[發明專利]一種基于深度神經網絡的胰腺腫瘤病理自動診斷系統

在審

• 申請號: 202010073365.2
• 申請日: 2020-01-22
• 公開（公告）號: CN111292304A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 劉尚龍;盧云;孫品
• 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: 北京中濟緯天專利代理有限公司 11429
• 代理人: 張曉

本發明公開了一種基于深度神經網絡的胰腺腫瘤病理自動診斷系統,包括深度神經網絡模型，所述深度神經網絡模型包括：特征提取網絡，用于對輸入的整張圖像的圖像特征進行抽象并生成卷積特征圖；區域生成網絡，用于根據特征提取網絡輸出的卷積特征圖進行篩選，推薦候選區域；池化層，對所述卷積特征圖以及所述候選區域進行卷積操作，將不同大小的輸入信號轉換為固定長度的輸出信號，得到一組低維特征向量；分類和回歸層，構建一個預測病理等級的放射組學模型，根據池化層輸出的低維特征向量，根據放射學特征預測胰腺腫瘤的病理程度。本發明的系統可以代替醫生來完成預測胰腺腫瘤的病理程度，可減少人工操作，處理速度快。

技術領域

本發明涉及圖像識別技術領域，特別涉及一種基于深度神經網絡的胰腺腫瘤病理自動診斷系統。

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，依靠經驗預測胰腺腫瘤的病理程度。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。

作為一項重要的計算機技術，人工智能具有計算機處理數據時所具有的誤差穩定、運算速度快、精度高等特點。通過運用深度學習技術學習大量的影像學圖像特征及與之相對應的診斷結果，從而使人工智能獲得具有像影像科醫師一樣的閱片及作出診斷的能力，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神經網絡的胰腺腫瘤病理自動診斷系統。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神經網絡的胰腺腫瘤病理自動診斷系統。

在一些可選實施例中，所述系統包括深度神經網絡模型，所述深度神經網絡模型包括：

特征提取網絡，用于對輸入的整張圖像的圖像特征進行抽象，提取放射學特征并生成卷積特征圖；

區域生成網絡，用于根據特征提取網絡輸出的卷積特征圖進行篩選，推薦候選區域；

池化層，對所述卷積特征圖以及所述候選區域進行卷積操作，將不同大小的輸入信號轉換為固定長度的輸出信號，得到一組低維特征向量；

分類和回歸層，構建一個預測病理等級的放射組學模型，根據池化層輸出的低維特征向量，根據放射學特征預測胰腺腫瘤的病理程度。

可選地，所述系統還包括預處理模塊，通過體素重采樣和灰度歸一化對輸入的整張圖像進行預處理，經過預處理后的圖像輸入到特征提取網絡。

可選地，所述預處理模塊對圖像的體素重采樣進行到相同的體素尺寸1*1*1mm，圖像的灰度被標準化為64個bin。

可選地，所述特征提取網絡提取放射學特征，包括四種類型：(1)強度特征；(2)形狀特征；(3)紋理特征；(4)小波特征。

可選地，提取所述強度特征的步驟具體為：測量腫瘤體積內的體素強度統計分布。

可選地，提取所述紋理特征的步驟具體為：基于灰度大小帶矩陣、灰度游程矩陣和鄰域，計算出描述腫瘤體積內體素空間強度相關性和分布的紋理特征。

可選地，所述特征提取網絡提取放射組學特征的步驟，包括：