肾上腺功能性肿瘤分型定位设备、装置及存储介质制造方法及图纸

本发明专利技术涉及人工智能与数字医疗技术，其实施例提供了肾上腺功能性肿瘤分型定位设备、装置及存储介质，该设备执行的方法包括：将预处理后的肾上腺CT数据输入至第一nnUnet网络进行学习分割处理得到肾脏掩膜数据；将所述肾脏掩膜数据和所述肾上腺CT数据输入至第二nnUnet网络进行学习分割处理得到肾上腺肿瘤的第一分割结果；将所述第一分割结果输入至设置有变分自编码器的nnUnet

【技术实现步骤摘要】
肾上腺功能性肿瘤分型定位设备、装置及存储介质


[0001]本专利技术涉及数字医疗领域，尤其涉及一种肾上腺功能性肿瘤分型定位设备、装置及存储介质。

技术介绍

[0002]肾上腺肿瘤是临床常见肿瘤之一，会导致激素分泌过多从而引起各种内分泌失调及相关临床症状。目前肾上腺肿瘤的临床诊断需要图像分析和全面的内分泌激素检查相结合。但是，由于促肾上腺皮质激素、醛固酮、变肾上腺素等激素的检测费用昂贵且耗时，程序复杂，受食物、药物因素的影响也很大。甚至一些医院是不具备内分泌激素检验能力的，因此很难保证对患者及时而准确地诊断。
[0003]医生和科研人员探索过CT扫描放射学参数在预测具有激素活性的功能性肿瘤上的可能，借助深度卷积神经网络区分胸部良性和恶性结节、分割肝脏和胰腺肿瘤。但缺少利用CT图像检测并区分肾上腺功能性肿瘤类型的研究和应用。此外对于像肾上腺CT这样的大型三维图像，数据采集和标注的难度很大，会严重影响模型的性能和鲁棒性。

技术实现思路

[0004]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0005]本专利技术实施例的主要目的在于提出一种肾上腺功能性肿瘤分型定位方法，肾上腺功能性肿瘤图像识别精度。
[0006]第一方面，本专利技术实施例提供了一种肾上腺功能性肿瘤分型定位设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现的方法包括：
[0007]将预处理后的肾上腺CT数据输入至第一nnUnet网络进行学习分割处理，得到肾脏掩膜数据；
[0008]将所述肾脏掩膜数据和所述肾上腺CT数据输入至第二nnUnet网络进行学习分割处理，得到肾上腺肿瘤的第一分割结果；
[0009]将所述第一分割结果输入至设置有变分自编码器的nnUnet
‑
VAE网络中生成潜在变量特征图；
[0010]通过全连接层将潜在变量特征图构建均值向量和标准差向量；
[0011]通过所述KL散度对所述均值向量和所述标准差向量与正态分布均值和标准差值进行比较，得到差异结果；
[0012]根据所述差异结果对网络进行训练，得到肾脏图像分析结果。
[0013]在一实施例中，所述处理器执行的所述在所述将预处理后的肾上腺CT数据输入至第一nnUnet网络进行学习分割处理，得到肾脏掩膜数据的方法之前，所述处理器执行的所述方法包括：
[0014]获取肾上腺的CT数据，所述CT数据包括动脉期数据、静脉期数据和平扫期数据；
[0015]将所述动脉期数据、所述静脉期数据和所述平扫期数据进行预处理，得到预处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据。
[0016]在一实施例中，所述处理器执行的所述将所述动脉期数据、所述静脉期数据和所述平扫期数据进行预处理，得到预处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据的方法，包括：
[0017]将所述动脉期数据、所述静脉期数据和所述平扫期数据的原点对齐处理；
[0018]将源点对齐处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据的体素值和体素间距进行归一化处理，得到预处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据。
[0019]在一实施例中，所述第一nnUnet网络或者第二nnUnet网络中设置的损失函数的公式包括：
[0020]L
nnUnet
＝L
dc
+L
ce
；
[0021]其中，L
ce
是交叉熵损失函数，L
ce
是三类功能性肾上腺肿瘤的diceloss损失函数。
[0022]在一实施例中，所述nnUnet
‑
VAE网络中设置的损失函数的公式包括：
[0023]L
nnUnet
‑
vae
＝L
nnUnet
+L
cls
+L
vae
；
[0024]L
vae
＝L
KL
+L
MSE
；
[0025]其中，L
cls
是分类的交叉熵损失函数，L
KL
是代表KL散度，L
MSE
是模型输入图像与nnUnet
‑
VAE网络输出结果的均方误差损失函数。
[0026]在一实施例中，所述第一nnUnet网络或者第二nnUnet网络包括编码器和与编码器进行跳跃连接解码器，所述编码器用于执行多个下采样操作和构造多个特征图的操作，解码器用于从最深层网络的特征图开始进行连续多次上采样的操作。
[0027]在一实施例中，所述处理器执行的所述通过全连接层将潜在变量特征图构建均值向量和标准差向量的方法，包括：
[0028]通过全连接层将潜在变量特征图构建一个1024维均值向量和一个1024维的标准差向量。
[0029]在一实施例中，所述处理器执行的方法还包括：将所述肾脏图像指示结果进行可视化处理，并显示在屏幕上。
[0030]第二方面，本专利技术实施例提供了一种肾上腺功能性肿瘤分型定位装置，包括：
[0031]第一分割模块，用于将预处理后的肾上腺CT数据输入至第一nnUnet网络进行学习分割处理，得到肾脏掩膜数据；
[0032]第二分割模块，用于将所述肾脏掩膜数据和所述肾上腺CT数据输入至第二nnUnet网络进行学习分割处理，得到肾上腺肿瘤的第一分割结果；
[0033]生成模块，用于将所述第一分割结果输入至设置有变分自编码器的nnUnet
‑
VAE网络中生成潜在变量特征图；
[0034]构建模块，用于通过全连接层将潜在变量特征图构建均值向量和标准差向量；
[0035]比较模块，用于通过所述KL散度对均值向量和标准差向量与正态分布均值和标准差值进行比较，得到差异结果；
[0036]训练模块，用于根据所述差异结果对网络进行训练，得到判断结果。
[0037]在一实施例中，还包括获取模块，获取模块用于获取肾上腺的CT数据，所述CT数据包括动脉期数据、静脉期数据和平扫期数据；
[0038]将所述动脉期数据、所述静脉期数据和所述平扫期数据进行预处理，得到预处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据。
[0039]在一实施例中，获取模块还用于将所述动脉期数据、所述静脉期数据和所述平扫期数据的原点对齐处理；将源点对齐处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据的体素值和体素间距进行归一化处理，得到预处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据。
[0040]在一实施例中，所述第一nnUnet网络或者第二nnUnet网络中设置的损失函数的公式包括：
[0041]L
nnUnet
＝L
dc本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.肾上腺功能性肿瘤分型定位设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现的方法包括：将预处理后的肾上腺CT数据输入至第一nnUnet网络进行学习分割处理，得到肾脏掩膜数据；将所述肾脏掩膜数据和所述肾上腺CT数据输入至第二nnUnet网络进行学习分割处理，得到肾上腺肿瘤的第一分割结果；将所述第一分割结果输入至设置有变分自编码器的nnUnet
‑
VAE网络中生成潜在变量特征图；通过全连接层将潜在变量特征图构建均值向量和标准差向量；通过所述KL散度对所述均值向量和所述标准差向量与正态分布均值和标准差值进行比较，得到差异结果；根据所述差异结果对网络进行训练，得到肾脏图像分析结果。2.根据权利要求1所述的肾上腺功能性肿瘤分型定位设备，其特征在于，所述处理器执行的所述在所述将预处理后的肾上腺CT数据输入至第一nnUnet网络进行学习分割处理，得到肾脏掩膜数据的方法之前，所述处理器执行的所述方法包括：获取肾上腺CT数据，所述CT数据包括动脉期数据、静脉期数据和平扫期数据；将所述动脉期数据、所述静脉期数据和所述平扫期数据进行预处理，得到预处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据。3.根据权利要求2所述的肾上腺功能性肿瘤分型定位设备，其特征在于，所述处理器执行的所述将所述动脉期数据、所述静脉期数据和所述平扫期数据进行预处理，得到预处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据的方法，包括：将所述动脉期数据、所述静脉期数据和所述平扫期数据的原点对齐处理；将源点对齐处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据的体素值和体素间距进行归一化处理，得到预处理后的所述动脉期数据、所述静脉期数据和所述平扫期数据。4.根据权利要求1所述的肾上腺功能性肿瘤分型定位设备，其特征在于，所述第一nnUnet网络或者第二nnUnet网络中设置的损失函数的公式包括：L
nnUnet
＝L
dc
+L
ce
；其中，L
ce
是交叉熵损失函数，L
ce
是三类功能性肾上腺肿瘤的dice loss损失函数。5.根据权利要求1所述的肾上腺功能性肿瘤分型定位设备，其特征在于，所述nnUnet
‑
VAE网络中设置的损失函数的公式包括：L
nnUnet
‑
vae
＝L
nnUnet
+L
cls
+L
vae
；L...

【专利技术属性】
技术研发人员：韩英男，初晓，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：