CN115274094A - 肝癌影像学联合afp诊断模型构建方法、系统及装置 - Google Patents
肝癌影像学联合afp诊断模型构建方法、系统及装置 Download PDFInfo
- Publication number
- CN115274094A CN115274094A CN202210899759.2A CN202210899759A CN115274094A CN 115274094 A CN115274094 A CN 115274094A CN 202210899759 A CN202210899759 A CN 202210899759A CN 115274094 A CN115274094 A CN 115274094A
- Authority
- CN
- China
- Prior art keywords
- liver
- afp
- liver cancer
- inputting
- image
- 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
- 201000007270 liver cancer Diseases 0.000 title claims abstract description 59
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 title claims abstract description 58
- 238000003384 imaging method Methods 0.000 title claims abstract description 44
- 208000030062 persistent idiopathic facial pain Diseases 0.000 title claims description 74
- 238000010276 construction Methods 0.000 title claims description 4
- 210000004185 liver Anatomy 0.000 claims abstract description 56
- 238000002591 computed tomography Methods 0.000 claims abstract description 47
- 230000002980 postoperative effect Effects 0.000 claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000004083 survival effect Effects 0.000 claims abstract description 24
- 230000001575 pathological effect Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000003187 abdominal effect Effects 0.000 claims abstract description 15
- 210000002966 serum Anatomy 0.000 claims abstract description 14
- 201000011510 cancer Diseases 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002440 hepatic effect Effects 0.000 claims description 6
- 230000003211 malignant effect Effects 0.000 claims description 5
- 238000013211 curve analysis Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims 1
- 206010028980 Neoplasm Diseases 0.000 description 7
- 238000004393 prognosis Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 201000002528 pancreatic cancer Diseases 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 2
- 208000008443 pancreatic carcinoma Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009558 endoscopic ultrasound Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 210000002149 gonad Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 239000000439 tumor marker Substances 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本说明书实施例提供了一种基于深度学习的肝癌影像学联合AFP诊断模型构建方法、系统及装置，其中，方法包括：获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、血清AFP数值、术后病理结果以及术后生存情况信息，得到数据集；将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U‑net网络图像分割得到肝脏图像，并去除环境噪声干扰；将得到的肝脏图像输入ResNet34网络，将通过ResNet34网络得到的向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
Description
技术领域
本文件涉及计算机技术领域，尤其涉及一种基于深度学习的肝癌影像学联合AFP诊断模型构建方法、系统及装置。
背景技术
原发性肝癌是目前我国第4位常见恶性肿瘤，严重威胁我国人民的生命和健康。具有较低的远期生存率及病情迅速发展等特点，因此及时确诊和治疗是降低复发率、提升生存率的关键。血清AFP是当前诊断肝癌和疗效监测常用且重要的指标。血清AFP≥400μg/L，在排除妊娠、慢性或活动性肝病、生殖腺胚胎源性肿瘤以及消化道肿瘤后，高度提示肝癌，然而这一诊断手段的假阳性率较高，通常为60％～80％，同时具有不太理想的敏感性与特异性，动态增强CT扫描是血清AFP筛查异常者明确诊断的首选影像学检查方法。若联合腹部增强CT与血清AFP对肝癌诊断以及预后判断具有重要意义。
近年来，人工智能已经在恶性肿瘤疾病诊断中已经取得了实质性的进展，现有技术中采用人工神经网络对超过55000张肝占位图像进行训练，结果显示采用该方法对识别HCC和其他肝内恶性肿瘤、HCC与良性肿瘤，均具有较高的准确度。现有技术中应用基于年龄分类的多层感知器(MLP)模型。分析内镜超声图像对其他恶性肿瘤展开相关研究，结果表明基于年龄分类的MLP模型的诊断价值优于无年龄分类。目前在肝癌的研究中，已有利用影像学图像深度学习判断肿瘤良恶性相关研究，然而基于深度学习图像联合血清肿瘤标记物诊断肿瘤，预测患者预后情况仍无相关研究。
与MLP相比，CNN把矩阵作为输入，而不是将图片转成向量，避免了二维信息(病灶空间信息或位置信息)的丢失，使用更加稀疏互联的层级，减少信息过拟合，在图像识别表现出了更明显的优势。集成决策树类的模型可以进行特征重要性度量，但对图像信息处理时，仍与神经网络存在较大差距。
现有的对肝癌良恶性以及预后的预测系统包括基于化验指标的预测以及基于影像学检查的卷积神经网络预测模型，但单独应用二者往往不能兼顾患者外周血中指标变化以及胰腺肿瘤本身差异。
发明内容
本发明的目的在于提供一种基于深度学习的肝癌影像学联合AFP诊断模型构建方法、系统及装置，旨在解决现有技术中的上述问题。
本发明提供一种基于深度学习的肝癌影像学联合AFP诊断模型构建方法，包括：
获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、血清AFP数值、术后病理结果以及术后生存情况信息，得到数据集；
将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U-net网络图像分割得到肝脏图像，并去除环境噪声干扰；
将得到的肝脏图像输入ResNet34网络，将通过ResNet34网络得到的向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
本发明提供一种基于深度学习的肝癌影像学联合AFP诊断模型构建系统，包括：
获取模块，用于获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、血清AFP数值、术后病理结果以及术后生存情况信息，得到数据集；
处理模块，用于将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U-net网络图像分割得到肝脏图像，并去除环境噪声干扰；
模型训练模块，用于将得到的肝脏图像输入ResNet34网络，将通过ResNet34网络得到的向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
本发明实施例还提供一种基于深度学习的肝癌影像学联合AFP诊断模型构建装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于深度学习的肝癌影像学联合AFP诊断模型构建方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述基于深度学习的肝癌影像学联合AFP诊断模型构建方法的步骤。
采用本发明实施例，采用模型融合肿瘤标志物AFP与增强CT对肝癌的诊断优势，能够帮助诊断肿瘤，预测患者预后。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于深度学习的肝癌影像学联合AFP诊断模型构建方法的流程图；
图2是本发明实施例的基于深度学习的肝癌影像学联合AFP诊断模型构建方法的原理示意图；
图3是本发明实施例的基于深度学习的肝癌影像学联合AFP诊断模型构建系统的示意图；
图4是本发明实施例的基于深度学习的肝癌影像学联合AFP诊断模型构建装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
方法实施例
根据本发明实施例，提供了一种基于深度学习的肝癌影像学联合AFP诊断模型构建方法，图1是本发明实施例的基于深度学习的肝癌影像学联合AFP诊断模型构建方法的流程图，如图1所示，根据本发明实施例的基于深度学习的肝癌影像学联合AFP诊断模型构建方法具体包括：
步骤101，获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、血清AFP数值、术后病理结果以及术后生存情况信息，得到数据集；
步骤102，将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U-net网络图像分割得到肝脏图像，并去除环境噪声干扰；
步骤103，将得到的肝脏图像输入ResNet34网络，将通过ResNet34网络得到的向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
步骤103具体包括如下处理：
将得到的肝脏图像输入ResNet34网络，首先经过64个7×7的卷积核，再经3×3卷积核池化；
在conv1层使用64个7×7的卷积核，步长为2，将224×224大小的彩色图像降维到112×112，再进行3×3的最大值池化，步长为2，将维度进一步降低为56×56；
输入由3个残差学习模块组成的conv2层，其中，每一个残差学习模块都由两个卷积层组成，卷积核大小为3×3，64个通道；
输入由4个残差学习模块组成的conv3层，在conv3_1的某一卷积层，将步长调整为2，从而将conv3_4的输出维度降低到28×28；
输入由6个残差学习模块组成的conv4层，在conv4中的某一卷积层将步长调整为2，将conv4的输出维度降低到14×14；
输入由3个残差学习模块组成conv5层，在conv5将步长调整为2，最后输出7×7维的肝脏CT图像；最后经过一个全连接层，输出到1000分类，得到包含患者肝脏增强CT信息的向量；
将得到的包含患者肝脏增强CT信息向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
在本发明实施例中，可以执行以下操作：
将所述测试集输入所述肝癌影像学联合AFP诊断模型，通过准确率以及ROC曲线分析进行测试。
通过训练好的所述肝癌影像学联合AFP诊断模型对患者的肝癌生存期和良恶性进行预测。
以下对本发明实施例的上述技术方案进行举例说明。
数据获取：选取某医院2011-2020年间200例肝恶性肿瘤患者以及100例肝良性占位患者，获得术前腹部增强CT、血清AFP数值、术后病理结果以及术后1年、3年生存情况。数据处理：将300例患者按照5：1分为训练集和测试集，由医生在腹部增强CT图像中筛选出包含肝脏断层，经U-net网络图像分割得到肝脏图像，去除环境噪声干扰后，将得到的肝脏图像输入ResNet34网络，将得到的向量以及AFP值代入MLP输入层，标记生存期以及病理结果，得到胰腺癌影像学联合AFP诊断模型。
下面结合流程图对具体操作方案详细说明，如图2所示：
1、数据获取：选取某医院肝胆胰脾外科2011-2020年间200例胰腺癌患者以及100例无胰腺疾病患者，获得术前腹部增强CT、血清AFP数值、术后病理结果以及术后1年、3年生存情况。
2、数据处理：将300例患者按照5：1分为训练集和测试集，由医生在前腹部增强CT图像中筛选出包含肝脏肿瘤断层，经U-net网络图像分割得到肝脏图像，去除环境噪声干扰。
3、CT图像深度学习：将得到的肝脏图像输入ResNet34网络，首先经过64个7×7的卷积核，再经3×3卷积核池化。在conv1层使用64个7×7的卷积核，步长为2，将224×224大小的彩色图像降维到112×112。再进行3×3的最大值池化，步长为2，将维度进一步降低为56×56，然后是3个残差学习模块，每一个模块都由两个卷积层组成，卷积核大小为3×3，64个通道。conv3层由4个残差学习模块组成，在conv3_1的某一卷积层，需要将步长调整为2，从而将conv3_4的输出维度降低到28×28。再经过由6个残差学习模块组成的conv4，同理，在conv4中的某一卷积层需要将步长调整为2，从而将conv4的输出维度降低到14×14。由3个残差学习模块组成，在conv5将步长调整为2，最后输出7×7维的肝脏CT图像。最后经过一个全连接层，输出到1000分类，得到包含患者肝脏增强CT信息的向量。
4、MLP多层感知：将得到的向量以及AFP值代入MLP输入层，标记生存期以及病理结果，得到肝癌影像学联合AFP诊断模型。
5、模型验证：将验证集病例代入诊断模型，通过准确率以及ROC曲线分析。
本发明实施例的技术方案根据前期对临床病人数据的分析，AFP对肝癌生存预后的诊断具有重要意义，本发明实施例使用MLP多层感知网络将二者联合分析，进一步增强了对肿瘤的全面分析。此外，根据前期临床研究结果，本发明实施例仅纳入AFP及CT图像两类指标，同时可将系统搭载于电脑或智能手机终端，方便临床医生使用，早期对患者情况做出判断，提供针对性更强的治疗方案。
系统实施例
根据本发明实施例，提供了一种基于深度学习的肝癌影像学联合AFP诊断模型构建系统，图3是本发明实施例的基于深度学习的肝癌影像学联合AFP诊断模型构建系统的示意图，如图3所示，根据本发明实施例的基于深度学习的肝癌影像学联合AFP诊断模型构建系统具体包括：
获取模块30，用于获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、血清AFP数值、术后病理结果以及术后生存情况信息，得到数据集；
处理模块32，用于将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U-net网络图像分割得到肝脏图像，并去除环境噪声干扰；
模型训练模块34，用于将得到的肝脏图像输入ResNet34网络，将通过ResNet34网络得到的向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。模型训练模块34具体用于：
将得到的肝脏图像输入ResNet34网络，首先经过64个7×7的卷积核，再经3×3卷积核池化；
在conv1层使用64个7×7的卷积核，步长为2，将224×224大小的彩色图像降维到112×112，再进行3×3的最大值池化，步长为2，将维度进一步降低为56×56；
输入由3个残差学习模块组成的conv2层，其中，每一个残差学习模块都由两个卷积层组成，卷积核大小为3×3，64个通道；
输入由4个残差学习模块组成的conv3层，在conv3_1的某一卷积层，将步长调整为2，从而将conv3_4的输出维度降低到28×28；
输入由6个残差学习模块组成的conv4层，在conv4中的某一卷积层将步长调整为2，将conv4的输出维度降低到14×14；
输入由3个残差学习模块组成conv5层，在conv5将步长调整为2，最后输出7×7维的肝脏CT图像；最后经过一个全连接层，输出到1000分类，得到包含患者肝脏增强CT信息的向量；
将得到的包含患者肝脏增强CT信息向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
本发明实施例的系统进一步包括：
测试模块，用于将所述测试集输入所述肝癌影像学联合AFP诊断模型，通过准确率以及ROC曲线分析进行测试。
预测模块，用于通过训练好的所述肝癌影像学联合AFP诊断模型对患者的肝癌生存期和良恶性进行预测。
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
装置实施例一
本发明实施例提供一种基于深度学习的肝癌影像学联合AFP诊断模型构建装置，如图4所示，包括：存储器40、处理器42及存储在所述存储器40上并可在所述处理42上运行的计算机程序，所述计算机程序被所述处理器42执行时实现如方法实施例中所述的步骤。
装置实施例二
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器42执行时实现如方法实施例中所述的步骤。
本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于深度学习的肝癌影像学联合AFP诊断模型构建方法，其特征在于，包括：
获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、血清AFP数值、术后病理结果以及术后生存情况信息，得到数据集；
将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U-net网络图像分割得到肝脏图像，并去除环境噪声干扰；
将得到的肝脏图像输入ResNet34网络，将通过ResNet34网络得到的向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
2.根据权利要求1所述的方法，其特征在于，
将所述测试集输入所述肝癌影像学联合AFP诊断模型，通过准确率以及ROC曲线分析进行测试。
3.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
通过训练好的所述肝癌影像学联合AFP诊断模型对患者的肝癌生存期和良恶性进行预测。
4.根据权利要求1所述的方法，其特征在于，将得到的肝脏图像输入ResNet34网络，将通过ResNet34网络得到的向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型具体包括：
将得到的肝脏图像输入ResNet34网络，首先经过64个7×7的卷积核，再经3×3卷积核池化；
在conv1层使用64个7×7的卷积核，步长为2，将224×224大小的彩色图像降维到112×112，再进行3×3的最大值池化，步长为2，将维度进一步降低为56×56；
输入由3个残差学习模块组成的conv2层，其中，每一个残差学习模块都由两个卷积层组成，卷积核大小为3×3，64个通道；
输入由4个残差学习模块组成的conv3层，在conv3_1的某一卷积层，将步长调整为2，从而将conv3_4的输出维度降低到28×28；
输入由6个残差学习模块组成的conv4层，在conv4中的某一卷积层将步长调整为2，将conv4的输出维度降低到14×14；
输入由3个残差学习模块组成conv5层，在conv5将步长调整为2，最后输出7×7维的肝脏CT图像；最后经过一个全连接层，输出到二分类，得到包含患者肝脏增强CT信息的向量；
将得到的包含患者肝脏增强CT信息向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
5.一种基于深度学习的肝癌影像学联合AFP诊断模型构建系统，其特征在于，包括：
获取模块，用于获取肝恶性肿瘤患者和肝良性占位患者的前腹部增强CT、血清AFP数值、术后病理结果以及术后生存情况信息，得到数据集；
处理模块，用于将所述数据集划分为训练集和测试集，并获取所述训练集中由医生预先筛选出的包含有肝脏断层的前腹部增强CT，将筛选出的前腹部增强CT经U-net网络图像分割得到肝脏图像，并去除环境噪声干扰；
模型训练模块，用于将得到的肝脏图像输入ResNet34网络，将通过ResNet34网络得到的向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
6.根据权利要求5所述的系统，其特征在于，所述系统进一步包括：
测试模块，用于将所述测试集输入所述肝癌影像学联合AFP诊断模型，通过准确率以及ROC曲线分析进行测试。
7.根据权利要求5所述的系统，其特征在于，所述系统进一步包括：
预测模块，用于通过训练好的所述肝癌影像学联合AFP诊断模型对患者的肝癌生存期和良恶性进行预测。
8.根据权利要求5所述的系统，其特征在于，所述模型训练模块具体用于：
将得到的肝脏图像输入ResNet34网络，首先经过64个7×7的卷积核，再经3×3卷积核池化；
在conv1层使用64个7×7的卷积核，步长为2，将224×224大小的彩色图像降维到112×112，再进行3×3的最大值池化，步长为2，将维度进一步降低为56×56；
输入由3个残差学习模块组成的conv2层，其中，每一个残差学习模块都由两个卷积层组成，卷积核大小为3×3，64个通道；
输入由4个残差学习模块组成的conv3层，在conv3_1的某一卷积层，将步长调整为2，从而将conv3_4的输出维度降低到28×28；
输入由6个残差学习模块组成的conv4层，在conv4中的某一卷积层将步长调整为2，将conv4的输出维度降低到14×14；
输入由3个残差学习模块组成conv5层，在conv5将步长调整为2，最后输出7×7维的肝脏CT图像；最后经过一个全连接层，输出到1000分类，得到包含患者肝脏增强CT信息的向量；
将得到的包含患者肝脏增强CT信息向量以及AFP值代入MLP输入层，并标记术后生存情况信息以及术后病理结果，得到肝癌影像学联合AFP诊断模型。
9.一种基于深度学习的肝癌影像学联合AFP诊断模型构建装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于深度学习的肝癌影像学联合AFP诊断模型构建方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至4中任一项所述的基于深度学习的肝癌影像学联合AFP诊断模型构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210899759.2A CN115274094A (zh) | 2022-07-28 | 2022-07-28 | 肝癌影像学联合afp诊断模型构建方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210899759.2A CN115274094A (zh) | 2022-07-28 | 2022-07-28 | 肝癌影像学联合afp诊断模型构建方法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115274094A true CN115274094A (zh) | 2022-11-01 |
Family
ID=83770259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210899759.2A Pending CN115274094A (zh) | 2022-07-28 | 2022-07-28 | 肝癌影像学联合afp诊断模型构建方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115274094A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620899A (zh) * | 2022-12-01 | 2023-01-17 | 首都医科大学附属北京朝阳医院 | 基于多视野的3d卷积神经网络集成模型肺结节诊断系统 |
-
2022
- 2022-07-28 CN CN202210899759.2A patent/CN115274094A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620899A (zh) * | 2022-12-01 | 2023-01-17 | 首都医科大学附属北京朝阳医院 | 基于多视野的3d卷积神经网络集成模型肺结节诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reig et al. | Machine learning in breast MRI | |
| KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
| KR101919866B1 (ko) | 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 | |
| Dong et al. | One step further into the blackbox: a pilot study of how to build more confidence around an AI-based decision system of breast nodule assessment in 2D ultrasound | |
| Zou et al. | A promising approach for screening pulmonary hypertension based on frontal chest radiographs using deep learning: A retrospective study | |
| Pan et al. | Detecting the early infarct core on non-contrast CT images with a deep learning residual network | |
| Kaliyugarasan et al. | Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI | |
| CN113627483A (zh) | 基于自监督纹理对比学习的宫颈oct图像分类方法及设备 | |
| Lustermans et al. | Optimized automated cardiac MR scar quantification with GAN‐based data augmentation | |
| CN115274094A (zh) | 肝癌影像学联合afp诊断模型构建方法、系统及装置 | |
| CN113393938B (zh) | 一种融合影像和临床特征信息的乳腺癌风险预测系统 | |
| Yuan et al. | Deep learning-based quality-controlled spleen assessment from ultrasound images | |
| CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| US20230316510A1 (en) | Systems and methods for generating biomarker activation maps | |
| CN116091466A (zh) | 图像分析方法、计算机设备和存储介质 | |
| Sharma et al. | Generous approach for diagnosis and detection of gastrointestinal tract disease with application of deep neural network | |
| CN115188477A (zh) | 肝癌肝移植术后预后预测方法、系统及装置 | |
| Ibrahim et al. | Liver Multi-class Tumour Segmentation and Detection Based on Hyperion Pre-trained Models. | |
| CN115101197A (zh) | 胰腺癌影像学联合ca19-9诊断模型构建方法、系统及装置 | |
| Auccahuasi et al. | Detection of microcalcifications in digital mammography images, using deep learning techniques, based on peruvian casuistry | |
| Hu et al. | Fully automated deep learning method for fibroglandular tissue segmentation in breast MRI | |
| Hsu et al. | The application of artificial intelligence to support biliary atresia screening by ultrasound images: A study based on deep learning models | |
| Spagnolo et al. | Automated MS lesion detection and segmentation in clinical workflow: a systematic review. | |
| CN111402219A (zh) | 陈旧性脑梗死检测方法和装置 | |
| CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 |
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 |