一种基于深度学习的肺内小结节进展评估系统及方法技术方案

技术编号:24802536 阅读:22 留言:0更新日期:2020-07-07 21:33
本发明专利技术提供一种基于深度学习的肺内小结节进展评估系统及方法,涉及医学图像处理技术领域,包括获取肺内小结节患者随访过程中的所有肺部断层扫描图像;对所有肺部断层扫描图像进行图像预处理得到预处理图像;针对每个肺内小结节患者,在各预处理图像上标注出位于同一部位的肺内小结节得到标注图像并建立结节生长数据库;根据预设的超参数建立初始评估模型;根据结节生长数据库对初始评估模型进行训练得到进展评估模型;将待评估的肺内小结节患者的不同随访时间的肺部断层扫描图像输入进展评估模型,得到肺内小结节患者的肺内小结节的生长进展数据,以供医生进行诊断参考。本发明专利技术能够客观精准的评估肺内小结节的变化;有效提升评估结果的准确性。

【技术实现步骤摘要】
一种基于深度学习的肺内小结节进展评估系统及方法
本专利技术涉及医学图像处理
,尤其涉及一种基于深度学习的肺内小结节进展评估系统及方法。
技术介绍
随着癌症“早诊早治”意识普及和断层扫描成像技术提高,特别是薄层高分辨率断层扫描的应用和普及,越来越多肺结节开始被发现,其中肺内小结节最为常见。如何对薄层断层扫描发现的肺内小结节进行进展评估目前仍是临床面对的难题。肺内小结节发现后往往很难定性,需要对其进行一段时间的随访和检测,根据小结节的生长特性和进展情况来帮助制定其后续治疗方案。临床上,对于判断为良性或癌前病变而长期处于稳定状态的肺结节,定期断层扫描检查随访用于观察其变化过程即可;然而,对于断层扫描上表现为浸润性病变的肺结节,需进一步临床介入治疗,如外科手术切除。因此,尽早对肺内小结节的性质进行判定一方面有利于实现对恶性结节的早期诊断和治疗,从而提高恶性结节患者的生存率;另一方面避免对良性结节进行不必要的临床干预,进而导致过度的医疗资源浪费。因此,通过随访的断层扫描图像判断肺内小结节的进展以及性质是解决临床问题的关键。目前临床实践中,肺内小结节的进展评估与性质判定主要依赖人为确定宏观影像特征或视觉观测,如结节直径、容积或者密度测量等。该方法具有一定的局限性。在进展评估时,若肺内小结节表现为断层扫描值(密度)均匀增加,但直径或体积却未变化时,并不能及时准确地检测到其内部变化,从而对肺内小结节的浸润性判定错误;与此同时,肺内小结节直径的主观测量在不同影像医师间仍存在较大差异。因此,如何客观精准的对断层扫描图像综合分析是实现肺内小结节进展评估与性质判定的关键。随着计算机人工智能技术在医疗领域的发展与应用,基于多种网络算法的深度学习技术已经用于多种影像图像(胸片、断层扫描、MRI和超声图像等)的客观分析和微观信息提取,表现出医学图像处理方面的极大潜能。在肺部病灶的断层扫描图像分析中,现有技术仍然聚焦于探索肺结节的检出和性质判定,而忽略了在肺结节动态监测过程中的应用。
技术实现思路
针对现有技术中存在的问题,本专利技术提供一种基于深度学习的肺内小结节进展评估系统,具体包括:肺科数据库,用于保存若干肺内小结节患者的肺部断层扫描图像;进展评估模块,连接所述肺科数据库,所述进展评估模块包括:数据获取单元,用于于所述肺科数据库中获取若干所述肺内小结节患者随访过程中的所有所述肺部断层扫描图像;每个所述肺内小结节患者具有按照随访时间先后顺序排列的多张所述肺部断层扫描图像;预处理单元,连接所述数据获取单元,用于对所有所述肺部断层扫描图像进行图像预处理,得到相应的预处理图像;数据标注单元,连接所述预处理单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据所述标注图像并按照所述随访时间构建结节生长数据库;模型建立单元,用于根据预设的超参数建立初始评估模型;模型训练单元,分别连接所述数据标注单元和所述模型建立单元,用于根据所述结节生长数据库对所述初始评估模型进行训练得到相应的进展评估模型;模型评估单元,连接所述模型训练单元,用于将待评估的所述肺内小结节患者的不同所述随访时间的所述肺部断层扫描图像输入所述进展评估模型,得到所述肺内小结节患者的所述肺内小结节的生长进展数据,以供医生进行诊断参考。优选的,所述数据标注单元具体包括:标注子单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,所述标注图像包括所述肺内小结节的结节数据;组合子单元,连接所述标注子单元,用于于各所述标注图像中提取所述随访时间最早的所述标注图像作为初始图像,并将所述初始图像与其余所述标注图像分别组合形成标注图像集合;处理子单元,连接所述组合子单元,用于针对每个所述标注图像集合,根据所述结节数据计算所述标注图像相对于所述初始图像的结节生长数据,并将所述结节生长数据加入所述标注图像集合;生成子单元,连接所述处理子单元,用于根据各所述标准图像集合构建结节生长数据库。优选的,所述结节数据为所述肺内小结节的体积参数,则所述结节生长数据为所述肺内小结节的体积倍增时间。优选的,所述结节数据为所述肺内小结节的质量参数,则所述结节生长数据为所述肺内小结节的质量倍增时间。优选的,所述模型训练单元具体包括:数据分组子单元,用于按照预设比例将所述结节生长数据库中的各所述标注图像集合划分为训练组、验证组和测试组;数据训练子单元,连接所述数据分组子单元,用于根据所述训练组中对应的各所述标注图像集合对所述初始评估模型进行训练,并在训练过程中,每经过预设间隔次数的训练,将所述验证组中对应的各所述标注图像集合输入训练完成的所述初始评估模型中得到相应的模型评估结果;第一比较子单元,连接所述数据训练子单元,用于计算所述模型评估结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第一误差值,并在所述第一误差值不小于所述第一误差阈值时对所述超参数进行优化,以对所述初始评估模型进行优化,并重新训练所述初始评估模型,以及在所述第一误差值小于所述第一误差阈值时将训得到的所述初始评估模型作为所述进展评估模型输出;数据测试子单元,分别连接所述数据分组子单元和所述第一比较子单元,用于将所述测试组中对应的各所述标注图像集合输入所述进展评估模型中得到相应的测试结果;第二比较子单元,连接所述数据测试子单元,用于计算所述测试结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第二误差值,并在所述第二误差值不小于所述第二误差阈值,则进行相应的数据调整,以及在所述第二误差值小于所述第二误差阈值时输出所述进展评估模型。优选的,所述数据调整为对所述超参数进行调整,和/或对所述预设比例进行调整,以增加所述训练组所占比例。优选的,所述图像预处理包括:预先设置一固定窗宽和/或一固定窗位,以对各所述肺部断层扫描图像进行标准化处理得到所述预处理图像。一种基于深度学习的肺内小结节进展评估方法,应用于以上任意一项所述的肺内小结节进展评估系统,所述肺内小结节进展评估方法具体包括以下步骤:步骤S1,于所述肺科数据库中获取若干所述肺内小结节患者随访过程中的所有所述肺部断层扫描图像;每个所述肺内小结节患者具有按照随访时间先后顺序排列的多张所述肺部断层扫描图像;步骤S2,对所有所述肺部断层扫描图像进行图像预处理,得到相应的预处理图像;步骤S3,针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据所述标注图像并按照所述随访时间构建结节生长数据库;步骤S4,根据预设的超参数建立初始评估模型;步骤S5,根据所述结节生长数据库对所述初始评估模型进行训练得到相应的进展评估模型;步骤S6,将待评估的所述肺内小结节患者的不同所述随本文档来自技高网
...

【技术保护点】
1.一种基于深度学习的肺内小结节进展评估系统,其特征在于,具体包括:/n肺科数据库,用于保存若干肺内小结节患者的肺部断层扫描图像;/n进展评估模块,连接所述肺科数据库,所述进展评估模块包括:/n数据获取单元,用于于所述肺科数据库中获取若干所述肺内小结节患者随访过程中的所有所述肺部断层扫描图像;/n每个所述肺内小结节患者具有按照随访时间先后顺序排列的多张所述肺部断层扫描图像;/n预处理单元,连接所述数据获取单元,用于对所有所述肺部断层扫描图像进行图像预处理,得到相应的预处理图像;/n数据标注单元,连接所述预处理单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据所述标注图像并按照所述随访时间构建结节生长数据库;/n模型建立单元,用于根据预设的超参数建立初始评估模型;/n模型训练单元,分别连接所述数据标注单元和所述模型建立单元,用于根据所述结节生长数据库对所述初始评估模型进行训练得到相应的进展评估模型;/n模型评估单元,连接所述模型训练单元,用于将待评估的所述肺内小结节患者的不同所述随访时间的所述肺部断层扫描图像输入所述进展评估模型,得到所述肺内小结节患者的所述肺内小结节的生长进展数据,以供医生进行诊断参考。/n...

【技术特征摘要】
1.一种基于深度学习的肺内小结节进展评估系统,其特征在于,具体包括:
肺科数据库,用于保存若干肺内小结节患者的肺部断层扫描图像;
进展评估模块,连接所述肺科数据库,所述进展评估模块包括:
数据获取单元,用于于所述肺科数据库中获取若干所述肺内小结节患者随访过程中的所有所述肺部断层扫描图像;
每个所述肺内小结节患者具有按照随访时间先后顺序排列的多张所述肺部断层扫描图像;
预处理单元,连接所述数据获取单元,用于对所有所述肺部断层扫描图像进行图像预处理,得到相应的预处理图像;
数据标注单元,连接所述预处理单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,根据所述标注图像并按照所述随访时间构建结节生长数据库;
模型建立单元,用于根据预设的超参数建立初始评估模型;
模型训练单元,分别连接所述数据标注单元和所述模型建立单元,用于根据所述结节生长数据库对所述初始评估模型进行训练得到相应的进展评估模型;
模型评估单元,连接所述模型训练单元,用于将待评估的所述肺内小结节患者的不同所述随访时间的所述肺部断层扫描图像输入所述进展评估模型,得到所述肺内小结节患者的所述肺内小结节的生长进展数据,以供医生进行诊断参考。


2.根据权利要求1所述的肺内小结节进展评估系统,其特征在于,所述数据标注单元具体包括:
标注子单元,用于针对每个所述肺内小结节患者,在各所述预处理图像上标注出位于同一部位的肺内小结节得到相应的标注图像,所述标注图像包括所述肺内小结节的结节数据;
组合子单元,连接所述标注子单元,用于于各所述标注图像中提取所述随访时间最早的所述标注图像作为初始图像,并将所述初始图像与其余所述标注图像分别组合形成标注图像集合;
处理子单元,连接所述组合子单元,用于针对每个所述标注图像集合,根据所述结节数据计算所述标注图像相对于所述初始图像的结节生长数据,并将所述结节生长数据加入所述标注图像集合;
生成子单元,连接所述处理子单元,用于根据各所述标准图像集合构建结节生长数据库。


3.根据权利要求2所述的肺内小结节进展评估系统,其特征在于,所述结节数据为所述肺内小结节的体积参数,则所述结节生长数据为所述肺内小结节的体积倍增时间。


4.根据权利要求3所述的肺内小结节进展评估系统,其特征在于,所述结节数据为所述肺内小结节的质量参数,则所述结节生长数据为所述肺内小结节的质量倍增时间。


5.根据权利要求1所述的肺内小结节进展评估系统,其特征在于,所述模型训练单元具体包括:
数据分组子单元,用于按照预设比例将所述结节生长数据库中的各所述标注图像集合划分为训练组、验证组和测试组;
数据训练子单元,连接所述数据分组子单元,用于根据所述训练组中对应的各所述标注图像集合对所述初始评估模型进行训练,并在训练过程中,每经过预设间隔次数的训练,将所述验证组中对应的各所述标注图像集合输入训练完成的所述初始评估模型中得到相应的模型评估结果;
第一比较子单元,连接所述数据训练子单元,用于计算所述模型评估结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第一误差值,并在所述第一误差值不小于所述第一误差阈值时对所述超参数进行优化,以对所述初始评估模型进行优化,并重新训练所述初始评估模型,以及
在所述第一误差值小于所述第一误差阈值时将训得到的所述初始评估模型作为所述进展评估模型输出;
数据测试子单元,分别连接所述数据分组子单元和所述第一比较子单元,用于将所述测试组中对应的各所述标注图像集合输入所述进展评估模型中得到相应的测试结果;
第二比较子单元,连接所述数据测试子单元,用于计算所述测试结果与对应的所述标注图像集合中的所述结节生长数据之间的误差得到相应的第二误差值,并在所述第二误差值不小于所述第二...

【专利技术属性】
技术研发人员:谢冬佘云浪陈昶邓家骏苏杭
申请(专利权)人:上海市肺科医院上海市职业病防治院
类型:发明
国别省市:上海;31

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1