一种颈部CT图像处理方法、装置、设备及介质制造方法及图纸

本发明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。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图像以及发生转移区域的位置标签；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

【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、激励挤压注意力模块以及特征金字塔网络构建；
[0009]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；
[0010]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；
[0011]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。
[0012]在一些实施例中，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：
[0013]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。
[0014]在一些实施例中，所述特征提取网络基于以下规则构建：
[0015]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；
[0016]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；
[0017]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；
[0018]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；
[0019]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。
[0020]在一些实施例中，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。
[0021]在一些实施例中，所述改进的Faster R
‑
CNN检测网络模型还包括采用ROI Align操作替代Faster R
‑
CNN的ROI Pooling操作。
[0022]在一些实施例中，所述激励挤压注意力模块基于以下规则构建：
[0023]通过全局平均池化将输入特征图压缩为1
×1×
C向量，其中，C表示特征图通道数；
[0024]通过两个全连接层对压缩得到的1
×1×
C向量进行激励操作以融合各通道的特征信息得到融合的1
×1×
C向量；
[0025]将融合的1
×1×
C向量与输入特征图进行通过对应通道权重相乘得到输出特征图。
[0026]在一些实施例中，所述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的步骤包括：
[0027]响应于所述输出图像中存在边界框，则确认边界框所在位置存在甲状腺癌淋巴结转移；
[0028]响应于所述输出图像中不存在边界框，则确认不存在甲状腺癌淋巴结转移。
[0029]根据本专利技术的第二方面，提供了一种颈部CT图像处理装置，所述装置包括：
[0030]获取模块，配置用于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；
[0031]上传模块，配置用于将多个颈部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；
[0032]构建模块，配置用于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；
[0033]训练模块，配置用于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；
[0034]识别模块，配置将待识别的颈部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；
[0035]判定模块，配置用于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。
[0036]根据本专利技术的第三方面，还提供了一种计算机设备，该计算机设备包括：
[0037]至少一个处理器；以及
[0038]存储器，存储器存储有可在处理器上运行的计算机程序，处理器执行程序时执行
前述的颈部CT图像处理方法。
[0039]根据本专利技术的第四方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时执行前述的颈部CT图像处理方法。
[0040]上述一种颈部CT图像处理方法，通过使用ResNet50网络、激励挤压注意力模块以及特征金字塔网络构建特征提取网络，实现对Faster R
‑
CNN检测网络进行改将得到适合小目标检测的网络模型，并在云平台上构建CT甲状腺癌淋巴结转移大型数据集，训练出更具有鲁棒性的网络模型，从而提高CT甲状腺癌淋巴结转移的检出率，实现了通过计算机辅助系统帮助临床医生定位CT甲状腺癌淋巴结转移，具有较高的准确率。
[0041]此外，本专利技术还提供了一种颈部CT图像处理装置、一种计算机设备本文档来自技高网...

【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：