【技术实现步骤摘要】
一种基于深度学习的肺癌辅助诊疗系统及方法
[0001]本专利技术涉及深度学习、辅助医疗影像
，具体为一种基于深度学习的肺癌辅助诊疗系统及方法。
技术介绍
[0002]肺癌是除乳腺癌外全球发病人数最多的癌症，肺癌的治疗方法目前主要有外科治疗、中医治疗和内科治疗三种手段，而内科治疗的主要方法有化学治疗和放射治疗，其中有七成左右的肺癌患者需要接受放射治疗，放射治疗是肺癌治疗中一个很重要的手段，放射治疗利用高能量的放射线杀死体内癌细胞，在放射治疗前，医生必须精确定位照射范围，并在皮肤上做出明显标志，以免发生偏差，损伤周围正常组织。
[0003]肺癌的诊断一般先由放射科医生分析CT影像，普通的放射科医生在日常工作中需要每3
‑
4秒做出一个诊断结果，高强度的工作会在很大程度上影响医生诊断结果的准确性，造成漏诊和误诊，且肺癌在放射治疗前，需要由放射科医生依据医学影像对病灶靶区和危及器官进行勾画，医生需要逐一对成百上千张的CT影像进行处理，这种高强度的工作量会使得医生在阅片中疲劳、走神，可能影响诊断结果。
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的肺癌辅助诊疗系统，其特征在于：包括Web子系统和算法子系统，所述Web子系统包括客户端模块和服务端模块，所述客户端模块，用于为用户提供图形化界面，客户端模块采用自适应页面设计，用户可以在台式电脑、移动电脑和平板电脑上使用肺癌辅助诊疗系统，客户端模块将用户的请求发送至服务端模块进行业务处理后，再通过客户端模块将处理后的结果展示给用户查看，所述客户端模块分为表示层、结构层、行为层，表示层采用CSS技术设置页面样式，结构层采用HTML技术搭建网页结构，结构层调用表示层进行网页内容的排版显示，行为层采用JavaScript和JQuery技术构建，负责实现结构层数据请求和修改的逻辑行为；所述服务端模块包括云平台和后端系统，所述云平台包括Nginx服务器和MySQL数据库，所述后端系统采用Java和SpringBoot技术搭建，服务端模块用于为客户端模块提供数据支持和业务处理，所述后端系统包括RESTful接口，客户端模块利用Ajax技术通过RESTful接口与后端系统进行通信，将用户业务请求传达到服务端模块进行处理，服务端模块与客户端模块交互，后端系统负责接收客户端模块的业务请求，进行业务逻辑处理工作，再将处理结果返回给客户端模块，同时云平台与后端系统进行数据交互，为Web子系统提供业务数据存储工作；所述算法子系统包括Flask框架服务模块、Pytorch程序模块、MongoDB数据库和文件存储库，Pytorch程序模块包括数据读取模块、数据预处理模块、肺结节检测模型训练模块、肺部器官分割模型训练模块、辅助诊断模块、辅助治疗模块和数据保存模块；所述Flask框架服务模块，将算法子系统构建成应用服务，对外提供RESTful接口，Web子系统通过RESTful接口与算法子系统通信；所述MongoDB数据库和文件存储库，用于存储肺部CT影像数据集以及经过算法子系统处理后的肺部CT影像；所述算法子系统的工作场景分为两个阶段，第一个阶段是算法模型训练阶段，第二个阶段是算法模型应用阶段，其中算法模型训练阶段是训练肺结节检测模型和肺部器官分割模型的工作阶段，算法模型应用阶段是使用训练好的算法模型对就诊者的CT影像进行肺结节检测和肺部器官分割的工作阶段，当第一个阶段训练出肺结节检测模型和肺部器官分割模型后才会进入第二阶段进行算法模型的应用；所述数据读取模块，采用Pydicom组件编写，应用在算法子系统的两个阶段，在算法模型训练阶段，用于从文件存储库中读取医生前期标注好的肺部CT影像数据集，在算法模型应用阶段，用于读取Web子系统传输过来的就诊者CT影像，在两个阶段都负责将读取到的CT影像数据保存在算法子系统内存中，供数据预处理模块使用；所述数据预处理模块，采用Transforms组件编写，应用在算法子系统的两个阶段，在算法模型训练阶段，用于扩增肺部CT影像数据集和对数据集的影像进行微调，并将肺部CT影像数据集划分好训练集、验证集和测试集并保存在文件存储库中，以供肺结节检测模型训练模块和肺部器官分割模型训练模块工作使用，在算法模型应用阶段，用于对就诊者的CT影像进行微调，使其符合算法模型的应用要求，经过预处理后的就诊者CT影像，传入到辅助诊断模块和辅助治疗模块做进一步工作；所述肺结节检测模型训练模块，包括YoloV3目标检测算法网络，应用在算法模型训练
阶段，YoloV3算法网络结合文件存储库中的肺部CT影像训练集、验证集和测试集，训练肺结节检测模型，以供辅助诊断模块使用；所述肺部器官分割模型训练模块，包括UNet图像分割算法网络，应用在算法模型训练阶段，UNet算法网络结合文件存储库中的肺部CT影像训练集、验证集和测试集，训练肺部器官分割模型，以供辅助治疗模块使用；所述辅助诊断模块，包括肺结节检测模型，应用在算法模型应用阶段，在患者早期诊断期间，利用肺结节检测模型从就诊者的CT影像中检测定位肺结节，能有效帮助医生筛查出潜在的肺癌病灶，防止漏诊和误诊；所述辅助治疗模块，包括肺部器官分割模型，应用在算法模型应用阶段，在患者放射治疗期间，利用肺部器官分割模型从就诊者的CT影像中对肺部器官进行分割工作，辅助医生制定治疗方案；所述数据保存模块，应用在算法子系统的两个阶段，在算法模型训练阶段，负责将数据预处理模块处理肺部CT数据集产生的训练集、验证集和测试集保存在文件存储库中，并将训练好的肺结节检测模型和肺部器官分割模型保存在文件存储库中，在算法模型应用阶段，采用OpenCV技术，将经过辅助诊断模块和辅助治疗模块处理过的CT影像转换为JPEG格式保存在文件存储库上，方便用户查看，并且将CT影像在文件存储库中存储的物理地址保存在MongoDB数据库中。2.根据权利要求1所述的一种基于深度学习的肺癌辅助诊疗系统，其特征在于：所述Web子系统功能模块包括用户登陆注册模块、预约挂号模块、辅助诊断模块、辅助治疗模块、划价收费模块、药房取药模块、用户中心模块和系统维护模块，预约挂号模块包括挂号收费子模块和挂号记录子模块，辅助诊断模块包括数据读取子模块、影像显示子模块和数据保存子模块，辅助治疗模块还包括影像显示子模块和数据保存子模块，用户中心模块包括个人中心子模块和账户设置子模块，系统维护模块包括公告管理子模块和角色审核子模块。3.根据权利要求2所述的一种基于深度学习的肺癌辅助诊疗系统，其特征在于：所述Web子系统中的辅助诊断模块、辅助治疗模块、数据读取子模块、数据保存子模块和算法子系统中的辅助诊断模块、辅助治疗模块、数据读取模块、数据保存模块的工作职责不同，Web子系统中的这些模块是用户可以在系统页面上看到的功能模块，用户可以在系统页面上通过可视化的方式操作这些模块，而算法子系统中的上述四种模块是在算法层面上的应用。4.根据权利要求3所述的一种基于深度学习的肺癌辅助诊疗系统，其特征在于：所述算法模型训练阶段，包括以下步骤：步骤一、算法子系统调用数据读取模块从文件存储库中读入医生前期标注好的CT影像数据集；步骤二、算法子系统数据预处理模块扩展微调CT影像数据集，并且划分训练集、验证集和测试集；步骤三、算法子系统调用数据保存模块将划分好的数据集保存在文件存储库中；步骤四、进入肺结节检测模型训练模块和肺部器官分割模型训练模块准备进行模型训练工作，分别构建YoloV3肺结节检测网络和UNet肺部器官分割网络；步骤五、使用肺部CT影像训练集分别对YoloV3算法网络和UNet算法网络进行训练得到肺结节检测模型和肺部器官分割模型；
步骤六、使用验证集分别对训练好的肺结节检测模型和肺部器官分割模型进行验证，从多次迭代训练中挑选出最优模型；步骤七、使用测试集对挑选出的最优模型进行测试；步骤八、如果测试结果不满足要求，则将训练参数调整优化，重新进行模型训练；步骤九、如果测试结果满足要求，则调用数据保存模块保存模型至文件存储库中；步骤十、最后分别将文件存储库中保存的最优的肺结节检测模型和最优的肺部器官分割模型嵌入到辅助诊断模块和辅助治疗模块中进行部署，供分析就诊者CT影像时使用。5.根据权利要求4所述的一种基于深度学习的肺癌辅助诊疗系统，其特征在于：所述肺结节检测模型训练模块在使用YoloV3算法网络训练肺结节检测模型时，直至损失函数稳定不再下降则停止训练，损失函数是预测值和真实值之间差异的数值化表示，是决定算法网络训练学习质量的关键，在算法网络结构不变的前提下，损失函数选择不当会导致训练出来的模型精度差的效果，训练肺结节检测模型过程中采用的损失函数如下：上式中，λ
coord
为预测坐标的误差系数，λ
noobj
为不包含识别目标时置信度的误差系数，S2表示将输入的CT影像划分成的网格数量，B表示每一个网格产生的预测框...
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。