[發明專利]基于深度學習的胰腺癌腫瘤自動識別系統、計算機設備、存儲介質

有效

• 申請號: 201811026043.1
• 申請日: 2018-09-04
• 公開（公告）號: CN109242844B
• 公開（公告）日: 2021-08-06
• 發明（設計）人: 孫品;劉尚龍;盧云;李帥
• 申請（專利權）人: 青島大學附屬醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 青島易維申知識產權代理事務所(普通合伙) 37310
• 代理人: 于正友

本發明公開了一種基于深度學習的胰腺癌腫瘤自動識別系統，屬于圖像識別技術領域。該系統包括深度學習模型，所述深度學習模型包括：特征提取網絡、區域生成網絡和Fast R?CNN目標檢測網絡；所述特征提取網絡用于對胰腺癌腫瘤的圖像特征進行抽象，并生成卷積特征圖；所述區域生成網絡用于對所述卷積特征圖中存在的所有特征進行滑動掃描，在每個滑動窗口位置選出多個候選區域，所述候選區域為可能的胰腺癌腫瘤區域；所述Fast R?CNN目標檢測網絡用于對卷積特征圖以及生成的候選區域進行進一步回歸與分類，最終輸出胰腺癌腫瘤區域的位置以及概率。本發明的系統可以完成病變組織的跟蹤識別，減少人工操作，處理速度快，準確度高。

技術領域

本發明涉及圖像識別技術領域，特別涉及基于深度學習的胰腺癌腫瘤自動識別系統、計算機設備、存儲介質。

背景技術

胰腺屬于腹膜后器官，解剖位置深，周圍結構復雜，診斷難度大。隨著近年來影像學技術的不斷發展和完善，其在胰腺癌的診斷、分期及預后中起著重要作用，特別是CT具有較高的空間分辨率和密度分辨率，無解剖結構重疊，是胰腺癌最重要的影像學檢查手段。

在傳統的診斷中，專業醫師通過觀察影像圖像，對比分析病例的一系列圖像，依靠經驗對胰腺腫物進行提取、標記。這種方法需要專業醫生對大量的數據進行繁瑣的人工操作，同時這種方法診斷結果的準確性及可靠性嚴重依賴于醫生的經驗知識和專業素質，診斷結果的準確性受到限制。

近年來，由于計算機技術的迅速發展及圖形圖像處理技術的日漸成熟，使得計算機技術逐步滲入到醫學領域，開創了數字醫療的新時代。如何通過計算機技術來進行處理CT序列影像，代替醫生來完成病變組織的跟蹤識別，是目前亟待解決的問題。

發明內容

本發明實施例提供了一種基于深度學習的胰腺癌腫瘤自動識別系統、計算機設備、存儲介質。為了對披露的實施例的一些方面有一個基本的理解，下面給出了簡單的概括。該概括部分不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護范圍。其唯一目的是用簡單的形式呈現一些概念，以此作為后面的詳細說明的序言。

根據本發明實施例的第一方面，提供了一種基于深度學習的胰腺癌腫瘤自動識別系統。

在一些可選實施例中，所述系統包括：深度學習模型，所述深度學習模型包括：特征提取網絡、區域生成網絡和Fast R-CNN目標檢測網絡；所述特征提取網絡用于對胰腺癌腫瘤的圖像特征進行抽象，并生成卷積特征圖；所述區域生成網絡用于對所述卷積特征圖中存在的所有特征進行滑動掃描，在每個滑動窗口位置選出多個候選區域，所述候選區域為可能的胰腺癌腫瘤區域；所述Fast R-CNN目標檢測網絡用于對卷積特征圖以及所述候選區域進行進一步回歸與分類，最終輸出胰腺癌腫瘤區域的位置以及概率。

可選地，所述特征提取網絡使用VGG16網絡模型對胰腺癌腫瘤的圖像特征進行抽象，并生成卷積特征圖。

可選地，所述區域生成網絡對卷積特征圖中存在的所有特征進行滑動掃描，在每個滑動窗口位置選出多個候選區域。

可選地，所述在每個滑動窗口位置選出多個候選區域的過程具體為：所述滑動窗口的中心為錨點，為了得到所述候選區域，為每個錨點分配一個二值類別標簽，是目標或不是目標；然后，對于具有與實際邊界框的重疊最高交并比IoU的錨點，或者具有與實際邊界框的重疊超過0.7IoU的錨點，分配一個正標簽；對于所有的真實邊界框，如果一個錨點的IoU比率低于0.3，給該錨點分配一個負標簽。

可選地，對于可能為胰腺癌腫瘤的區域，所述區域生成網絡利用非極大值抑制方法合并鄰近區域。

可選地，所述Fast R-CNN目標檢測網絡和區域生成網絡共享所述卷積特征圖，所述Fast R-CNN目標檢測網絡包括感興趣區域池化層以及后面的兩個子全連接層，由感興趣區域特征向量對所述卷積特征圖以及所述候選區域進行進一步回歸與分類，得到預測邊界框的坐標與類別的概率分數，最終輸出胰腺癌腫瘤區域的位置以及概率。