一种基于深度残差网络的甲状腺癌CT影像分类系统技术方案

本发明专利技术公开一种基于深度残差网络的甲状腺癌CT影像分类系统，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，用于对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，用于对所述图像进行预处理，得到训练数据集；深度残差网络训练模块，用于利用训练数据集对深度残差网络进行训练和优化；甲状腺癌CT影像分类模块，用于将待分类甲状腺癌CT影像输入优化后的深度残差网络进行分类，获得甲状腺癌CT影像的分类结果。本发明专利技术能够对甲状腺癌CT影像进行准确分类。进行准确分类。进行准确分类。

【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影像中淋巴结是否发生转移。因此，本领域亟需一种针对甲状腺癌患者的CT影像进行分类的深度学习模型以解决上述问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于深度残差网络的甲状腺癌CT影像分类系统，能够对甲状腺癌CT影像进行准确分类，辅助医生判断甲状腺癌CT影像中淋巴结是否发生转移。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于深度残差网络的甲状腺癌CT影像分类系统，所述系统包括：
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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，获得甲状腺癌CT影像的分类结果；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。
[0014]可选地，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。
[0015]可选地，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。
[0016]可选地，所述多尺度分割模块具体包括：
[0017]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；
[0018]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；
[0019]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。
[0020]可选地，所述预处理模块具体包括：
[0021]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；
[0022]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；
[0023]数据增强单元，与所述数据缩放单元连接，用于分别对所述设定图像尺寸的肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像按翻转、旋转、平移和缩放进行数据增强，得到训练数据集；所述训练数据集包括数据增强后的肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像。
[0024]可选地，所述深度残差网络训练模块具体包括：
[0025]深度残差网络构建单元，与所述预处理模块连接，用于构建深度残差网络；
[0026]深度残差网络训练单元，与所述深度残差网络构建单元连接，用于接收所述预处理模块发送的训练数据集，并利用所述训练数据集对所述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。
[0027]可选地，所述深度残差网络具体包括：
[0028]浅层特征提取层，与所述预处理模块连接，用于利用64个通道的3
×3×
3的卷积核以及与所述3
×3×
3的卷积核连接的整流线性单元对所述训练数据集中图像的浅层特征进行提取，得到浅层特征图；
[0029]深层特征提取层，与所述浅层特征提取层连接，用于对所述浅层特征图中的深层特征进行提取，得到深层特征图；
[0030]跳跃连接层，分别与所述浅层特征提取层和所述深层特征提取层连接，用于将所
述浅层特征图和所述深层特征图连接起来；
[0031]卷积层，与所述跳跃连接层连接，用于利用一个7
×7×
7的卷积核以及与所述7
×7×
7的卷积核连接的整流线性单元对连接后的浅层特征图和深层特征图进一步提取特征，生成128个通道的特征图；
[0032]分类层，与所述卷积层连接，用于对所述128个通道的特征图进行3D全局平均池化操作，计算甲状腺癌CT影像中淋巴结转移和淋巴结未转移的概率，将概率最大的类别作为分类结果。
[0033]可选地，所述深层特征提取层具体包括：
[0034]多个残差密集块，与所述浅层特征提取层连接，各所述残差密集块依次连接，每个所述残差密集块用于利用9个3
×3×<本文档来自技高网...

【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：