基于CT影像的残肝体积智能评估系统及方法技术方案

本发明专利技术提供了一种基于CT影像的残肝体积智能评估系统及方法，一种基于CT影像的残肝体积智能评估方法包括以下步骤：S1.被准备有多个不同的深度学习模型以及超参数经验集；S2.使用超参数经验集调整各深度学习模型的超参数，使用训练样本对不同超参数配置下的深度学习模型进行分别训练；S3.选择训练效果最佳的深度学习模型及其超参数配置；S4.使用训练后的深度学习模型对CT成像进行精准分割并识别肿瘤空间位置；S5.依据医师的切除方案评估残肝体积。本发明专利技术提出采用深度学习方式对肝脏CT成像进行精准分割，利用深度学习的优势实现更高精准度的精准分割，能够提高残肝体积测算精准度，提高手术效果。提高手术效果。提高手术效果。

【技术实现步骤摘要】
基于CT影像的残肝体积智能评估系统及方法


[0001]本专利技术属于残肝体积评估
，尤其是涉及一种基于CT影像的残肝体积智能评估系统及方法。

技术介绍

[0002]随着外科技术以及深度学习技术的不断发展，我们在病理性肝切除方面达到了真正意义上的精准切除时代。计算机断层成像(computed tomography，CT)能够为肝脏肿瘤的诊断和治疗提供十分全面的信息，是肝脏肿瘤精准分割的坚实基础。手术切除后的残肝体积的预测，可以对病人术后的肝质量以及肝功能做出一定评判，也有助于判断肿瘤根治性切除后是否预留了足够功能的残肝体积，这对于病人的手术效果以及预后都有非常重要的指导意义。
[0003]精准分割是指，对肝脏不同肝段这一亚结构的边界进行识别的过程，也就是从“完整”的肝脏区域内，“分割”出8大肝段(肝脏的亚结构)，或者从肝脏内“分割”出正常肝脏与肿瘤病变肝组织两类肝脏的部分。为了实现精准分割提高肝切精准度以及评估术后残肝比，技术人员们进行了大量的研究，例如中国专利公开的一种用于表征肝脏切除手术残肝占比的方法，申请号CN202111085064.2，该方案采用三维重建方式完成模拟切除，通过结合区域计算功能与肝脏八段分区识别功能，并嵌入Mimics软件的方式实现肝脏模型重建及残肝占比的表征。但是目前为止没有基于深度学习方式实现精准分割和残肝预测方案。
[0004]深度学习是机器学习的一种，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出，基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
[0005]正常的深度学习，在设计出模型之后需要对每个子组件的超参数进行控制，超参数是在开始学习之前设置值的参数，而不是通过训练得到的参数数据，通常情况下，需要在学习过程中手动对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。但是手动调参是很耗费时间和精力的，目前超参数优化主要有两种非手动方式，第一种是网格搜索，第二种是随机搜索，第一种方式需要将每种超参数组合都尝试一遍，然后选择最优的那组参数，这样的方法显然不够高效，第二种方式随机选择参数组合，效率虽然比第一种高，但是性能不稳定，会出现极端差的超参数组合。

技术实现思路

[0006]本专利技术的目的是针对上述问题，提供一基于CT影像的残肝体积智能评估系统及方法。
[0007]为达到上述目的，本专利技术采用了下列技术方案：
[0008]一种基于CT影像的残肝体积智能评估方法，包括以下步骤：
[0009]S1.被准备有多个不同的深度学习模型以及超参数经验集；
[0010]S2.使用超参数经验集调整各深度学习模型的超参数，使用训练样本对不同超参数配置下的深度学习模型进行分别训练；
[0011]S3.选择训练效果最佳的深度学习模型及其超参数配置；
[0012]S4.使用训练后的深度学习模型对CT成像进行精准分割并识别肿瘤空间位置；
[0013]S5.依据医师的切除方案评估残肝体积。
[0014]在上述的基于CT影像的残肝体积智能评估方法中，步骤S1中，准备一个2DU
‑
Net网络、一个对全图像分辨率运行的正常3DU
‑
Uet网络和由两个3DU
‑
Net级联的级联网络，以及用于针对前述各深度学习模型的超参数经验集。
[0015]在上述的基于CT影像的残肝体积智能评估方法中，步骤S2中，使用经过肝段标注、肿瘤空间标注的CT成像数据集对深度学习模型进行训练。
[0016]在上述的基于CT影像的残肝体积智能评估方法中，从所有经过标注的CT成像数据集中随机选择部分或全部以交叉训练方式用于步骤S2中的训练过程以选择训练效果最佳的深度学习模型及其超参数配置。
[0017]在上述的基于CT影像的残肝体积智能评估方法中，步骤S3中，依据训练过程中的测试结果判断训练效果，测试误差最小即为训练效果最佳。
[0018]在上述的基于CT影像的残肝体积智能评估方法中，步骤S3中，选择最优的深度学习模型及超参数配置后，继续使用全部或剩余的经过标注的CT成像数据集对选择的深度学习模型进行训练以优化模型参数。
[0019]在上述的基于CT影像的残肝体积智能评估方法中，所述的CT成像还标注有各肝脏分段被肿瘤累及情况；
[0020]在步骤S4中，训练后的深度学习模型对CT成像进行精准分割、识别肿瘤空间位置的同时识别不被肿瘤累及和/或被肿瘤累及的肝脏分段。
[0021]在上述的基于CT影像的残肝体积智能评估方法中，步骤S1中，所述的超参数经验集为若干从历史经验中选择的超参数组合，不同的深度学习模型对应有多个不同的超参数组合，或者这些超参数组合同时针对于不同的深度学习模型。
[0022]在上述的基于CT影像的残肝体积智能评估方法中，步骤S5中，医师根据步骤S4的精准分割结果、肿瘤空间位置以及各肝脏分段被肿瘤累及情况设计切除方案。
[0023]在上述的基于CT影像的残肝体积智能评估方法中，步骤S5中，采用分段算法评估残肝体积：
[0024]S51.剔除切除方案中被切除的肝脏部分；
[0025]S52.分离切割后肝脏的各肝脏分段，分别对各肝脏分段分层计算每一层的面积，通过每一层面积加和得到相应肝脏分段的体积；
[0026]S52.将各肝脏分段累加得到残肝体积。
[0027]一种基于CT影像的残肝体积智能评估系统，通过上述方法对残肝体积进行评估。
[0028]本专利技术的优点在于：
[0029]1、本方案提出采用深度学习方式对肝脏CT成像进行精准分割，利用深度学习的优
势实现更高精准度的精准分割；
[0030]2、对深度学习模型结合经验和训练的方式选择模型及超参数优化，简化了手动调参，提高超参数优化效率，从而降低使用深度学习进行残肝预测的时间成本、精力成本和案例要求，使深度学习方式能够被较好地应用于残肝预测；
[0031]3、通过对分割结果进行像素级的计算，得到解剖性肝切术后残肝体积的估算结果，能够实现较好的评估效果；
[0032]4、采用分段以及面积累加方式计算残肝体积，能够提高残肝体积测算精准度，为医生切除计划提供可靠的术后预测评估从而有助于医生更高效、精确地调整和确定手术方案，提高手术效果。
附图说明
[0033]图1为本专利技术系统的模型架构图；
[0034]图2为本专利技术系统的评估流程图；
[0035]图3为模型架构图中的级联网络架构图；
[0036]图4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CT影像的残肝体积智能评估方法，其特征在于，包括以下步骤：S1.被准备有多个不同的深度学习模型以及超参数经验集；S2.使用超参数经验集调整各深度学习模型的超参数，使用训练样本对不同超参数配置下的深度学习模型进行分别训练；S3.选择训练效果最佳的深度学习模型及其超参数配置；S4.使用训练后的深度学习模型对CT成像进行精准分割并识别肿瘤空间位置；S5.依据医师的切除方案评估残肝体积。2.根据权利要求1所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S1中，准备一个2DU
‑
Net网络、一个对全图像分辨率运行的正常3DU
‑
Uet网络和由两个3DU
‑
Net级联的级联网络，以及用于针对前述各深度学习模型的超参数经验集。3.根据权利要求1所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S2中，使用经过肝段标注、肿瘤空间标注的CT成像数据集对深度学习模型进行训练。4.根据权利要求3所述的基于CT影像的残肝体积智能评估方法，其特征在于，从所有经过标注的CT成像数据集中随机选择部分或全部以交叉训练方式用于步骤S2中的训练过程以选择训练效果最佳的深度学习模型及其超参数配置。5.根据权利要求4所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S3中，依据训练过程中的测试结果判断训练效果，测试误差最小即为训练效果最佳。...

【专利技术属性】
技术研发人员：王伟林，丁元，陈以宁，陈婉仪，蔡田，孙忠权，
申请(专利权)人：浙江大学，
类型：发明
国别省市：