【技术实现步骤摘要】
一种颈部CT图像处理方法、装置、设备及介质
[0001]本专利技术涉及人工智能领域,尤其涉及一种颈部CT图像处理方法、装置、设备及介质。
技术介绍
[0002]甲状腺癌是发病率最高的癌症之一,而绝大多数甲状腺癌在早期都容易发生颈部淋巴结转移(Lymph Node Metastasis,简称LNM),其被认为是局部区域复发的重要危险因素。因此,术前准确诊断甲状腺癌LNM对临床治疗方案的选择及患者预后至关重要。
[0003]目前,相关研究和甲状腺癌治疗指南建议采用电子计算机断层扫描图像(Computed Tomography,简称CT)作为超声检查的辅助手段,用于颈部淋巴结转移的术前检查。但由于CT甲状腺癌淋巴结目标小,且不易与伴随血管区分,准确定位LNM是个艰巨的任务。
技术实现思路
[0004]有鉴于此,有必要针对以上技术问题,提供一种颈部CT图像处理方法、装置、设备及介质。
[0005]根据本专利技术的第一方面,提供了一种颈部CT图像处理方法,所述方法包括:
[0006]获取已确诊发生甲状腺癌淋巴结转移的多个颈部CT图像,以及每个颈部CT图像上发生转移区域对应的位置标签;
[0007]将多个颈部CT图像和每个图像对应的位置标签上传到云平台中以构造训练集和测试集;
[0008]在云平台中构建改进的Faster R
‑
CNN检测网络模型,其中,所述改进的Faster R
‑
CNN检测网络模型的特征提取网络采用ResNet50网络 ...
【技术保护点】
【技术特征摘要】
1.一种颈部CT图像处理方法,其特征在于,所述方法包括:获取已确诊发生甲状腺癌淋巴结转移的多个颈部CT图像,以及每个颈部CT图像上发生转移区域对应的位置标签;将多个颈部CT图像和每个图像对应的位置标签上传到云平台中以构造训练集和测试集;在云平台中构建改进的Faster R
‑
CNN检测网络模型,其中,所述改进的Faster R
‑
CNN检测网络模型的特征提取网络采用ResNet50网络、激励挤压注意力模块以及特征金字塔网络构建;利用所述训练集和所述测试集对所述改进的Faster R
‑
CNN检测网络模型进行训练以得到训练后的检测网络模型;将待识别的颈部CT图像上传云平台并输入到所述训练后的检测网络模型以进行识别得到输出图像;基于所述输出图像判定所述待识别的颈部CT图像是否存在甲状腺癌淋巴结转移。2.根据权利要求1所述的颈部CT图像处理方法,其特征在于,所述将多个颈部CT图像和每个图像对应的位置标签上传到云平台中以构造训练集和测试集的步骤包括:按照预设训练集与测试集比例将多个颈部CT图像中的一部分作为训练集,另一部分作为测试集,其中,所述预设训练集与测试集比例大于一。3.根据权利要求1所述的颈部CT图像处理方法,其特征在于,所述特征提取网络基于以下规则构建:将颈部CT图像输入到ResNet50的Conv1层,以作为特征提取网络的输入;在ResNet50的Conv1层、Conv2层、Conv3层、Conv4层和Conv5层的任意两个相邻层之间嵌入激励挤压注意力模块;先将Conv2层的输出、Conv3层输出、Conv4层输出和Conv5层的输出分别经过1
×
1卷积后进行最近邻上采样操作,然后通过元素相加的形式和低层特征进行自顶向下的映射合并,最后在每个合并的特征图上分别附加一个3
×
3的卷积生成四种尺度的特征图;对四种尺度的特征图中的位于顶层的特征图进行最大池化操作生成最顶层特征图;将四种尺度的特征图和最顶层特征图作为特征提取网络的输出。4.根据权利要求3所述的颈部CT图像处理方法,其特征在于,Faster R
‑
CNN检测网络模型中的RPN网络和ROI Align操作的输入均为所述特征提取网络的输出。5.根据权利要求4所述的颈部CT图像处理方法,其特征在于,所述改进的Faster R
‑
CNN检测网络模型还包括采用ROI Al...
【专利技术属性】
技术研发人员:杨聪敏,
申请(专利权)人:济南浪潮数据技术有限公司,
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。