基于神经网络的PET-CT图像的肿瘤预测方法及计算机可读存储介质技术

本发明专利技术公开了一种基于神经网络的PET

【技术实现步骤摘要】
基于神经网络的PET
‑
CT图像的肿瘤预测方法及计算机可读存储介质


[0001]本专利技术涉及PET
‑
CT设备
，尤其涉及基于神经网络的PET
‑
CT图像的肿瘤预测方法及计算机可读存储介质。

技术介绍

[0002]PET
‑
CT扫描仪是一种结合了PET和CT的高端核医学影像设备。CT主要是利用人体内各个不同的组织对X射线不同吸收强度来进行成像的；而PET主要是发射正电子放射性核素，可以追踪体内异常的葡萄糖代谢过程。与单独使用CT相比，PET
‑
CT能够更好的展示出肿瘤的位置和大小信息。
[0003]由于我国各个医院缺乏大量的放射科医生，一位放射科医生每天需要查看上百张放射胸片，给放射科医生带来了巨大的工作负担，满负荷的工作强度还可能会增加医生对肿瘤的误诊率。并且不同工作经验的放射科医生对同一胸片的诊断可能有着截然不同的结果。通过计算机辅助分割肿瘤能够明显提升诊断速度以及减小医生的工作压力，甚至还可以提升诊断结果的准确性。肿瘤分割指的是通过对相关器官PET
‑
CT图像的预处理，背景分割等步骤实现对病灶部分的分割。目前常用的方法是利用深度学习网络辅助临床医生发现疑似病灶，并将疑似的病变组织从正常的解剖背景中分离出来。通过这种方式可以减少医生的主观判断性，提升医生的工作效率，医生也可以根据计算机的分割结果提高诊断的准确率。
[0004]当前对肿瘤的分割任务主要是基于Unet网络进行分割，输入的数据基本是将PET和CT拼接成双通道图片数据进行训练，然而这种网络并不能够很好的利用PET和CT的信息。

技术实现思路

[0005]为了克服上述技术缺陷，本专利技术的目的在于提供一种可以大大减小放射科医生的工作效率，并提升对肿瘤的识别准确性的基于神经网络的PET
‑
CT图像的肿瘤预测方法及计算机可读存储介质。
[0006]本专利技术公开了一种基于神经网络的PET
‑
CT图像的肿瘤预测方法，包括如下步骤：获取带肿瘤的PET图像和CT图像，对所述PET图像和所述CT图像进行插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致；通过分割网络对所述PET图像和所述CT图像进行编码过程，获取PET特征图像和CT特征图像；将所述PET特征图像和所述CT特征图像通过级联合并获取终样特征图；对所述终样特征图的PET特征部分和CT特征部分进行加权，获取分割模型，通过所述分割模型获取肿瘤预测图像；通过3D连通域对所述肿瘤预测图像进行去假阳性过程，获取肿瘤预测结果。
[0007]优选地，所述对所述PET图像和所述CT图像进行空间三个维度的插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致这一步骤前，还包括：对在所述PET图像和所述CT图像上都无法明示大小和形状的肿瘤数据进行剔除。
[0008]优选地，所述对所述PET图像和所述CT图像进行空间三个维度的插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致这一步骤后，还包括：对在所述PET图像上无法明示大小和形状而在所述CT图像上可以明示大小和形状的肿瘤数据、及在所述CT图像上无法明示大小和形状而在所述PET图像上可以明示大小和形状的肿瘤数据进行数据扩充，使在所述PET图像上无法明示大小和形状而在所述CT图像上可以明示大小和形状、在所述CT图像上无法明示大小和形状而在所述PET图像上可以明示大小和形状、在所述PET图像上和所述CT图像上都可以明示大小和形状三个样本的肿瘤数据样本量相对平衡。
[0009]优选地，所述插值化处理包括通过三线性插值算法，从空间三个维度对所述PET图像和所述CT图像进行处理。
[0010]优选地，所述通过分割网络对所述PET图像和所述CT图像进行编码过程，获取PET特征图像和CT特征图像包括：对所述PET图像和所述CT图像分别进行四次卷积、池化、非线性单元变换，获取的所述PET特征图像和所述CT特征图像的大小为原始图像的1/16。
[0011]优选地，所述对所述终样特征图的PET特征部分和CT特征部分进行加权，获取分割模型包括：向所述分割网络引入基于通道的注意力机制，通过所述基于通道的注意力机制对PET特征部分或CT特征部分在各个所述终样特征图中的权重进行调整，包括加强所述PET特征部分的权重同时降低所述CT特征部分的权重、加强所述CT特征部分的权重同时降低所述PET特征部分的权重。
[0012]优选地，所述对所述终样特征图的PET特征部分和CT特征部分进行加权，获取分割模型，通过所述分割模型获取肿瘤预测图像还包括：通过所述分割网络对所述分割模型中的所述终样特征图进行解码过程，所述解码过程包括反卷积处理、上采样处理和非线性单元处理；将经所述编码过程获取的所述PET特征图像和所述CT特征图像分别与所述解码过程相对应的所述终样特征图进行级联合并，获取单通道的肿瘤预测图像；设定肿瘤预测的像素阈值、面积阈值，当所述肿瘤预测图像的像素值、面积都分别大于所述像素阈值和所述面积阈值时，则判断所述肿瘤预测图像中的部位为非肿瘤组织；反之则判断所述肿瘤预测图像中的部位为肿瘤组织。
[0013]优选地，所述通过3D连通域对所述肿瘤预测图像进行去假阳性过程，获取肿瘤预测结果包括：获取所述肿瘤预测图像的3D连通域，当某一部分的连通域体积小于设定阈值时，在所述肿瘤预测图像中剔除该部分。
[0014]优选地，所述通过3D连通域对所述肿瘤预测图像进行去假阳性过程，获取肿瘤预测结果还包括：对所述肿瘤预测图像进行若干次形态学操作，所述形态学操作包括先进行膨胀再进行腐蚀的闭操作。
[0015]本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的肿瘤预测方法的步骤。
[0016]采用了上述技术方案后，与现有技术相比，具有以下有益效果：
[0017]1.利用人工智能技术的神经网络的深度学习技术对肿瘤进行自动进行分割识别，能够快速识别出疑似肿瘤组织，再由医生直接对该部位进行分析，最终由医生来确定诊断结果，可以大大减小放射科医生的工作效率，并提升对肿瘤的识别准确性；
[0018]2.通过分别对所述终样特征图的PET特征部分和CT特征部分进行加权，自动学习出不同的PET、CT样本在所述分割模型中所占有的最优的比重，由此得到的深层特征更能代
表真实肿瘤在图像中的表现，使得所述分割模能够对各种不同的数据都能有较精准的预测结果；
[0019]3.对数据显示不明显的所述PET图像和所述所述CT图像进行数据增强，以保证使在所述PET图像上无法明示大小和形状而在所述CT图像上可以明示大小和形状、在所述CT图像上无法明示大小和形状而在所述PET图像上可以明示大小和形状、在所述PET图像上和所述CT图像上都可以明示大小和形状三个样本的肿瘤数据样本量达到平衡，并且通过三线性插值算法，将所述PET图像H和所述CT图像重采样为一样的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的PET
‑
CT图像的肿瘤预测方法，其特征在于，包括如下步骤：获取带肿瘤的PET图像和CT图像，对所述PET图像和所述CT图像进行插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致；通过分割网络对所述PET图像和所述CT图像进行编码过程，获取PET特征图像和CT特征图像；将所述PET特征图像和所述CT特征图像通过级联合并获取终样特征图；对所述终样特征图的PET特征部分和CT特征部分进行加权，获取分割模型，通过所述分割模型获取肿瘤预测图像；通过3D连通域对所述肿瘤预测图像进行去假阳性过程，获取肿瘤预测结果。2.根据权利要求1所述的肿瘤预测方法，其特征在于，所述对所述PET图像和所述CT图像进行空间三个维度的插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致这一步骤前，还包括：对在所述PET图像和所述CT图像上都无法明示大小和形状的肿瘤数据进行剔除。3.根据权利要求1所述的肿瘤预测方法，其特征在于，所述对所述PET图像和所述CT图像进行空间三个维度的插值化处理，使所述PET图像与所述CT图像的长、宽、厚一致这一步骤后，还包括：对在所述PET图像上无法明示大小和形状而在所述CT图像上可以明示大小和形状的肿瘤数据、及在所述CT图像上无法明示大小和形状而在所述PET图像上可以明示大小和形状的肿瘤数据进行数据扩充，使在所述PET图像上无法明示大小和形状而在所述CT图像上可以明示大小和形状、在所述CT图像上无法明示大小和形状而在所述PET图像上可以明示大小和形状、在所述PET图像上和所述CT图像上都可以明示大小和形状三个样本的肿瘤数据样本量相对平衡。4.根据权利要求1所述的，其特征在于，所述插值化处理包括通过三线性插值算法，从空间三个维度对所述PET图像和所述CT图像进行处理。5.根据权利要求1所述的肿瘤预测方法，其特征在于，所述通过分割网络对所述PET图像和所述CT图像进行编码过程，获取PET特征图像和CT特征图像包括：对所述PET图像和所述CT图像分别进行四次卷...

【专利技术属性】
技术研发人员：赵东东，王小状，叶宏伟，
申请(专利权)人：浙江明峰智能医疗科技有限公司，
类型：发明
国别省市：