一种鼻咽癌辅助诊断模型构建和辅助诊断方法及系统技术方案

本发明专利技术公开了一种鼻咽癌辅助诊断模型构建和辅助诊断方法及系统，涉及医疗数据处理技术领域。其中鼻咽癌辅助诊断模型构建方法，包括：样本获取：获取鼻内镜图像，所述鼻内镜图像包含鼻咽癌组和非鼻咽癌组；预处理：对所述鼻内镜图像进行预处理；模型训练：将预处理后的鼻内镜图像输入卷积神经网络中，对所述卷积神经网络进行训练，获得鼻咽癌辅助诊断模型。本发明专利技术能对鼻内镜图像进行分析并实时输出预测患病概率以辅助医师进行鼻咽癌诊断，可有效提高鼻咽癌诊断的准确率，提高活检的检出率，从而实现鼻咽癌早筛早诊早治，改善患者的治疗效果和预后的目的。

【技术实现步骤摘要】
一种鼻咽癌辅助诊断模型构建和辅助诊断方法及系统
本专利技术涉及医疗数据处理
，具体涉及一种鼻咽癌辅助诊断模型构建和辅助诊断方法及系统。
技术介绍
鼻咽癌是中国南方地区，尤其是广东省最常见的头颈部恶性肿瘤之一，在我国每年的发病率约为25-50/10万。鼻内镜检查与组织活检是发现和诊断早期头鼻咽癌的关键手段，早期鼻咽癌患者经联合放化疗后可取得较好疗效。I、II期患者的5年生存期可达86-93％，而III、IV期患者的5年生存率降低至63-80％。因此，早发现、早诊断、早治疗对鼻咽癌患者的诊治尤为重要。使用鼻内镜拍摄患者的鼻内镜图像进行病变活检，是筛查和诊断鼻咽癌患者的重要方式。目前，对可疑病灶的定性和取材选择主要依赖于内镜医师依靠其临床和工作经验，对鼻内镜图像进行分析，其准确性和敏感性受到内镜医师专业技术水平的影响。如，典型的粘膜下鼻咽癌或侧方咽隐窝内的鼻咽癌难以与周围正常粘膜相鉴别，在肉眼下容易被内镜医师漏诊。又如，腺样体肥大等鼻咽腔内的共患病易造成重复活检，降低鼻咽癌的活检检出率，造成诊疗费用增加以及治疗的延迟。研究表明，经验丰富的专家医生经鼻内镜图像诊断鼻咽癌，其准确率和特异度可达80.5％及70.8％，但经验稍欠的住院医师仅达72.8％及55.5％。即现有技术中，仅依靠医生的临床和工作经验分析鼻内镜图像诊断鼻咽癌，其诊断的准确率和特异度远远不能满足鼻咽癌患者早筛早诊早治的需求，导致部分患者无法得到及时有效的治疗，严重影响了患者的治疗效果和预后。近年来，随着数据处理技术的发展，运用人工智能进行图像识别、图像分析的技术快速发展，为实现人工智能分析鼻内镜图像辅助诊断的构想提供了可能。因而，结合人工智能技术，提出一种能对鼻内镜图像进行分析以辅助医师诊断鼻咽癌的方案，是可行且很有必要的。名词解释卷积神经网络(ConvolutionalNeuralNetworks,CNN)：卷积神经网络是深度学习中的一类经典网络。卷积核是其核心，经典的CNN的卷积核由较小的二维方阵构成，通过不同的步长和不同的边界处理方式对二维数据进行处理，再使用池化操作进行压缩数据。ResNet：残差网络。随着神经网络的加深，出现了在训练集上准确率下降的情况，我们可以确定不是由于过拟合造成的。为了解决这个问题提出了ResNet。其主要特点在于shortcut连接，网络上表现为输入直接连接到输出的形式。VGGNet：VGGNet是卷积神经网络(CNN)的一种，主要特点是对于CNN卷积核的重复使用。根据不同的重复单元的结构可以构造不同的VGGNet网络，同时VGGNet在迁移学习中表现良好，多用于提取特征。缺点在于参数量巨大。GoogLeNet：GoogLeNet提出最直接提升深度神经网络的方法就是增加深度和宽度，但是网络的加深和拓宽会导致过拟合风险的升高以及计算资源的增加，为此GoogLeNet提出Inception结构，使用稀疏表示代替全连接的思想来缓解这两个问题。Inception：Inception模块直观上可以理解为对输入图像并行地执行多个卷积运算或池化操作，并将所有输出结果拼接为一个囊括多尺度特征的特征图。Inception-V4是其第四个版本。Inception-Resnet-V2：Inception-Resnet-V2是Inception-V4和ResNet相结合的产物。不同的卷积运算与池化操作可以获得输入图像的不同信息，并行处理这些运算并结合所有结果将获得更好的图像表征。同时shortcut结构能够一定程度上缓解在深层网络中梯度消失带来的影响。stem模块：stem模块特指Inception-Resnet-V2中的stem结构，其通过对输入数据进行多层卷积以及多支路的池化和卷积操作提取不同尺寸上的卷积特征。Inception-Resnet-A模块：Inception-Resnet-A模块特指Inception-Resnet-V2中的Inception-Resnet-A结构。其通过具有不同卷积核大小的多支路对输入特征图进行卷积，并融合Resnet的shortcut思想以进一步提取特征。Inception-Resnet-B模块：与Inception-Resnet-A模块的结构和功能相似。Inception-Resnet-C模块：与Inception-Resnet-A模块的结构和功能相似。Reduction-A模块：Reduction-A通过多支路融合池化和不同步长的卷积核对Inception-Resnet-A模块提取的特征进行降维处理。Reduction-B模块：Reduction-B通过多支路融合池化和不同步长的卷积核对Inception-Resnet-B模块提取的特征进行降维处理。AveragePooling层：AveragePooling层，即池化层对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征。Dropout层：Dropout层是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，目的是防止过拟合。Softmax层：逻辑回归层，用于将分类结果进行归一化。
技术实现思路
为了解决上述现有技术存在的问题，本专利技术目的在于提供一种鼻咽癌辅助诊断模型构建和辅助诊断方法及系统。本专利技术能对鼻内镜图像进行分析并实时输出预测患病概率以辅助医师进行鼻咽癌诊断，可有效提高鼻咽癌诊断的准确率，提高活检的检出率，从而实现鼻咽癌早筛早诊早治，改善患者的治疗效果和预后的目的。本专利技术所述的一种鼻咽癌辅助诊断模型构建方法，包括以下步骤：S01、样本获取：获取鼻内镜图像，所述鼻内镜图像包含鼻咽癌组和非鼻咽癌组；S02、预处理：对所述鼻内镜图像进行预处理；S03、模型训练：将预处理后的鼻内镜图像输入卷积神经网络中，对所述卷积神经网络进行训练，获得鼻咽癌辅助诊断模型。优选地，所述步骤S01样本获取中，根据拍摄鼻内镜图像时所用光源的种类，将所述鼻内镜图像分为WLI模式图像集和NBL模式图像集；所述步骤S03模型训练中，分别将所述WLI模式图像集和所述NBL模式图像集输入卷积神经网络中，获得WLI模式鼻咽癌辅助诊断模型和NBL模式鼻咽癌辅助诊断模型。优选地，所述步骤S02预处理中，包括以下步骤：S021、对鼻内镜图像进行筛选，剔除失焦、模糊或过曝光的不合格图像，保留显像清晰的合格图像；S022、将所述合格图像进行旋转、平移、剪切、放缩和通道转移的操作进行数据扩增，以增加样本量；S023、将所述合格图像分为训练数据集和验证数据集；所述步骤S03模型训练中，所述卷积神经网络为InceptionResNetv2，所述InceptionResNetv2包括stem模块、InceptionResNet模块、Reduction模块、AveragePooling层、Dropout层和Softmax本文档来自技高网...

【技术保护点】
1.一种鼻咽癌辅助诊断模型构建方法，其特征在于，包括以下步骤：/nS01、样本获取：获取鼻内镜图像，所述鼻内镜图像包含鼻咽癌组和非鼻咽癌组；/nS02、预处理：对所述鼻内镜图像进行预处理；/nS03、模型训练：将预处理后的鼻内镜图像输入卷积神经网络中，对所述卷积神经网络进行训练，获得鼻咽癌辅助诊断模型。/n

【技术特征摘要】
1.一种鼻咽癌辅助诊断模型构建方法，其特征在于，包括以下步骤：
S01、样本获取：获取鼻内镜图像，所述鼻内镜图像包含鼻咽癌组和非鼻咽癌组；
S02、预处理：对所述鼻内镜图像进行预处理；
S03、模型训练：将预处理后的鼻内镜图像输入卷积神经网络中，对所述卷积神经网络进行训练，获得鼻咽癌辅助诊断模型。


2.根据权利要求1所述鼻咽癌辅助诊断模型构建方法，其特征在于，所述步骤S01样本获取中，根据拍摄鼻内镜图像时所用光源的种类，将所述鼻内镜图像分为WLI模式图像集和NBL模式图像集；
所述步骤S03模型训练中，分别将所述WLI模式图像集和所述NBL模式图像集输入卷积神经网络中，获得WLI模式鼻咽癌辅助诊断模型和NBL模式鼻咽癌辅助诊断模型。


3.根据权利要求1所述鼻咽癌辅助诊断模型构建方法，其特征在于，
所述步骤S02预处理中，包括以下步骤：
S021、对鼻内镜图像进行筛选，剔除失焦、模糊或过曝光的不合格图像，保留显像清晰的合格图像；
S022、将所述合格图像进行旋转、平移、剪切、放缩和通道转移的操作进行数据扩增，以增加样本量；
S023、将所述合格图像分为训练数据集和验证数据集；
所述步骤S03模型训练中，所述卷积神经网络为InceptionResNetv2，所述InceptionResNetv2包括stem模块、InceptionResNet模块、Reduction模块、AveragePooling层、Dropout层和Softmax层；
所述步骤S03模型训练包括以下步骤：
S031、将所述训练数据集中的某张鼻内镜图像输入所述stem模块中，通过所述stem模块对所述鼻内镜图像进行卷积计算、最大池化操作和特征拼接，以初步提取所述鼻内镜图像的特征获得特征图像Y；
S032、将所述特征图像Y输入所述InceptionResNet模块和所述Reduction模块中，通过所述InceptionResNet模块对所述特征图像Y进行Relu激活、卷积计算、线性卷积激活、特征拼接操作进一步提取特征，通过所述Reduction模块减小图像尺寸，将所述特征图像Y转化为图像特征矩阵Z；
S033、将所述图像特征矩阵Z输入所述AveragePooling层进行均值池化操作抽象为特征向量F；将所述特征向量F依次通过所述Dropout层进行随机失活操作、所述Softmax层进行逻辑回归操作，使所述特征向量F转化为二分类输出P，所述二分类输出P∈(0,1)，用于表示预测患病概率；
S034、通过交叉熵计算公式计算所述二分类输出P与该鼻内镜图像真实标签之间的交叉熵损失；将所述交叉熵损失通过梯度下降算法反向传播至所述卷积神经网络，用于更新所述卷积神经网络的网络参数；
S035、将所述验证数据集中的某张鼻内镜图像输入所述卷积神经网络中，根据输出的预测患病概率计算分类结果评价指标对本轮模型训练效果进行内部测试；
S036、依次输入多张不同的鼻内镜图像，重复所述步骤S031-S35，不断更新优化所述卷积神经网络的网络参数，使所述卷积神经网络的二分类输出P不断逼近真实标签；在完成指定的迭代周期后，或者当内部测试的分类结果评价指标在指定的迭代周期内不再上升时，所述鼻咽癌辅助诊断模型训练完成；
所述步骤S03模型训练之后还包括步骤S04外部测试，所述步骤S04外部测试具体为：将所述验证数据集中的某张鼻内镜图像输入所述鼻咽癌辅助诊断模型中，根据输出的预测患病概率计算分类结果评价指标来反映该鼻咽癌辅助诊断模型预测的准确性。


4.根据权利要求3所述鼻咽癌辅助诊断模型构建方法，其特征在于，所述stem模块包含多个卷积模块，所述InceptionResNet模块包含InceptionResNet-A模块、InceptionResNet-B模块和InceptionResNet-C模块；所述Reduction模块包含Reduction-A模块和Reduction-B模块；
所述步骤S031具体包括以下步骤：
S0311、将某张鼻内镜图像处理为299*299*3的3通道图像输入所述stem模块中，通过所述stem模块中的核大小为3*3*32的卷积模块提取出149*149*32大小的特征图像Y1；
S0312、将所述特征图像Y1通过连续两次3*3的卷积计算得到特征图像Y2；
S0313、对所述特征图像Y2进...

【专利技术属性】
技术研发人员：文译辉，龙宇栋，项毅帆，文卫平，雷文斌，林浩添，肖钧，郭翀，
申请(专利权)人：中山大学附属第一医院，中山大学中山眼科中心，
类型：发明
国别省市：广东;44