一种自动生成鼻咽癌影像诊断结构化报告方法技术

本发明专利技术公开了一种自动生成鼻咽癌影像诊断结构化报告方法，首先建立基于卷积神经网络的鼻咽癌非刚性配准模型，选取一组健康人头部MRI图像和多组含有鼻咽癌的MRI图像，预处理后，作为学习样本输入网络进行迭代训练，得到一个配准模型；预测配准到模板MRI图像的变形场，将病人的MRI图像和模板MRI图像输入训练好的配准模型，获得模型预测的变形场；将鼻咽癌ROI图像配准到模板MRI图像，用得到的变形场对相应病人的鼻咽癌ROI图像进行配准，得到以模板图像为目标的配准后鼻咽癌ROI图像；生成结构化报告，计算得到的配准后鼻咽癌ROI图像和模板MRI图像中的医学解剖结构的体素侵犯率，生成结构化报告。该方法模型精简，生成快速，准确率高，完整性好。完整性好。完整性好。

【技术实现步骤摘要】
一种自动生成鼻咽癌影像诊断结构化报告方法


[0001]本专利技术涉及医学图像处理和医学影像报告领域，具体是一种自动生成鼻咽癌影像诊断结构化报告方法。

技术介绍

[0002]临床上，医学影像的解释由医生完成，医生审阅医学影像，对其中医学发现进行分析和描述，并给出影像诊断和报告。但随着医学成像技术的进步发展，医学影像数据呈指数性增加，给医生的带来了巨大的诊断压力和报告撰写负荷，因此许多采用结构化格式和标准化术语的自动医学影像报告方法被提出，并应用在各个医学成像领域。在鼻咽癌诊断中，准确的鼻咽癌MRI自动医学影像报告可以帮助临床和放射科医生减少阅片和撰写影像报告的时间、准确做出疾病诊断、提高影像诊断精度，避免漏诊和误诊。

技术实现思路

[0003]本专利技术的目的是克服传统医学影像报告的不足，提供一种自动生成鼻咽癌影像诊断结构化报告方法，该方法构建的模型精简，生成报告快速，准确率高，完整性好。
[0004]实现本专利技术目的的技术方案是：一种自动生成鼻咽癌影像诊断结构化报告方法，包括如下步骤：1）建立基于卷积神经网络的鼻咽癌非刚性配准模型，选取一组健康人头部MRI图像和多组含有鼻咽癌的MRI图像，预处理后，作为学习样本输入由卷积神经网络和空间转换模块构建的鼻咽癌非刚性配准模型中进行迭代训练，得到一个训练完成的配准模型；2）预测配准到模板MRI图像的变形场：将病人的MRI图像和模板MRI图像输入步骤1）中训练好的配准模型，进行一次非刚体图像的配准，预测出尺寸和输入相同，每个点对应像素x、y、z位移分量的变形场，获得模型预测的变形场；3）将鼻咽癌ROI图像配准到模板MRI图像，用步骤2）得到的变形场对相应病人的鼻咽癌ROI图像进行进行变形场重采样，将病人的鼻咽癌ROI图像配准到以正常人模板图像为公共域的空间，得到以模板图像为目标的配准后鼻咽癌ROI图像；4）生成结构化报告：采用图像处理的方式，分别计算步骤3）得到的配准后鼻咽癌ROI和32个特定医学解剖结构的重叠体素，再除以每个解剖结构的总体素，得到相应解剖结构的体素侵犯率，统计被侵犯解剖结构，生成结构化报告。
[0005]步骤1）中，所述的鼻咽癌非刚性配准模型，由卷积神经网络和空间转换模块组成；卷积神经网络包括特征提取的编码器和特征还原的解码器，以及四条特征信息融合的跨连接结构，将选取的健康人MRI图像作为模板图像，含有鼻咽癌的MRI图像作为浮动图像，预处理后，分别合成为双通道图像对，输入卷积神经网络，分析后输出相应的变换参数；空间转换模块根据变换参数生成变形场并对浮动图像重采样，得到形变后的浮动图像，计算形变浮动图像和模板图像的归一化互相关来得到损失函数值，反向传播后更新网络参数，直到相似性测度最大化，模型训练完成。
[0006]本专利技术提供的一种自动生成鼻咽癌影像诊断结构化报告方法，该方法将基于深度学习的无监督非刚性配准方法应用于医学影像报告领域，该配准方法利用深度学习自身的优势，通过大量数据训练网络，提升针对特定应用场景的能力，仅需要一次前向传播的计算，即可预测出新鼻咽癌图像配准到模板图像上的变形场，大大缩减了图像配准的时间。将鼻咽癌MRI图像配准到以正常人模板图像为公共域的空间后，进行量化分析病变区域，精准计算鼻咽癌ROI对32个特定医学解剖结构的侵犯情况，以此自动生成一份结构化格式、标准化术语、前后一致的医学影像报告。
附图说明
[0007]图1为一种自动生成鼻咽癌影像诊断结构化报告方法的流程图；图2为为鼻咽癌非刚性配准模型的卷积神经网络示意图；图3为鼻咽癌图像配准过程的框架图。
具体实施方式
[0008]下面结合附图和实施例对本
技术实现思路
做进一步阐述，但不是对本专利技术的限定。
[0009]实施例：如图1所示，一种自动生成鼻咽癌影像诊断结构化报告方法，包括如下步骤：1）选取一组健康人MRI头部图像作为模板图像，多组鼻咽癌MRI图像作为浮动图像，对MRI图像进行下采样，采样到16
×
256
×
256像素，下采样的部分包括鼻咽以及32个特定医学解剖结构部分，采用ANTs包中的Affine算法进行浮动图像和模板图像的预配准，最后对图像进行像素值归一化；2）将每个浮动图像和模板图像分别合成一个双通道图像对，作为训练集输入模型进行训练，得到一个鼻咽癌非刚性配准模型。
[0010]建立基于卷积神经网络的鼻咽癌非刚性配准模型，如图2所示，结构部分具体参考U
‑
net中的编码器和解码器结构，参考FCN中跳跃连接结构，参考STN中的空间转换结构。编码器结构用于网络的特征提取，增大网络感受野，解码器用于网络的上采样过程，特征图还原为原图尺寸，逐像素的进行位移预测。跳跃连接结构将深层次、抽象的特征信息和浅层次、具体的特征信息进行融合。空间转换结构使网络具有空间不变形，嵌入到网络中使模型可以通过反向传播来端到端地训练，找到浮动图像最接近模板图像的空间转换。
[0011]模型正向传播计算浮动图像和模板图像的非相似性指标损失函数值，反向传播采用Adam小批量梯度下降法来最小化损失函数，完成模型权重参数的迭代更新，到达自我训练的目的；模型编码阶段，卷积层使用步长为2，卷积核大小为4
×4×
4的步长卷积，达到降采样作用；模型解码阶段，网络交替使用上采样层与步长为1，卷积核大小为3
×3×
3大小的卷积层，同时跨连接部分将编码阶段的特征图传递到解码阶段，帮助预测浮动图像配准到模板图像上的变形场。空间变换阶段，使用变形场生成的配准采样网格，对浮动图像进行变形和插值，得到和模板图像配准效果最优的变形场和变形后的浮动图像。
[0012]上述配准模型通过训练头部鼻咽癌MRI图像和模板图像对得到，可以预测鼻咽癌MRI图像配准到模板图像上的变形场。
[0013]3）将新的鼻咽癌MRI图像和模板MRI图像输入到训练好的模型中，通过一次正向传播计算就可以实现非刚性的配准，预测出变形场。
[0014]4）用变形场对新鼻咽癌的ROI图像进行以模板MRI图像为目标的配准，得到以正常人模板图像为公共域的ROI，配准过程的框架图如图3所示。
[0015]5）计算配准后的鼻咽癌ROI和模板图像中32个特定医学解剖结构的体素侵犯率，统计出被侵犯的解剖结构，生成结构化报告。
[0016]以上所述过程大部分为非刚体配准模型训练和图像配准过程，实际操作时，只需要输入鼻咽癌患者的MRI图像，即可自动得到标准化的鼻咽癌结构化报告。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动生成鼻咽癌影像诊断结构化报告方法，其特征在于，包括如下步骤：1）建立基于卷积神经网络的鼻咽癌非刚性配准模型，选取一组健康人头部MRI图像和多组含有鼻咽癌的MRI图像，预处理后，作为学习样本输入由卷积神经网络和空间转换模块构建的鼻咽癌非刚性配准模型中进行迭代训练，得到一个训练完成的配准模型；2）预测配准到模板MRI图像的变形场：将病人的MRI图像和模板MRI图像输入步骤1）中训练好的配准模型，进行一次非刚体图像的配准，预测出尺寸和输入相同，每个点对应像素x、y、z位移分量的变形场，获得模型预测的变形场；3）将鼻咽癌ROI图像配准到模板MRI图像，用步骤2）得到的变形场对相应病人的鼻咽癌ROI图像进行进行变形场重采样，将病人的鼻咽癌ROI图像配准到以正常人模板图像为公共域的空间，得到以模板图像为目标的配准后鼻咽癌ROI图像；4）生成结构化报告：采用图像处理...

【专利技术属性】
技术研发人员：杨世鑫，黎浩江，陈洪波，黄文捷，黄乾洋，阮广英，刘立志，
申请(专利权)人：中山大学肿瘤防治中心中山大学附属肿瘤医院，中山大学肿瘤研究所，
类型：发明
国别省市：