[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡的胃癌病灶檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 202011628229.1
• 申請日: 2020-12-30
• 公開（公告）號: CN112634261A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設計）人: 于穎彥;楊蕊馨;嚴超;朱正綱
• 申請（專利權）人: 上海交通大學醫(yī)學院附屬瑞金醫(yī)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/08;G06N3/04
• 代理公司: 上海梵恒知識產(chǎn)權代理事務所(普通合伙) 31357
• 代理人: 王裕

本發(fā)明涉及圖像處理技術領域，尤其涉及基于卷積神經(jīng)網(wǎng)絡的胃癌病灶檢測方法及裝置。本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡的胃癌病灶檢測方法，包括下列步驟：S1、待測的胃癌樣本大體圖像的預處理；S2、基于目標檢測算法模型的病灶目標提取及置信度分析，輸出病灶檢測結果；或S3、基于語義分割算法模型的病灶目標精細分割與勾勒，輸出病灶檢測結果。本發(fā)明方法首創(chuàng)利用胃癌樣本大體圖像，可自動化定位胃切除標本中癌灶和胃內(nèi)或胃周轉(zhuǎn)移性癌灶，同時給出分析結果的置信度，輔助檢驗醫(yī)師對標本進行準確切取病變部位，提高癌灶檢出效率，減少漏診率。

技術領域

本發(fā)明涉及圖像處理技術領域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡的胃癌病灶檢測方法及裝置。

背景技術

人工智能(artificial intelligence,AI)是計算機科學的一個分支，致力于設計并執(zhí)行近似人類智能的計算機算法，使計算機算法達到與人類智能執(zhí)行任務時相似的工作效果。機器學習(machine Learning,ML)是人工智能領域的分支，指所有通過非顯性編程就能使機器從數(shù)據(jù)集中學習、預測陽性事件并進行決策。機器學習分為有監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習及強化學習。深度學習(deep learning,DL)屬于機器學習范疇，其中應用最廣泛的深度學習模型便是卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)，該算法是一類包括卷積計算并且具有深度網(wǎng)絡結構的深度學習算法，在醫(yī)學圖像處理領域能夠用于圖像分類、目標檢測及語義分割等多個方面。CNN具有優(yōu)秀的圖像特征提取能力，該類模型常作為目標檢測及語義分割的特征提取骨架(backbone)對模型特征進行提取。常用的CNN模型包括VGG、Inception、ResNet、Mobilenet、Xception等。

目標檢測(object detection)一直以來都是計算機視覺領域的研究熱點。目標檢測的目的是確定某張給定圖像中是否存在給定類別的目標。例如，在醫(yī)學影像領域，可以明確圖像中是否有腫瘤病灶，如果該圖像中存在目標病灶，目標檢測算法就返回每個目標實例的空間位置和覆蓋范圍，返回一個目標檢測預測框，并在框的上方標注置信度(confidence)。隨著CNN模型的出現(xiàn)，結合以CNN算法作為主干特征提取網(wǎng)絡骨架的目標檢測算法應運而生。

語義分割(semantic segmentation)是通過對給定圖像內(nèi)的每個像素點進行識別后作出分類，能夠在像素層面精確的分割圖像中目標區(qū)域與背景區(qū)域。語義分割與單純提取病灶的目標檢測不同之處在于，能夠?qū)D像中的病灶區(qū)域進行精準勾勒，更符合腫瘤精準診斷與精準治療的實際需求。常用的語義分割算法包括SegNet、UNet、PSPNet和DeepLab等。語義分割算法中的UNet算法及其衍生算法因其結構簡單并能夠充分利用編碼(encoder)過程中提取深層及淺層圖像特征，在醫(yī)學圖像處理分析領域具有十分廣泛的應用前景。

胃腫瘤外科治療后的手術切除標本圖像是醫(yī)生明確病灶數(shù)目、病灶侵犯深度、病灶擴散程度的第一手資料，需要切取準確的病灶部位制備病理切片做出精準診斷，從而指導后續(xù)的治療方案選擇。迄今為止一直依賴于外科醫(yī)師和病理科醫(yī)師的肉眼判斷，難免存在微小病灶或者轉(zhuǎn)移病灶被遺漏的現(xiàn)象。

隨著診療技術的不斷提高和胃鏡檢查等的普及，早期胃癌的檢出率正在逐年提高，從而得到及時的手術切除治療。但早期胃癌手術切除標本中病灶的精準定位是目前臨床病理切取標本的難題之一，有時候只能憑借醫(yī)師的經(jīng)驗識別，或者依靠手術醫(yī)師在可疑病灶處使用縫合線作為標注提示，而對于胃內(nèi)的多發(fā)性病灶或者主病灶出現(xiàn)胃內(nèi)的多發(fā)性轉(zhuǎn)移灶、以及胃周圍轉(zhuǎn)移淋巴結或者癌結節(jié)灶識別則是世界范圍內(nèi)公認的難點。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡的胃癌病灶檢測方法及裝置，以解決早期胃癌手術切除標本臨床病理精準切取標本的難題，以及微小病灶或者轉(zhuǎn)移病灶被遺漏的現(xiàn)象。

為此，本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡的胃癌病灶檢測方法，包括下列步驟：

S1、待測的胃癌樣本大體圖像的預處理；