【技术实现步骤摘要】
一种基于深度残差网络的甲状腺癌CT影像分类系统
[0001]本专利技术涉及医学影像和人工智能
,特别是涉及一种基于深度残差网络的甲状腺癌CT影像分类系统。
技术介绍
[0002]近年来,计算机技术广泛应用于医学领域,特别是计算机辅助诊断技术,依靠医学影像、医学图像处理技术,结合计算机相关算法,辅助影像科医生进行诊断,提高诊断的准确率和效率。
[0003]甲状腺癌是一种发病率比较高的癌症,据报道高达60%
‑
70%的患者存在淋巴结转移。因此,在初次手术前需要准确地确定淋巴结清扫所需的范围,确定淋巴结转移风险,临床上通常需要通过CT检查来确定,因为需要对CT影像进行鉴别,帮助医生做出判断。
[0004]目前,人工智能方法辅助诊断技术,主要包括基于影像组学和深度学习的方法。影像组学的方法需要从医学影像上提取手工设计的特征,再通过特征选择和传统机器学习方法建立模型。然而手工设计的特征难以准确地表征影像内在的特征。
[0005]深度学习方法能够自动提取图像的高维特征,比传统的机器学习方法有着很大的优越性,可以避免手动提取图像特征带来的问题。虽然随着深度学习的发展,已经出现了许多针对图像分类的框架,但是目前还没有针对甲状腺癌患者的CT影像进行分类的深度学习模型。由于甲状腺癌患者的CT图像(甲状腺癌CT影像)中含有病灶影像,因此甲状腺癌患者的CT影像比普通图像更复杂,特征更多。若采用目前现有的针对普通图像分类的框架,无法准确实现甲状腺癌CT影像分类,从而无法辅助医生判断甲状腺癌CT影 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度残差网络的甲状腺癌CT影像分类系统,其特征在于,所述系统包括:甲状腺癌CT影像获取模块,用于获取带标签的多位甲状腺癌症患者的CT影像;多尺度分割模块,与所述甲状腺癌CT影像获取模块连接,用于分别对每位甲状腺癌症患者的CT影像按不同尺度进行分割,依次截取肿瘤、肿瘤外扩5mm、肿瘤外扩10mm的立方体区域,得到肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像;预处理模块,与所述多尺度分割模块连接,用于分别对所述肿瘤图像、所述肿瘤外扩5mm图像和所述肿瘤外扩10mm图像进行预处理,得到训练数据集;深度残差网络训练模块,与所述预处理模块连接,用于利用所述训练数据集对深度残差网络进行训练和优化,得到优化后的深度残差网络;甲状腺癌CT影像分类模块,与所述深度残差网络训练模块连接,用于将待分类甲状腺癌CT影像输入所述优化后的深度残差网络进行分类,获得分类结果;所述分类结果包括甲状腺癌CT影像中淋巴结转移和淋巴结未转移。2.根据权利要求1所述的甲状腺癌淋巴结CT影像分类系统,其特征在于,所述每位甲状腺癌症患者的CT影像均是由不同期相对应的多个连续图像切片组成;所述不同期相包括平扫期、动脉期和静脉期。3.根据权利要求2所述的甲状腺癌淋巴结CT影像分类系统,其特征在于,所述每位甲状腺癌症患者的CT影像均包括有感兴趣区域;所述感兴趣区域是沿平扫期、动脉期和静脉期三期中甲状腺原发病灶的边缘逐层勾画出的;每期的感兴趣区域逐层叠加组成了一个三维的感兴趣容积。4.根据权利要求3所述的甲状腺癌淋巴结CT影像分类系统,其特征在于,所述多尺度分割模块具体包括:体素间距转换单元,与所述甲状腺癌CT影像获取模块连接,用于对所述每位甲状腺癌症患者的CT影像的体素间距进行转换,得到转换后的CT影像;感兴趣容积确定单元,与所述体素间距转换单元连接,用于根据感兴趣容积在转换后的CT影像中的位置确定感兴趣容积的长、宽、高以及中心点坐标;截取单元,与所述感兴趣容积确定单元连接,用于根据所述感兴趣容积的长、宽、高以及中心点坐标,从所述转换后的CT影像上将肿瘤区域截取出来,并截取肿瘤外扩5mm和10mm的立方体区域,得到肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像。5.根据权利要求1所述的基于深度残差网络的甲状腺癌CT影像分类系统,其特征在于,所述预处理模块具体包括:归一化单元,与所述多尺度分割模块连接,用于分别对所述肿瘤图像、所述肿瘤外扩5mm图像和所述肿瘤外扩10mm图像中每个体素进行归一化处理,得到归一化后的肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像;数据缩放单元,与所述归一化单元连接,用于分别将所述归一化后的肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像统一到设定图像尺寸,得到设定图像尺寸的肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像;数据增强单...
【专利技术属性】
技术研发人员:宋西成,毛宁,张海程,武欣欣,李静静,王彩,张文彬,
申请(专利权)人:烟台毓璜顶医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。