一种基于深度学习和影像组学的泌尿结石检测分类方法技术

本发明专利技术涉及一种基于深度学习与影像组学的泌尿系结石检测分类方法和系统。本发明专利技术首先利用第一深度学习模型从所述CT图像中自动化地提取结石感兴趣区域，对结石感兴趣区域进行存在确认和初次粗略分类，再利用第二深度学习模型和提取的结石感兴趣区域内的结石周围的影像组学特征对所检出的结石感兴趣区域进行二次精细分类，得到最终的结石分类结果。本发明专利技术将多个深度学习模型与结石影像组学的特征组合利用，实现了高效、准确、全流程自动化的结石分类方法，为后流程的临床结石治疗提供支撑。

A method of urinary stone detection and classification based on deep learning and iconography

【技术实现步骤摘要】
一种基于深度学习和影像组学的泌尿结石检测分类方法
本专利技术涉及一种图像处理技术，特别涉及一种基于深度学习与影像组学的泌尿系结石检测分类方法及系统。
技术介绍
泌尿系结石是临床常见病，患病率为5％～10％。按成分可以分为磷酸钙、草酸钙、磷酸镁胺、胱氨酸、尿酸结石。根据欧洲泌尿协会(EUA)2019指南，不同成分的结石治疗方案存在差异，尿酸结石可以通过降尿酸等药物溶石治疗，磷酸镁胺易碎，体外冲击波(ESWL)效果好，胱氨酸结石对ESWL耐受，不易粉碎。术前无创的对泌尿系结石检测及分类对治疗方案的选择至关重要。目前临床上常用的判别结石成分的方法是根据CT值进行初步判断或利用能谱CT进行能谱平扫检查，然后用能量分析技术计算出结石的有效原子序数的定量数值，与已知各种成分的有效原子序数进行对照进而判断结石的真实组成成分，从而指导临床医师采取最适合的结石治疗方案。现阶段常用的这两种方法均需要人工进行分析，且分析结果存在一定程度的偏差，对任意给定的未知样本数据无法进行预测，而且因分析过程需要人工参与，所以对样本的规模有限制。对于临床医师而言，这种传统本文档来自技高网...

【技术保护点】
1.一种基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于，包括以下步骤：/n获取常规CT图像；/n利用第一深度学习模型从所述CT图像中自动化地提取结石感兴趣区域，确认所述结石感兴趣区域的结石是否存在，并对结石感兴趣区域进行初次粗略分类；/n提取结石感兴趣区域的影像组学特征；/n利用第二深度学习模型和结石感兴趣区域内的结石周围的影像组学特征对所检出的结石感兴趣区域进行二次精细分类，得到最终的结石分类结果。/n

【技术特征摘要】
1.一种基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于，包括以下步骤：
获取常规CT图像；
利用第一深度学习模型从所述CT图像中自动化地提取结石感兴趣区域，确认所述结石感兴趣区域的结石是否存在，并对结石感兴趣区域进行初次粗略分类；
提取结石感兴趣区域的影像组学特征；
利用第二深度学习模型和结石感兴趣区域内的结石周围的影像组学特征对所检出的结石感兴趣区域进行二次精细分类，得到最终的结石分类结果。


2.根据权利要求1所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于：所述结石感兴趣区域为CT图像的一个或多个区域。


3.根据权利要求2所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于：第一深度学习模型至少包括FasterR-CNN模型，所述FasterR-CNN模型至少依次包括卷积预处理层、区域候选网络(RPN)、结石感兴趣区域池化层、第一分类层，其中，
所述卷积预处理层对常规CT图像进行缩放、剪裁、池化，并输出常规CT图像的特征图谱；
所述区域候选网络(RPN)用于生成和校正包含若干结石感兴趣区域，并输出各结石感兴趣区域内的结石是否存在信息；
所述结石感兴趣区域池化层叠加所述特征图谱和所述结石感兴趣区域，生成若干带有特征图谱的结石感兴趣区域，并将带有特征图谱的结石感兴趣区域作池化处理，以使得带有特征图谱的各个结石感兴趣区域具有相同输出尺度；
所述第一分类层分别计算各个有特征图谱的结石感兴趣区域所属类别，并将其进行初次粗略分类。


4.根据权利要求3所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于：卷积预处理层包括至少13个卷积微层、13个激活函数层、4个池化层。


5.根据权利要求3所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于：所述区域候选网络(RPN)被配置至少用于生成锚点、函数分类器选取正锚点、边界框回归修正正锚点、利用修正后的正锚点生成结石感兴趣区域。


6.根据权利要求5所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于：
所述生成锚点的步骤至少包括，根据实际CT图像中结石大小，将锚点大小设置为第一锚点值×第二锚点值，
所述第一锚点值为6，10，16，22，32或64，
和，所述第二锚点值为6，10，16，22，32或64。


7.根据权利要求5所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于：
所述函数分类器为softmax或sigmoid。


8.根据权利要求6所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于：在结石检测分类前，对第一深度学习模型和第二深度学习模型进行训练，其中第一深度学习模型的训练至少包括区域候选网络(RPN)的训练和第一分类层的训练，第二深度学习模型至少包括第二分类层的训练。


9.根据权利要求8所述的基于深度学习与影像组学的泌尿系结石检测分类方法，区域候选网络(RPN)的训练用到的正锚点和负锚点的获取方式为：如果一个锚点与标准真值的IoU＞第一样本阈值，就认定为正锚点，如果锚点与标准真值满足0＜＝IoU＜第二样本阈值，认定为负锚点，如果锚点与标准真值的IoU满足第二样本阈值＜＝IoU＜第一样本阈值之间，则不参与训练，所述标准真值来源于医生对涉及到的CT影像标记实际结石感兴趣区域。


10.根据权利要求9所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于：
所述第一样本阈值为大于等于0.5，
和/或，所述第二样本阈值为小于等于0.4。


11.根据权利要求2所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于，所述提取结石感兴趣区域的影像组学的步骤至少包括：
采用聚类方法区分结石感兴趣区域内的结石核心区域和结石周围区域；
根据结石核心区域和结石周围区域提取影像组学特征。


12.根据权利要求11所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于，所述聚类方法为K-means聚类算法，所述K-means聚类算法被配置区分结石感兴趣区域内的结石核心区域和结石周围区域。


13.根据权利要求12所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于，所述影像组学特征至少包括一阶统计特征，二维形状特征，灰度共生矩阵(GLCM)，灰度区域尺寸矩阵(GLSZM)，统计图灰度游程矩阵(GLRLM)，邻域灰度差分矩阵(NGTDM)，灰度相关矩阵(GLDM)的一种或其组合。


14.根据权利要求13所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于，所述影像组学特征至少是被筛选算法进行过筛选的特征，所述筛选算法为最小冗余最大相关方法。


15.根据权利要求14所述的基于深度学习与影像组学的泌尿系结石检测分类方法，其特征在于，所述被筛选的特征至少为全部特征的四分之一，优选地，所述被筛选...

【专利技术属性】
技术研发人员：范兵，吕晨翀，李明智，张佳琦，胡阳，
申请(专利权)人：江西省人民医院，北京医准智能科技有限公司，
类型：发明
国别省市：江西;36