分类模块是利用前述的第二深度学习神经网络分类器对前述的受试胸部x光影
像数据进行归类，以得一目标胸部x光影像数据。比对模块是自动撷取前述的目标胸部x光影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将前述的胸腔宽度讯息及前述的心脏宽度讯息以前述的第三深度学习神经网络分类器进行训练至收敛，以得一心胸比特征值，并利用前述的第三深度学习神经网络分类器根据前述的心胸比特征值输出一心胸比估算结果。
15.依据前述的心胸比估算系统，其中前述的目标胸部x光影像数据可为胸部x光后前照影像数据。
16.依据前述的心胸比估算系统，其中前述的第一深度学习神经网络分类器可为resnet-50深度学习神经网络分类器，前述的第二深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
17.依据前述的心胸比估算系统，其中前述的深度学习演算模块可为u-net演算模块。
18.依据前述的心胸比估算系统，可还包含一确认模块，其可利用一第四深度学习神经网络分类器确认前述的目标胸部x光影像数据的一胸腔位置以及一心脏位置，并根据前述的胸腔位置以及前述的心脏位置发出一可信度预警讯息。
19.依据前述的心胸比估算系统，其中前述的第四深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
20.依据前述的心胸比估算系统，其中前述的目标胸部x光影像数据可由一调整者调整前述的胸腔宽度讯息及前述的心脏宽度讯息，以得一调整后胸腔宽度讯息及一调整后心脏宽度讯息。其中，前述的调整后胸腔宽度讯息及前述的调整后心脏宽度讯息可以前述的第四深度学习神经网络分类器进行训练至收敛，以得一二重心胸比特征值，且前述的第四深度学习神经网络分类器可根据前述的二重心胸比特征值输出一心胸比可信度预警结果。
21.依据前述的心胸比估算系统，其中前述的目标胸部x光影像数据可由调整者根据前述的可信度预警讯息而调整胸腔宽度讯息及心脏宽度讯息。
22.依据前述的心胸比估算系统，可还包含一显示器，显示器电性连接前述的影像撷取装置与前述的处理器，其中前述的显示器可包含一使用者操作模块，且前述的心胸比估算结果及前述的心胸比可信度预警结果可显示于显示器上。
23.借此，本发明的心胸比估算方法与心胸比估算系统透过第一深度学习神经网络分类器对受试x光影像数据集进行归类后，再行以第二深度学习神经网络分类器对受试胸部x光影像数据进行分类与归类后，进而以第三深度学习神经网络分类器进行训练至收敛，并以前述处理所得的心胸比特征值为依据进行分析判断，以根据受试者的受试x光影像数据集直接输出心胸比估算结果，如此一来不仅可以即时计算并提供心胸比估算数值，以利后续医疗方针的拟定，亦可避免已知的心胸比估算方法中因不同分析者的主观判读习惯不同所造成的结果误差，使本发明的心胸比估算方法与心胸比估算系统具有优异的临床应用潜力。
附图说明
24.图1是绘示本发明一实施方式的心胸比估算方法的步骤流程图；
25.图2是绘示本发明另一实施方式的心胸比估算方法的步骤流程图；
26.图3是绘示本发明又一实施方式的心胸比估算方法的步骤流程图；
27.图4是绘示本发明再一实施方式的心胸比估算系统的架构示意图；
28.图5是绘示本发明更一实施方式的心胸比估算系统的架构示意图；
29.图6a是一胸部x光影像数据图；
30.图6b是一非胸部x光影像数据图；
31.图7是绘示本发明的心胸比估算系统用以对参照x光影像数据集进行归类的一混淆矩阵图；
32.图8a是一胸部x光前后照影像数据图；
33.图8b是一胸部x光后前照影像数据图；
34.图9是绘示本发明的心胸比估算系统用以对参照x光影像数据集进行归类的一混淆矩阵图；
35.图10a是本发明的目标胸部x光影像数据；
36.图10b是绘示本发明的心胸比估算系统用以撷取图10a的目标胸部x光影像数据的一胸腔宽度讯息的示意图；
37.图10c是绘示本发明的心胸比估算系统用以撷取图10a的目标胸部x光影像数据的一心脏宽度讯息的示意图；以及
38.图11是绘示本发明的心胸比估算系统以第四深度学习神经网络分类器分析受试者的胸部x光后前照影像数据所得的心胸比可信度预警结果的一混淆矩阵图。
39.【符号说明】
40.100,100a,100b:心胸比估算方法
41.110,110a,110b,120,120a,120b,130,130a,130b,140,140a,140b,150,150a,150b,160,161,162,163,164,170:步骤
42.200,200a:心胸比估算系统
43.210,210a:影像撷取装置
44.220,220a:处理器
45.230,230a:参照x光影像数据库
46.240,240a:心胸比估算程序
47.251,251a:第一参照影像数据分类模块
48.252,252a:第二参照影像数据分类模块
49.253,253a:训练模块
50.261,261a:第一目标影像数据分类模块
51.262,262a:第二目标影像数据分类模块
52.270,270a:比对模块
53.280:确认模块
54.701,901,1101:真阴性区块
55.702,902,1102:伪阳性区块
56.703,903,1103:伪阴性区块
57.704,904,1104:真阳性区块
具体实施方式
58.下述将更详细讨论本发明各实施方式。然而，此实施方式可为各种发明概念的应用，可被具体实行在各种不同的特定范围内。特定的实施方式是仅以说明为目的，且不受限于揭露的范围。
59.[本发明的心胸比估算方法]
[0060]
请参照图1，其是绘示本发明一实施方式的心胸比估算方法100的步骤流程图。心胸比估算方法100包含步骤110、步骤120、步骤130、步骤140以及步骤150。
[0061]
步骤110为提供一受试者的一受试x光影像数据集。详细而言，受试x光影像数据集包含受试者接受x光检查时的各部位的x光影像数据，并包含胸部x光影像数据与非胸部x光影像数据。
[0062]
步骤120为进行一第一影像数据分类步骤，其是利用一第一深度学习神经网络分类器对前述的受试x光影像数据集进行归类，以得一受试胸部x光影像数据，其中受试胸部x光影像数据包含一胸部x光后前照(posterior-anterior view,pa view)影像数据或一胸部x光前后照(anterior-posterior view,ap view)影像数据。详细而言，第一深度学习神经网络分类器可进一步对受试x光影像数据集中的胸部x光影像数据与非胸部x光检查影像数据进行归类，以挑选受试者的受试胸部x光影像数据进行后续的分析。具体而言，前述的第一深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
[0063]
步骤130为进行一第二影像数据分类步骤，其是利用一第二深度学习神经网络分类器对前述的受试胸部x光影像数据进行归类，以得一目标胸部x光影像数据。具体而言，前述的第二深度学习神经网络分类器可为resnet-50深度学习神经网络分类器，且前述的目标胸部x光影像数据可为胸部x光后前照影像数据。详细而言，受试胸部x光影像数据包含受试者接受胸部x光检查时所撷取的不同检查姿势的胸部x光影像数据，如胸部x光后前照影像数据或胸部x光前后照影像数据，而在第二影像数据分类步骤中，第二深度学习神经网络分类器将自动地对受试胸部x光影像数据进行归类，以取得受试者的胸部x光后前照影像数据作为本发明的心胸比估算方法100的心胸比数值评估的依据。由于在撷取受试者的胸部x光后前照影像数据时需要以站立姿势而从病患后背往前胸的方向进行拍摄，此时x光的光束为平行光束，进而使拍摄而得的x光影像较为清晰并有正常比例的尺寸。再者，以站立姿势进行拍摄时受试者将同步保持吸气的动作，以使肺部扩张并确保足够的吸气量而使肺脏获得最大限度的扩张，是以本发明的心胸比估算方法100将以受试者的胸部x光后前照影像数据作为心胸比数值评估的依据，以获得较为准确的心胸比估算结果。
[0064]
步骤140为进行一特征提取步骤，其是自动撷取前述的目标胸部x光影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将胸腔宽度讯息及心脏宽度讯息以一第三深度学习神经网络分类器进行训练至收敛，以得一心胸比特征值。详细而言，本发明的心胸比估算方法100可利用第三深度学习神经网络分类器自动地对目标胸部x光影像数据的心脏部分与肺脏部分进行切割，接着，第三深度学习神经网络分类器将以短直线标记目标胸部x光影像数据的胸肺廓最大内径与心脏最大横径，以撷取胸腔宽度讯息及心脏宽度讯息，并据此提取对应的心胸比特征值。
[0065]
步骤150为进行一判断步骤，其是利用前述的第三深度学习神经网络分类器根据前述的心胸比特征值输出一心胸比估算结果。
[0066]
请参照图2，其是绘示本发明另一实施方式的心胸比估算方法100a的步骤流程图。心胸比估算方法100a包含步骤110a、步骤120a、步骤130a、步骤140a、步骤150a以及步骤160，其中步骤110a、步骤120a、步骤130a、步骤140a、步骤150a与图1的步骤110、步骤120、步骤130、步骤140、步骤150相同，在此将不再赘述，而以下将进一步说明本发明的第二深度学习神经网络分类器的建构细节。
[0067]
步骤160为进行一建模步骤，其包含步骤161、步骤162、步骤163以及步骤164。
[0068]
步骤161为提供一参照x光影像数据库，其中参照x光影像数据库包含多个参照x光影像数据集。详细而言，各参照x光影像数据集包含不同检查姿势的胸部x光影像数据(如胸部x光后前照影像数据或胸部x光前后照影像数据)与非胸部x光影像(如同一次x光检查可能含有胸部与身体其他部位的x光影像)，且前述的不同检查姿势的胸部x光影像数据与非胸部x光影像将同时以本发明的心胸比估算方法100a进行后续的分析。
[0069]
步骤162为进行一第一参照影像数据分类步骤，其是利用前述的第一深度学习神经网络分类器对各参照x光影像数据集进行归类，以得多个训练胸部x光影像数据，其中各训练胸部x光影像数据包含一胸部x光后前照影像数据或一胸部x光前后照影像数据。具体而言，参照x光影像数据集包含不同检查姿势的胸部x光影像数据，且可能包含非胸部x光影像数据(亦即，x光检查可能同时包含胸部与身体其他部位的x光影像)，而本发明的第一深度学习神经网络分类器将可进一步对各参照x光影像数据集中的胸部x光影像数据与非胸部x光检查影像数据进行归类，以挑选胸部x光影像数据为本发明的训练胸部x光影像数据进行后续的分析。
[0070]
步骤163为进行一第二参照影像数据分类步骤，其是利用前述的第二深度学习神经网络分类器对前述的训练胸部x光影像数据进行归类，以得多个训练胸部x光后前照影像数据。详细而言，第二深度学习神经网络分类器将自动地对各参照x光影像数据集进行归类，以取得较为清晰并有正常比例的尺寸的胸部x光后前照影像数据进行后续的建模流程。
[0071]
步骤164为进行一参照特征提取步骤，其是自动撷取各训练胸部x光后前照影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将前述的胸腔宽度讯息及前述的心脏宽度讯息以一深度学习演算模块进行训练至收敛，以得所述的第三深度学习神经网络分类器。其中，所述的深度学习演算模块可为u-net演算模块。
[0072]
再请参照图3，其是绘示本发明又一实施方式的心胸比估算方法100b的步骤流程图。心胸比估算方法100b包含步骤110b、步骤120b、步骤130b、步骤140b、步骤170以及步骤150b，其中步骤110b、步骤120b、步骤130b、步骤140b、步骤150b与图1的步骤110、步骤120、步骤130、步骤140、步骤150相同，在此不再赘述。
[0073]
步骤170为进行一确认步骤，其是利用一第四深度学习神经网络分类器确认目标胸部x光影像数据的一胸腔位置以及一心脏位置，并根据前述的胸腔位置以及前述的心脏位置发出一可信度预警讯息。详细而言，当本发明的心胸比估算方法100b撷取目标胸部x光影像数据的胸腔宽度讯息及心脏宽度讯息时，心胸比估算方法100b判定目标胸部x光影像数据的胸腔宽度讯息及心脏宽度讯息无法清楚地被进行界定，致使所输出的心胸比特征值的准确度有待商议，此时第四深度学习神经网络分类器将进一步确认目标胸部x光影像数据的一胸腔位置以及一心脏位置，以及判断胸腔位置以及心脏位置的切割是否完整、平滑无破碎，并根据前述的胸腔位置以及前述的心脏位置发出一可信度预警讯息，而目标胸部x
光影像数据将进一步由一调整者，如医师等专业人士，调整前述的胸腔宽度讯息及前述的心脏宽度讯息，以得一调整后胸腔宽度讯息及一调整后心脏宽度讯息，而调整后胸腔宽度讯息及调整后心脏宽度讯息将再次以第四深度学习神经网络分类器进行训练至收敛，以得一二重心胸比特征值。同时，第四深度学习神经网络分类器将可根据前述的二重心胸比特征值输出一心胸比可信度预警结果，以再次确认与优化本发明的心胸比估算方法100b所输出的心胸比估算结果。较佳地，目标胸部x光影像数据可由调整者根据前述的可信度预警讯息而调整胸腔宽度讯息及心脏宽度讯息。具体而言，第四深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
[0074]
借此，本发明的心胸比估算方法100、心胸比估算方法100a以及心胸比估算方法100b透过第一深度学习神经网络分类器以及第二深度学习神经网络分类器对受试x光影像数据集进行归类后，再行以第三深度学习神经网络分类器进行训练至收敛，并以前述处理所得的心胸比特征值为依据进行分析判断，以根据受试者的受试x光影像数据集直接输出心胸比估算结果，如此一来不仅可以即时计算并提供心胸比估算数值，以利后续医疗方针的拟定，亦可避免已知的心胸比估算方法中因不同分析者的主观判读习惯不同所造成的结果误差。再者，透过第四深度学习神经网络分类器进一步确认目标胸部x光影像数据的一胸腔位置以及一心脏位置的方式，将有利于调整者进行调整，进而再次确认与优化本发明的心胸比估算方法100b所输出的心胸比估算结果，并具有优异的临床应用潜力。
[0075]
[本发明的心胸比估算系统]
[0076]
请参照图4，其是绘示本发明再一实施方式的心胸比估算系统200的架构示意图。心胸比估算系统200包含一影像撷取装置210以及一处理器220。
[0077]
影像撷取装置210用以撷取一受试者的一受试x光影像数据集。详细而言，受试x光影像数据集包含受试者接受x光检查时的各部位的x光影像数据，并包含胸部x光影像数据与非胸部x光检查影像数据。
[0078]
处理器220电性连接影像撷取装置210，其中处理器220包含一参照x光影像数据库230及一心胸比估算程序240，且参照x光影像数据库230包含多个参照x光影像数据集(图未绘示)。其中，心胸比估算程序240包含一第一参照影像数据分类模块251、一第二参照影像数据分类模块252、一训练模块253、一第一目标影像数据分类模块261、一第二目标影像数据分类模块262及一比对模块270。
[0079]
第一参照影像数据分类模块251是利用一第一深度学习神经网络分类器对各参照x光影像数据集进行归类，以得多个训练胸部x光影像数据，其中各训练胸部x光影像数据包含一胸部x光后前照影像数据或一胸部x光前后照影像数据。具体而言，参照x光影像数据集包含不同检查姿势的胸部x光影像数据，且可能包含非胸部x光影像数据(亦即，x光检查可能同时包含胸部与身体其他部位的x光影像)，而本发明的第一深度学习神经网络分类器将可进一步对各参照x光影像数据集中的胸部x光影像数据与非胸部x光检查影像数据进行归类，以挑选胸部x光影像数据为本发明的训练胸部x光影像数据进行后续的分析。其中，前述的第一深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
[0080]
第二参照影像数据分类模块252是利用一第二深度学习神经网络分类器对前述的训练胸部x光影像数据进行归类，以得多个训练胸部x光后前照影像数据。详细而言，第二深度学习神经网络分类器将自动地对各训练胸部x光影像数据进行归类，以取得较为清晰并
有正常比例的尺寸的胸部x光后前照影像数据，以获得较为准确的心胸比估算结果。其中，前述的第二深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
[0081]
训练模块253是自动撷取各训练胸部x光后前照影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将前述的胸腔宽度讯息及前述的心脏宽度讯息以一深度学习演算模块进行训练至收敛，以得一第三深度学习神经网络分类器。其中，所述的深度学习演算模块可为u-net演算模块。
[0082]
第一目标影像数据分类模块261是利用前述的第一深度学习神经网络分类器对受试x光影像数据集进行归类，以得一受试胸部x光影像数据，其中受试胸部x光影像数据包含一胸部x光后前照影像数据或一胸部x光前后照影像数据。详细而言，第一深度学习神经网络分类器可进一步对受试x光影像数据中的胸部x光影像数据与非胸部x光检查影像数据进行归类，以挑选受试者的受试胸部x光影像数据进行后续的分析。
[0083]
第二目标影像数据分类模块262是利用前述的第二深度学习神经网络分类器对受试胸部x光影像数据进行归类，以得一目标胸部x光影像数据。其中，目标胸部x光影像数据可为胸部x光后前照影像数据。详细而言，第一深度学习神经网络分类器将自动地对受试x光影像数据集进行归类，以取得较为清晰并有正常比例的尺寸的胸部x光后前照影像数据作为心胸比数值评估的依据。
[0084]
比对模块270是自动撷取目标胸部x光影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将前述的胸腔宽度讯息及前述的心脏宽度讯息以前述的第三深度学习神经网络分类器进行训练至收敛，以得一心胸比特征值，并利用第三深度学习神经网络分类器根据前述的心胸比特征值输出一心胸比估算结果。详细而言，比对模块270将利用第三深度学习神经网络分类器自动地对目标胸部x光影像数据的心脏部分与肺脏部分进行切割，接着，第三深度学习神经网络分类器将以短直线标记心脏最大横径与胸肺廓最大内径，以提取对应的心胸比特征值，并根据前述的心胸比特征值输出心胸比估算结果。
[0085]
借此，本发明的心胸比估算系统200透过第一深度学习神经网络分类器与第二深度学习神经网络分类器对受试x光影像数据集进行归类后，再行以第三深度学习神经网络分类器对目标胸部x光影像数据进行训练至收敛，并以前述处理所得的心胸比特征值为依据进行分析判断，以根据受试者的受试x光影像数据集直接输出心胸比估算结果，如此一来不仅可以即时计算并提供心胸比估算数值，亦可避免已知的心胸比估算方法中因不同分析者的主观判读习惯不同所造成的结果误差而以利后续医疗方针的拟定。
[0086]
请参照图5，其是绘示本发明更一实施方式的心胸比估算系统200a的架构示意图。心胸比估算系统200a包含一影像撷取装置210a以及一处理器220a。处理器220a包含一参照x光影像数据库230a及一心胸比估算程序240a，其中心胸比估算程序240a进一步包含一第一参照影像数据分类模块251a、一第二参照影像数据分类模块252a、一训练模块253a、一第一目标影像数据分类模块261a、一第二目标影像数据分类模块262a、一确认模块280及一比对模块270a。其中，心胸比估算程序240a的第一参照影像数据分类模块251a、第二参照影像数据分类模块252a、训练模块253a、第一目标影像数据分类模块261a、第二目标影像数据分类模块262a及比对模块270a与图4的第一参照影像数据分类模块251、第二参照影像数据分类模块252、训练模块253、第一目标影像数据分类模块261、第二目标影像数据分类模块262及比对模块270相同，是以相同的架构的细节将不再赘述。
[0087]
确认模块280是利用一第四深度学习神经网络分类器确认目标胸部x光影像数据的一胸腔位置以及一心脏位置，以及判断胸腔位置以及心脏位置的切割是否完整、平滑无破碎，并根据前述的胸腔位置以及前述的心脏位置发出一可信度预警讯息，而目标胸部x光影像数据将进一步由一调整者调整并判断前述的胸腔宽度讯息及前述的心脏宽度讯息，以得一调整后胸腔宽度讯息及一调整后心脏宽度讯息，而调整后胸腔宽度讯息及调整后心脏宽度讯息将再以第四深度学习神经网络分类器进行训练至收敛，以得一二重心胸比特征值。同时，第四深度学习神经网络分类器将可根据前述的二重心胸比特征值输出一心胸比可信度预警结果，以再次确认与优化本发明的心胸比估算系统200a所输出的心胸比估算结果。较佳地，目标胸部x光影像数据可由调整者根据前述的可信度预警讯息而调整胸腔宽度讯息及心脏宽度讯息。具体而言，第四深度学习神经网络分类器可为resnet-50深度学习神经网络分类器。
[0088]
另外，虽图未绘示，本发明的心胸比估算系统可还包含一显示器，显示器电性连接影像撷取装置与处理器，其中显示器可包含一使用者操作模块，且心胸比估算结果及心胸比可信度预警结果可显示于显示器上，如此一来不仅利于调整者透过显示器直接利用使用者操作模块来调整胸腔宽度讯息及心脏宽度讯息，并有利于直接从显示器获得本发明的心胸比估算系统所输出的心胸比估算结果及心胸比可信度预警结果，使其使用更为便利，并具有相关临床应用的潜力。
[0089]
[试验例]
[0090]
一、参照x光影像数据库
[0091]
本发明所使用的参照x光影像数据库为中国医学大学暨附设医院所搜集的x光影像数据，为经中国医药大学暨附设医院研究伦理委员会(china medical university&hospital research ethics committee)核准的临床试验计划，其编号为：cmuh106-rec3-118。前述的参照x光影像数据库包含198位受试者的x光影像数据集，共计200张x光影像数据(包含200张连续性胸部x光后前照影像数据)，以进行后续的分析。
[0092]
以下将以本发明的心胸比估算系统辅以本发明的心胸比估算方法续行试验，进而评估本发明的心胸比估算系统与本发明的心胸比估算方法的评估准确度，其中本发明的心胸比估算系统可为前述的心胸比估算系统200或心胸比估算系统200a，而本发明的心胸比估算方法则可为前述的心胸比估算方法100、心胸比估算方法100a或心胸比估算方法100b，是以相同的细节请参前段所述，在此将不再赘述。
[0093]
二、影像数据分类
[0094]
在影像数据分类方面，本发明的第一深度学习神经网络分类器将先挑选参照数据库的参照x光影像数据集中的胸部x光影像数据，而第二深度学习神经网络分类器将进一步分析胸部x光影像数据而以胸部x光后前照影像数据进行后续的分析。
[0095]
请参照图6a与图6b，图6a是一胸部x光影像数据图，图6b是一非胸部x光影像数据图。如图6a以及图6b所示，相较于胸部x光影像数据图，非胸部x光影像数据图可能同时包含胸部与身体其他部位的x光影像，使其无法正确辨别胸腔与心脏的位置，且非胸部x光影像数据图所显示的胸腔与心脏的尺寸亦不符合实际的胸腔与心脏的尺寸，是以本发明的心胸比估算方法与心胸比估算系统的第一深度学习神经网络分类器将进一步排除参照x光影像数据集中的非胸部x光影像数据，而以胸部x光影像数据进行后续的分析。
[0096]
请参照图7，其是绘示本发明的心胸比估算系统用以对参照x光影像数据集进行归类的一混淆矩阵图。如图7所示，预测标签的真阴性(true negative,tn)区块701中的非胸部x光影像数据的数量为2048，预测标签的伪阳性(false positive,fp)区块702中的胸部x光影像数据的数量为4，预测标签的伪阴性(false negative,fn)区块703中的非胸部x光影像数据的数量为5，而预测标签的真阳性(true positive,tp)区块704中的胸部x光影像数据的数量为12528。再者，本发明的心胸比估算系统用以对参照x光影像数据集进行归类而分辨非胸部x光影像数据与胸部x光影像数据的精确率(precision)为0.9986，灵敏度(sensitivity)为0.9988，且正确率(accuracy)可达0.9994，显示本发明的心胸比估算方法与心胸比估算系统的第一深度学习神经网络分类器可有效地分辨参照x光影像数据集中的非胸部x光影像数据与胸部x光影像数据，并具有相关临床应用的潜力。
[0097]
请参照图8a与图8b，图8a是一胸部x光前后照影像数据图，图8b是一胸部x光后前照影像数据图。详细而言，如图8a所示，由于胸部x光前后照影像数据在拍摄时其x光的光束从病患前方往后方呈三角放射型态，进而使拍摄而得的x光影像较正常的胸腔尺寸为小，且胸部x光前后照影像数据的心脏阴影(cardiac shadow)会被放大，如此一来将导致撷取胸腔宽度讯息与心脏宽度讯息时的误差率提高，进而影响后续心胸比估算结果的准确度。而如图8b所示，在撷取受试者的胸部x光后前照影像数据时需要以站立姿势从病患后方往前方进行拍摄，此时x光的光束为平行光束，进而使拍摄而得的x光影像较为清晰并有正常比例的尺寸。再者，以站立姿势进行拍摄时受试者将同步保持吸气的动作，以使肺部扩张并确保足够的吸气量而使肺脏获得最大限度的扩张，是以本发明的心胸比估算方法与心胸比估算系统将以参照x光影像数据集的胸部x光后前照影像数据以及受试者的受试胸部x光后前照影像数据作为心胸比数值评估的依据。
[0098]
请参照图9，其是绘示本发明的心胸比估算系统用以对参照x光影像数据集进行归类的一混淆矩阵图。当以本发明的心胸比估算系统对参照胸部x光影像数据的不同检查姿势的胸部x光影像数据行归类时，如图9所示，预测标签的胸部x光前后照影像数据的真阴性区块901中的数量为185，预测标签的胸部x光前后照影像数据的伪阳性区块902中的数量为15，预测标签的胸部x光后前照影像数据的伪阴性区块903中的数量为3，而预测标签的胸部x光后前照影像数据的真阳性区块904中的数量为397。再者，本发明的心胸比估算系统用以对参照x光影像数据集进行归类而得胸部x光后前照影像数据的精确率为0.96，灵敏度为0.99，且正确率可达0.97，显示本发明的心胸比估算方法与心胸比估算系统的第二深度学习神经网络分类器可有效地撷取胸部x光后前照影像数据进行分析，并具有相关临床应用的潜力。
[0099]
三、本发明的心胸比估算方法与心胸比估算系统的可信度分析
[0100]
在评估本发明的心胸比估算方法与心胸比估算系统的可信度方面，首先受试者的受试x光影像数据集将透过本发明的第一深度学习神经网络分类器与第二深度学习神经网络分类器进行归类，以挑选胸部x光后前照影像数据作为目标胸部x光影像数据而进行后续的分析。
[0101]
请同时参照图10a、图10b与图10c，图10a是本发明的目标胸部x光影像数据，图10b是绘示本发明的心胸比估算系统用以撷取图10a的目标胸部x光影像数据的一胸腔宽度讯息的示意图，图10c是绘示本发明的心胸比估算系统用以撷取图10a的目标胸部x光影像数
据的一心脏宽度讯息的示意图。此外，为使图10b与图10c的胸腔宽度讯息与心脏宽度讯息清楚明白，附件1为图10b的彩色图，附件2为图10c的彩色图。详细而言，在以本发明的心胸比估算系统评估受试者的心胸比数值时，如图10a、图10b与图10c所示，本发明的第三深度学习神经网络分类器将自动地对目标胸部x光影像数据的心脏部分与肺脏部分进行切割。接着，第三深度学习神经网络分类器将以短直线标记目标胸部x光影像数据的胸肺廓最大内径(图10b)与心脏最大横径(图10c)，以撷取胸腔宽度讯息及心脏宽度讯息，并据此提取对应的心胸比特征值而续行分析，借以增进本发明的心胸比估算系统与心胸比估算方法的评估效率。接着，本发明的第三深度学习神经网络分类器将根据前述的心胸比特征值而输出一心胸比估算结果。接着，本发明的第四深度学习神经网络分类器将进一步确认目标胸部x光影像数据的一胸腔位置以及一心脏位置，并根据胸腔位置以及心脏位置发出一可信度预警讯息，而调整者将可依据前述的可信度预警讯息而调整胸腔宽度讯息及心脏宽度讯息，并以调整后的胸腔宽度讯息及心脏宽度讯息以第四深度学习神经网络分类器进行训练至收敛而得一二重心胸比特征值，且第四深度学习神经网络分类器将可进一步根据二重心胸比特征值输出一心胸比可信度预警结果。
[0102]
请参照图11，其是绘示本发明的心胸比估算系统以第四深度学习神经网络分类器分析受试者的胸部x光后前照影像数据所得的心胸比可信度预警结果的一混淆矩阵图。如图11所示，预测标签的可进行心胸比估算的真阴性区块1101中的胸部x光后前照影像数据的数量为182，预测标签的无法进行心胸比估算的伪阳性区块1102中的胸部x光后前照影像数据的数量为18，预测标签的可进行心胸比估算的伪阴性区块1103中的胸部x光后前照影像数据的数量为47，而预测标签的无法进行心胸比估算的真阳性区块1104中的胸部x光后前照影像数据的数量为153。再者，本发明的心胸比估算系统用于分析受试者的胸部x光后前照影像数据是否可用以进行心胸比估算的精确率为0.895，灵敏度为0.765，正确率可达0.8375，显示本发明的心胸比估算方法与心胸比估算系统可有效地依据胸部x光影像数据进行分析并同时进行可信度判断，进而优化并获得具有高度准确率的心胸比估算结果，使其具有相关临床应用的潜力。
[0103]
另外，为了进一步验证本发明的心胸比估算系统用以估算心胸比的准确度，本发明的心胸比估算系统进一步用以分析日本放射技术学会(japanese society of radiological technology,jsrt)的影像数据库中的100张训练胸部x光影像数据、47张验证胸部x光影像数据、100张测试胸部x光影像数据并输出其心胸比估算结果。结果显示，本发明的心胸比估算系统与心胸比估算方法用以分析日本放射技术学会的影像数据库中的连续性胸部x光影像数据而评估受试者的心胸比的准确率可达92％，且其用以评估受试者是否患有心脏肥大(即心胸比》0.5)的准确率更可达95％。
[0104]
由上述结果显示，本发明的心胸比估算系统与心胸比估算方法在透过第一深度学习神经网络分类器与第一深度学习神经网络分类器对受试x光影像数据集进行归类后，再行以第三深度学习神经网络分类器进行训练至收敛，并以前述处理所得的心胸比特征值为依据进行分析判断，以根据受试者的受试x光影像数据集直接输出心胸比估算结果的方式具有高度的评估准确度，并可避免已知的心胸比估算方法中因不同分析者的主观判读习惯不同所造成的结果误差，使其具有优异的临床应用潜力。
[0105]
虽然本发明已以实施方式揭露如上，然其并非用以限定本发明，任何熟悉此技艺
者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视所附的权利要求书所界定的范围为准。

技术特征：
1.一种心胸比估算方法，其特征在于，包含下述步骤：提供一受试者的一受试x光影像数据集；进行一第一影像数据分类步骤，其是利用一第一深度学习神经网络分类器对该受试x光影像数据集进行归类，以得一受试胸部x光影像数据，其中该受试胸部x光影像数据包含一胸部x光后前照(posterior-anterior view,pa view)影像数据或一胸部x光前后照(anterior-posterior view,ap view)影像数据；进行一第二影像数据分类步骤，其是利用一第二深度学习神经网络分类器对该受试胸部x光影像数据进行归类，以得一目标胸部x光影像数据；进行一特征提取步骤，其是自动撷取该目标胸部x光影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将该胸腔宽度讯息及该心脏宽度讯息以一第三深度学习神经网络分类器进行训练至收敛，以得一心胸比特征值；以及进行一判断步骤，其是利用该第三深度学习神经网络分类器根据该心胸比特征值输出一心胸比估算结果。2.根据权利要求1所述的心胸比估算方法，其特征在于，该目标胸部x光影像数据为该胸部x光后前照影像数据。3.根据权利要求1所述的心胸比估算方法，其特征在于，该第一深度学习神经网络分类器为resnet-50深度学习神经网络分类器，该第二深度学习神经网络分类器为resnet-50深度学习神经网络分类器。4.根据权利要求1所述的心胸比估算方法，还包含：进行一确认步骤，其是利用一第四深度学习神经网络分类器确认该目标胸部x光影像数据的一胸腔位置以及一心脏位置，并根据该胸腔位置以及该心脏位置发出一可信度预警讯息。5.根据权利要求4所述的心胸比估算方法，其特征在于，该目标胸部x光影像数据是由一调整者调整该胸腔宽度讯息及该心脏宽度讯息，以得一调整后胸腔宽度讯息及一调整后心脏宽度讯息；其中，该调整后胸腔宽度讯息及该调整后心脏宽度讯息是以该第四深度学习神经网络分类器进行训练至收敛，以得一二重心胸比特征值，且该第四深度学习神经网络分类器是根据该二重心胸比特征值输出一心胸比可信度预警结果。6.根据权利要求5所述的心胸比估算方法，其特征在于，该目标胸部x光影像数据是由该调整者根据该可信度预警讯息而调整该胸腔宽度讯息及该心脏宽度讯息。7.根据权利要求4所述的心胸比估算方法，其特征在于，该第四深度学习神经网络分类器为resnet-50深度学习神经网络分类器。8.根据权利要求1所述的心胸比估算方法，其特征在于，还包含：进行一建模步骤，包含下述步骤：提供一参照x光影像数据库，其中该参照x光影像数据库包含多个参照x光影像数据集；进行一第一参照影像数据分类步骤，其是利用该第一深度学习神经网络分类器对各该参照x光影像数据集进行归类，以得多个训练胸部x光影像数据，其中各该训练胸部x光影像数据包含一胸部x光后前照影像数据或一胸部x光前后照影像数据；进行一第二参照影像数据分类步骤，其是利用该第二深度学习神经网络分类器对所述
多个训练胸部x光影像数据进行归类，以得多个训练胸部x光后前照影像数据；以及进行一参照特征提取步骤，其是自动撷取各该训练胸部x光后前照影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将所述胸腔宽度讯息及所述心脏宽度讯息以一深度学习演算模块进行训练至收敛，以得该第三深度学习神经网络分类器。9.根据权利要求8所述的心胸比估算方法，其特征在于，该深度学习演算模块为u-net演算模块。10.一种心胸比估算系统，其特征在于，包含：一影像撷取装置，用以撷取一受试者的一受试x光影像数据集；以及一处理器，电性连接该影像撷取装置，其中该处理器包含一参照x光影像数据库及一心胸比估算程序，且该参照x光影像数据库包含多个参照x光影像数据集；其中，该心胸比估算程序包含：一第一参照影像数据分类模块，其是利用一第一深度学习神经网络分类器对各该参照x光影像数据集进行归类，以得多个训练胸部x光影像数据，其中各该训练胸部x光影像数据包含一胸部x光后前照影像数据或一胸部x光前后照影像数据；一第二参照影像数据分类模块，其是利用一第二深度学习神经网络分类器对所述多个训练胸部x光影像数据进行归类，以得多个训练胸部x光后前照影像数据；一训练模块，其是自动撷取各该训练胸部x光后前照影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将所述胸腔宽度讯息及所述心脏宽度讯息以一深度学习演算模块进行训练至收敛，以得一第三深度学习神经网络分类器；一第一目标影像数据分类模块，其是利用该第一深度学习神经网络分类器对该受试x光影像数据集进行归类，以得一受试胸部x光影像数据，其中该受试胸部x光影像数据包含一胸部x光后前照影像数据或一胸部x光前后照影像数据；一第二目标影像数据分类模块，其是利用该第二深度学习神经网络分类器对该受试胸部x光影像数据进行归类，以得一目标胸部x光影像数据；及一比对模块，其是自动撷取该目标胸部x光影像数据的一胸腔宽度讯息及一心脏宽度讯息，并将该胸腔宽度讯息及该心脏宽度讯息以该第三深度学习神经网络分类器进行训练至收敛，以得一心胸比特征值，并利用该第三深度学习神经网络分类器根据该心胸比特征值输出一心胸比估算结果。11.根据权利要求10所述的心胸比估算系统，其特征在于，该目标胸部x光影像数据为该胸部x光后前照影像数据。12.根据权利要求10所述的心胸比估算系统，其特征在于，该第一深度学习神经网络分类器为resnet-50深度学习神经网络分类器，该第二深度学习神经网络分类器为resnet-50深度学习神经网络分类器。13.根据权利要求10所述的心胸比估算系统，其特征在于，该深度学习演算模块为u-net演算模块。14.根据权利要求10所述的心胸比估算系统，其特征在于，还包含：一确认模块，其是利用一第四深度学习神经网络分类器确认该目标胸部x光影像数据的一胸腔位置以及一心脏位置，并根据该胸腔位置以及该心脏位置发出一可信度预警讯息。
15.根据权利要求14所述的心胸比估算系统，其特征在于，该第四深度学习神经网络分类器为resnet-50深度学习神经网络分类器。16.根据权利要求14所述的心胸比估算系统，其特征在于，该目标胸部x光影像数据是由一调整者调整该胸腔宽度讯息及该心脏宽度讯息，以得一调整后胸腔宽度讯息及一调整后心脏宽度讯息；其中，该调整后胸腔宽度讯息及该调整后心脏宽度讯息是以该第四深度学习神经网络分类器进行训练至收敛，以得一二重心胸比特征值，且该第四深度学习神经网络分类器是根据该二重心胸比特征值输出一心胸比可信度预警结果。17.根据权利要求16所述的心胸比估算系统，其特征在于，该目标胸部x光影像数据是由该调整者根据该可信度预警讯息而调整该胸腔宽度讯息及该心脏宽度讯息。18.根据权利要求15所述的心胸比估算系统，其特征在于，还包含：一显示器，电性连接该影像撷取装置与该处理器，其中该显示器包含一使用者操作模块，且该心胸比估算结果及该心胸比可信度预警结果是显示于该显示器上。

技术总结
本发明提供一种心胸比估算方法以及心胸比估算系统，心胸比估算系统包含一影像撷取装置以及一处理器。影像撷取装置用以撷取一受试者的一受试X光影像数据集。处理器电性连接影像撷取装置，其中处理器包含一参照X光影像数据库及一心胸比估算程序，且参照X光影像数据库包含多个参照X光影像数据集。当心胸比估算程序由处理器执行时可评估受试者的心胸比。借此，本发明的心胸比估算系统可提供一自动化、标准化且快速的心胸比估算方式，并可大幅提升心胸比估算的准确度。心胸比估算的准确度。心胸比估算的准确度。


技术研发人员：郭锦辑
受保护的技术使用者：洪明奇
技术研发日：2020.11.05
技术公布日：2022/5/25