【技术实现步骤摘要】
基于深度学习对胸部增强CT图像的后处理方法
[0001]本专利技术涉及医学图像处理的
，尤其涉及一种基于深度学习对胸部增强CT图像的后处理方法。
技术介绍
[0002]胸腺瘤术前影像学检查目的是初步的评价肿瘤的恶性程度，进一步可推测其组织病理学改变和进行风险评估，从而辅助术前治疗方案选择及临床预后判断。然而，由于胸腺瘤发病率相对较低，目前在术前准确诊断及恶性程度风险评估方面仍面临较大的挑战。CT对于诊断前纵隔肿瘤的敏感性较高，增强CT可更好显示胸腺瘤的轮廓、边界及局部浸润性并评估其恶性程度。是用于诊断与识别的重要检查手段。
[0003]然而，CT影像学征象评估是基于胸腺瘤病灶本身及其与邻近周围组织结构的关系，多采用经验性、观察性指标而非量化指标，临床工作中与前纵隔其它肿瘤或瘤样病变的影像表现不乏相似而难以鉴别，因此，如何基于CT影像数据采用客观量化的方法对于胸腺瘤进行更为准确的诊断尚需进一步研究。
[0004]传统影像组学采用对医学影像图像进行高通量特征提取，着眼于临床问题构建模型而进行定性分析，可较好...
【技术保护点】
【技术特征摘要】
1.基于深度学习对胸部增强CT图像的后处理方法，其特征在于：其包括以下步骤：(1)将图像数据自动分割后输入深度学习的ResNet网络；(2)通过训练模型获取全面而完整的病灶信息，并从第一层全连接层的输出中提取深度学习的向量特征；(3)筛选特征和构建预测模型；(4)将基于深度学习得到的结果与传统影像组学的结果进行比较分析，评价其对于胸腺瘤临床诊断与风险评估的价值。2.根据权利要求1所述的基于深度学习对胸部增强CT图像的后处理方法，其特征在于：所述步骤(1)包括以下分步骤：(1.1)CT图像采集：所有患者均进行CT对比增强扫描，获取在胸部纵隔窗重建的薄层图像；(1.2)在原始CT图像上利用肺与周围组织存在的自然密度差异，采用计算肺组织像素值的方法，设计双肺掩膜文件，去除纵隔以外区域且保留病灶；(1.3)采用V_Net网络对病灶进行初步分割；(1.4)采用Morphological Snakes算法对病灶进行精细分割。3.根据权利要求2所述的基于深度学习对胸部增强CT图像的后处理方法，其特征在于：所述步骤(2)中，使用包含两个残差块的ResNet-34进行训练，每个残差块表示为公式(1)y＝F(x)+x
ꢀꢀꢀꢀꢀꢀꢀ
(1)其中，x和y分别代表残差块的输入和输出；函数F(x)代表着残差映射，表示为公式(2)F(x)＝W2σ(W1x)
ꢀꢀꢀꢀꢀ
(2)其中，σ代表ReLU，W1表示通过残差块中第一个卷积层自上而下学习到的权重，W2表示通过残差块中第二个卷积层学习到的权重。4.根据权利要求3所述的基于深度学习对胸部增强CT图像的后处理方法，其特征在于：所述步骤(2)中，ResNet-34网络由1个卷积层、2个池化层、16个残差块和2个全连接层组成，16个残差块包括13个Resblock1和3个Resblock2；输入的图像数据，首先经过1个核大小为7
×
7且步长为2的卷积层，通过ReLU函数激活后再经过一个窗口大小为3
×
3且步长为2的最大池化层；然后连续经过16个残差块，再经过一个窗口大小为3
×
3且步长为2的平均池化层，最后再输入全连接层提取特征；本ResNet网络中第一个全连接层设计为4096个神经元，每个神经元输出一个向量，全连接层经编码为4096*1的向量为提取的特征。5.根据权利要求4所述的基于深度学习对胸部增强CT图像的后处理方法，其特征在于：所述步骤(3)中，筛选特征分三个步骤：(3.1)基于计算特征的Kendall相关系数，将其阈值设定为0.15筛选特征，首先计算分类样本1与样本2中每位患者的各个特征是否为协调特征值，采用符号函数如下：sgn(X
ij-X
ik
)＝sgn(Y
i-Y
k
)
ꢀꢀꢀꢀꢀꢀꢀ
(3)sgn(X
ij-X
ik
)＝-sgn(Y
i-Y
k
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中X
ij
代表类别1样本中第j个样本的第i个特征，j是样本序数，i是特征序数，Y
j
代...
【专利技术属性】
技术研发人员：马国林，韩小伟，李海梅，杜雷，陈悦，
申请(专利权)人：北京康兴顺达科贸有限公司，
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。