一种基于3DUNet的纵隔肿物识别方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于3D UNet的纵隔肿物识别方法、装置、电子设备及存储介质，所述方法通过将待识别图像输入到模型中，其中，所述模型是基于3D UNet网络结构使用多组训练数据训练出来的，所述多组训练数据训中的每一例数据均包括:增强和平扫两个序列的CT图像；所述模型的输出信息包括纵隔肿物的位置信息，本发明专利技术使用增强和平扫CT图像数据构建一个使用3D UNet网络结构的纵隔肿物识别模型，实现对纵隔肿物的识别和精准定位。肿物的识别和精准定位。肿物的识别和精准定位。

【技术实现步骤摘要】
一种基于3D UNet的纵隔肿物识别方法、装置及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于3D UNet的纵隔肿物识别方法、装置、电子设备及存储介质。

技术介绍

[0002]在医学上，纵隔是指在前为胸骨，后为脊柱，上为脖子，下为膈肌围成的区域。它包含心脏、胸腺、某些淋巴结，以及部分气道(气管)、食道、主动脉、甲状腺和甲状旁腺,不包括肺。医生根据肿瘤发生在纵隔的哪个部位，将肿物分为：前纵隔、中纵隔及后纵隔肿物。而纵隔肿瘤及囊肿是指纵隔中的异常肿物，可以是先天性组织发育异常形成，也可以为原发性或转移性肿瘤。纵隔肿瘤包括肿瘤、充满液体的囊(囊肿)，以及纵隔器官的其他异常。这些肿瘤可能没有症状，但它们也可能会导致胸痛、消瘦、发热、吞咽困难、咳嗽或呼吸困难，尤其是在儿童中。肿瘤的生长部位可能会提供肿瘤起因的线索。非癌性肿物包括心脏囊肿以及发生在器官壁的袋状囊或凸起，如食管(称为憩室)或主动脉(称为动脉瘤)。
[0003]纵隔肿物包含多种疾病类型。以胸腺肿瘤为例，其包括来源于胸腺上皮细胞的肿瘤
‑
胸腺瘤和胸腺癌，来源于胸腺淋巴细胞的霍奇金淋巴瘤及其它淋巴瘤，来源于胸腺内分泌细胞的肿瘤
‑
胸腺类癌、燕麦细胞癌等；此外还包括生殖细胞肿瘤、胸腺脂肪瘤、胸腺囊肿、转移癌等。胸腺肿瘤中90％为胸腺瘤，其余是胸腺癌、淋巴瘤及类癌等。胸腺瘤在全部成人恶性肿瘤中不足1％，在成人前纵隔肿瘤中约占30％。
[0004]影像学检查可以辅助医生快速筛选诊断纵隔肿物。以胸腺瘤为例，近80％胸腺瘤患者在正位胸片上表现为纵隔轮廓异常或肿物。胸部增强CT是诊断前纵隔肿物的首选影像检查方法，CT不仅能显示病变大小、密度、边缘，而且能提示病变与胸腔内周围器官包括大血管、肺、心包、心脏、胸膜等的关系，肿块内钙化、出血、坏死常提示肿瘤侵袭性高。在增强CT序列中，血管等会呈现高密度特征，此时纵隔肿物呈低密度特征，较易识别。但通常情况下，在筛查和一般的CT检查中，造影剂不会被轻易使用，因为其对身体有一定影响。而在平扫CT中，纵隔肿物与血管一样呈低密度特征。此时不易分别。
[0005]纵隔肿物据有发病率低的特点。以胸腺瘤为例，据美国国家癌症研究所报告，美国胸腺瘤的发病率为0.15/10万，可学习样本较少。
[0006]综合上述特点，CT可以帮助医生快速诊断纵隔肿物，但其中存在三个难点。一是平扫CT中肿物不突出，特征不明显；二是由于发病率低，可学习的影像样例少，再加上个别类型在整体发病率中所占更少，其案例就更加匮乏；三是疾病分型较多，准确区分较难。这三点对于影像科医生是一个很大的挑战，尤其是经验较少的影像科医生，可能出现漏诊现象。
[0007]随着计算机和数字图像处理技术的发展，出现了许多计算机图像算法用于处理CT图像，帮助医生诊断癌症。但是一方面这些算法有相当一部分基于传统机器学习，取得的诊断精度有限；另一方面，受限于纵隔肿物图像收集难度，这些数据集规模往往较小。因此其泛化性能收到限制。

技术实现思路

[0008]本专利技术的目的在于提供一种基于3D UNet的纵隔肿物识别方法、装置、电子设备及存储介质，使用增强和平扫CT图像数据构建一个使用3D UNet网络结构的纵隔肿物识别模型，实现对纵隔肿物的识别和精准定位。
[0009]第一方面，本专利技术实施例提供了一种基于3D UNet的纵隔肿物识别方法，所述方法包括以下步骤：
[0010]将待识别图像输入到模型中，其中，所述模型是基于3D UNet网络结构使用多组训练数据训练出来的，所述多组训练数据训中的每一例数据均包括:增强和平扫两个序列的CT图像；
[0011]获取所述模型的输出信息，其中，所述模型的输出信息包括纵隔肿物的位置信息。
[0012]可选地，所述多组训练数据训中的每一例数据均由至少一名专家使用标注工具勾画病灶区域的边界，标注结果以JSON的格式存储，进而通过处理得到分割级别的标注。
[0013]可选地，基于3D UNet网络结构使用多组训练数据训练包括；
[0014]对训练数据做预处理和离线数据增强；
[0015]经过预处理后的数据被送入3D UNet网络本抽取深层次特征并与浅层特征整合；
[0016]使用增强CT训练，并将训练好的模型迁移到平扫CT数据上进行训练。
[0017]可选地，所述对训练数据做预处理和离线数据增强包括：
[0018]预处理包括裁剪和重采样，其中，裁剪操作指将肺部区域从整体影像中裁剪出来，重采样将不同类型的影像数据重采样到空间分辨率为1mm
×
1mm
×
1mm，之后使用图像图形学的方法处理得到身体区域；
[0019]离线数据增强方法包括，上下翻转、左右翻转、3维空间的旋转和像素偏移。
[0020]可选地，所述使用图像图形学的方法处理得到身体区域包括：
[0021]图像灰度化；
[0022]对灰度化图像采用OTSU算法得到二值图；
[0023]对所述二值图进行开运算处理噪声，进行边缘检测得到身体区域范围。
[0024]第二方面，本专利技术实施例提供了一种基于3D UNet的纵隔肿物识别装置，所述纵隔肿物识别装置包括：
[0025]识别模块，用于将待识别图像输入到模型中，其中，所述模型是基于3D UNet网络结构使用多组训练数据训练出来的，所述多组训练数据训中的每一例数据均包括:增强和平扫两个序列的CT图像；
[0026]输出模块，用于获取所述模型的输出信息，其中，所述模型的输出信息包括纵隔肿物的位置信息。
[0027]可选地，所述识别模块包括：
[0028]预处理单元，用于对训练数据做预处理和离线数据增强；
[0029]整合单元，用于使经过预处理后的数据被送入3D UNet网络本抽取深层次特征并与浅层特征整合；
[0030]增强训练单元，用于使用增强CT训练，并将训练好的模型迁移到平扫CT数据上进行训练。
[0031]第三方面，本专利技术提供了一种电子设备，包括：
[0032]处理器；用于存储处理器可执行指令的存储器；
[0033]其中，所述处理器通过运行所述可执行指令以实现上述的方法。
[0034]第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。
[0035]有益效果
[0036]本专利技术提出了一种基于3D UNet的纵隔肿物识别方法，通过将待识别图像输入到模型中，其中，所述模型是基于3D UNet网络结构使用多组训练数据训练出来的，所述多组训练数据训中的每一例数据均包括:增强和平扫两个序列的CT图像；所述模型的输出信息包括纵隔肿物的位置信息，使用增强和平扫CT图像数据构建一个使用3D UNet网络结构的纵隔肿物识别模型，实现对纵隔肿物的识别和精准定位。
附图说明
[0037]图1为本专利技术实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于3DUNet的纵隔肿物识别方法，其特征在于，所述方法包括以下步骤：将待识别图像输入到模型中，其中，所述模型是基于3DUNet网络结构使用多组训练数据训练出来的，所述多组训练数据训中的每一例数据均包括:增强和平扫两个序列的CT图像；获取所述模型的输出信息，其中，所述模型的输出信息包括纵隔肿物的位置信息。2.根据权利要求1所述的纵隔肿物识别方法，其特征在于，所述多组训练数据训中的每一例数据均由至少一名专家使用标注工具勾画病灶区域的边界，标注结果以JSON的格式存储，进而通过处理得到分割级别的标注。3.根据权利要求1或2所述的纵隔肿物识别方法，其特征在于，基于3DUNet网络结构使用多组训练数据训练包括；对训练数据做预处理和离线数据增强；经过预处理后的数据被送入3DUNet网络本抽取深层次特征并与浅层特征整合；使用增强CT训练，并将训练好的模型迁移到平扫CT数据上进行训练。4.根据权利要求3所述的纵隔肿物识别方法，其特征在于，所述对训练数据做预处理和离线数据增强包括：预处理包括裁剪和重采样，其中，裁剪操作指将肺部区域从整体影像中裁剪出来，重采样将不同类型的影像数据重采样到空间分辨率为1mm
×
1mm
×
1mm，之后使用图像图形学的方法处理得到身体区域；离线数据增强方法包括，上下翻转、左右翻转、3维空间的旋转和像素偏...

【专利技术属性】
技术研发人员：杜强，高泽宾，郭雨晨，聂方兴，唐超，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：