基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法技术

本发明专利技术公开了基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法，包括如下步骤：步骤一，参与者收集；步骤二，图像采集；步骤三，图像预处理；步骤四，深度学习模型的训练。本基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法，开发使用深度学习融合从PET图像和CT图像获得的数据分别作为输入流的双路3D‑CNN，用于对GGN中的良性病变和恶性病变进行分类；该网络无需专业的图像分析软件，也无需太多的人为干预，就可以在分类过程实现“端到端”的工作流程；此外，该网络表现出高于资深核医学科医生的分类准确性；因此，在缺乏训练有素且经验丰富的阅片者的情况下，此CNN可能有助于GGN的良恶性分类和临床管理。

【技术实现步骤摘要】
基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法
本专利技术属于肺部磨玻璃结节的图像分析
，具体涉及基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法。
技术介绍
随着低剂量CT的普及以及新冠疫情筛查的原因，表现为磨玻璃样结节(ground-glassopacitynodule，GGN)的早期肺腺癌发病率迅速升高。GGN患者的治疗，估计恶性肿瘤的临床预测概率应该是一个重要的早期步骤。指南推荐对于暂时不能定性的GGN可通过CT随访观察GGN的动态变化进行分类。但部分良性GGN及早期肺腺癌均可在较长一段时间内保持稳定，鉴别困难。而且，长期的随访也常给患者带来恐慌和焦虑。目前亟需发展一种可靠且实用的无创影像方法准确地区分GGN良恶性，以指导GGN个体化临床管理策略。单一的CT形态学特征及定量参数对GGN的诊断价值并不高。近年来，影像组学“Radiomics”已经作为区分良性和恶性肺结节的一种可能方法。Radiomics的基本原理是利用可能具有临床相关性但未被人眼注意到的那部分图像信息，基于18F-FDGPET/CT的影像组学模型可以在区分良性和恶性肺结节方面提供更大的价值。但是常规Radiomics方法的特征提取需要专业的图像分析软件及大量的人为干预，不利于临床应用和推广。机器学习的方法已被引入医学影像分析，并且已经向深度学习方法，特别是多层卷积神经网络(ConvolutionalNeuralNetwork，CNN)进行了明显的转变。但据我们所知，尚未开发使用三维卷积神经网络(3D-CNN)来分析PET/CT图像，以及双路CNN(从PET和CT获得的数据分别作为输入流)对GGN进行良恶性分类。因此需要设计基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法。
技术实现思路
本专利技术的目的在于提供基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术采用了如下技术方案：基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法，包括如下步骤：步骤一，参与者收集：收集18F-FDGPET/CT检查的可疑GGN患者；患者的入选标准如下：1)对PET/CT检查后1个月内通过手术进行明确诊断，或对良性GGN进行CT随访时减少体积；2)最大GGN直径≤30mm；排除标准如下：A，根据第8版肺癌肿瘤淋巴结转移(TNM)分期病理标准确定是否存在恶性病变(IB期或更高)；B，图像质量差或FDG摄取低，难以测量的病变；C，过去5年有恶性肿瘤病史；D，严重的肝脏疾病或糖尿病；通过回顾病例或通过电话随访收集了纳入患者的数据；步骤二，图像采集：图像采集协议根据影像生物标志物标准化倡议(IBSI)报告指南进行了描述；在手术前一个月内，患者接受了18F-FDGPET/CT检查(BiographmCT64,Siemens,Erlangen,Germany)；根据欧洲核医学协会(EANM)准则1.0(2.0版于2015年2月发布)，在注射18F-FDG后60±5分钟获取了18F-FDGPET/CT图像；所有PET/CT图像均在处理工作站(TrueD软件，SiemensHealthcare)上重建；使用CT数据对PET图像进行衰减校正，并将校正后的PET图像与CT图像融合；步骤三，图像预处理：所有图像的分割均使用3D-Slicer(www.slicer.com)；对于PET图像，使用一种半自动分割的方法；为了考虑肿瘤边缘的模式，将生成的边界框向外膨胀1个像素；为了消除肺本底噪声的影响，将病灶边框外部填充为0值；考虑到偏小的样本量，为了保证学习效果，也为了简化任务并减少内存需求和处理时间，分割一个占据整个图像一小部分的3D对象；该3D立方体体积用作PET模型的输入；由于FDGPET的基质尺寸根据重建算法而有所不同，因此使用最近邻点插值法将分割的立方体形体切成具有各向同性间距，如4.07mm3；对于CT图像，使用NVIDIA-AI辅助注释模块内的基于边界点的肺肿瘤CT分割模型；为了考虑肿瘤边缘的模式，将生成的边界框向外膨胀3.00mm；为了消除肺背景噪声的影响，将病灶边框外部填充为-2000值(归一化后均为0值)；同样，分割一个占据整个图像一小部分的3D对象；该3D立方体体积用作CT模型的输入；由于CT的基质尺寸有所不同，因此使用最近邻点插值法将分割的立方体形体切成具有各向同性间距，如0.73mm3；步骤四，深度学习模型的训练：为了克服有限数量的训练集数据，使用图像旋转方法进行数据增强；更具体地说，数据增强旨在开发一种强大的深度学习模型，以对抗可能受到肿瘤部位和位置影响的肿瘤旋转；因此，对每个训练集中的图像，按90°、180°和270°将分割的肿瘤旋转了三轴；这种类型的数据增强通常用于自然图像和医学图像的深度学习训练中；分割的肿瘤是深度学习模型的输入，该模型的架构基于3D-CNN；将FDG-PET转换为SUVbw(体重单位)，并将SUV值按[0-15]线性映射到[0-1]范围；同样，CT图像以Hounsfield单位(HU)表示，并且HU值按[-1000-400]线性映射到[0-1]范围；由于输入图像的大小可变，因此设计了卷积神经网络以产生输出，而不管输入矩阵的大小如何；由于可用的数据较少，为了可靠的评估模型，采用了交叉验证的方法；将5倍交叉验证应用于训练队列，并且直到通过交叉验证的训练/内部验证集对模型进行优化后，才使用外部测试队列；为了训练模型，使用了Adam优化器(初始学习率0.0001)；迭代训练的纪元数设置为50。本专利技术的技术效果和优点：本专利技术提出的基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法，与现有技术相比，具有以下优点：开发使用深度学习融合从PET图像和CT图像获得的数据分别作为输入流的双路3D-CNN，用于对GGN中的良性病变和恶性病变进行分类；该网络无需专业的图像分析软件，也无需太多的人为干预，就可以在分类过程实现“端到端”的工作流程；此外，该网络表现出高于资深核医学科医生的分类准确性；因此，在缺乏训练有素且经验丰富的阅片者的情况下，此CNN可能有助于GGN的良恶性分类和临床管理。附图说明图1为本专利技术的基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法的流程图；图2为本专利技术为生成深度学习算法以预测GGN良恶性的过程概述的示意图；图3为本专利技术肿瘤大小自适应的PET/CT双路三维卷积神经网络的示意图。具体实施方式下面将结合本专利技术实施例中的附图1-图3，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供基于双路三维卷积神经网络的磨玻璃结节良本文档来自技高网...

【技术保护点】
1.基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法，其特征在于，包括如下步骤：/n步骤一，参与者收集：/n收集18F-FDG PET/CT检查的可疑GGN患者；患者的入选标准如下：/n1)对PET/CT检查后1个月内通过手术进行明确诊断，或对良性GGN进行CT随访时减少体积；/n2)最大GGN直径≤30mm；排除标准如下：A，根据第8版肺癌肿瘤淋巴结转移(TNM)分期病理标准确定是否存在恶性病变(IB期或更高)；B，图像质量差或FDG摄取低，难以测量的病变；C，过去5年有恶性肿瘤病史；D，严重的肝脏疾病或糖尿病；通过回顾病例或通过电话随访收集了纳入患者的数据；/n步骤二，图像采集：/n图像采集协议根据影像生物标志物标准化倡议(IBSI)报告指南进行了描述；在手术前一个月内，患者接受了18F-FDG PET/CT检查(Biograph mCT 64,Siemens,Erlangen,Germany)；根据欧洲核医学协会(EANM)准则1.0(2.0版于2015年2月发布)，在注射18F-FDG后60±5分钟获取了18F-FDG PET/CT图像；所有PET/CT图像均在处理工作站(TrueD软件，Siemens Healthcare)上重建；使用CT数据对PET图像进行衰减校正，并将校正后的PET图像与CT图像融合；/n步骤三，图像预处理：/n所有图像的分割均使用3D-Slicer(www.slicer.com)；对于PET图像，使用一种半自动分割的方法；为了考虑肿瘤边缘的模式，将生成的边界框向外膨胀1个像素；为了消除肺本底噪声的影响，将病灶边框外部填充为0值；考虑到偏小的样本量，为了保证学习效果，也为了简化任务并减少内存需求和处理时间，分割一个占据整个图像一小部分的3D对象；该3D立方体体积用作PET模型的输入；由于FDG PET的基质尺寸根据重建算法而有所不同，因此使用最近邻点插值法将分割的立方体形体切成具有各向同性间距，如4.07mm...

【技术特征摘要】
1.基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法，其特征在于，包括如下步骤：
步骤一，参与者收集：
收集18F-FDGPET/CT检查的可疑GGN患者；患者的入选标准如下：
1)对PET/CT检查后1个月内通过手术进行明确诊断，或对良性GGN进行CT随访时减少体积；
2)最大GGN直径≤30mm；排除标准如下：A，根据第8版肺癌肿瘤淋巴结转移(TNM)分期病理标准确定是否存在恶性病变(IB期或更高)；B，图像质量差或FDG摄取低，难以测量的病变；C，过去5年有恶性肿瘤病史；D，严重的肝脏疾病或糖尿病；通过回顾病例或通过电话随访收集了纳入患者的数据；
步骤二，图像采集：
图像采集协议根据影像生物标志物标准化倡议(IBSI)报告指南进行了描述；在手术前一个月内，患者接受了18F-FDGPET/CT检查(BiographmCT64,Siemens,Erlangen,Germany)；根据欧洲核医学协会(EANM)准则1.0(2.0版于2015年2月发布)，在注射18F-FDG后60±5分钟获取了18F-FDGPET/CT图像；所有PET/CT图像均在处理工作站(TrueD软件，SiemensHealthcare)上重建；使用CT数据对PET图像进行衰减校正，并将校正后的PET图像与CT图像融合；
步骤三，图像预处理：
所有图像的分割均使用3D-Slicer(www.slicer.com)；对于PET图像，使用一种半自动分割的方法；为了考虑肿瘤边缘的模式，将生成的边界框向外膨胀1个像素；为了消除肺本底噪声的影响，将病灶边框外部填充为0值；考虑到偏小的样本量，为了保证学习效果，也为了简化任务并减少内存需求和处理时间，分割一个占据整个图像一小部分的3D对象；该3D立方体体积用作...

【专利技术属性】
技术研发人员：邵小南，牛荣，邵晓梁，史云梅，王跃涛，
申请(专利权)人：常州市第一人民医院，
类型：发明
国别省市：江苏;32