一种基于深度学习前列腺癌自动检测和分类系统技术方案

本发明专利技术涉及一种基于深度学习前列腺癌自动检测和分类系统，其特征在于，包括基于深度学习的方法实现前列腺病灶区域自动检测的自动检测模块以及利用机器学习或者分类网络实现对于自动检测模块检测出的前列腺病灶区域进行自动分类的自动分类模块。不同于传统的前列腺癌分类方法使用整个MRI区域或者前列腺器官作为分类网络的输入数据，本方法使用异常区域分割来进一步限制分类网络的输入，通过这样的方法来降低分类模型的假阳性率，提升模型的分类精度，同时结合分类结果，输出检测出的病灶区域，辅助医生进行前列腺癌的自动确认和诊断，提升医生的工作效率。

An automatic detection and classification system for prostate cancer based on deep learning

【技术实现步骤摘要】
一种基于深度学习前列腺癌自动检测和分类系统
本专利技术涉及一种基于深度学习的前列腺癌自动检测和分类系统，属于图像处理和医学

技术介绍
前列腺癌是最常见的男性恶性肿瘤，发病率为欧美国家男性恶性肿瘤的第一位，死亡率仅次于肺癌占第二位。我国的前列腺发病率明显低于欧美国家，但是近年以来也有逐渐增加的趋势，尤其是在高龄人群。早期前列腺癌可以有效的得到治疗和控制，早期前列腺癌的诊断能够有效的降低死亡率。因此，准确的诊断前列腺癌可以很大程度的提高前列腺癌在早期的发现率。核磁共振成像(MRI)检查以非侵入式检查、扫描图像多样化、软组织结构清晰等优点成为前列腺癌诊断的一项重要方法。MRI成像包括T2加权成像(T2WeightedImaging，T2WI)、弥散加权成像(DiffusionWeightedImaging，DWI)、表面扩散系数图(ApparentDiffusionCoefficient，ADC)。其中T2WI图像提供了较为清晰的组织对比，DWI图像提供了组织中水分子扩散受限程度，在DWI图像中b值为扩散敏感系数，是DWI中一个重要本文档来自技高网...

【技术保护点】
1.一种基于深度学习前列腺癌自动检测和分类系统，其特征在于，包括基于深度学习的方法实现前列腺病灶区域自动检测的自动检测模块以及利用机器学习或者分类网络实现对于自动检测模块检测出的前列腺病灶区域进行自动分类的自动分类模块，其中：/n自动检测模块包括：/n数据采集单元，用于采集包含正常样本和病变样本的多参数MRI影像数据，多参数MRI影像数据包括T2WI图像、ADC图像和DWI图像；/n标注单元，用于针对多参数MRI图像的特点进行原始数据标注，利用标注在T2WI图像上的器官感兴趣区域和标注在ADC图像和DWI图像上的病灶感兴趣区域生成掩码图作为模型评价的金标准；/n影像数据库，用于存储原始的多参数...

【技术特征摘要】
1.一种基于深度学习前列腺癌自动检测和分类系统，其特征在于，包括基于深度学习的方法实现前列腺病灶区域自动检测的自动检测模块以及利用机器学习或者分类网络实现对于自动检测模块检测出的前列腺病灶区域进行自动分类的自动分类模块，其中：
自动检测模块包括：
数据采集单元，用于采集包含正常样本和病变样本的多参数MRI影像数据，多参数MRI影像数据包括T2WI图像、ADC图像和DWI图像；
标注单元，用于针对多参数MRI图像的特点进行原始数据标注，利用标注在T2WI图像上的器官感兴趣区域和标注在ADC图像和DWI图像上的病灶感兴趣区域生成掩码图作为模型评价的金标准；
影像数据库，用于存储原始的多参数MRI影像数据和标注单元得到的标注结果；
图像配准单元，用于将ADC图像和DWI图像配准到T2WI图像上，保证在T2WI图像上标注的器官金标准适配到ADC图像和DWI图像上；
图像标准化单元，用于对多参数MRI影像数据做标准化处理；
图像增强单元，增强多参数MRI影像数据，以解决数据样本不平衡和数据样本不足的问题，保证癌变样本和正常样本的数据量平衡；
前列腺器官分割模型，用于将前列腺器官区域从图像中分割出来，前列腺器官分割模型的输入为T2WI图像，输出维度选择前列腺的中央带、外周带和背景三个维度，选择encoder-decoder结构的网络作为前列腺器官分割模型的分割网络，对分割网络输出采用softmax将分割网络输出结果转化为概率，对于每个像素选择该像素的三个输出概率中最大值的分类作为像素分类；
结果后处理单元，采用图形学的方法优化前列腺器官分割模型输出的器官分割结果以及前列腺异常区域分割单元获得的前列腺异常区域分割结果，并采用插值法将前列腺器官分割模型得到的器官分割结果或前列腺异常区域分割结果重采样至输入数据原始尺寸得到最终的器官分割结果或前列腺异常区域分割结果；
前列腺异常区域分割单元，获取b值为0到2000s/mm2的一个或多个b值的DWI图像、ADC图像、经过结果后处理单元得到的T2WI图像的器官分割结果，将器官分割结果映射到经过图像配准单元配准后的ADC图像和DWI图像中，得到所有序列图像的器官感兴趣区域，并通过拼接的方法将多个图像联合作为异常区域分割模型的输入，异常区域分割模型采用预训练的encoder-decoder编码解码网络获得前列腺异常区域分割结果；
自动分类模块的输入数据为一个或...

【专利技术属性】
技术研发人员：张敬谊，王培军，王伟，丁偕，曹学香，刘全祥，
申请(专利权)人：万达信息股份有限公司，
类型：发明
国别省市：上海;31