一种用于直肠癌淋巴结转移的智能诊断模型构建方法技术

本发明专利技术公开了一种用于直肠癌淋巴结转移的智能诊断模型构建方法，包括：I、对直肠癌的CT图像进行预处理；II、采用GU‑Net模型对预处理后的直肠癌CT图像进行肿瘤分割；III、构建直肠癌淋巴结转移分类模型GRU‑DenseNet；IV、训练直肠癌淋巴结转移分类模型GRU‑DenseNet。本发明专利技术提供了用于直肠癌影像分类的深度神经网络模型DenseNet‑GRU，其利用了具有记忆功能的循环神经网络GRU(Gated Recurrent Unit)计算DenseNet所提取的特征之间的关联关系，进而获得不同图像之间相同像素区域的特征变化情况，最终达到判断直肠癌患者的淋巴结是否发生了转移。

【技术实现步骤摘要】
一种用于直肠癌淋巴结转移的智能诊断模型构建方法
本专利技术涉及直肠癌诊断领域，具体地说，特别涉及到一种用于直肠癌淋巴结转移的智能诊断模型构建方法。
技术介绍
直肠癌是国内近年来发病率和死亡率均居前列的恶性肿瘤。现有的直肠癌淋巴结转移的临床判断主要依靠肉眼识别。随着信息技术的发展，利用计算机实现医学图像的辅导诊断逐渐得到普及。利用计算机实现医学图像处理的现有技术主要有两类：浅层学习方法和深度神经网络。经典的浅层学习方法包括决策树和聚类算法。这类算法的主要优点是思想简单，但由于特征提取过程复杂，导致分类效率不高。深度神经网络中的卷积神经网络CNN(ConvolutionalNeuralNetwork)是一种广泛应用于医学图像处理的算法，且有许多变体，DenseNet就是CNN其中之一。DenseNet的主要特点是分类性能优，模型参数少，但由于不具备记忆功能，无法表示所提取的特征之间的关联关系，无法直接应用于直肠癌影像分类。
技术实现思路
本专利技术的目的在于针对现有技术中的不足，提供一种用于直肠癌淋巴结转移的智能诊断模型构建方法，以解决现有技术中存在的问题。本专利技术所解决的技术问题可以采用以下技术方案来实现：一种用于直肠癌淋巴结转移的智能诊断模型构建方法，包括：I、对直肠癌的CT图像进行预处理；II、采用GU-Net模型对预处理后的直肠癌CT图像进行肿瘤分割；III、构建直肠癌淋巴结转移分类模型GRU-DenseNet；IV、训练直肠癌淋巴结转移分类模型GRU-DenseNet。进一步的，所述直肠癌CT图像预处理过程如下：1)读取CT图像：获取图像像素值、rescaleslope值、rescaleintercept值和窗宽窗位，并将图像中每个像素的灰度值转换成CT值，CT值反映人体组织对x射线吸收值；2)随机数据增强：通过预先设置的移动比例和随机数种子，将CT图像和掩膜图像随机上下平移，以扩充数据集和提高模型的泛化能力；3)全局阈值分割：通过步骤1)获得的CT值矩阵，并根据人体组织的CT图像对CT值矩阵进行分割，得到相应的二值图，生成的二值图作为后续处理步骤的临时掩膜图像；4)调整窗口：通过步骤1)获得的CT值矩阵，并利用窗位窗宽选择目标肿瘤区域的CT值范围，使得目标肿瘤区域的纹理细节以及肿瘤区域和周围组织对比增强；5)提取感兴趣区：利用步骤3)获得的临时掩膜与步骤4)处理后的CT图像相乘，得到感兴趣区图像，感兴趣区内图像值保持不变，感兴趣区外图像值为0；6)限制对比度自适应直方图均衡：将步骤5)处理后的CT图像分为多个小区域，分别对每个区域直方图均衡，并增加了对比度限制，以避免CT图像中存在的噪声被放大。进一步的，采用GU-Net模型对预处理后的直肠癌CT图像进行肿瘤分割过程如下：1)GU-Net训练阶段：将步骤I预处理阶段得到的CT图像和医生标注的掩模图像划分为训练集和验证集并生成数据加载器，使用80％的样本作为训练集，20％的样本作为验证集；将Dice系数作为分割的评价指标；其中，A表示医生勾画的直肠癌肿瘤区域，B表示GU-Net分割得到的直肠癌肿瘤区域；Dice系数取值范围是[0,1]，越接近1表明直肠癌肿瘤分割结果与医生标注的结果接近；2)GU-Net分割阶段：将所有患者CT图像进行步骤I的预处理后作为预训练后的GU-Net的输入，获得肿瘤掩膜图像。进一步的，构建直肠癌淋巴结转移分类模型GRU-DenseNet的过程如下：1)直肠癌淋巴结转移分类模型以Densenet为基本框架，在全局平均池化层后加入GRU层；包括依次连接的输入层、卷积层、平均池化层、稠密块、过渡块、和全连接层；2)肿瘤区域特征提取子模块Densenet：Densenet为一种密集连接的卷积神经网络，其中当前层可获得前面所有层的特征作为额外的输入，并将自己的特征传递到后续的所有层；采用这种方式可以加强特征的传播和利用，大幅减少参数数量；由于CT图像数据量大，每次采用小批量训练，因此该子模块将传统的批归一化替换为组归一化，可以缓解批归一化对于小批量数据模型错误率增加的问题；3)序列化特征提取子模块GRU：将步骤2)产生的每个病人的特征图序列作为双向GRU的输入，以此提取肿瘤区域三维上的信息；最终输出的全连接层神经元数目设定为2，使用softmax作为激活函数；通过比较二类输出的值大小判断淋巴结转移。进一步的，训练直肠癌淋巴结转移分类模型GRU-DenseNet的过程如下：1)训练数据预处理阶段：首先利用步骤II分割得到的肿瘤掩膜图像二值化，判断CT图像是否存在肿瘤，并丢弃无用的CT图像；再将处理后的CT图像与患者标签合并，获得每个患者的CT图像序列数据；2)分类模型训练阶段：将步骤1)获得的CT图像序列数据作为模型的输入进行训练，以交叉熵作为评估函数，其中p代表分类正确，q代表预测值，交叉熵越小表明分类的结果越准确。与现有技术相比，本专利技术的有益效果在于：本专利技术提供了用于直肠癌影像分类的深度神经网络模型DenseNet-GRU，其利用了具有记忆功能的循环神经网络GRU(GatedRecurrentUnit)计算DenseNet所提取的特征之间的关联关系，进而获得不同图像之间相同像素区域的特征变化情况，最终达到判断直肠癌患者的淋巴结是否发生了转移。附图说明图1为本专利技术所述的DenseNet-GRU的网络结构的示意图。图2为本专利技术所述的DenseBlock结构的示意图。图3为本专利技术所述的GU-Net模型实验结果的示意图。图4为本专利技术所述的CT原始图像、手工分割结果和GU-Net分割结果图。图5为本专利技术所述的DenseNet-GRU实验结果的示意图。图6为本专利技术所述的用于直肠癌淋巴结转移的智能诊断模型的流程图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。本专利技术所述的一种用于直肠癌淋巴结转移的智能诊断模型构建方法，包括：I、对直肠癌的CT图像进行预处理；II、采用GU-Net模型对预处理后的直肠癌CT图像进行肿瘤分割；III、构建直肠癌淋巴结转移分类模型GRU-DenseNet；IV、训练直肠癌淋巴结转移分类模型GRU-DenseNet。所述直肠癌CT图像预处理过程如下：1)读取CT图像：获取图像像素值、rescaleslope值、rescaleintercept值和窗宽窗位，并将图像中每个像素的灰度值转换成CT值，CT值反映人体组织对x射线吸收值；2)随机数据增强：通过预先设置的移动比例和随机数种子，将CT图像和掩膜图像随机上下平移，以扩充数据集和提高模型的泛化能力；3)全局阈值分割：通过步骤1)获得的CT值矩阵，并根据本文档来自技高网...

【技术保护点】
1.一种用于直肠癌淋巴结转移的智能诊断模型构建方法，其特征在于，包括：/nI、对直肠癌的CT图像进行预处理；/nII、采用GU-Net模型对预处理后的直肠癌CT图像进行肿瘤分割；/nIII、构建直肠癌淋巴结转移分类模型GRU-DenseNet；/nIV、训练直肠癌淋巴结转移分类模型GRU-DenseNet。/n

【技术特征摘要】
1.一种用于直肠癌淋巴结转移的智能诊断模型构建方法，其特征在于，包括：
I、对直肠癌的CT图像进行预处理；
II、采用GU-Net模型对预处理后的直肠癌CT图像进行肿瘤分割；
III、构建直肠癌淋巴结转移分类模型GRU-DenseNet；
IV、训练直肠癌淋巴结转移分类模型GRU-DenseNet。


2.根据权利要求1所述的用于直肠癌淋巴结转移的智能诊断模型构建方法，其特征在于，所述直肠癌CT图像预处理过程如下：
1)读取CT图像：获取图像像素值、rescaleslope值、rescaleintercept值和窗宽窗位，并将图像中每个像素的灰度值转换成CT值，CT值反映人体组织对x射线吸收值；
2)随机数据增强：通过预先设置的移动比例和随机数种子，将CT图像和掩膜图像随机上下平移，以扩充数据集和提高模型的泛化能力；
3)全局阈值分割：通过步骤1)获得的CT值矩阵，并根据人体组织的CT图像对CT值矩阵进行分割，得到相应的二值图，生成的二值图作为后续处理步骤的临时掩膜图像；
4)调整窗口：通过步骤1)获得的CT值矩阵，并利用窗位窗宽选择目标肿瘤区域的CT值范围，使得目标肿瘤区域的纹理细节以及肿瘤区域和周围组织对比增强；
5)提取感兴趣区：利用步骤3)获得的临时掩膜与步骤4)处理后的CT图像相乘，得到感兴趣区图像，感兴趣区内图像值保持不变，感兴趣区外图像值为0；
6)限制对比度自适应直方图均衡：将步骤5)处理后的CT图像分为多个小区域，分别对每个区域直方图均衡，并增加了对比度限制，以避免CT图像中存在的噪声被放大。


3.根据权利要求1所述的用于直肠癌淋巴结转移的智能诊断模型构建方法，其特征在于，采用GU-Net模型对预处理后的直肠癌CT图像进行肿瘤分割过程如下：
1)GU-Net训练阶段：将步骤I预处理阶段得到的CT图像和医生标注的掩模图像划分为训练集和验证集并生成数据加载器，使用80％的样本作为训练集，20％的样本作为验证集；
将Dice系数作为分割的...

【专利技术属性】
技术研发人员：贾欣齐，李睿，张志成，王阳，吕品，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31