CN112132917A - 一种直肠癌淋巴结转移的智能诊断方法 - Google Patents
一种直肠癌淋巴结转移的智能诊断方法 Download PDFInfo
- Publication number
- CN112132917A CN112132917A CN202010878104.8A CN202010878104A CN112132917A CN 112132917 A CN112132917 A CN 112132917A CN 202010878104 A CN202010878104 A CN 202010878104A CN 112132917 A CN112132917 A CN 112132917A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- tumor
- rectal cancer
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000015634 Rectal Neoplasms Diseases 0.000 title claims abstract description 61
- 206010038038 rectal cancer Diseases 0.000 title claims abstract description 60
- 201000001275 rectum cancer Diseases 0.000 title claims abstract description 60
- 208000007433 Lymphatic Metastasis Diseases 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 79
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 210000001015 abdomen Anatomy 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 4
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 3
- 238000003062 neural network model Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 206010009944 Colon cancer Diseases 0.000 description 2
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 208000005016 Intestinal Neoplasms Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 201000002313 intestinal cancer Diseases 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 208000013718 rectal benign neoplasm Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种直肠癌淋巴结转移的智能诊断方法,涉及智能医学影像诊断领域,具体包括以下步骤:对患者腹部CT影像数据预处理,读取DCM影像文件,将文件转换成三维数组矩阵,对该矩阵进行数据规约;将规约后的数据作为训练样本送入建立的卷积神经网络模型(CNN)进行监督学习,使用该分类模型对CT影像进行分类,检测出影像中包含的肿瘤图片;构建改进的AGs‑Unet网络模型,将肿瘤原图像和肿瘤掩模图像数据送入该分割模型中训练,使用该模型分割出肿瘤区域;对肿瘤影像区域提取放射学特征数据,包括纹理特征、灰度特征、形态特征;选取其中有效的特征数据来训练支持向量机SVM分类模型,使用该分类模型实现直肠癌有无淋巴结转移的预测与诊断。本发明提高了直肠癌肿瘤的分割精度和淋巴结转移诊断上的准确率。
Description
技术领域
本发明涉及智能医学影像诊断领域,尤其涉及一种直肠癌淋巴结转移的智能诊断方法。
背景技术
直肠癌是指从齿状线至直肠乙状结肠交界处之间的恶性肿瘤,是消化道最常见的恶性肿瘤之一。近年来在中国,直肠癌的发病率越来越高,直肠癌易向肠外浸润并发生淋巴结及远
处转移,一旦发生转移病人常常需先进行辅助放化疗才能获得手术机会,患者预后较早期直
肠癌患者的预后差。在术前TNM 分期中淋巴结转移情况是重要因素之一。因此研究淋巴结转移对临床医学研究来说十分重要。
目前针对直肠癌淋巴结转移诊断的研究方法,多数采用的是传统影像组学技术,通过对医学影像进行图像分割、特征提取和特征选择、建模预测等步骤来构建诊断模型。传统的影像组学方法在一定程度上推进了对直肠癌淋巴结转移研究的进展且达到了较高的准确率,但同时也存在些许不足。传统方法对医学影像的分割大多依靠医生手工分割,对一名患者的CT影像分割至少需要10分钟,长时间的阅片容易视觉疲劳,结果往往具有很强的主观性和误诊性,肿瘤分割精度不高,导致提取的影像组学特征不准,最终影响预测的准确率。
近年来伴随人工智能与大数据技术的发展,基于深度学习的影像组学研究受到广泛的关注。针对直肠癌CT影像的淋巴结转移诊断研究,使用深度学习技术来自动检测患者CT影像中有无肿瘤,且可自动分割出肿瘤区域,进一步提取CT肿瘤区域特征数据,最终基于特征数据构建分类模型,智能预测直肠癌有无发生淋巴结转移。
发明内容
本发明针对背景技术的不足提供一种直肠癌淋巴结转移的智能诊断方法,其联合深度学习技术和传统影像组学方法,以直肠癌患者CT影像为研究数据,实现直肠癌淋巴结转移智能诊断的研究。
本发明解决其技术问题所采用的技术方案是:
一种直肠癌淋巴结转移的智能诊断方法,具体包括以下步骤:
步骤1、对患者腹部CT影像数据预处理,读取DCM影像文件,将文件转换成三维数组矩阵,对该矩阵进行数据规约;
步骤2、构建直肠癌CT影像分类模型,将规约后的数据作为训练样本送入建立的卷积神经网络模型进行监督学习,使用训练成熟的分类模型对CT影像数据进行分类,检测出CT影像中包含直肠癌肿瘤的VOIs区域;
步骤3、构建直肠癌CT影像肿瘤分割模型,使用改进的AGs-Unet网络模型,将VOIs区域对应的CT影像和肿瘤掩模图数据送入该模型中训练模型,使用训练成熟的分割模型识别出肿瘤位置和肿瘤对应的掩摸图;
步骤4、对肿瘤影像区域提取放射学特征数据,包括纹理特征、灰度特征、形态特征;构建朴素贝叶斯分类模型;选取有效的特征数据来训练模型,最终使用该分类模型实现直肠癌有无淋巴结转移的分类与诊断。
作为优选的技术方案,所述步骤1具体包括:
步骤1.1:读取患者腹部CT影像DCM文件,转换成三维矩阵数据,使用线性归一化方法处理三维矩阵数据;
步骤1.2:设置阈值使用图像强度分析法去除CT影像中的脂肪、骨头组织,使用图像连通区域法消除影像中的设备背景干扰信息;
步骤1.3:使用图像切片技术截取影像中的选定区域部分,构建预处理后的规约数据库。
作为优选的技术方案,所述步骤2具体包括:
步骤2.1:依据现有公开的竞赛数据库构建训练样本集,资深影像医生对数据库中的CT影像进行标注,给出CT影像中直肠癌肿瘤的分割掩摸图,对CT影像中有无直肠癌肿瘤添加对应的标签;
步骤2.2:构建卷积神经网络分类器CNN,CNN网络由输入层、卷积层、激活层、池化层和全连接层构成,卷积层通过卷积操作对输入图像进行降维和特征抽取,池化层对得到的特征图像进行分块,计算这些块内的最大值或平均值,得到池化后的图像,全连接层连接所有的特征,将输出值送给分类器,最终实现图像的分类;
步骤2.3:将规约后带标签的CT数据输入CNN网络训练分类模型,经3次卷积计算和3次池化计算交叉操作后,数据流向2次全连接层,第1个全连接层实现数据特征向量的提取,第2个全连接层实现分类判断,同时经反向梯度传播计算出损失函数值,从而更新相关的权参数,经20次迭代训练后,模型损失函数值近似趋于0,完成模型的训练,据此实现CT影像有无直肠癌肿瘤的检测。
作为优选的技术方案,所述步骤3具体包括:
步骤3.1:构建Unet分割模型,目前Unet模型是针对医学影像器官分割的主流模型,该模型由预处理、下卷积、上卷积和输出映射4个部分构成,与CNN模型相比,Unet模型中的卷积计算增加了上采样功能,这使得模型的输出层能实现原图像大小的像素级语义分割,即更适合图像分割;
步骤3.2:构建AGs-Unet分割模型,AGs-Unet是对Unet模型的一种改进,在原始Unet模型的上采样和下采样层连接器中加入注意力机制(Attention Gates (AGs))模块,实现对显著性区域的重点关注,以及对无关背景区域的抑制,进一步提高模型的分割精度;
步骤3.3:使用步骤2检测出包含直肠癌肿瘤的CT影像及医生标注的肿瘤掩摸图构建数据集,并作数据增强操作扩大数据集规模,将该数据集送入AGs-Unet分割模型,经训练使得该模型能实现对直肠癌肿瘤的精确分割。
作为优选的技术方案,所述步骤4具体包括:
步骤4.1:依据肿瘤影像信息诊断直肠癌有无淋巴结转移情况,需要构建相应的预测分类模型,使用影像组学技术提取肿瘤图像对应的形态学特征、纹理特征、灰度特征数据;
步骤4.2:为提高模型的泛化能力,构建有效的分类模型,对步骤4.1中提取的特征进行优化选取,使用单变量统计度量方法选择最优特征构造特征向量;
步骤4.3:依据数据量和特征向量的大小,使用支持向量机SVM模型构建分类模型,分类结果表明SVM模型具有最好的分类性能,据此选取该模型实现基于肿瘤影像组学特征的淋巴结转移预测诊断。
通过以上技术方案,相对于现有技术,本发明具有以下有益效果:
(1). 直肠癌肿瘤的精准分割。利用现有的直肠癌患者影像数据进行数据挖掘,建立影像数据检测与分割模型,检测出患者CT影像有无肿瘤,若有则识别出肿瘤位置,进行肿瘤分割,给出肿瘤对应的掩膜图;
(2). 智能判断直肠肿瘤是否发生淋巴结转移。提取直肠癌CT 影像相关的肿瘤影像特征量,构建分类模型,预测淋巴结转移情况,最终给出诊断结果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明实施例中的直肠癌淋巴结转移的智能诊断方法及装置的流程图;
图2是本发明实施例中某患者的腹部CT影像;
图3是本发明实施例中使用卷积神经网络CNN模型检测肿瘤的流程图;
图4 是本发明实施例中使用AGs-Unet网络模型分割肿瘤的流程图;
图5是本发明实施例中某患者的肿瘤分割图;
图6 是本发明实施例中使用支持向量机SVM预测淋巴结转移情况的流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一种直肠癌淋巴结转移的智能诊断方法的流程图。如图所示,所述方法包括以下步骤:
步骤1、对患者腹部CT影像数据预处理,使用Python编程开发技术读取DCM影像文件,将文件转换成三维数组矩阵,对该矩阵进行数据规约,具体步骤包括:
步骤1.1:使用SimpleITK工具包读取患者腹部CT影像DCM文件,转换成三维矩阵数据,使用线性归一化方法处理三维矩阵数据;
步骤1.2:设置阈值使用图像强度分析法去除CT影像中的脂肪、骨头组织,使用图像连通区域法消除影像中的设备背景干扰信息;
步骤1.3:使用图像切片技术截取影像中的选定区域部分,构建预处理后的规约数据库。
步骤2、构建直肠癌CT影像分类模型,将规约后的数据作为训练样本送入构建的卷积神经网络模型进行监督学习,使用训练成熟的分类模型对CT影像数据进行分类,检测出CT影像中包含直肠癌肿瘤的VOIs区域,具体步骤包括:
步骤2.1:依据现有公开的竞赛数据库构建训练样本集,资深影像医生对数据库中的CT影像进行标注,给出CT影像中直肠癌肿瘤的分割掩摸图,对CT影像中有无直肠癌肿瘤添加对应的标签;
步骤2.2:使用TensorFlow框架工具包构建卷积神经网络分类器CNN,CNN网络由输入层、卷积层、激活层、池化层和全连接层构成,卷积层通过卷积操作对输入图像进行降维和特征抽取,池化层对得到的特征图像进行分块,计算这些块内的最大值或平均值,得到池化后的图像,全连接层连接所有的特征,将输出值送给分类器,最终实现图像的分类;
步骤2.3:将规约后带标签的CT数据输入CNN网络训练分类模型,经3次卷积计算和3次池化计算交叉操作后,数据流向2次全连接层,第1个全连接层实现数据特征向量的提取,第2个全连接层实现分类判断,同时经反向梯度传播计算出损失函数值,从而更新相关的权参数,经20次迭代训练后,模型损失函数值近似趋于0,完成模型的训练,据此实现CT影像有无直肠癌肿瘤的检测。
设置卷积神经网络CNN的参数,定义卷积层C1:20个卷积核,卷积核大小为5*5,卷积层C2:40个卷积核, 卷积核大小为4*4,卷积层C3:80个卷积核, 卷积核大小为2*2,三个卷积层均用ReLU函数激活;三个池化层均采用最大池化操作maxpooling,pooling窗口为2x2,步长为2x2。全连接层为两层,第一层提取长度为400的特征向量,第二层使用Softmax函数对特征向量分类。
步骤3、构建直肠癌CT影像肿瘤分割模型,使用改进的AGs-Unet网络模型,将VOIs区域对应的CT影像和肿瘤掩模图数据送入该模型中训练模型,使用训练成熟的分割模型识别出肿瘤位置和肿瘤对应的掩摸图,具体步骤为:
步骤3.1:使用Keras框架工具包构建Unet分割模型,目前Unet模型是针对医学影像器官分割的主流模型,该模型由预处理、下卷积、上卷积和输出映射4个部分构成,与CNN模型相比,Unet模型中的卷积计算增加了上采样功能,这使得模型的输出层能实现原图像大小的像素级语义分割,即更适合图像分割;
步骤3.2:构建AGs-Unet分割模型,AGs-Unet是对Unet模型的一种改进,在原始Unet模型的上采样和下采样层连接器中加入注意力机制(Attention Gates (AGs))模块,实现对显著性区域的重点关注,以及对无关背景区域的抑制,进一步提高模型的分割精度;
设置AGs-Unet网络的参数,定义三次下采样卷积层的卷积核为32、64、128,卷积核大小均为3*3,三个池化层均采用最大池化操作maxpooling,pooling窗口为2x2。三次上采样卷积层的卷积核为256、128、64,卷积核大小均为3*3,三个池化层均采用最大池化操作maxpooling,pooling窗口为2x2。三次反卷积连接操作均使用Keras框架提供的Concatenate函数,激活函数使用ReLU函数激活。
步骤3.3:使用步骤2检测出包含直肠癌肿瘤的CT影像及医生标注的肿瘤掩摸图构建数据集,并作数据增强操作扩大数据集规模,将该数据集送入AGs-Unet分割模型,经训练使得该模型能实现对直肠癌肿瘤的精确分割。
步骤4、对肿瘤影像区域提取放射学特征数据,包括纹理特征、灰度特征、形态特征;构建朴素贝叶斯分类模型;选取有效的特征数据来训练模型,最终使用该分类模型实现直肠癌有无淋巴结转移的分类与诊断,具体步骤为:
步骤4.1:依据肿瘤影像信息诊断直肠癌有无淋巴结转移情况,需要构建相应的预测分类模型,使用Pyradiomics影像工具包提取肿瘤图像对应的形态学特征、纹理特征、灰度特征数据;
步骤4.2:为提高模型的泛化能力,构建有效的分类模型,对步骤4.1中提取的特征进行优化选取,使用单变量统计度量方法选择最优特征构造特征向量;
步骤4.3:依据数据量和特征向量的大小,使用SKlearn工具包中的支持向量机SVM模型构建分类模型,分类结果表明SVM模型具有最好的分类性能,据此选取该模型实现基于肿瘤影像组学特征的淋巴结转移预测诊断。
实施例一
本发明一个实施例的直肠癌淋巴结转移的智能诊断方法及装置,具体包括以下步骤:
步骤1、对如图2所示的患者腹部CT影像数据预处理,使用SimpleITK工具包读取DCM影像文件,使用Numpy工具包将文件转换成三维数组矩阵,使用线性归一化方法处理三维矩阵数据,设置阈值使用图像强度分析法去除CT影像中的脂肪、骨头组织,使用图像连通区域法消除影像中的设备背景干扰信息,使用Python切片技术截取影像中的有效区域,构建预处理后的规约数据库。
步骤2、使用卷积神经网络CNN分类器模型检测患者CT影像,识别出含有肿瘤的图像,CNN网络模型如图3所示。将规约后的CT数据输入CNN网络分类模型,经3次卷积计算和3次池化计算交叉操作后,数据流向2次全连接层,第1个全连接层实现数据特征向量的提取,第2个全连接层实现分类判断,据此实现CT影像有无直肠癌肿瘤的检测。
步骤3、使用改进的AGs-Unet网络模型对步骤2中检测出包含肿瘤的图像进行肿瘤分割,AGs-Unet网络模型如图4所示,AGs-Unet分割模型给出肿瘤位置和肿瘤对应的掩摸图,图5是某患者肿瘤分割结果。
步骤4、使用影像工具包提取肿瘤的放射影像特征向量,将特征向量输入支持向量机SVM模型,给出淋巴结转移的预测结果,图6是淋巴结转移情况预测的流程图。
传统方法对医学影像的分割大多依靠医生手工分割,肿瘤分割精度不高,导致提取的影像组学特征不准,最终影响预测的准确率;采用深度学习技术实现直肠癌肿瘤的智能高效检测与精准分割,联合使用影像组学方法提取直肠肿瘤的特征进行分类预测,实现直肠癌肿瘤淋巴结转移的智能诊断。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种直肠癌淋巴结转移的智能诊断方法,其特征在于,具体包括以下步骤:
步骤1、对患者腹部CT影像数据预处理,读取DCM影像文件,将文件转换成三维数组矩阵,对该矩阵进行数据规约;
步骤2、构建直肠癌CT影像分类模型,将规约后的数据作为训练样本送入构建的卷积神经网络模型进行监督学习,使用训练成熟的分类模型对CT影像数据进行分类,检测出CT影像中包含直肠癌肿瘤的VOIs区域;
步骤3、构建直肠癌CT影像肿瘤分割模型,使用改进的AGs-Unet网络模型,将VOIs区域对应的CT影像和肿瘤掩模图数据送入该模型中训练模型,使用训练成熟的分割模型识别出肿瘤位置和肿瘤对应的掩摸图;
步骤4、对肿瘤影像区域提取放射学特征数据,包括纹理特征、灰度特征、形态特征;构建朴素贝叶斯分类模型;选取有效的特征数据来训练模型,最终使用该分类模型实现直肠癌有无淋巴结转移的分类与诊断。
2.根据权利要求1所述的直肠癌淋巴结转移的智能诊断方法,其特征在于,所述步骤1具体包括:
步骤1.1:读取患者腹部CT影像DCM文件,转换成三维矩阵数据,使用线性归一化方法处理三维矩阵数据;
步骤1.2:设置阈值使用图像强度分析法去除CT影像中的脂肪、骨头组织,使用图像连通区域法消除影像中的设备背景干扰信息;
步骤1.3:使用图像切片技术截取影像中的有效区域部分,构建预处理后的规约数据库。
3.根据权利要求1所述的直肠癌淋巴结转移的智能诊断方法,其特征在于:所述步骤2具体包括:
步骤2.1:构建训练样本集,资深影像医生对CT影像进行标注,给出CT影像中直肠癌肿瘤的分割掩摸图,对CT影像中有无直肠癌肿瘤添加对应的标签;
步骤2.2:构建卷积神经网络分类器CNN,CNN网络由输入层、卷积层、激活层、池化层和全连接层构成,卷积层通过卷积操作对输入图像进行降维和特征抽取,池化层对得到的特征图像进行分块,计算这些块内的最大值或平均值,得到池化后的图像,全连接层连接所有的特征,将输出值送给分类器,最终实现图像的分类;
步骤2.3:将规约后带标签的CT数据输入CNN网络训练分类模型,经3次卷积计算和3次池化计算操作后,数据流向2次全连接层,第1个全连接层实现数据特征向量的提取,第2个全连接层实现数据分类,经反向梯度传播计算出损失函数值,从而更新相关的权参数,经20次迭代训练后,模型损失函数值近似趋于0,完成模型的训练,据此实现CT影像有无直肠癌肿瘤的检测。
4.根据权利要求1所述的直肠癌淋巴结转移的智能诊断方法,其特征在于:所述步骤3具体包括:
步骤3.1:构建Unet分割模型,目前Unet模型是针对医学影像器官分割的主流模型,该模型由预处理、下卷积、上卷积和输出映射4个部分构成,与CNN模型相比,Unet模型中的卷积计算增加了上采样功能,这使得模型的输出层能实现原图像大小的像素级语义分割,即更适合图像分割;
步骤3.2:构建AGs-Unet分割模型,AGs-Unet是对Unet模型的一种改进,在原始Unet模型的上采样和下采样层连接器中加入注意力机制(Attention Gates (AGs))模块,实现对显著性区域的重点关注,以及对无关背景区域的抑制,进一步提高模型的分割精度;
步骤3.3:使用步骤2检测出包含直肠癌肿瘤的CT影像及医生标注的肿瘤掩摸图构建数据集,并作数据增强操作扩大数据集规模,将该数据集送入AGs-Unet分割模型,经训练使得该模型实现对直肠癌肿瘤的精确分割。
5.根据权利要求1所述的直肠癌淋巴结转移的智能诊断方法,其特征在于:所述步骤4具体包括:
步骤4.1:依据肿瘤影像信息诊断直肠癌有无淋巴结转移情况,需要构建相应的预测分类模型,使用影像组学技术提取肿瘤图像对应的形态学特征、纹理特征、灰度特征数据;
步骤4.2:为提高模型的泛化能力,构建有效的分类模型,对步骤4.1中提取的特征进行优化选取,使用单变量统计度量方法选择最优特征构造特征向量;
步骤4.3:依据数据量和特征向量的大小,使用包括支持向量机SVM模型、BP神经网络模型、朴素贝叶斯分类模型构建三种不同的分类模型,分类结果表明SVM模型具有最好的分类性能,据此选取该模型实现基于肿瘤影像组学特征实现淋巴结转移预测的诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010878104.8A CN112132917A (zh) | 2020-08-27 | 2020-08-27 | 一种直肠癌淋巴结转移的智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010878104.8A CN112132917A (zh) | 2020-08-27 | 2020-08-27 | 一种直肠癌淋巴结转移的智能诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132917A true CN112132917A (zh) | 2020-12-25 |
Family
ID=73847516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010878104.8A Pending CN112132917A (zh) | 2020-08-27 | 2020-08-27 | 一种直肠癌淋巴结转移的智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132917A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112494063A (zh) * | 2021-02-08 | 2021-03-16 | 四川大学 | 一种基于注意力机制神经网络的腹部淋巴结分区方法 |
CN112633405A (zh) * | 2020-12-30 | 2021-04-09 | 上海联影智能医疗科技有限公司 | 模型训练方法、医学影像分析方法及装置、设备、介质 |
CN112884759A (zh) * | 2021-03-12 | 2021-06-01 | 广东工业大学 | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 |
CN113269747A (zh) * | 2021-05-24 | 2021-08-17 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
CN113555115A (zh) * | 2021-06-25 | 2021-10-26 | 中山大学孙逸仙纪念医院 | 基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法 |
CN113610847A (zh) * | 2021-10-08 | 2021-11-05 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及系统 |
CN113627459A (zh) * | 2021-03-30 | 2021-11-09 | 太原理工大学 | 一种基于Inception网络的直肠癌病理切片图像分类方法及装置 |
CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
CN113920137A (zh) * | 2021-10-14 | 2022-01-11 | 平安科技(深圳)有限公司 | 淋巴结转移预测方法、装置、设备及存储介质 |
CN114998644A (zh) * | 2022-05-10 | 2022-09-02 | 中国医学科学院肿瘤医院 | 肿瘤诊断系统及其构建方法、终端设备及存储介质 |
CN115187577A (zh) * | 2022-08-05 | 2022-10-14 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的乳腺癌临床靶区自动勾画方法和系统 |
CN116386043A (zh) * | 2023-03-27 | 2023-07-04 | 北京市神经外科研究所 | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 |
CN117894482A (zh) * | 2024-03-14 | 2024-04-16 | 北方健康医疗大数据科技有限公司 | 一种医学肿瘤的编码方法、系统、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
CN111080657A (zh) * | 2019-12-13 | 2020-04-28 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络多维度融合的ct图像器官分割方法 |
CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及系统 |
-
2020
- 2020-08-27 CN CN202010878104.8A patent/CN112132917A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
CN111080657A (zh) * | 2019-12-13 | 2020-04-28 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络多维度融合的ct图像器官分割方法 |
CN111062955A (zh) * | 2020-03-18 | 2020-04-24 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据分割方法及系统 |
CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及系统 |
Non-Patent Citations (4)
Title |
---|
OZAN OKTAY等: "Attention U-Net:Learning Where to Look for the Pancreas", 《ARXIV:1804.03999V3》, 20 May 2018 (2018-05-20), pages 1 - 10, XP055816199 * |
吴锐帆;代海洋;杨坦;江颖;蔡志杰;: "直肠癌淋巴结转移的智能诊断研究", 数学建模及其应用, no. 04, 15 December 2019 (2019-12-15) * |
李昭延: "基于深度学习的医学图像分割算法的优化与实现", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, 15 July 2020 (2020-07-15), pages 12 - 59 * |
梁长虹等: "《多层螺旋CT血管成像》", 31 May 2008, 北京:人民军医出版社, pages: 94 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633405A (zh) * | 2020-12-30 | 2021-04-09 | 上海联影智能医疗科技有限公司 | 模型训练方法、医学影像分析方法及装置、设备、介质 |
CN112494063A (zh) * | 2021-02-08 | 2021-03-16 | 四川大学 | 一种基于注意力机制神经网络的腹部淋巴结分区方法 |
CN112884759A (zh) * | 2021-03-12 | 2021-06-01 | 广东工业大学 | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 |
CN112884759B (zh) * | 2021-03-12 | 2023-04-07 | 广东工业大学 | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 |
CN113627459A (zh) * | 2021-03-30 | 2021-11-09 | 太原理工大学 | 一种基于Inception网络的直肠癌病理切片图像分类方法及装置 |
CN113269747A (zh) * | 2021-05-24 | 2021-08-17 | 浙江大学医学院附属第一医院 | 一种基于深度学习的病理图片肝癌扩散检测方法及系统 |
CN113555115A (zh) * | 2021-06-25 | 2021-10-26 | 中山大学孙逸仙纪念医院 | 基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法 |
CN113610847B (zh) * | 2021-10-08 | 2022-01-04 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及系统 |
CN113610847A (zh) * | 2021-10-08 | 2021-11-05 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及系统 |
CN113920137A (zh) * | 2021-10-14 | 2022-01-11 | 平安科技(深圳)有限公司 | 淋巴结转移预测方法、装置、设备及存储介质 |
CN113674279A (zh) * | 2021-10-25 | 2021-11-19 | 青岛美迪康数字工程有限公司 | 基于深度学习的冠脉cta影像的处理方法及装置 |
CN114998644A (zh) * | 2022-05-10 | 2022-09-02 | 中国医学科学院肿瘤医院 | 肿瘤诊断系统及其构建方法、终端设备及存储介质 |
WO2023216462A1 (zh) * | 2022-05-10 | 2023-11-16 | 中国医学科学院肿瘤医院 | 肿瘤诊断系统及其构建方法、终端设备及存储介质 |
US12094612B2 (en) | 2022-05-10 | 2024-09-17 | Cancer Hospital, Chinese Academy Of Medical Sciences | Tumor diagnosis system and construction method thereof, terminal device and storage medium |
CN115187577A (zh) * | 2022-08-05 | 2022-10-14 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于深度学习的乳腺癌临床靶区自动勾画方法和系统 |
CN116386043A (zh) * | 2023-03-27 | 2023-07-04 | 北京市神经外科研究所 | 一种脑神经医疗影像胶质瘤区域快速标记方法及系统 |
CN117894482A (zh) * | 2024-03-14 | 2024-04-16 | 北方健康医疗大数据科技有限公司 | 一种医学肿瘤的编码方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132917A (zh) | 一种直肠癌淋巴结转移的智能诊断方法 | |
CN113870258B (zh) | 一种基于对抗学习的无标签胰腺影像自动分割系统 | |
Mahmood et al. | Breast lesions classifications of mammographic images using a deep convolutional neural network-based approach | |
CN112241966B (zh) | 多任务多分类的胸部器官分割模型建立、分割方法及系统 | |
US8335359B2 (en) | Systems, apparatus and processes for automated medical image segmentation | |
US8229188B2 (en) | Systems, methods and apparatus automatic segmentation of liver in multiphase contrast-enhanced medical images | |
CN111563897B (zh) | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 | |
Yoshida et al. | CAD in CT colonography without and with oral contrast agents: progress and challenges | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
Tan et al. | Automated vessel segmentation in lung CT and CTA images via deep neural networks | |
CN111598875A (zh) | 甲状腺结节自动检测模型构建方法、系统及装置 | |
CN111353998A (zh) | 一种基于人工智能的肿瘤诊疗预测模型及装置 | |
CN111553892A (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
CN113096109A (zh) | 一种肺部医学图像分析方法、设备及系统 | |
CN114463247A (zh) | 用于确定3d z向病变连通性的逻辑模型 | |
CN112241961A (zh) | 基于深度卷积神经网络的胸部x光片辅助诊断方法及系统 | |
CN114782398A (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
Kaliyugarasan et al. | Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI | |
CN116630680A (zh) | 一种x线摄影联合超声的双模态影像分类方法及系统 | |
CN118314394A (zh) | 一种基于多视图的直肠癌手术难度评估方法 | |
JP2012504003A (ja) | コンピュータを用いて実行される障害検出方法及び装置 | |
CN116843984A (zh) | GLTransNet:一种融合全局特征的钼靶图像分类检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |