一种肠癌辅助诊断模型构建和辅助诊断方法及系统技术方案

本发明专利技术公开了一种肠癌辅助诊断模型构建和辅助诊断方法及系统，构建方法包括历史诊疗样本图像获取、预处理和模型训练的步骤。本发明专利技术构建的肠癌辅助诊断模型在鉴别肠癌与腺瘤、息肉等良性疾病方面具有较高的性能，一致性和稳定性好，预测结果可信度相当于熟练的肠镜医师。

【技术实现步骤摘要】
一种肠癌辅助诊断模型构建和辅助诊断方法及系统
本专利技术属于医疗数据处理
，特别涉及一种辅助诊断模型构建和辅助诊断方法及系统，尤其涉及一种肠癌辅助诊断模型构建和辅助诊断方法及系统。
技术介绍
肠癌(ColorectalCancer,CRC)是全球第二大癌症相关死亡原因和第三大常见癌症类型。结肠镜检查是筛查CRC最常用的工具，可直接活检肠道肿瘤肿块进行病理诊断，其优势在于能够在早期发现癌前病变和肠癌，在早期手术切除往往是治愈的。在观察性研究中，结肠镜筛查有助于降低肠癌的死亡率，其中约80％的肠癌可通过息肉切除术预防。对比研究表明，及时治疗非典型增生或早期肠癌可延长总生存期。此外，活检不完全常导致早期肠癌误诊为轻、中度不典型增生，继而导致治疗不当。因此，在结肠镜下准确区分良恶性病变对选择最佳治疗方案、避免不适当的内镜下切除和改善预后具有重要的医学意义。根据NICE(NBI国际肠内窥镜协会)和WASP(息肉工作组)分类系统，内镜医师的一个关键任务是结肠镜下病变的鉴别诊断。然而，据我们所知，这两个标准不能在白光成像模式下对肠肿物进行良恶性诊断。在美国，被诊断为肠癌患者的5年总生存率从I期和II期患者的90.1％，III期患者的69.2％到IV期患者的11.7％不等；因此，能够早期识别肠癌患者的人工智能模型将大大延长患者的总生存期。自AlexNet赢得2012年ImageNet竞赛以来，深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)模型在医学成像数据解释中得到了广泛的应用。深度学习模型也被证明可以提高内镜医师检测息肉或腺瘤及上消化道癌肿的能力。然而，利用卷积神经网络来分析大范围肠镜图像来进行肠癌光学辅助诊断的研究还未见报道。因此，一种可以帮助内镜医师区分肠病变的良恶性，提高肠镜检查效率的肠癌辅助诊断模型成为肠癌光学辅助诊断研究的重点。
技术实现思路
本专利技术的目的是提供一种肠癌辅助诊断模型(CRCNet)构建和辅助诊断方法及系统，CRCNet在鉴别肠癌与腺瘤、息肉等良性疾病方面具有较高的性能，一致性和稳定性好，预测结果可信度相当于熟练的肠镜医师。为此，本专利技术技术方案如下：第一方面，本专利技术提供一种肠癌辅助诊断模型的构建方法，至少包括以下步骤：S01历史诊疗样本图像获取：获取历史诊疗样本的肠内镜图像，所述肠内镜图像包含肠癌组和非肠癌组；S02预处理：对所述肠内镜图像进行预处理；S03模型训练：将预处理后的肠内镜图像输入卷积神经网络模型，对所述卷积神经网络进行训练(卷积神经网络提取内镜图像的特征进行学习，所述内镜图像的特征包含黏膜表面突出显示的微血管形态、黏膜纹路、黏膜颜色等图片颜色和形态信息；卷积神经网络提取上述的图像特征，根据输出结果反向传播对卷积神经网络的网络参数进行更新优化训练)，直至所述卷积神经网络输出的表示预测患病概率满足识别要求，获得肠癌辅助诊断模型。根据现有技术中常用于图像分类的卷积神经网络，专利技术人拟从如下几种卷积神经网络类型中进行选择，分别为：ResNet、VGGNet、GoogLeNet、Inception以及Inception的变体InceptionResNet。专利技术人通过输入内镜图像进行训练的方式逐一对上述的各种卷积神经网络进行测试，发现ResNet、VGGNet、GoogLeNet的网络结构相似，这几种卷积神经网络虽然能提取内镜图像特征，但是其存在着一些缺陷，如评估网络计算量大、训练所需时间长、所需训练数据量大、容易过拟合、应用难度大、容易发生梯度弥散等。Inception相较于上述几种网络，一定程度上优化了上述几种网络存在的缺陷，能良好的应用于肠癌辅助诊断模型的构建过程中。在Inception的基础上，将Inception与ResNet的结构进行结合，ResNet的结构可极大地加速训练，同时网络性能也有所提升，最终本专利技术采用InceptionResNetv2卷积神经网络。优选地，所述步骤S01历史诊疗样本图像获取中，根据拍摄肠内镜图像时所用光源的种类，分为普通白光模式图像集和窄带成像模式图像集(使用NarrowBandImaging，NBI技术以及窄谱滤光片)；在本专利技术中，优选所有图像都是jpeg格式，且均在标准肠道准备后由高清仪器(OlympusCF-HQ2,PCF-Q260JI,日本东京)生成。优选地，所述步骤S03模型训练中，选取普通白光模式图像集输入卷积神经网络模型中进行训练，直至所述卷积神经网络模型输出的表示预测患病概率满足识别要求，获得肠镜下肠癌辅助诊断模型。使用白光成像方式更具临床相关性和潜在的更具平移性，因为它依赖于在常规结肠镜检查中看到的图像。CRCNet可进一步扩大白光对早期结直肠病变的识别，特别是对无窄带成像设备的社区医院。优选地，所述步骤S02预处理采用动态数据增强技术进行预处理，增加在现实世界中观察到的数据多样性。优选地，所述采用动态数据增强技术进行预处理，至少包括以下步骤：S021：对肠内镜图像进行筛选，剔除模糊、空白、失焦和/或肠道准备不良图像，保留显象合格图像；S022：将所述显象合格图像依次进行随机调整大小、裁剪、透视、水平翻转、旋转、颜色抖动和光照噪声的操作，以扩增数据，增加样本量；S023：将所述显象合格图像分为一个训练数据集和两个验证数据集；优选将80％的合格图像作为训练数据集，将剩余20％的合格图像作为验证数据集。优选地，所述步骤S03模型训练包括以下步骤：将所述普通白光模式图像的训练数据集输入卷积神经网络模型中，对所述卷积神经网络进行训练，直至所述卷积神经网络模型完成指定的迭代周期后，或者当内部测试的分类结果评价指标在指定的迭代周期内不再上升时，训练完成，得到肠癌辅助诊断模型。本专利技术使用训练期间未包括的随机图像子集来计算每个层级结束时的模型丢失；选择损失最小的模型作为最佳模型，并在测试集上对其性能进行了评估。卷积神经网络模型(InceptionResNetv2)包括stem模块、InceptionResNet模块、Reduction模块、AveragePooling层、Dropout层和Softmax层。上述步骤S03模型训练包括以下步骤：S031将所述训练数据集中的某张内镜图像输入所述stem模块中，通过所述stem模块对所述内镜图像进行卷积计算、最大池化操作和特征拼接，以初步提取所述内镜图像的特征获得特征图像Y；S032将所述特征图像Y输入所述InceptionResNet模块和所述Reduction模块中，通过所述InceptionResNet模块对所述特征图像Y进行Relu激活、卷积计算、线性卷积激活、特征拼接操作进一步提取特征，通过所述Reduction模块减小图像尺寸降维，将所述特征图像Y转化为图像特征矩阵Z；S033将所述图像特征矩阵Z输入所述AveragePooling层进行均值池化操作抽象为特征向量F；将所述特征向量F依次通过所述Dropo本文档来自技高网...

【技术保护点】
1.一种肠癌辅助诊断模型的构建方法，其特征在于，至少包括以下步骤：/nS01历史诊疗样本图像获取：获取历史诊疗样本的肠内镜图像，所述肠内镜图像包含肠癌组和非肠癌组；/nS02预处理：对所述肠内镜图像进行预处理；/nS03模型训练：将预处理后的肠内镜图像输入卷积神经网络模型，对所述卷积神经网络进行训练，直至所述卷积神经网络输出的表示预测患病概率满足识别要求，获得肠癌辅助诊断模型。/n

【技术特征摘要】
1.一种肠癌辅助诊断模型的构建方法，其特征在于，至少包括以下步骤：
S01历史诊疗样本图像获取：获取历史诊疗样本的肠内镜图像，所述肠内镜图像包含肠癌组和非肠癌组；
S02预处理：对所述肠内镜图像进行预处理；
S03模型训练：将预处理后的肠内镜图像输入卷积神经网络模型，对所述卷积神经网络进行训练，直至所述卷积神经网络输出的表示预测患病概率满足识别要求，获得肠癌辅助诊断模型。


2.根据权利要求1所述的辅助诊断模型构建方法，其特征在于，所述步骤S01历史诊疗样本图像获取中，根据拍摄肠内镜图像时所用光源的种类，分为普通白光模式图像集和窄带成像模式图像集；
优选地，所述步骤S03模型训练中，选取普通白光模式图像集输入卷积神经网络模型中进行训练，直至所述卷积神经网络模型输出的表示预测患病概率满足识别要求，获得肠镜下肠癌辅助诊断模型；
所述卷积神经网络模型为InceptionResNetv2。


3.根据权利要求1或2所述的辅助诊断模型构建方法，其特征在于，所述步骤S02预处理采用动态数据增强技术进行预处理；
优选地，所述采用动态数据增强技术进行预处理，至少包括以下步骤：
S021：对肠内镜图像进行筛选，剔除模糊、空白、失焦和/或肠道准备不良图像，保留显象合格图像；
S022：将所述显象合格图像依次进行随机调整大小、裁剪、透视、水平翻转、旋转、颜色抖动和光照噪声的操作，以扩增数据，增加样本量；
S023：将所述显象合格图像分为一个训练数据集和两个验证数据集；
优选地，所述步骤S03模型训练包括以下步骤：
将所述普通白光模式图像的训练数据集输入卷积神经网络模型中，对所述卷积神经网络进行训练，直至所述卷积神经网络模型完成指定的迭代周期后，或者当内部测试的分类结果评价指标在指定的迭代周期内不再上升时，训练完成，得到肠癌辅助诊断模型。


4.根据权利要求3所述的辅助诊断模型构建方法，其特征在于，在步骤S03之后还包括步骤S04外部测试；
优选地，所述步骤S04外部测试至少包括以下步骤：
将所述验证数据集中的肠镜图像输入所述肠癌辅助诊断模型中，根据输出的预测患病概率计算分类结果评价指标，来反映该肠癌辅助诊断模型预测的准确性；
优选地，所述分类结果评价指标包括恶性数字评分和/或热图；
优选地，对于给定的个体，所述恶性数字评分θ的计算...

【专利技术属性】
技术研发人员：田斐，李祥春，陈可欣，周德俊，孔大陆，杨一晨，
申请(专利权)人：天津市肿瘤医院，
类型：发明
国别省市：天津;12