【技术实现步骤摘要】
基于深度学习的核素骨显像中骨转移瘤的诊断方法
本专利技术涉及医疗影像处理
，尤其涉及基于深度学习的核素骨显像中骨转移瘤的诊断方法。
技术介绍
骨转移瘤的发生率是骨原发恶性肿瘤的35～40倍。癌症骨转移是癌性疼痛的主要原因之一，它所造成的病理性骨折、脊髓压迫、高钙血症和骨髓衰竭等并发症，加速了病情的发展，严重影响了癌症患者的生存质量。近十余年来，许多学科在骨转移瘤的发生机理、防治方法等方面进行了不懈的努力，但迄今为止尚未找到有效的根治方法。目前，骨扫描是骨转移瘤分析和疗效评估最常用的检查手段，所采用的放射性核素99mTc-MDP通过化学吸附原理显像，局部的异常浓聚能够反映病灶的成骨活性和局部血流量。单次骨扫描即可显示全身骨质代谢情况，能敏感的检出病灶，且价格低廉，因此，骨扫描广泛的用于恶性肿瘤患者的临床分期、系统性随访和治疗反应的监测。临床上治疗有效的患者表现为转移灶核素摄取减低，无效或进展则表现为核素摄取增高。目前，全身骨扫描图像分析主要依靠核医学医师的人工阅片，并且根据医师的个人经验，通过检查全身骨扫...
【技术保护点】
1.一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，包括如下步骤：/n1)对原始核素骨显像图进行预处理；/n2)建立骨扫描诊断分类模型和骨转移瘤区域分割模型、建立骨转移瘤负荷评估方法、建立自动报告生成模型；/n3)对步骤2)中的骨扫描诊断分类模型、骨转移瘤区域分割模型、自动报告生成模型进行训练，最终得到训练后的骨扫描诊断分类模型、骨转移瘤区域分割模型和自动报告生成模型；/n4)将待测试原始核素骨显像图进行预处理，输入到训练后的骨扫描诊断分类模型和骨转移瘤区域分割模型中，获得骨扫描诊断分类结果和骨转移瘤区域分割结果，进行骨转移瘤负荷评估，根据自动报告生成模型结合...
【技术特征摘要】
1.一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，包括如下步骤：
1)对原始核素骨显像图进行预处理；
2)建立骨扫描诊断分类模型和骨转移瘤区域分割模型、建立骨转移瘤负荷评估方法、建立自动报告生成模型；
3)对步骤2)中的骨扫描诊断分类模型、骨转移瘤区域分割模型、自动报告生成模型进行训练，最终得到训练后的骨扫描诊断分类模型、骨转移瘤区域分割模型和自动报告生成模型；
4)将待测试原始核素骨显像图进行预处理，输入到训练后的骨扫描诊断分类模型和骨转移瘤区域分割模型中，获得骨扫描诊断分类结果和骨转移瘤区域分割结果，进行骨转移瘤负荷评估，根据自动报告生成模型结合骨扫描诊断分类结果、骨转移瘤区域分割结果和骨转移瘤负荷评估结果生成诊断报告。
2.根据权利要求1所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤1)所述对原始核素骨显像图进行预处理包括：(1)获得不同灰度值下的前位与后位图像；(2)原始图像尺寸使用双线性差值的方式将图像尺寸统一到1024×1024。
3.根据权利要求1所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤2)中骨扫描诊断分类模型使用256×256的图像作为输入，即各张1024×1024的图像分割为256×256的子图像，根据子图像对应标注生成分割标签和分类标签，其中分割标签中的数值表示子图像相应位置中的像素类别，分类标签表示相应数据是否包含骨转移瘤和膀胱，将一定比例的256×256图像作为训练集，其余作为测试集；诊断分类模型结构采用残差神经网络(ResNet32),将第一层卷积核及最后一层的评价池化卷积核增加到8×8，将最后全连接层的输出尺寸调整为2以对应于骨转移瘤和膀胱的二分类概率，骨扫描诊断分类模型使用焦点损失(Focalloss)作为损失函数，γ取1，采用梯度下降法训练，焦点损失公式如下：
LFL＝-y(1-y′)γlogy′-(1-y)(y′)γlog(1-y′)
其中y∈{±1}表示类别标签，y′∈[-1，1]表示模型输出1的概率。
4.根据权利要求3所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤2)中骨扫描诊断分类模型中随机划分80％作为训练集，剩余20％作为测试集。
5.根据权利要求1所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤2)中骨转移瘤区域分割模型采用骨扫描诊断分类模型筛选出的包含骨转移瘤和膀胱的数据进行训练，可选地采用随机旋转、缩放和翻转的方式进行数据增强；骨转移瘤区域分割模型采用经典unet的编码与解码结构，模...
【专利技术属性】
技术研发人员：李丹，刘思敏，冯明，吕中伟，王胤，
申请(专利权)人：上海市第十人民医院，
类型：发明
国别省市：上海;31
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。