针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法技术

本发明专利技术公开了一种针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法，包括对胰腺医学影像数据进行读取和归一化操作，得到归一化图像；对归一化图像进行去噪、配准以及图像融合，得到多模态融合图像；在胰腺结构显示清晰的图像中选取感兴趣区并映射到其他图像上，同时将该感兴趣区保存为后续分类网络可识别的自然图像格式；根据所选取的感兴趣区，对多模态融合图像的特征进行提取、分类和融合，并针对融合后的特征建立基本分类网络模型；对各个基本分类网络的分类结果进行鉴别，获得最终的分类鉴别结果；本发明专利技术具有很强的普适性，既适用于临床实际，也可用于胰腺癌及胰腺炎领域的科学研究。

Intelligent identification of pancreatic cancer and pancreatitis

The invention discloses an intelligent assistant identification method for pancreatic cancer and pancreatitis disease, which includes reading and normalizing pancreatic medical image data to obtain normalized image, denoising, registration and image fusion of normalized image to obtain multimodal fusion image, and display in pancreatic structure. The region of interest is selected and mapped to other images in a clear image, and the region of interest is saved as a natural image format that can be recognized by the subsequent classification network. According to the selected region of interest, the features of the multi-modal fusion image are extracted, classified and fused, and a basic classification network is established for the fused features. The invention has strong universality and can be applied to clinical practice as well as scientific research in the field of pancreatic cancer and pancreatitis.

【技术实现步骤摘要】
针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
本专利技术涉及智能辅助诊断
，具体涉及一种针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法。
技术介绍
胰腺癌(pancreaticcancer,PC)是一种常见的消化系统恶性肿瘤，在我国恶性肿瘤中，其发病率居第7位，死亡率居第6位，3年生存率不足5％。胰腺癌早期症状多不明显，当出现腹痛、黄疸、体重明显下降时往往已处晚期。在胰腺癌诊断方面，由于其临床表现与其他胰腺炎性疾病极为相似，例如慢性胰腺炎(chronicpancreatitis,CP)，均有腹痛、消化不良、厌食、恶心、呕吐、体重减轻和梗阻性黄疸等表现，而且在常规影像学片子中与其他胰腺炎性疾病重叠较多，故术前明确诊断胰腺癌较为困难，尤其难以准确鉴别出胰腺癌与胰腺炎性疾病。众所周知，影像学检查在胰腺病变的诊断中发挥着关键作用，但是影像学检查只能够提供最直观的图像，对其中信息的识取受限于检查的直接显示效果和影像医师的自身水平及经验，往往会因为人眼分辨能力以及人为疏忽等，不能充分利用影像图片所包含的更多信息，如对病变组织具有区分能力的超可视化底层特征，医生用传统的读片方式必然会漏读。因此，医生需要一种高级的辅助技术将各种检查信息综合起来，对多模态图像进行处理，以提高肿瘤、钙化、炎症或纤维化等病变的检出率，这就是智能辅助诊断技术(CAD技术)。该技术可识别出人眼所不能识别的诊断信息，作为医生的第二双眼睛,提高了胰腺癌诊断的准确率，在胰腺癌的诊断过程中起着越来越重要的作用。影像学检查包括多排计算机断层扫描、磁共振、超声、内镜超声(EUS)、PET等，但这些检查技术均存在局限性，如：CT对直径<2cm的微小肿瘤和等密度病灶敏感性较差，且在胰头癌与慢性胰腺炎的鉴别诊断上存在不足，因为钙化灶的出现、胰管的扩张、局部肿物的出现、双管征、胰管堵塞、周围脂肪的浸润以及胰腺外周静脉的阻塞等现象在两种疾病中均可出现；对体内有金属异物如血管支架的患者无法进行MRI检查，且MRI对于胰腺病变的诊断价值尚有争议；超声对于有较多肠道气体及肥胖患者的腹膜后图像显示欠佳；EUS属于一种侵入式成像设备，会引起患者不适，且对于慢性胰腺炎与胰腺癌的鉴别，EUS的表现并不令人满意，特别是对于慢性胰腺炎伴发胰腺癌的患者，有报道指出22-36％的慢性胰腺炎被误诊为胰腺癌；PET从本质上来说是一种功能现象，反映特定的代谢过程，但炎症病灶尤其自身免疫性慢性胰腺炎，也会出现类似胰腺癌的18FFDG高摄取。如上所述，基于上述检查技术的任何一项都无法对胰腺疾病作出准确判断，因此，基于影像组学的胰腺癌与胰腺炎智能辅助鉴别系统及方法对临床研究具有很高的应用价值。本专利技术旨在对多种模态的医学图像的超可视化底层图像信息进行深入挖掘，根据对病灶具有区分能力的图像底层特征，通过医学影像实现对胰腺癌和胰腺炎性疾病的分类鉴别，同时本专利技术也可以应用于对胰腺癌与胰腺炎性疾病的科学研究领域。目前国内外利用图像处理技术对胰腺疾病的智能辅助诊断主要集中在以下几个方面：2001年，NortonID等提出了一个自主学习的人工神经网络来分析EUS图像并区分恶性肿瘤和胰腺炎。2008年，DasA等使用图像分析软件来对胰腺EUS图像进行纹理分析，经主成分分析(PCA)降维，建立了基于神经网络的胰腺癌预测模型。2013年，ZhuM等利用图像处理技术从胰腺EUS图像感兴趣区域提取纹理特征，然后利用类算法与顺序前进搜索算法(SFS)之间的距离对特征进行更好的组合，建立了支持向量机(SVM)预测模型。蔡哲元等于2008年便提出类似算法，使用类间距初次特征选择，利用顺序前进搜索算法进一步特征优化，此后，蔡哲元等又对纹理特征提取进行改进，选用基于M带小波变换的多重分形维数特征，基于此建立的分类模型在运行时间与分类准确性上都优于先前提出的方法。硕士吴仪俊将模糊分类的计算机诊断结果与放射性粒子植入治疗相结合，对整个分类系统进行扩展，不仅能识别胰腺癌与非癌，而且能进一步识别胰腺癌与胰腺炎。2015年，ZhuJ等为了提高分类模型的性能，引入了一种新的病灶描述子——局部三元模式方差。2016年，Hanania等利用灰度共生矩阵对导管内乳头状黏液性肿瘤的恶性程度进行分类。2016年，Chakraborty等基于增强CT图像利用纹理分析对使用新辅助化疗的胰腺导管腺癌患者进行生存预测，他们从病灶区域内提取了169个标准纹理特征，包括灰度共生矩阵、游程矩阵、局部二值模式、分形维数和一阶统计特征等，建立了基于朴素贝叶斯分类模型的预测模型。2017年，Gazit等基于增强CT图像对导管内乳头状黏液性肿瘤与胰腺囊性肿瘤进行分类，他们手工设计了一个代表囊肿内固体成分的新特征，并结合255个标准纹理特征，建立了基于Ada-boost分类模型的分类模型。1993年，Du-YihTsai等提出基于CT胰腺图像的细微异常检测方法。这是一种简单的级联滤波器检测方法，第一步引入灰度级对数运算的平方，提高低灰度级的边缘，然后将灰度级转移到删除的模糊区域，最后一步用对数运算来增强细节的轮廓。2013年，硕士赵超等基于胰腺CT图像提出了一种用于胰腺癌检测的量子遗传算法优化的支持向量机分类方法。对上述研究进行分析可以发现，目前的胰腺疾病智能辅助鉴别系统多存在以下不足：(1)需要对胰腺或者病灶区域进行精分割，这需要医生具有深厚的专业背景及丰富的临床经验，且耗时耗力，难免存在分割误差；(2)采用手工设计的方式进行特征提取，提取到的特征表征与泛化能力差，且需要研究人员对所要解决的问题领域进行深入的研究，以设计出适应性更好的特征；(3)上述研究均针对单一模态的影像进行研究，忽略了其他模态影像可能带来的性能提升。
技术实现思路
针对现有技术中存在的不足之处，本专利技术基于影像组学和深度学习，提供了一种针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法。本专利技术提供了一种针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法，包括下述步骤：1)对胰腺医学影像数据进行读取和归一化操作，得到归一化图像；2)对归一化图像进行去噪、配准以及图像融合，得到多模态融合图像；3)在胰腺结构显示清晰的图像中选取感兴趣区并映射到其他图像上，同时将该感兴趣区保存为后续分类网络可识别的自然图像格式；4)根据所选取的感兴趣区，对多模态图像或者融合图像的特征进行提取、分类和融合，并针对融合后的特征建立基本分类网络模型；5)对各个基本分类网络的分类结果进行鉴别，获得最终的分类鉴别结果。优选的是，步骤1)中所述胰腺医学影像数据来源于PACS系统和医学成像设备。优选的是，步骤2)中所述图像融合采用像素级图像融合技术，包括空间域算法和变换域算法。优选的是，步骤3)中所述感兴趣区为包含病灶处全部胰腺组织的矩形，所述自然图像格式为.png或.bmp。优选的呢是，步骤4)中所述的特征提取、分类、融合以及建立基本分类网络模型的具体步骤如下：1)对多模态融合图像构建专用深度金字塔卷积神经网络，该网络的结构为在全连接层之前使用一系列金字塔池化层，从而允许输入图像为任意尺寸；2)将数据输入多模态融合图像专用深度金字塔卷积神经网络，提取由全连接层输出的特征，生成特征图；3)基于双线性融合函数对上述特征进行融本文档来自技高网...

【技术保护点】
1.一种针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法，其特征在于，包括下述步骤：1)对胰腺医学影像数据进行读取和归一化操作，得到归一化图像；2)对归一化图像进行去噪、配准以及图像融合，得到多模态融合图像；3)在胰腺结构显示清晰的图像中选取感兴趣区并映射到其他图像上，同时将该感兴趣区保存为后续分类网络可识别的自然图像格式；4)根据所选取的感兴趣区，对多模态融合图像的特征进行提取、分类和融合，并针对融合后的特征建立基本分类网络模型；5)对各个基本分类网络的分类结果进行鉴别，获得最终的分类鉴别结果。

【技术特征摘要】
1.一种针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法，其特征在于，包括下述步骤：1)对胰腺医学影像数据进行读取和归一化操作，得到归一化图像；2)对归一化图像进行去噪、配准以及图像融合，得到多模态融合图像；3)在胰腺结构显示清晰的图像中选取感兴趣区并映射到其他图像上，同时将该感兴趣区保存为后续分类网络可识别的自然图像格式；4)根据所选取的感兴趣区，对多模态融合图像的特征进行提取、分类和融合，并针对融合后的特征建立基本分类网络模型；5)对各个基本分类网络的分类结果进行鉴别，获得最终的分类鉴别结果。2.根据权利要求1所述的方法，其特征在于，步骤1)中所述胰腺医学影像数据来源于PACS系统和医学成像设备。3.根据权利要求1所述的方法，其特征在于，步骤2)中所述图像融合采用像素级图像融合技术，包括空间域算法和变换域算法。4.根据权利要求1所述的方法，其特征在于，步骤3)中所述感兴趣区为包含病灶处全部胰腺组织的矩形，所述自然图像格式为.png或.bmp。5.根据权利要求1所述的方法，其特征在于，步骤4)中所述的特征提取、分类、融合以及建立基本分类网络模型的具体步骤如下：1)对多模态融合图像构建专用深度金字塔卷积神经网络，该网络的结构为在全连接层之前使用一系列金字塔池化层，从而允许输入图像为任意尺寸；2)将数据输入多模态融合图像专用深度金字塔卷积神经网络，提取由全连接层输出的特征，生成特征图；3)基于双线性融合函数对上述特征进行融合，即将两个特征图的对应位置元素进行外积运算后求和，得到融合特征图，该融合特征图的通道数是原始特征图通道数的平方，表示为其中，ybil表示融合特征图，xa和xb表示特征图，xa、xb∈RH×W×D，H、W、D分别表示特征图的长度、宽度和通道数量，4)采用卷积融合函数对融合特征图进行降维处理，得到降维的融合特征图，即将双线性融合函数的融合结果与滤波器f进行卷积运算，同时引入偏差值b，从而实现降维，表示为yconv＝ybi...

【专利技术属性】
技术研发人员：杨晓冬，程超，左长京，张玉全，刘兆邦，孙高峰，潘桂霞，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：江苏,32