一种基于深度学习技术预测直径≤1cm肺结节良恶性的系统技术方案

本发明专利技术提供了一种基于深度学习技术预测直径≤1cm肺结节良恶性的系统，属于疾病诊断技术领域。本发明专利技术所述系统包括如下部分：特征提取模块，输入经过预处理的临床胸部CT图像，对输入的图像进行降采样和特征学习；预测模块，用于获得直径≤1cm肺结节的良恶性预测概率；输出模块，用于输出预测结果。本发明专利技术预测系统灵敏度高、特异性好、准确率高，可解决直径≤1cm肺结节良恶性难以判断的问题，对于肺癌早期诊断具有重要意义，具有良好的应用前景。具有良好的应用前景。具有良好的应用前景。

【技术实现步骤摘要】
一种基于深度学习技术预测直径
≤
1cm肺结节良恶性的系统


[0001]本专利技术属于疾病诊断
，具体涉及一种基于深度学习技术预测直径≤1cm肺结节良恶性的系统。

技术介绍

[0002]GLOBOCAN 2020数据显示，全球估计有1930万新发癌症病例和1000万癌症死亡病例；其中肺癌仍为最常见的癌症病种且位居第二，估计有221万新发病例，同样肺癌也是癌症死亡的主要原因，估计有180万死亡病例。在中国，从1990
‑
2019年肺癌发病率、患病率和死亡率均呈上升趋势。此外，2012
‑
2014年数据显示中国III
‑
IV期肺癌占比高达64.6％，2003
‑
2015年数据显示肺癌5年生存率虽然略有上升但仍不超过20.0％。因此在全球范围内肺癌疾病负担重，中国的状况也不可观。
[0003]为了实现肺癌早发现、早诊断、早治疗，进而改善患者预后，多国已陆续开展肺癌筛查试验。既往研究，如National Lung Screening Trial(NLST)和Nederlands
–
Leuvens Longkanker Screenings Onderzoek(NELSON)筛查试验，均已提示通过胸部计算机断层扫描(computed tomography，CT)筛查可及早对肺癌进行干预，降低肺癌死亡率。我国也提出要加强肺癌早期筛查、风险评估，并在不断完善相关指南。准确的风险评估可以减少过度诊疗、辐射曝露、医疗资料浪费，同时减少患者的焦虑。筛查过程中，早期肺癌在胸部CT上主要表现为孤立性肺结节，即直径≤3cm圆形或椭圆形阴影，完全被肺实质包裹，不伴有淋巴结肿大、肺不张或肺炎等。但是肺结节也有良性结节。随着肺癌筛查的开展，肺结节的检出率逐渐升高，如何从众多结节中鉴别出潜在的肺癌病灶变得至关重要。其中，对亚厘米(直径≤1cm)肺结节的鉴别十分具有挑战，因为该类肺结节在临床中占比高且多为良性，容易产生误判。如果能够建立一种预测直径≤1cm肺结节良恶性的系统，对于肺癌患者来说具有重要意义，甚至可以挽救患者的生命。
[0004]近年来，随着计算机硬件和机器学习算法的进步，人工智能技术在医学领域不断发展，因此疾病的影像学评估也有了质的飞越。不同于传统影像图像解读，深度学习技术可以从医学图像中挖掘与临床信息相关联的定量特征，为疾病的诊断、治疗、监测等提供支持。公告号为CN106372390B的专利公开了一种基于深度卷积神经网络的预防肺癌自助健康云服务系统，但是该专利并不针对直径≤1cm肺结节进行良恶性预测。目前尚无专利技术基于深度学习技术建立风险预测模型辅助直径≤1cm肺结节的诊断。

技术实现思路

[0005]针对现有技术的问题，本专利技术提供了一种基于深度学习技术预测直径≤1cm肺结节良恶性的系统。
[0006]本专利技术提供了一种基于深度学习技术预测直径≤1cm肺结节良恶性的系统，所述系统包括如下部分：
[0007]特征提取模块，输入经过预处理的临床胸部CT图像，对输入的图像进行降采样和
特征学习；
[0008]预测模块，用于获得直径≤1cm肺结节的良恶性预测概率；
[0009]输出模块，用于输出预测结果；
[0010]特征提取模块中，所述深度学习模型为基线全肺模型时，输入的图像为全肺图像；所述深度学习模型为基线结节切片模型时，输入的图像为结节切片图像；所述深度学习模型为基线结节模型时，输入的图像为结节图像；所述深度学习模型为随访结节模型时，输入的图像为基线结节图像和随访结节图像。
[0011]进一步地，深度学习模型为基线全肺模型、基线结节切片模型或基线结节模型时，所述特征提取模块个数为1，由1个输入模块和4个降采样模块组成，所述特征提取模块用于提取全肺图像、结节切片图像或结节图像的特征；所述预测模块由1个全局平均池化层、1个全连接层和1个softmax激活函数层组成；
[0012]和/或，深度学习模型为随访结节模型时，所述特征提取模块个数为2，每个特征提取模块由1个输入模块和4个降采样模块组成，所述特征提取模块分别用于提取基线结节图像和随访结节图像的特征；所述预测模块由2个全局平均池化层、1个全连接层和1个softmax激活函数层组成，2个全局平均池化层数据通过特征通道级联依次输入全连接层和softmax激活函数层。
[0013]进一步地，所述基线全肺模型中，网络输入包含全肺区域，其肺外背景强度设为0；
[0014]和/或，所述基线结节切片模型中，网络输入包含结节所在的几个CT层面，其肺外背景强度设为0；
[0015]和/或，所述基线结节模型中，网络输入包含两个通道图像，其中一个通道为包含结节的灰度图像；另一个通道为结节掩模图像，其中结节区域设置为1，结节外部背景设置为0；
[0016]和/或，所述随访结节模型中，分别对基线结节图像和随访结节图像提取特征，基线结节输入和随访结节输入均包含两个通道图像，其中一个通道为包含结节的灰度图像；另一个通道为结节掩模图像，其中结节的区域设置为1，结节外部的背景设置为0。
[0017]进一步地，所述临床胸部CT图像的预处理方法为：首先，对图像进行像素标准化，将CT图像的灰度值范围标准化为平均值为0，方差为1的分布，归一化后，输入图像的灰度值范围为[
‑
1,1]；其次，将图像大小进行标准化，输入至基线全肺模型、基线结节切片模型、基线结节模型和随访结节模型的图像裁剪尺寸分别设置为352
×
240
×
48、352
×
240
×
16、32
×
32
×
32和64
×
64
×
64；所有图像分辨率统一为0.5
×
0.5
×
1mm3。
[0018]进一步地，所述输入模块由一个卷积模块构成，卷积模块由一个卷积层、一个批标准化层和一个ReLU激活函数层组成；
[0019]优选地，所述卷积层核大小设置为3
×3×
3，步长大小设置为1
×1×
1。
[0020]进一步地，所述每个降采样模块都采用残差结构；所述每个降采样模块由不同个数的卷积模块组成，4个降采样模块的卷积模块数量分别为2、3、4和4。
[0021]进一步地，所述每个降采样模块中，第一个卷积模块由一个卷积层、一个批标准化层和一个ReLU激活函数层组成，目的是对输入进行降采样，剩下的卷积模块由一个卷积层、一个批标准化层和一个ReLU激活函数层组成，目的是特征学习。
[0022]进一步地，所述第一个卷积模块中，卷积层核大小和步长大小分别为2
×2×
2和2
×2×
2；和/或，所述剩下的卷积模块中，卷积层核大小设置为3
×3×
3，步长大小设置为1
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习技术预测直径≤1cm肺结节良恶性的系统，其特征在于：所述系统包括如下部分：特征提取模块，输入经过预处理的临床胸部CT图像，对输入的图像进行降采样和特征学习；预测模块，用于获得直径≤1cm肺结节的良恶性预测概率；输出模块，用于输出预测结果；特征提取模块中，所述深度学习模型为基线全肺模型时，输入的图像为全肺图像；所述深度学习模型为基线结节切片模型时，输入的图像为结节切片图像；所述深度学习模型为基线结节模型时，输入的图像为结节图像；所述深度学习模型为随访结节模型时，输入的图像为基线结节图像和随访结节图像。2.根据权利要求1所述的系统，其特征在于：深度学习模型为基线全肺模型、基线结节切片模型或基线结节模型时，所述特征提取模块个数为1，由1个输入模块和4个降采样模块组成，所述特征提取模块用于提取全肺图像、结节切片图像或结节图像的特征；所述预测模块由1个全局平均池化层、1个全连接层和1个softmax激活函数层组成；和/或，深度学习模型为随访结节模型时，所述特征提取模块个数为2，每个特征提取模块由1个输入模块和4个降采样模块组成，所述特征提取模块分别用于提取基线结节图像和随访结节图像的特征；所述预测模块由2个全局平均池化层、1个全连接层和1个softmax激活函数层组成，2个全局平均池化层数据通过特征通道级联依次输入全连接层和softmax激活函数层。3.根据权利要求1所述的系统，其特征在于：所述基线全肺模型中，网络输入包含全肺区域，其肺外背景强度设为0；和/或，所述基线结节切片模型中，网络输入包含结节所在的几个CT层面，其肺外背景强度设为0；和/或，所述基线结节模型中，网络输入包含两个通道图像，其中一个通道为包含结节的灰度图像；另一个通道为结节掩模图像，其中结节区域设置为1，结节外部背景设置为0；和/或，所述随访结节模型中，分别对基线结节图像和随访结节图像提取特征，基线结节输入和随访结节输入均包含两个通道图像，其中一个通道为包含结节的灰度图像；另一个通道为结节掩模图像，其中结节的区域设置为1，结节外部的背景设置为0。4.根据权利要求1所述的系统，其特征在于：所述临床胸部CT图像的预处理方法为：首先，对图像进行像素标准化，将CT图像的灰度值范围标准化为平均值为0，方差为1的分布，归一化后，输入图像的灰度值范...

【专利技术属性】
技术研发人员：李为民，陈勃江，张瑞，石峰，隗英，周庆，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：