CN114841914A - 一种胰腺囊性病变的检测方法及装置 - Google Patents
一种胰腺囊性病变的检测方法及装置 Download PDFInfo
- Publication number
- CN114841914A CN114841914A CN202210206571.5A CN202210206571A CN114841914A CN 114841914 A CN114841914 A CN 114841914A CN 202210206571 A CN202210206571 A CN 202210206571A CN 114841914 A CN114841914 A CN 114841914A
- Authority
- CN
- China
- Prior art keywords
- phase
- phase image
- module
- network
- arterial
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种胰腺囊性病变的检测方法及装置。所述方法包括:将3D静脉期图像和3D动脉期图像分别输入到3D卷积网络和Transformer网络,分别提取静脉期图像特征和动脉期图像特征;将所述静脉期图像特征和动脉期图像特征输入至多网络多期相特征融合模块,输出多期相融合特征;将所述多期相融合特征输入至病灶分割模块,自动分割囊肿、主胰管并输出囊肿尺寸。本发明利用3D卷积网络有效提取图像的局部细节特征,利用Transformer网络有效提取图像的包含上下文信息的全局特征,并通过基于CT多期相图像特征提取及多期相特征融合,提高了病灶分割精度,不仅能分割出囊肿和主胰管,还能判断是否有壁结节并精确分割壁结节。
Description
技术领域
本发明属于医学影像技术领域,具体涉及一种胰腺囊性病变的检测方法及装置。
背景技术
胰腺囊性病变在一般人群中的患病率很高,患病率随着患者年龄的增加而增加。许多胰腺囊性病变具有恶性转化的潜能。临床医生必须在手术过度治疗的风险和监测病变导致错过最佳手术时间之间平衡自己的选择。大量研究表明,胰腺囊性病变在普通人群中的总体患病率会随着年龄的增加而增加。由于在临床实践中广泛使用多期相计算机断层扫描(CT),胰腺囊性病变也经常在其他无症状的患者中发现。通常,胰腺外科中心评估胰腺囊性病变的患者每年都在增加,而诊断时主要囊肿的中位尺寸持续减小(诊断时囊肿的平均直径约为20mm)。胰腺囊性病变包含不同的类型,它们可能是良性的,也可能是恶性的。审查病变并确定其类型是一项重要的任务,这关乎临床的决策是否正确。因此,可靠的影像诊断对于管理胰腺囊性病变患者至关重要。
由于胰腺在腹部中的位置较深且形态多变,胰腺囊性病变的纹理、形状、对比度具有较大的差异,因此分割胰腺病灶与分割其它器官的病灶(比如肝脏肾脏等器官的病灶)相比更具挑战。其次,胰管和壁结节因其本身相对于胰腺的体积较小,精确分割并测量最大径具有很大难度。除此之外,还需要精准地判断患者有无壁结节或实性成分等。现有技术一般只是基于单期相的CT图像进行特征提取,而且一般只关注局部特征,存在病灶定位精度低、良恶性类别判断准确率不高而且无法给出临床决策等问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供一种胰腺囊性病变的检测方法及装置。
为了实现上述目的,本发明采用以下技术方案。
第一方面,本发明提供一种胰腺囊性病变的检测方法,包括以下步骤:
将3D静脉期图像和3D动脉期图像分别输入到3D卷积网络和Transformer网络,分别提取静脉期图像特征和动脉期图像特征;
将所述静脉期图像特征和动脉期图像特征输入至多网络多期相特征融合模块,输出多期相融合特征;
将所述多期相融合特征输入至病灶分割模块,自动分割囊肿、主胰管并输出囊肿尺寸。
进一步地,进行模型训练时,输入3D卷积网络的3D静脉期图像进行逐像素标注,输入Transformer网络的3D动脉期图像不标注。
进一步地,所述多网络多期相特征融合模块包括通道注意力模块和空间注意力模块;其中,
通道注意力模块首先对输入的静脉期图像特征F1和动脉期图像特征F2分别通过全局平均池化进行降维;然后分别通过卷积核大小为k的一维空洞卷积获得k个通道的相关关系,经sigmoid激活函数获得通道注意力权重w1、w2,并分别与F1、F2相乘得到w1F1、w2F2;最后将F2与一个可学习权重a1相乘后与w1F1相加,得到通道修正的静脉期特征F11=w1F1+a1F2,将F1与一个可学习权重a2相乘后与w2F2相加,得到通道修正的动脉期特征F21=w2F2+a2F1;
空间注意力模块首先对输入的F11、F21分别进行空洞卷积并经softmax激活函数后得到空间注意力权重s1、s2,并分别与F11、F21相乘后得到s1F11、s2F21;然后将F21与一个可学习权重b1相乘后与s1F11相加,得到空间修正的静脉期特征F12=s1F11+b1F21,将F11与一个可学习权重b2相乘后与s2F21相加,得到空间修正的动脉期特征F22=s2F21+b2F11;最后将F12与F22相加得到两个期相的融合特征Ff=F12+F22。
进一步地,所述病灶分割模块还包括一个基于多层感知机的分类器,主要用于判别有无壁结节、有无实性成分即病灶里是否有液化部分;如果有壁结节,发出提示信息,病灶分割模块自动分割壁结节。
更进一步地,所述装置还包括临床决策模块,用于:
根据用户选择的国际公认的胰腺囊性病灶参考标准,从特征候选池提取特征,所述特征候选池保存了病灶分割模块的输出结果;
结合患者的临床化验信息,基于提取的特征构建临床决策树;
利用临床决策树算法输出患者的临床决策:复查,不复查,手术。
更进一步地,用户选择AGA参考标准时,临床决策树的构建方法包括:
通过将从候选池提取的定量特征与设定的阈值进行比较或是否包括壁结节,确定患者具有的危险征象;
如果所述危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议复查;
如果所述危险征象的数量没有超过两项,则建议复查;
如果复查过程中五年内发现的危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议继续复查;
如果复查过程中五年内发现的危险征象的数量没有超过两项,则建议终止复查。
第二方面,本发明提供一种胰腺囊性病变的检测装置,包括:
特征提取模块,将3D静脉期图像和3D动脉期图像分别输入到3D卷积网络和Transformer网络,分别提取静脉期图像特征和动脉期图像特征;
特征融合模块,用于将所述静脉期图像特征和动脉期图像特征输入至多网络多期相特征融合模块,输出多期相融合特征;
病灶分割模块,用于将所述多期相融合特征输入至病灶分割模块,自动分割囊肿、主胰管并输出囊肿尺寸。
进一步地,进行模型训练时,输入3D卷积网络的3D静脉期图像进行逐像素标注,输入Transformer网络的3D动脉期图像不标注。
进一步地,所述多网络多期相特征融合模块包括通道注意力模块和空间注意力模块;其中,
通道注意力模块首先对输入的静脉期图像特征F1和动脉期图像特征F2分别通过全局平均池化进行降维;然后分别通过卷积核大小为k的一维空洞卷积获得k个通道的相关关系,经sigmoid激活函数获得通道注意力权重w1、w2,并分别与F1、F2相乘得到w1F1、w2F2;最后将F2与一个可学习权重a1相乘后与w1F1相加,得到通道修正的静脉期特征F11=w1F1+a1F2,将F1与一个可学习权重a2相乘后与w2F2相加,得到通道修正的动脉期特征F21=w2F2+a2F1;
空间注意力模块首先对输入的F11、F21分别进行空洞卷积并经softmax激活函数后得到空间注意力权重s1、s2,并分别与F11、F21相乘后得到s1F11、s2F21;然后将F21与一个可学习权重b1相乘后与s1F11相加,得到空间修正的静脉期特征F12=s1F11+b1F21,将F11与一个可学习权重b2相乘后与s2F21相加,得到空间修正的动脉期特征F22=s2F21+b2F11;最后将F12与F22相加得到两个期相的融合特征Ff=F12+F22。
进一步地,所述病灶分割模块还包括一个基于多层感知机的分类器,主要用于判别有无壁结节、有无实性成分即病灶里是否有液化部分;如果有壁结节,发出提示信息,病灶分割模块自动分割壁结节。
更进一步地,所述方法还包括临床决策步骤:
根据用户选择的国际公认的胰腺囊性病灶参考标准,从特征候选池提取特征,所述特征候选池保存了病灶分割模块的输出结果;
结合患者的临床化验信息,基于提取的特征构建临床决策树;
利用临床决策树算法输出患者的临床决策:复查,不复查,手术。
更进一步地,用户选择AGA参考标准时,临床决策树的构建方法包括:
通过将从候选池提取的定量特征与设定的阈值进行比较或是否包括壁结节,确定患者具有的危险征象;
如果所述危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议复查;
如果所述危险征象的数量没有超过两项,则建议复查;
如果复查过程中五年内发现的危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议继续复查;
如果复查过程中五年内发现的危险征象的数量没有超过两项,则建议终止复查。
与现有技术相比,本发明具有以下有益效果。
本发明通过将3D静脉期图像和3D动脉期图像分别输入到3D卷积网络和Transformer网络,分别提取静脉期图像特征和动脉期图像特征,将所述静脉期图像特征和动脉期图像特征输入至多网络多期相特征融合模块,输出多期相融合特征,将所述多期相融合特征输入至病灶分割模块,自动分割囊肿、主胰管并输出囊肿尺寸,实现了胰腺囊性病变的自动检测。本发明利用3D卷积网络有效提取图像的局部细节特征,利用Transformer网络有效提取图像的包含上下文信息的全局特征,并通过基于CT多期相图像特征提取及多期相特征融合,提高了病灶分割精度,不仅能分割出囊肿和主胰管,还能判断是否有壁结节并精确分割壁结节。本发明还能基于构建的临床决策树给出患者的临床决策。
附图说明
图1为本发明实施例一种胰腺囊性病变的检测方法的流程图。
图2为本发明一实施例的整体流程示意图。
图3为多网络多期相特征融合模块的结构示意图。
图4为本发明实施例一种胰腺囊性病变的检测装置的方框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白,以下结合附图及具体实施方式对本发明作进一步说明。显然,所描述的实施例仅仅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为本发明实施例一种胰腺囊性病变的检测方法的流程图,包括以下步骤:
步骤101,将3D静脉期图像和3D动脉期图像分别输入到3D卷积网络和Transformer网络,分别提取静脉期图像特征和动脉期图像特征;
步骤102,将所述静脉期图像特征和动脉期图像特征输入至多网络多期相特征融合模块,输出多期相融合特征;
步骤103,将所述多期相融合特征输入至病灶分割模块,自动分割囊肿、主胰管并输出囊肿尺寸。
本实施例中,步骤101主要用于进行图像特征提取。本实施例基于多期相CT图像进行特征提取及融合。在不同时间进行CT扫描获得的多组图像称为多相期图像,不同相期的图像是造影剂在流经肝脏内部不同的血管时CT扫描所获取的图像,具有不同的特点。对于增强CT检查来说,先做平扫检查,观察内脏的情况,然后对静脉进行药物注射,再进行CT的扫描,在动脉内可以看到动脉血液,这种情况下得到的是动脉期图像。待动脉期过后,造影剂进入静脉内,使静脉内的血液呈高密度,这时候再通过增强CT的扫描,得到的是静脉期图像。现有技术多基于单期相CT图像进行处理,由于单期相CT图像的信息量有限,导致分割精度不高,很难实现对胰腺囊性病灶、主胰管和壁结节等的精确分割。为此,本实施例同时获取3D静脉期图像和3D动脉期图像,将3D静脉期图像输入到3D卷积网络,将3D动脉期图像输入到Transformer网络,分别进行特征提取,如图2所示。卷积神经网络的卷积层的作用是通过卷积核与输入图像进行卷积运算提取一个局部区域的特征,不同的卷积核相当于不同的特征提取器,因此卷积操作能够很好地提取图像的局部细节特征,但在捕捉全局特征方面却没有优势。而Transformer网络中级联的自注意力模块则具有很好的提取包含上下文信息的全局特征的能力。Transformer网络输入的是患者动脉期图像的连续若干张完整的切片,训练之前先进行图像块patch划分,在使用Transformer块进行自注意力之前,使用patch合并模块来整合临近patch的特征。
本实施例中,步骤102主要用于进行特征融合。本实施例通过将步骤101提取的静脉期图像特征和动脉期图像特征输入多网络多期相特征融合模块,得到多期相融合特征。多网络多期相特征融合主要是指对3D卷积网络和Transformer网络输出的静脉期图像特征和动脉期图像特征,进行充分的交互、融合,得到包含来自静脉期相和动脉期相的丰富的特征信息,可有效提高图像分割的精度。多网络多期相特征融合模块的实现方法很多,本实施例不作具体限定,后面将给出多网络多期相特征融合模块一种具体的技术方案。
本实施例中,步骤103主要用于进行病灶分割。本实施例通过将步骤102输出的多期相融合特征输入至病灶分割模块,分割出包括囊肿、主胰管的病灶图像。本实施例由于通过采用多期相特征融合等措施提高了分割精度,不仅可以分割囊肿、主胰管,如果患者有壁结节,还可精确分割出壁结节,而且还可以输出囊肿尺寸,即最大径。
作为一可选实施例,进行模型训练时,输入3D卷积网络的3D静脉期图像进行逐像素标注,输入Transformer网络的3D动脉期图像不标注。
本实施例给出了图像标注的一种技术方案。模型训练时的图像数据标注是一项非常耗时费力的工作,如果对全部训练数据都进行标注,工作量巨大。为此,本实施例只对输入3D卷积网络的3D静脉期图像进行逐像素标注,对输入Transformer网络的3D动脉期图像不标注。由于Transformer网络能够有效提取全局特征信息,而3D卷积网络能够有效提取局部细节特征,通过多期相结合可以弥补由于不对3D动脉期图像进行逐像素标记使细节轮廓相对不够精准的不足,从而大大降低标注量。
作为一可选实施例,所述多网络多期相特征融合模块包括通道注意力模块和空间注意力模块;其中,
通道注意力模块首先对输入的静脉期图像特征F1和动脉期图像特征F2分别通过全局平均池化进行降维;然后分别通过卷积核大小为k的一维空洞卷积获得k个通道的相关关系,经sigmoid激活函数获得通道注意力权重w1、w2,并分别与F1、F2相乘得到w1F1、w2F2;最后将F2与一个可学习权重a1相乘后与w1F1相加,得到通道修正的静脉期特征F11=w1F1+a1F2,将F1与一个可学习权重a2相乘后与w2F2相加,得到通道修正的动脉期特征F21=w2F2+a2F1;
空间注意力模块首先对输入的F11、F21分别进行空洞卷积并经softmax激活函数后得到空间注意力权重s1、s2,并分别与F11、F21相乘后得到s1F11、s2F21;然后将F21与一个可学习权重b1相乘后与s1F11相加,得到空间修正的静脉期特征F12=s1F11+b1F21,将F11与一个可学习权重b2相乘后与s2F21相加,得到空间修正的动脉期特征F22=s2F21+b2F11;最后将F12与F22相加得到两个期相的融合特征Ff=F12+F22。
本实施例给出了多网络多期相特征融合模块的一种技术方案。多网络多期相特征融合模块主要用于在对两个期相的特征进行融合时合理分配不同空间位置、不同通道特征的权重。本实施例中的多网络多期相特征融合模块由通道注意力模块和空间注意力模块级联而成,即通道注意力模块的输出为空间注意力模块的输入,其结构示意图如图3所示。由图3可知,通道注意力模块和空间注意力模块不仅分别通过对两个期相的特征进行注意力机制操作实现特征融合,还进行两个期相特征的交叉融合,从而实现两个期相特征的充分融合。通道注意力模块和空间注意力模块均包括空洞卷积,空洞卷积可获取k个通道的相关关系,相比于普通卷积,空洞卷积的设计可以考虑更远端通道之间的相关关系。空间注意力模块是使用一个期相的部分空间信息去指导另外一个期相特定特征点的权重,特定点对应空间信息也是通过空洞卷积选取,能在相同的计算条件下获取更大的感受野。
作为一可选实施例,所述病灶分割模块还包括一个基于多层感知机的分类器,主要用于判别有无壁结节、有无实性成分即病灶里是否有液化部分;如果有壁结节,发出提示信息,病灶分割模块自动分割壁结节。
本实施例给出了病灶分割模块的一种优化技术方案。本实施例的病灶分割模块增加了一个分类分支,也就是说病灶分割模块包括分割分支和分类分支两个分支,如图2所示。分割分支主要进行病灶分割和尺寸测量。分类分支是由多层感知机MLP构成的一个分类器,主要用于判断有无壁结节或实性成分,有无实性成分是指病灶里是否有液化部分。由于并不是所有的患者均包含壁结节,因此分类分支会根据预测结果向分割分支发送信息提示,指导分割分支是否需要分割壁结节;如果预测结果有壁结节,由分割分支分割出壁结节。
作为一可选实施例,所述方法还包括临床决策步骤:
根据用户选择的国际公认的胰腺囊性病灶参考标准,从特征候选池提取特征,所述特征候选池保存了病灶分割模块的输出结果;
结合患者的临床化验信息,基于提取的特征构建临床决策树;
利用临床决策树算法输出患者的临床决策:复查,不复查,手术。
本实施例给出进行临床决策的一种技术方案。给出患者的临床决策属于后处理步骤,也就是根据前面病灶分割模块的输出结果以及患者的临床化验信息,给出治疗方案建议。关于胰腺囊性病灶,不同地区参照的标准(或指南)不同,常见的有ACR,AGA,ACG等。因此,需要先由用户(一般是医生)选择国际公认的胰腺囊性病灶参考标准,然后根据选择的标准从特征候选池提取需要的特征。所述特征候选池保存了病灶分割模块的分割分支和分类分支的所有输出结果。再获取患者的相关临床化验信息,并基于从候选池提取的特征和临床化验信息构建临床决策树。最后,利用构建的临床决策树算法得到患者的临床决策。临床决策一般包括:复查,不复查或终止复查,手术。
作为一可选实施例,用户选择AGA参考标准时,临床决策树的构建方法包括:
通过将从候选池提取的定量特征与设定的阈值进行比较或是否包括壁结节,确定患者具有的危险征象;
如果所述危险征象的数量超过两项,进行EUS-FNA(超声内镜引导下细针穿刺活检术)检查,如果检查发现潜在危险,则建议手术;否则,建议复查;
如果所述危险征象的数量没有超过两项,则建议复查;
如果复查过程中五年内发现的危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议继续复查;
如果复查过程中五年内发现的危险征象的数量没有超过两项,则建议终止复查。
本实施例给出了选择AGA参考标准时构建临床决策树的一种技术方案。不同的参考标准对应不同的临床决策树方案,本实施例给出了选择AGA参考标准时构建临床决策树的技术方案。首先统计病灶分割模块输出的特征具有多少危险因素。是不是危险因素可通过将病灶分割模块输出的定量特征与设定的阈值进行比较进行判断,比如,如果囊肿直径超过3cm,则确定为一项危险因素;或根据是否存在壁结节判断,如果存在壁结节,则确定为一项危险因素。然后根据危险因素的数量是否超过两项,结合EUS-FNA检查及复查结果构建具体的临床决策树。
图4为本发明实施例一种胰腺囊性病变的检测装置的组成示意图,所述装置包括:
特征提取模块11,将3D静脉期图像和3D动脉期图像分别输入到3D卷积网络和Transformer网络,分别提取静脉期图像特征和动脉期图像特征;
特征融合模块12,用于将所述静脉期图像特征和动脉期图像特征输入至多网络多期相特征融合模块,输出多期相融合特征;
病灶分割模块13,用于将所述多期相融合特征输入至病灶分割模块,自动分割囊肿、主胰管并输出囊肿尺寸。
本实施例的装置,可以用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。后面的实施例也是如此,均不再展开说明。
作为一可选实施例,进行模型训练时,输入3D卷积网络的3D静脉期图像进行逐像素标注,输入Transformer网络的3D动脉期图像不标注。
作为一可选实施例,所述多网络多期相特征融合模块包括通道注意力模块和空间注意力模块;其中,
通道注意力模块首先对输入的静脉期图像特征F1和动脉期图像特征F2分别通过全局平均池化进行降维;然后分别通过卷积核大小为k的一维空洞卷积获得k个通道的相关关系,经sigmoid激活函数获得通道注意力权重w1、w2,并分别与F1、F2相乘得到w1F1、w2F2;最后将F2与一个可学习权重a1相乘后与w1F1相加,得到通道修正的静脉期特征F11=w1F1+a1F2,将F1与一个可学习权重a2相乘后与w2F2相加,得到通道修正的动脉期特征F21=w2F2+a2F1;
空间注意力模块首先对输入的F11、F21分别进行空洞卷积并经softmax激活函数后得到空间注意力权重s1、s2,并分别与F11、F21相乘后得到s1F11、s2F21;然后将F21与一个可学习权重b1相乘后与s1F11相加,得到空间修正的静脉期特征F12=s1F11+b1F21,将F11与一个可学习权重b2相乘后与s2F21相加,得到空间修正的动脉期特征F22=s2F21+b2F11;最后将F12与F22相加得到两个期相的融合特征Ff=F12+F22。
作为一可选实施例,所述病灶分割模块还包括一个基于多层感知机的分类器,主要用于判别有无壁结节、有无实性成分即病灶里是否有液化部分;如果有壁结节,发出提示信息,病灶分割模块自动分割壁结节。
作为一可选实施例,所述装置还包括临床决策模块,用于:
根据用户选择的国际公认的胰腺囊性病灶参考标准,从特征候选池提取特征,所述特征候选池保存了病灶分割模块的输出结果;
结合患者的临床化验信息,基于提取的特征构建临床决策树;
利用临床决策树算法输出患者的临床决策:复查,不复查,手术。
作为一可选实施例,用户选择AGA参考标准时,临床决策树的构建方法包括:
通过将从候选池提取的定量特征与设定的阈值进行比较或是否包括壁结节,确定患者具有的危险征象;
如果所述危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议复查;
如果所述危险征象的数量没有超过两项,则建议复查;
如果复查过程中五年内发现的危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议继续复查;
如果复查过程中五年内发现的危险征象的数量没有超过两项,则建议终止复查。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种胰腺囊性病变的检测方法,其特征在于,包括以下步骤:
将3D静脉期图像和3D动脉期图像分别输入到3D卷积网络和Transformer网络,分别提取静脉期图像特征和动脉期图像特征;
将所述静脉期图像特征和动脉期图像特征输入至多网络多期相特征融合模块,输出多期相融合特征;
将所述多期相融合特征输入至病灶分割模块,自动分割囊肿、主胰管并输出囊肿尺寸。
2.根据权利要求1所述的胰腺囊性病变的检测方法,其特征在于,进行模型训练时,输入3D卷积网络的3D静脉期图像进行逐像素标注,输入Transformer网络的3D动脉期图像不标注。
3.根据权利要求1所述的胰腺囊性病变的检测方法,其特征在于,所述多网络多期相特征融合模块包括通道注意力模块和空间注意力模块;其中,
通道注意力模块首先对输入的静脉期图像特征F1和动脉期图像特征F2分别通过全局平均池化进行降维;然后分别通过卷积核大小为k的一维空洞卷积获得k个通道的相关关系,经sigmoid激活函数获得通道注意力权重w1、w2,并分别与F1、F2相乘得到w1F1、w2F2;最后将F2与一个可学习权重a1相乘后与w1F1相加,得到通道修正的静脉期特征F11=w1F1+a1F2,将F1与一个可学习权重a2相乘后与w2F2相加,得到通道修正的动脉期特征F21=w2F2+a2F1;
空间注意力模块首先对输入的F11、F21分别进行空洞卷积并经softmax激活函数后得到空间注意力权重s1、s2,并分别与F11、F21相乘后得到s1F11、s2F21;然后将F21与一个可学习权重b1相乘后与s1F11相加,得到空间修正的静脉期特征F12=s1F11+b1F21,将F11与一个可学习权重b2相乘后与s2F21相加,得到空间修正的动脉期特征F22=s2F21+b2F11;最后将F12与F22相加得到两个期相的融合特征Ff=F12+F22。
4.根据权利要求1所述的胰腺囊性病变的检测方法,其特征在于,所述病灶分割模块还包括一个基于多层感知机的分类器,主要用于判别有无壁结节、有无实性成分即病灶里是否有液化部分;如果有壁结节,发出提示信息,病灶分割模块自动分割壁结节。
5.根据权利要求4所述的胰腺囊性病变的检测方法,其特征在于,所述方法还包括临床决策步骤:
根据用户选择的国际公认的胰腺囊性病灶参考标准,从特征候选池提取特征,所述特征候选池保存了病灶分割模块的输出结果;
结合患者的临床化验信息,基于提取的特征构建临床决策树;
利用临床决策树算法输出患者的临床决策:复查,不复查,手术。
6.根据权利要求5所述的胰腺囊性病变的检测方法,其特征在于,用户选择AGA参考标准时,临床决策树的构建方法包括:
通过将从候选池提取的定量特征与设定的阈值进行比较或是否包括壁结节,确定患者具有的危险征象;
如果所述危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议复查;
如果所述危险征象的数量没有超过两项,则建议复查;
如果复查过程中五年内发现的危险征象的数量超过两项,进行EUS-FNA检查,如果检查发现潜在危险,则建议手术;否则,建议继续复查;
如果复查过程中五年内发现的危险征象的数量没有超过两项,则建议终止复查。
7.一种胰腺囊性病变的检测装置,其特征在于,包括:
特征提取模块,将3D静脉期图像和3D动脉期图像分别输入到3D卷积网络和Transformer网络,分别提取静脉期图像特征和动脉期图像特征;
特征融合模块,用于将所述静脉期图像特征和动脉期图像特征输入至多网络多期相特征融合模块,输出多期相融合特征;
病灶分割模块,用于将所述多期相融合特征输入至病灶分割模块,自动分割囊肿、主胰管并输出囊肿尺寸。
8.根据权利要求7所述的胰腺囊性病变的检测装置,其特征在于,所述多网络多期相特征融合模块包括通道注意力模块和空间注意力模块;其中,
通道注意力模块首先对输入的静脉期图像特征F1和动脉期图像特征F2分别通过全局平均池化进行降维;然后分别通过卷积核大小为k的一维空洞卷积获得k个通道的相关关系,经sigmoid激活函数获得通道注意力权重w1、w2,并分别与F1、F2相乘得到w1F1、w2F2;最后将F2与一个可学习权重a1相乘后与w1F1相加,得到通道修正的静脉期特征F11=w1F1+a1F2,将F1与一个可学习权重a2相乘后与w2F2相加,得到通道修正的动脉期特征F21=w2F2+a2F1;
空间注意力模块首先对输入的F11、F21分别进行空洞卷积并经softmax激活函数后得到空间注意力权重s1、s2,并分别与F11、F21相乘后得到s1F11、s2F21;然后将F21与一个可学习权重b1相乘后与s1F11相加,得到空间修正的静脉期特征F12=s1F11+b1F21,将F11与一个可学习权重b2相乘后与s2F21相加,得到空间修正的动脉期特征F22=s2F21+b2F11;最后将F12与F22相加得到两个期相的融合特征Ff=F12+F22。
9.根据权利要求7所述的胰腺囊性病变的检测装置,其特征在于,所述病灶分割模块还包括一个基于多层感知机的分类器,主要用于判别有无壁结节、有无实性成分即病灶里是否有液化部分;如果有壁结节,发出提示信息,病灶分割模块自动分割壁结节。
10.根据权利要求9所述的胰腺囊性病变的检测装置,其特征在于,所述装置还包括临床决策模块,用于:
根据用户选择的国际公认的胰腺囊性病灶参考标准,从特征候选池提取特征,所述特征候选池保存了病灶分割模块的输出结果;
结合患者的临床化验信息,基于提取的特征构建临床决策树;
利用临床决策树算法输出患者的临床决策:复查,不复查,手术。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210206571.5A CN114841914A (zh) | 2022-03-03 | 2022-03-03 | 一种胰腺囊性病变的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210206571.5A CN114841914A (zh) | 2022-03-03 | 2022-03-03 | 一种胰腺囊性病变的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841914A true CN114841914A (zh) | 2022-08-02 |
Family
ID=82561674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210206571.5A Pending CN114841914A (zh) | 2022-03-03 | 2022-03-03 | 一种胰腺囊性病变的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841914A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115166A (zh) * | 2023-10-24 | 2023-11-24 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
-
2022
- 2022-03-03 CN CN202210206571.5A patent/CN114841914A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115166A (zh) * | 2023-10-24 | 2023-11-24 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
CN117115166B (zh) * | 2023-10-24 | 2024-03-26 | 北京大学第一医院 | 一种肾脏多期ct影像检测系统及方法、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501485B2 (en) | System and method for image-based object modeling using multiple image acquisitions or reconstructions | |
US8139836B2 (en) | Automatic segmentation of the heart and aorta in medical 3-D scans without contrast media injections | |
US7813536B2 (en) | Image measuring apparatus and method, and image measuring system for glomerular filtration rate | |
AU2019205013B2 (en) | Method and system for identification of cerebrovascular abnormalities | |
CN108348206B (zh) | 用于无创血流储备分数(ffr)的侧支流建模 | |
CN112150524B (zh) | 一种基于深度学习的二维和三维医学图像配准方法和系统 | |
CN109360209B (zh) | 一种冠状血管分割方法及系统 | |
EP1542589B1 (en) | Display of image data information | |
WO2014109708A1 (en) | A method and system for assessing fibrosis in a tissue | |
CN109712163B (zh) | 冠脉提取方法、装置、图像处理工作站和可读存储介质 | |
US8805043B1 (en) | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) | |
Taina et al. | Morphological and volumetric analysis of left atrial appendage and left atrium: cardiac computed tomography-based reproducibility assessment | |
JP2008514317A (ja) | 血管構造セグメンテーションシステム及び方法 | |
Nam et al. | Automatic pulmonary vessel segmentation on noncontrast chest CT: deep learning algorithm developed using spatiotemporally matched virtual noncontrast images and low-keV contrast-enhanced vessel maps | |
CN114841914A (zh) | 一种胰腺囊性病变的检测方法及装置 | |
Takamoto et al. | Automated three-dimensional liver reconstruction with artificial intelligence for virtual hepatectomy | |
Denzinger et al. | Deep learning algorithms for coronary artery plaque characterisation from CCTA scans | |
Bonekamp et al. | An elevated arterial enhancement fraction is associated with clinical and imaging indices of liver fibrosis and cirrhosis | |
CN115516498A (zh) | 由非侵入性放射学成像对肝病严重程度自动分类 | |
Sofian et al. | Detection of the lumen boundary in the coronary artery disease | |
Trimboli et al. | Breast arterial calcifications on mammography: intra-and inter-observer reproducibility of a semi-automatic quantification tool | |
JP5192751B2 (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
CN110738664B (zh) | 图像定位方法、装置、计算机设备和存储介质 | |
Li et al. | Cross-Domain Segmentation of Left Atrium Based on Multi-scale Decision Level Fusion | |
Wang et al. | A novel colon wall flattening model for computed tomographic colonography: method and validation |
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 |