【技术实现步骤摘要】
一种基于细粒度网络毫微米级别影像精细解剖结构量化分析工具
[0001]
本专利涉及一种基于深度学习网络的医学影像分析领域，具体是指一种基于细粒度网络的毫米
‑
微米级别影像精细解剖结构分析工具。
[0002]
技术介绍
医学影像能为疾病的临床诊断与疾病筛查、诊疗设计和预后判断提供不可或缺的重要信息。随着精准医学时代的到来，医学影像中诸多毫米
‑
微米级别的精细解剖结构的临床意义被不断挖掘，例如动脉瘤的大小、小支气管的数量、肺部结节的尺寸、上前牙唇侧骨壁的分类等，上述各专科精细解剖结构的尺寸往往小于10mm，但是其数量、尺寸、分类、形态、位置等定量及半定量特征具有重要的临床指导意义：在临床中，根据CT影像中的肺结节直径是否超过6mm，可预判其良恶性的概率；根据血管造影中脑动脉瘤大小选择相应的干预手段，直径小于7mm的动脉瘤破裂风险小，趋于保守治疗；肺部CT中直径小于2mm的小支气管的数量与生理性肺功能损失、特发性肺纤维等生理病理变化有关；恶性肿瘤的脑转移细微病灶在早期发现及治疗，将提高患者的生存率及生活质量；口...
【技术保护点】
【技术特征摘要】
1.一种基于细粒度网络的毫米
‑
微米级别影像精细解剖结构分析工具，其特征在于，包含以下步骤：S1、构建标准化影像精细解剖结构数据库S1.1、医学影像的标准化收集收集各专科在疾病诊治中所需的影像学资料，在影像学资料收集过程中，需要由专业人员进行影像图片的质量控制，筛除模糊、存在伪影的影像学资料，确保所收集影像学资料能准确反映相应精细解剖结构的定量及半定量特征；S1.2、构建标准化精细解剖结构影像资料库根据所属影像学资料来源及类型，将步骤S1.1所收集的标准化影像学资料进行归类和存储，按照不同专科对相应精细解剖结构的分析需要，选取最有利于诊断及特征观察的剖面，进行图像截取，获取精细解剖结构的标准二维图像；S1.3、精细解剖结构的提取、测量、标注模块将步骤S1.2所获取的精细解剖结构的标准二维图像导入数据量化分析软件中，由受过系统性训练的人员进行指标提取、测量、标注，得到精细解剖结构的定量化数据；根据定量化数据及临床语义，赋予精细解剖结构相应的半定量类别标签；S1.4、构建标准化影像精细解剖结构数据库将步骤S1.2中获得的精细解剖结构的标准二维图像与步骤S1.3中获得的定量化数据、半定量标签与进行匹配，以图像所来源的患者信息为主键，关联该所属于该患者的标准二维图像、定量化数据及半定量标签，构建标准化影像精细解剖结构数据库；S2、构建搭载细粒度图像识别网络的影像精细解剖结构量化分析模块构建细粒度图像识别网络模型的精细解剖结构量化分析模块，细粒度图像识别网络主要由以下部分组成，包括：数据输入单元、特征提取单元、特征融合单元及数据量化分析单元；S2.1、构建数据输入单元采用采用计算机语句自动读取步骤S1.4所构建的标准化影像精细解剖结构数据库中的二维图像及对应数据，数据输入单元将标准化精细解剖结构数据库中的二维图像转化为矩阵信息输入特征提取单元中；S2.2、构建特征提取单元采用以卷积神经网络主干作为特征提取单元，将步骤S2.1所述数据输入单元中的矩阵信息输入到卷积神经网络主干中，获得包含精细解剖结构量化信息特征图；S2.3、构建特征融合单元特征融合单元包括双线性池化层、梯度提升损失函数和/或全连接层，将步骤S2.2中所获得的精细解剖结构量化信息特征图输入到特征融合单元中进行特征融合及降维操作，确保重要特征不丢失；S2.4、构建数据量化分析单元采用softmax层作为数据量化分析单元：将步骤S2.3所获得融合特征输入到softmax层，softmax层将上述单元的输出映射到（0，1）区间，计算所选loss函数，获得不同类别的预测概率，通过给定阈值T，得到多个精细解剖结构的量化分析结果，包括定量化数据及半定量数据；
S3、训练具备影像精细解剖结构量化分析能力的细粒度图像识别模块S3.1、构建精细解剖结构量化分析模块训练样本集投入步骤S2中所述的搭载细粒度图像识别网络的影像精细解剖结构量化分析模块进行训练及验证，构建影像精细解剖结构量化分析模块；S3.2、精细解剖结构量化分析模块性能评估将测试数据集输入步骤S3.1所述的影像精细解剖结构量化分析模块，评估输出的量化分析结果；S4、构建毫米
‑
微米级别精细影像结构智能分析系统在步骤S3获得的影像精细解剖结构量化分析模块的基础上，构建毫米
‑
微米级别精细影像结构智能分析系统。2.根据权利要求1所述的一种基于细粒度网络的毫米
‑
微米级别影像精细解剖...
【专利技术属性】
技术研发人员：陈泽涛，王瑞轩，龚卓弘，李晓晖，施梦汝，蔡耿彬，
申请(专利权)人：中山大学附属口腔医院，
类型：发明
国别省市：
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。