基于多期相肿瘤影像的直径自动测量方法及系统技术方案

本公开提供了一种基于多期相肿瘤影像的直径自动测量方法及系统，该方法包括：构建肿瘤分割网络架构；利用构建好的肿瘤分割网络架构训练肿瘤分割模型；获取四期相的肿瘤影像；将其输入所述肿瘤分割模型，获取肿瘤分割结果；选取延迟期的肿瘤分割二值结果计算肿瘤直径；使用深度学习结合传统机器学习在多期相增强影像上进行肿瘤直径自动测量的方法，通过机器学习由肿瘤轮廓精准的计算肿瘤直径，减少测量耗时的同时最大程度保证测量的准确性，降低观察者间差异及测量误差。观察者间差异及测量误差。观察者间差异及测量误差。

【技术实现步骤摘要】
基于多期相肿瘤影像的直径自动测量方法及系统


[0001]本专利技术涉及医学图像处理领域，尤其是一种基使用深度学习结合传统机器学习在多期相增强影像上进行肿瘤直径自动测量的方法及系统。

技术介绍

[0002]癌症是导致死亡的重要或首要原因，根据《2012中国肿瘤登记年报》，我国癌症发病率为285.91/10万。肿瘤的早期发现和诊断对于患者的治疗以及预后都有着极其重要的作用。现有技术中，基于多期相的增强计算机断层扫描(CT)和增强核磁共振影像(MRI)作为一种无创伤检查手段，为肿瘤的早期发现提供了技术条件。在基于多期相CT或MRI的肿瘤影像评估过程中，肿瘤的直径作为一项重要指标被用于肿瘤评级、疗效评估中。对于多期相的肿瘤影像，医生一般会选择一个固定的期相来测量肿瘤直径，在这个期相上，肿瘤的轮廓是相对容易被分辨的，然而在少数情况下，此固定期相上肿瘤的边界也会产生模糊的可能，这时医生可能会结合其它期相的影像来更快更准的确定肿瘤边界，所以多期相肿瘤直径的测量对医生的专业性有一定的要求，同时，在实际临床操作中，肿瘤直径的测量相对耗时，不同观察者间测量结果可能存在较大的差异。
[0003]对于多期相的肿瘤直径测量，医生在临床实践中需要先选取一个合适的期相，然后基于选取的期相预估一个最大肿瘤层面，基于此层面再手动量取肿瘤的最大长径。但有些情况下，医生可能需要对比多个期相才能确定所要量取肿瘤的边界，同时最大层面的估计也可能存在一定的误差，此外，对于肿瘤直径的起始点和终止点的选择，不同观察者间仍然会存在一定的差异。
[0004]随着人工智能技术在医学影像方面的应用越来越多，也有研究致力于将深度学习应用于肿瘤直径的自动测量，在文献(TangY,HarrisonA,Bagheri M,et al.Semi
‑
Automatic RECIST Labeling on CT Scans with Cascaded ConvolutionalNeural Networks,2018.)中，作者基于实体肿瘤的疗效评价标准(RECIST)提出一种半自动计算肿瘤长短径的方法，该方法是基于平扫CT影像,由医生事先选取影像的某一层，之后手动剪切出一个包含肿瘤的影像区域，然后借助深度神经网络去分别定位出肿瘤长短径的起始点以及终止点。这种方式虽然可以一定程度上实现肿瘤的自动测量，但也需要医生花费相当多的时间去做图像的预处理，包含定位肿瘤最大平面。尤其针对要解决的多期相肿瘤影像问题，医生的预处理可能更加费时。

技术实现思路

[0005]有鉴于此，本公开提供了一种基于多期相肿瘤影像的直径自动测量方法及系统。解决了计算肿瘤直径耗时且存在测量误差的问题。
[0006]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0007]本专利技术实施例的第一方面，提供一种基于多期相肿瘤影像的直径自动测量方法，包括：构建肿瘤分割网络架构；利用构建好的肿瘤分割网络架构训练肿瘤分割模型；获取四
期相的肿瘤影像；将其输入所述肿瘤分割模型，获取肿瘤分割结果，所述四个期相分别为平扫期、动脉期、静脉期以及延迟期；选取其中一个期相的肿瘤分割二值结果计算肿瘤直径。
[0008]在一个实施例中，选取其中一个期相的肿瘤分割二值结果包括：选取延迟期的肿瘤分割二值结果。
[0009]在一个实施例中，肿瘤分割网络采用改进过的U
‑
Net为基础网络架构；
[0010]在一个实施例中，网络架构包括四个期相独立的子网络，每个单独的子网络，都包含四个独立的下采样模块和四个独立的上采样模块，同时编码模块和解码模块中嵌入了多个BL子模块，四个子网络共享最后一次下采样后的输出特征；四个下采样模块分别提取各自期相的影像特征，之后将各自的特征在最后一次下采样后融合在一起。
[0011]在一个实施例中，利用构建好的肿瘤分割网络架构训练肿瘤分割模型包括：数据预处理步骤，获取肿瘤bbox，选取四个期相bbox中最大的X、Y、Z方向的物理尺寸作为四个期相共同的bbox的尺寸，之后以各自期相原始的bbox的中心，共同的size去裁剪出各个期相的ROI区域,同时各个期相图像自适应的做归一化，将像素归一化到
‑
1～1之间，然后将裁剪出的ROI重采样到48*48*48的像素大小；模型训练步骤，将四个期相的图像作为四个输入送入对应的子网络进行前向传播，每个子网络分别输出两个跟原图一样大小的概率图，一个表示预测为前景的概率图，另一个表示预测为背景的概率图，之后以各自期相的mask金标准分别计算各期相肿瘤分割的Dice损失系数，然后将四个Dice损失系数相加作为整个分割网络的最终Dice损失，之后将此损失系数进行反向传播，进行神经网络权重的更新，权重更新的方式按照随机梯度下降法。
[0012]在一个实施例中，分别计算各期相肿瘤分割的Dice损失系数为：
[0013][0014]其中，B，W，H分别为原始图像的长宽高，p为预测的概率，gt为对应的二值groundtruth。
[0015]在一个实施例中，整个分割网络的最终Dice损失系数具体为：将四个期相的Dice损失系数相加作为整个分割网络的最终Dice损失系数。
[0016]在一个实施例中，进行神经网络权重的更新为：
[0017][0018]其中，W'为更新后的卷积核权重，W为更新前的权重，η为神经网络的学习率，为权重梯度。
[0019]在一个实施例中，选取延迟期的肿瘤分割二值结果计算肿瘤的直径包括：基于选取的延迟期的肿瘤分割的二值化结果计算肿瘤在Z方向上的最大平面；采用PCA方法计算肿瘤形状上的最大特征值对应的特征矢量，将肿瘤上的所有点投影在特征矢量的方向上；肿瘤直径等于最大的投影长度减去最小的投影长度。
[0020]本专利技术实施例的第二方面，提供一种基于多期相肿瘤影像的直径自动测量系统，
包括：模型训练模块，被配置为构建肿瘤分割网络架构，并利用构建好的肿瘤分割网络架构训练肿瘤分割模型；获取模块，被配置为获取四期相的肿瘤影像；将其输入所述肿瘤分割模型，获取肿瘤分割结果；所述四个期相分别为平扫期、动脉期、静脉期以及延迟期；计算模块，被配置为选取其中一个期相的肿瘤分割二值结果计算肿瘤直径。
[0021]本专利技术实施例的第三方面，提供一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术实施例的第一方面所述的方法。
[0022]本专利技术实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有可执行指令，该指令被处理器执行时使处理器执行本专利技术实施例的第一方面所述的方法。
[0023]根据本公开的实施例，本公开结合具有强大特征提取能力的深度学习和计算精准的传统机器学习，分两个阶段对肿瘤直径进行测量。独创的深度学习分割网络可用于准确高效的分割各期相肿瘤轮廓，机器学习可由肿瘤轮廓精准的计算肿瘤直径，本案具体带来了以下有益的技术效果：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多期相肿瘤影像的直径自动测量方法，所述方法包括：构建肿瘤分割网络架构；利用构建好的肿瘤分割网络架构训练肿瘤分割模型；获取四期相的肿瘤影像；将所述四期相的肿瘤影像输入所述肿瘤分割模型，分别获取四期相的肿瘤分割二值结果；所述四个期相分别为平扫期、动脉期、静脉期以及延迟期；选取其中一个期相的肿瘤分割二值结果计算肿瘤直径。2.根据权利要求1所述的方法，其特征在于：所述选取其中一个期相的肿瘤分割二值结果包括：选取延迟期的肿瘤分割二值结果。3.根据权利要求1或2所述的方法，其特征在于：所述肿瘤分割网络采用改进的U
‑
Net为基础网络架构；所述网络架构包括四个期相独立的子网络，每个单独的子网络分别包含四个独立的下采样模块和四个独立的上采样模块，并在编码模块和解码模块中嵌入了多个BL子模块，四个子网络共享最后一次下采样后的输出特征；四个下采样模块分别提取各自期相的影像特征之后将各自的特征在最后一次下采样后进行融合。4.根据权利要求3所述的方法，其特征在于：所述利用构建好的肿瘤分割网络架构训练肿瘤分割模型包括：数据预处理步骤，获取肿瘤bbox，选取四个期相bbox中最大的X、Y、Z方向的物理尺寸作为四个期相共同的bbox的尺寸；以各自期相原始的bbox的中心，共同的物理尺寸去裁剪出各个期相的ROI区域,同时对各个期相图像自适应的做归一化处理，将裁剪出的ROI区域重采样；模型训练步骤，将四个期相的图像分别输入各自的子网络进行前向传播，获取每个子网络分别输出的前景的概率图和背景的概率图，分别计算各期相肿瘤分割的Dice损失系数及整个分割网络的最终Dice损失系数，将此损失系数进行反向传播，进行神经网络权重的更新。5.根...

【专利技术属性】
技术研发人员：曾蒙苏，盛若凡，黄静，吴迪嘉，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：