CN114974558A - 一种肝细胞癌辅助筛查方法及系统 - Google Patents
一种肝细胞癌辅助筛查方法及系统 Download PDFInfo
- Publication number
- CN114974558A CN114974558A CN202210377977.XA CN202210377977A CN114974558A CN 114974558 A CN114974558 A CN 114974558A CN 202210377977 A CN202210377977 A CN 202210377977A CN 114974558 A CN114974558 A CN 114974558A
- Authority
- CN
- China
- Prior art keywords
- neural network
- hepatocellular carcinoma
- liver
- training
- images
- 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
- 206010073071 hepatocellular carcinoma Diseases 0.000 title claims abstract description 108
- 231100000844 hepatocellular carcinoma Toxicity 0.000 title claims abstract description 108
- 238000012216 screening Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 50
- 210000004185 liver Anatomy 0.000 claims abstract description 42
- 102000013529 alpha-Fetoproteins Human genes 0.000 claims abstract description 24
- 108010026331 alpha-Fetoproteins Proteins 0.000 claims abstract description 24
- 210000002966 serum Anatomy 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 27
- 238000002604 ultrasonography Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 7
- 238000011056 performance test Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 210000005229 liver cell Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010827 pathological analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 238000002790 cross-validation Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 201000007270 liver cancer Diseases 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 241000700721 Hepatitis B virus Species 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013188 needle biopsy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种肝细胞癌辅助筛查方法及系统。该方法包括：将待筛查对象的肝占位灰阶超声图像输入到训练好的肝细胞癌(HCC)诊断模型进行筛查，得到该对象的HCC筛查结果；所述肝细胞癌诊断模型采用肝占位灰阶超声图像产生的训练图像样本对神经网络模型进行训练得到；所述肝占位灰阶超声图像至少包含血清甲胎蛋白(AFP)检测为阴性、病理诊断为肝细胞癌的肝占位灰阶超声图像。通过本发明提供的技术方案获得的诊断模型能够准确识别血清甲胎蛋白阴性而患肝细胞癌的患者、且成本低廉，能够为医务人员判断是否需要为血清甲胎蛋白为阴性、具有肝细胞癌风险的患者做精细检查提供参考。
Description
技术领域
本发明涉及智慧医疗领域，具体涉及一种基于机器视觉神经网络模型的肝细胞癌辅助筛查方法及系统。
背景技术
肝癌在全球癌症相关死亡原因中排名第四。其中，肝细胞癌(HCC)是最常见的肝脏原发性恶性肿瘤，约占所有原发性肝癌的85％-90％。在中国，近80％的HCC病例与乙肝病毒(HBV)有关。对于患HCC的高危人群，世界各大医学指南均建议将血清甲胎蛋白(AFP)和肝脏超声检查作为筛查手段(APASL 2017、EASL 2018、AASLD 2018、JSH 2014、中国2019)。HCC高危患者中，通过超声灰阶图像发现肝占位、且伴随血清AFP升高能够较容易地筛查出HCC病例。然而、不论肿瘤处于早期还是终末期，大概只有三分之一的HCC患者可检测到AFP升高，可见AFP阴性的HCC病例仍占HCC病例很大一部分。因此，对于有AFP阴性而具有HCC风险的患者，需要提供一种成本效益良好、快捷且可靠的筛查方法。
目前、常规超声(US)因其具有快速、无创、成本效益良好的优点，已然成为一种广泛应用的肝脏肿瘤筛查工具。但灰阶超声图像在鉴别AFP阴性的HCC、以及良性肝脏占位(FLL)时准确性较低，对于高危病例中发现的肝占位通常需要注射造影剂进行影像学检查(MRI/CT/US)，甚至需要穿刺活检等侵入性的精细检查。显然，精细检查因其成本高、并发症风险高，且是否行精细检查通常基于医师的主观判断等原因并不适用于个体监测。近年来，人工智能(AI)的发展提高了医学影像诊断的准确性，其中经过大样本训练的深度学习(DL)模型可以仅通过灰阶超声的FLL图像即可较准确地识别出肝细胞癌。基于人工智能技术识别肝细胞癌的方案在筛查HCC高危患者方面敏感性和特异性，导致筛查的准确率不足，且在训练神经网络时需要的训练图像样本量大，训练样本获取成本高。目前还没有对AFP阴性的HCC进行筛查特别有效的AI方案。
发明内容
为了解决目前HCC高危人群筛查方案利用灰阶超声图像筛查HCC高危患者存在的敏感性和特异性不足，本发明基于深度学习(DL)建模的人工智能方法，提供一种快速、便捷且筛选结果准确率高的肝细胞癌辅助筛查方案。
本发明的第一方面提供一种肝细胞癌辅助筛查方法。该方法包括：将待筛查对象的肝占位灰阶超声图像输入到训练好的肝细胞癌(HCC)诊断模型中进行筛查，得到该对象的肝细胞癌筛查结果；所述肝细胞癌诊断模型采用肝占位灰阶超声图像产生的训练图像样本对神经网络模型进行训练得到；所述肝占位灰阶超声图像至少包含血清甲胎蛋白(AFP)检测为阴性、病理诊断为肝细胞癌的肝占位灰阶超声图像。
进一步地、所述方法还包括：将收集到的所有肝占位灰阶超声图像按照病理诊断结果是否为患肝细胞癌标注为病例组图像和对照组图像，按照建模用途划分为建模集和独立测试集。其中、对照组为诊断为未患肝细胞癌的肝占位灰阶超声图像集合；病例组为诊断为患肝细胞癌的肝占位灰阶超声图像集合；所述建模集、用于产生所述训练图像样本；所述独立测试集、用于对所述肝细胞诊断模型进行性能测试验证，其由血清甲胎蛋白检测为阴性的病例组图像和对照组图像构成。优选地、将收集到的肝占位灰阶超声图像按3：1的数量比划分为建模集和独立测试集，建模集和独立测试集各自的病例组图像与对照组图像数量之比为1：1(相关比例大致即可)。
进一步地、所述方法还包括：将所有收集到的灰阶超声图像进行JPG格式转换并保存为NumPy多维数组，对所述NumPy多维数组进行归一化处理。所述训练样本通过对所述建模集中所有的灰阶超声图像作为源图像进行扩充操作得到，扩充操作产生的图像继承对应源图像的标注结果。所述扩充操作包括随机裁剪、角度旋转变换中的一种或两种。通过对灰阶超声图像进行上述扩充操作，能够增加作为训练样本的灰阶超声图像的数量，降低收集训练样本的成本。
进一步地、所述对神经网络模型训练得到所述肝细胞癌诊断模型，包括：采用所述训练样本分别对多种神经网络模型进行多轮的训练和验证；基于所述多轮验证平均准确性最高的其中一种神经网络模型、及其验证结果准确率最高时对应的模型参数构建所述肝细胞癌诊断模型。优选地、所述多种神经网络模型为：保留神经网络框架模型Xception,Resnet,Desnet,Mobilenet和Inception平均池化层前的部分，分别在上述多种神经网络框架模型的接收平均池化层输出张量的多层感知机内部插入dropout层，并将所述多种神经网络框架模型第一层卷积层的输入通道数修改为1、最后一层神经网络的神经元个数设置为1得到的多种神经网络模型。
进一步地、所述采用所述训练样本分别对多种神经网络模型进行多轮的训练和验证，实现为：采用五折交叉验证方式、循环地将所述训练样本以4：1的数量比例切分成训练集和验证集，采用每次切分出的训练集分别对所述多种神经网络模型进行训练并更新模型参数，采用同一次切分出的验证集分别对训练后的所述多种神经网络模型进行验证获得验证结果，进入下一轮循环、直至五次循环全部结束。相应地、通过统计所述多种神经网络模型中每一种分别对所述五次循环过程中的验证结果的准确率以及平均准确率；基于所述多种神经网络模型中所述平均准确率最高的一个、及其验证结果准确率最高时的模型参数构建所述肝细胞癌诊断模型。
进一步地、所述采用每次切分出的训练集分别对所述多种神经网络模型进行训练并更新模型参数，包括：根据所述多种神经网络模型的每一种对当次切分出的训练集中每张图像分别属于对照组图像和病例组图像概率值、以及该张图像人工标注的组别信息采用二元交叉熵损失函数计算出对应的差值，将该差值作为Adam优化算法的参数计算该种神经网络模型的新参数，并采用所述新参数对该种神经网络模型进行参数更新。
与上述方法相对应，本发明的第二方面提供一种肝细胞癌辅助筛查系统，该系统包括处理器、存储器以及灰阶超声图像获取接口；所述灰阶超声图像获取接口用于获取待筛查对象的肝占位灰阶超声图像；所述处理器通过执行所述存储器中的计算机程序来实现对所述获取的肝占位灰阶超声图像采用上述肝细胞癌辅助筛查方法进行肝细胞癌诊断。
本发明提供的技术方案通过采用扩充操作得到的训练样本训练多种神经网络模型，并从中选择诊断准确率最高、稳定性最好的一种构建肝细胞癌诊断模型。该肝细胞癌诊断模型对AFP为阴性的肝占位灰阶超声图像具有很高的HCC筛查/识别敏感性及特异性，能够为临床诊断HCC提供较为可靠的参考依据，使得发现AFP阴性的早期HCC成为可能；并且适用于对大范围的个体进行监测。
附图说明
图1为本发明提供的肝细胞癌辅助筛查方法采用的HCC诊断模型的训练流程的一个实施例示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案以及有益效果更加清楚明白，以下结合附图对本发明进行进一步详细说明。应该理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种肝细胞癌辅助筛查方法,包括：将待筛查对象的肝占位灰阶超声图像输入到训练好的肝细胞癌(HCC)诊断模型中进行筛查，得到该对象的肝细胞癌筛查结果；所述肝细胞癌诊断模型采用肝占位灰阶超声图像产生的训练图像样本对神经网络模型进行训练得到；所述肝占位灰阶超声图像至少包含血清甲胎蛋白(AFP)检测为阴性、病理诊断为肝细胞癌的肝占位灰阶超声图像。
如图1所示，所述肝细胞癌诊断模型的构建过程依次包括以下几个阶段：数据准备阶段，数据增强增强，构建肝细胞癌诊断模型阶段，独立测试肝细胞癌诊断模型以及部署阶段。
其中、所述数据准备阶段包括：回顾性地收集HCC患者及良性肝占位患者的术前所示病灶的肝超声灰阶图像，图像格式可以是JPG、JPEG或DICOM等多种格式。将所述收集到的灰阶超声图像按照病理诊断结果是否为患肝细胞癌标注为病例组图像和对照组图像、按照建模用途划分为建模集和独立测试集。并将所述进行同一格式化、归一化以供后续模型训练，验证使用。
其中、对照组为诊断为未患肝细胞癌的肝占位灰阶超声图像集合；病例组为诊断为患肝细胞癌的肝占位灰阶超声图像集合。所述建模集用于产生所述训练图像样本；所述独立测试集、用于对所述肝细胞诊断模型进行性能测试验证，其由血清甲胎蛋白检测为阴性的病例组图像和对照组图像构成。优选地、将收集到的肝占位灰阶超声图像按3：1的数量比例切分为建模集和独立测试集，建模集和独立测试集各自的病例组图像与对照组图像数量之比大致为1：1。
格式化、归一化过程包括：将所有收集到的灰阶超声图像进行JPG格式转换并保存为NumPy多维数组，对所述Numpy多维数组进行归一化处理。通过将所述Numpy多维数组进行归一化处理将数组中元素0-255的像素值映射到0-1区间，消除了像素之间的量纲影响、有利于加快后续模型训练的收敛速度。
在数据准备阶段完成后进入数据增强阶段，所述数据增强阶段包括：读取建模数据集的所有灰阶超声图像作为源图像进行随机裁剪、角度旋转变换中的一种或两种产生更多的图像、新产生的图像继承对应源图像的标注结果，从而将建模集中灰阶超声图像数量得到扩充。将扩充后得到所有灰阶超声图像作为神经网络模型的训练图像样本。例如，将读取的灰阶超声图像进行随机裁剪、30度，60度，90度，120度旋转变换。通过数据增强阶段的处理让有限的灰度图像超声图像数据产生等价于大训练样本的价值。
在数据增强阶段完成获得训练图像样本后，进入到构建肝细胞癌诊断模型阶段。所述构建肝细胞癌诊断模型阶段包括以下步骤：
S1、适应性地修改多种神经网络框架模型以得到所述多种神经网络模型：如图1所示、在一个实施例中所述多种神经网络框架模型为Xception,Resnet,Desnet,Mobilenet和Inception。保留神经网络框架模型Xception,Resnet,Desnet,Mobilenet和Inception平均池化层前的部分，分别在上述多种神经网络框架模型的接收平均池化层输出张量的多层感知机内部插入dropout层，并将所述多种神经网络框架模型第一层卷积层的输入通道数修改为1、最后一层神经网络的神经元个数设置为1得到的多种神经网络模型。
S2、基于所述训练图像样本、所述多种神经网络模型构建肝细胞癌诊断模型：采用五折交叉验证方式、循环地将所述训练样本以4：1的数量比例切分成训练集和验证集，采用每次切分出的训练集分别对所述多种神经网络模型进行训练并更新模型参数，采用同一次切分出的验证集分别对训练后的所述多种神经网络模型进行验证获得验证结果，进入下一轮循环、直至五次循环全部结束。通过分别统计所述多种神经网络模型中每一种分别对所述五次循环过程切分出的验证集验证结果的准确率和平均准确率；基于所述多种神经网络模型中所述平均准确率最高的一个、及其验证结果准确率最高时的模型参数构建肝细胞癌诊断模型。对于构建的肝细胞癌诊断模型，灰阶超声图像无需任何预处理直接输入，特征提取后输入平均池化层，依次经过全连接层、dropout层、神经元个数为1的全连接层，输出相应的HCC诊断结果。
进一步地、所述采用每次切分出的训练集分别对所述多种神经网络模型进行训练并更新模型参数，包括：根据所述多种神经网络模型的每一种对当次切分出的训练集中每张图像分别属于对照组图像和病例组图像概率值、以及该张图像人工标注的组别信息采用二元交叉熵损失函数计算出对应的差值，将该差值作为Adam优化算法的参数计算该种神经网络模型的新参数，并采用所述新参数对该种神经网络模型进行参数更新。
在肝细胞癌诊断模型构建完成后进入独立测试肝细胞癌诊断模型以及部署阶段。这个阶段主要包括：验证肝细胞癌诊断模型的诊断性以及模型部署。
其中、验证肝细胞癌诊断模型的诊断性能包括：分别统计所述肝细胞癌诊断模型对所述独立测试集中对照组图像和病例组图像诊断的准确性，敏感性、特异性及受试者工作特征曲线(ROC)下面积(AUC)，验证肝细胞癌诊断模型的诊断效能。最后、将保存的HCC智能诊断模型架构以及模型参数进行部署到相应的设备中。例如、直接嵌入进医院超声设备，普通电脑或病人手机中。
采用以下指标验证肝细胞癌诊断模型的诊断性能：
敏感性(SEN)＝TP/(TP+FN)；
特异性(SPE)＝TN/(TN+FP)；
准确性(ACC)＝(TP+TN)/(TP+FP+TN+FN)；
阳性预测值(PPV)＝TP/(TP+FP)；
阴性预测值(NPV)＝TN/(TN+FN)；
F1分数＝2*PPV*SEN/(PPV+SEN)；
假阳性率(FPR)＝FP/(FP+TN)；
假阴性率(FNR)＝FN/(TP＝FN)；
其中、TP(True Postives)为真阳性/真正例，肝细胞癌诊断模型把正例正确地预测为正例的概率；FN(False Negatives)为假阴性/伪负例，肝细胞癌诊断模型把正例错误地预测为负例的概率；TN(True Negatives)为真阴性/真负例，肝细胞癌诊断模型把负例正确地预测为负例的概率；FP(False Postives)：为假阳性/伪正例，肝细胞癌诊断模型把负例错误地预测为正例的概率。
下表为本发明的一个实施例构建的肝细胞癌诊断模型性能测试结果示意图。在该实施例中经过五折交叉验证选择Xception模型及其验证准确率最高时的模型参数构建所述肝细胞癌诊断模型。该肝细胞癌诊断模型对AFP阴性的肝占位灰阶超声图像具有极高的敏感性、ROC曲线下面积，较高的特异性，并且该模型对AFP为阴性的肝占位灰阶超声图像具有较高的HCC诊断准确率。该模型对应上述性能测试参数对应的测试结果数据如下表所示。
在经过性能测试后达到预期后将所得到肝细胞癌诊断模型通过软件部署的方式部署到相应的诊断设备，计算机，终端等提供给病患或超声医生进行HCC辅助诊断。
相应地，本发明还提供一种肝细胞癌辅助筛查系统，该系统包括处理器、存储器以及灰阶超声图像获取接口；所述灰阶超声图像获取接口用于获取待筛查对象的肝占位灰阶超声图像；所述处理器通过执行所述存储器中的计算机程序来实现对所述获取的肝占位灰阶超声图像采用上述的肝细胞癌辅助筛查方法进行肝细胞癌诊断。所述存储器包括但不限于ROM、RAM、光盘、NorFlash等。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不能使相应技术方案的本质脱离本申请提供的技术方案的精神和范围。
Claims (10)
1.一种肝细胞癌辅助筛查方法，其特征在于，该方法包括：将待筛查对象的肝占位灰阶超声图像输入到训练好的肝细胞癌(HCC)诊断模型中进行筛查，得到该对象的肝细胞癌筛查结果；所述肝细胞癌诊断模型采用肝占位灰阶超声图像产生的训练图像样本对神经网络模型进行训练得到；所述肝占位灰阶超声图像至少包含血清甲胎蛋白(AFP)检测为阴性、病理诊断为肝细胞癌的肝占位灰阶超声图像。
2.如权利要求1所述的方法，其特征在于，该方法还包括：将收集到的所有肝占位灰阶超声图像按照病理诊断是否为患肝细胞癌进行人工标注为病例组图像或对照组图像，同时按照建模用途划分为建模集和独立测试集；并将所有收集到的灰阶超声图像进行JPG格式转换并保存为NumPy多维数组，对所述NumPy多维数组进行归一化处理；
其中、对照组为诊断为未患肝细胞癌的肝占位灰阶超声图像集合；病例组为诊断为患肝细胞癌的肝占位灰阶超声图像集合；所述建模集、用于产生所述训练图像样本；所述独立测试集、用于对所述肝细胞诊断模型进行性能测试验证，其由血清甲胎蛋白检测为阴性的病例组图像和对照组图像构成。
3.如权利要求2所述的方法，其特征在于，所述建模集中的图像数量与独立测试集中的图像数量之比为3：1，所述独立测试集中病例组图像数量与对照组图像数量之比为1：1。
4.如权利要求2所述的方法，其特征在于，所述训练图像样本通过对所述建模集中所有的灰阶超声图像进行扩充操作得到，所述扩充操作保留随机裁剪、角度旋转变换中的一种或两种。
5.如权利要求1-4中任一项所述的方法，其特征在于，对神经网络模型训练得到所述肝细胞癌诊断模型，具体实现为：采用所述训练图像样本分别对多种神经网络模型进行多轮训练、验证；基于所述多种神经网络模型中所述多轮验证的平均准确性最高的一种神经网络模型、及其验证结果准确率最高时对应的模型参数构建所述肝细胞癌诊断模型。
6.如权利要求5所述的方法，其特征在于，所述多种神经网络模型为：保留神经网络框架模型Xception,Resnet,Desnet,Mobilenet和Inception平均池化层前的部分，分别在上述多种神经网络框架模型的接收平均池化层输出张量的多层感知机内部插入dropout层，并将所述多种神经网络框架模型第一层卷积层的输入通道数修改为1、最后一层神经网络的神经元个数设置为1得到的多种神经网络模型。
7.如权利要求6所述的方法，其特征在于，所述分别对多种神经网络模型进行训练和验证，基于验证结果平均准确性最高的一种所述神经网络模型、及其验证结果准确率最高时对应的模型参数构建所述肝细胞癌诊断模型，具体为：
采用五折交叉验证方式、循环地将所述训练图像样本以4：1的数量比例切分成训练集和验证集，采用每次切分出的训练集分别对所述多种神经网络模型进行训练并更新模型参数，采用同一次切分出的验证集分别对训练后的所述多种神经网络模型进行验证获得验证结果；进入下一轮循环、直至五次循环全部结束；
分别统计所述多种神经网络模型中每一种分别对所述五次循环过程验证结果的准确率和平均准确率；基于所述多种神经网络模型中所述平均准确率最高的一个、及其验证结果准确率最高时的模型参数构建所述肝细胞癌诊断模型。
8.如权利要求7所述的方法，其特征在于，所述采用每次切分出的训练集分别对所述多种神经网络模型进行训练并更新模型参数，包括：根据所述多种神经网络模型的每一种对当次切分出的训练集中每张图像分别属于对照组图像和病例组图像概率值、以及该张图像人工标注的组别信息采用二元交叉熵损失函数计算出对应的差值，将该差值作为Adam优化算法的参数计算该种神经网络模型的新参数，并采用所述新参数对该种神经网络模型进行参数更新。
9.如权利要求8所述的方法，其特征在于，所述多种神经网络模型的激活函数选择为非线性函数sigmoid。
10.一种肝细胞癌辅助筛查系统，其特征在于，该系统包括处理器、存储器以及灰阶超声图像获取接口；所述灰阶超声图像获取接口用于获取待筛查的肝占位灰阶超声图像；所述处理器通过执行所述存储器中的计算机程序来实现对所述获取的肝占位灰阶超声图像采用如权利要求1-9中任一项所述的肝细胞癌辅助筛查方法进行肝细胞癌诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210377977.XA CN114974558A (zh) | 2022-04-06 | 2022-04-06 | 一种肝细胞癌辅助筛查方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210377977.XA CN114974558A (zh) | 2022-04-06 | 2022-04-06 | 一种肝细胞癌辅助筛查方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114974558A true CN114974558A (zh) | 2022-08-30 |
Family
ID=82977361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210377977.XA Pending CN114974558A (zh) | 2022-04-06 | 2022-04-06 | 一种肝细胞癌辅助筛查方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114974558A (zh) |
-
2022
- 2022-04-06 CN CN202210377977.XA patent/CN114974558A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
| Yousef et al. | A holistic overview of deep learning approach in medical imaging | |
| CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| CN114926477B (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN111028206A (zh) | 一种基于深度学习前列腺癌自动检测和分类系统 | |
| CN109064455B (zh) | 一种基于bi-rads的乳腺超声图像多尺度融合的分类方法 | |
| CN110838114B (zh) | 肺结节检测方法、装置及计算机存储介质 | |
| CN1934589A (zh) | 为医学成像提供自动决策支持的系统和方法 | |
| CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| CN112365464A (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN113743463B (zh) | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 | |
| CN112862756A (zh) | 识别甲状腺肿瘤病理图像中病变类型及基因突变的方法 | |
| Elhanashi et al. | Classification and localization of multi-type abnormalities on chest X-Rays images | |
| CN113205111B (zh) | 适用于肝脏肿瘤的识别方法、装置及电子设备 | |
| CN113706518A (zh) | 一种基于人工智能的股骨头坏死分期分析方法及系统 | |
| WO2023226217A1 (zh) | 微卫星不稳定预测系统及其构建方法、终端设备及介质 | |
| Bhaskar et al. | Pulmonary lung nodule detection and classification through image enhancement and deep learning | |
| Balannolla et al. | Detection and Classification of Lung Carcinoma using CT scans | |
| Saglam et al. | COVID-19 Detection from X-ray Images Using a New CNN Approach | |
| CN114974558A (zh) | 一种肝细胞癌辅助筛查方法及系统 | |
| CN113889235A (zh) | 一种三维医学影像无监督特征抽取系统 | |
| Nalla et al. | Influence of Convolutional Neural Network Depth on the Efficacy of Automated Breast Cancer Screening Systems |
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 |