医学影像肿瘤恶性风险评估方法、系统、设备和存储介质技术方案

本发明专利技术提供一种医学影像肿瘤恶性风险评估方法、系统、设备和存储介质。所述方法包括：通过边界检测网络模型，获得肿瘤的边界线；根据肿瘤的边界线与规则形状的图形，确定目标规则形状图形；根据目标规则形状图形以及肿瘤的边界线，确定肿瘤的形状不规则度评分；根据多个规则形状图形以及肿瘤的边界线，确定肿瘤的毛刺评分；根据肿瘤的边界线上像素点，确定肿瘤的边界模糊度评分；根据形状不规则度评分、毛刺评分和边界模糊度评分，确定肿瘤的恶性风险评分。根据本发明专利技术，可在医学图像中基于恶性肿瘤自身的特点来评估恶性肿瘤的风险，不依赖于人工对于恶性肿瘤的标注，避免因人工标注精度问题影响模型的评估精度，造成恶性肿瘤的漏检。检。检。

【技术实现步骤摘要】
医学影像肿瘤恶性风险评估方法、系统、设备和存储介质


[0001]本专利技术涉及计算机
，尤其涉及一种医学影像肿瘤恶性风险评估方法、系统、设备和存储介质。

技术介绍

[0002]在相关技术中，CN115100156A提供了一种深度学习级联CT肺结节检测方法及装置，包括：获取切片数据并生成训练集、验证集和测试集；将训练集中的图像数据采用YOLOX检测结节并采用vgg16
‑
unet模型进行分割，得到分割结果；基于所述分割结果提取肺结节影像组学特征；获取外周血cfDNA甲基化特征；将肺结节影像组学特征与cfDNA甲基化特征联合筛选处理，得到最终特征；基于最终特征采用随机森林算法构建诊断模型进行检测。
[0003]CN115620912A提供了一种基于深度学习的软组织肿瘤良恶性预测模型构建方法，建立了一个基于超声图像和临床特征诊断软组织肿瘤(STT)的人工智能辅助STT预测模型。所述模型基于灰阶超声和彩色多普勒超声两个超声模态的图像，以及STT患者的临床特征；利用多数据融合卷积神经网络同时进行超声图像和临床特征的分析，将图像数据和语义信息叠加，进行综合预测。
[0004]CN115115662A提供了一种基于知识与数据融合驱动的多模态医学影像目标分割方法，该方法包括：获取待检测的医学图像，对待检测的医学图像进行增强处理；将增强后的医学图像输入到训练好的目标分割模型中，得到分割结果；所述目标分割模型包括骨干网络和分割网络。
[0005]综上所述，在相关技术中，使用了图像分割和图像识别等模型对医学图像中的肿瘤进行分割和判定，但该判定方式依赖于模型的训练和人工的标注，即，模型仅训练获得人工标注的恶性肿瘤的特征，换言之，模型仅学习到标注者对于恶性肿瘤的判定的知识，并未真正获得恶性肿瘤自身的特点，也不能使模型针对恶性肿瘤的特点进行评价。然而，在人工标注时，可能由于标注者对于恶性肿瘤的识别能力不同，从而造成标注精确度存在差异，模型获得的恶性肿瘤的特征也存在差异，从而造成模型的精度不足，易发生对于恶性肿瘤漏检的情况。
[0006]公开于本申请
技术介绍
部分的信息仅仅旨在加深对本申请的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0007]本专利技术实施例提供一种医学影像肿瘤恶性风险评估方法、系统、设备和存储介质，能够不依赖人工标注，准确客观地评估恶性肿瘤的风险。
[0008]本专利技术实施例的第一方面，提供一种医学影像肿瘤恶性风险评估方法，包括：通过预训练的边界检测网络模型，对医学图像进行边界检测，获得所述肿瘤的边界线；
根据所述肿瘤的边界线，与预设的多种类型的规则形状的图形，确定与肿瘤对应的目标规则形状图形的类型和规格，所述目标规则形状图形的规格包括所述目标规则形状图形的尺寸和形状参数；根据所述目标规则形状图形的类型和规格，以及所述肿瘤的边界线，确定肿瘤的形状不规则度评分；根据与所述目标规则形状的形状一致，尺寸不同的多个规则形状图形，以及所述肿瘤的边界线，确定肿瘤的毛刺评分；根据所述肿瘤的边界线上像素点的像素值，确定肿瘤的边界模糊度评分；根据所述形状不规则度评分、所述毛刺评分和所述边界模糊度评分，确定肿瘤的恶性风险评分。
[0009]在本专利技术的一些实施例中，根据所述肿瘤的边界线，与预设的多种类型的规则形状的图形，确定与肿瘤对应的目标规则形状图形的类型和规格，包括：获取所述肿瘤的边界线围成的图形的长度最大值与宽度最大值；根据所述长度最大值与所述宽度最大值之间的比值，在多种类型的规则形状的图形中确定待定图形；根据各个所述待定图形，以及所述肿瘤的边界线，获得肿瘤的边界线围成的图形的外接图形，所述外接图形与所述待定图形的形状一致；确定所述肿瘤的边界线围成的图形，与各个外接图形的面积比；将面积比最大的外接图形对应的规则形状的图形，确定为目标规则形状图形，并确定所述目标规则形状图形的类型和规格。
[0010]在本专利技术的一些实施例中，根据所述目标规则形状图形的类型和规格，以及所述肿瘤的边界线，确定肿瘤的形状不规则度评分，包括：根据所述目标规则形状图形的类型和规格，获得所述肿瘤的边界线围成的图形的外接图形；确定所述肿瘤的边界线围成的图形，与所述外接图形的面积比；确定所述肿瘤的边界线与所述外接图形的边界线的周长比；获取与所述肿瘤的边界线围成的图形的第一图像，以及所述外接图形的第二图像；将所述第一图像和所述第二图像分别进行二值化处理，获得所述第一图像的第一二值化图像，和所述第二图像的第二二值化图像；根据所述边界检测网络模型的编码层，对所述第一二值化图像和所述第二二值化图像分别进行特征提取处理，获得所述第一二值化图像的第一特征信息和所述第二二值化图像的第二特征信息；将所述第一特征信息和所述第二特征信息输入预训练的解码模型，获得所述第一特征信息和所述第二特征信息的特征相似度；根据所述面积比、所述周长比和所述特征相似度，确定所述形状不规则度评分。
[0011]在本专利技术的一些实施例中，根据与所述目标规则形状的形状一致，尺寸不同的多个规则形状图形，以及所述肿瘤的边界线，确定肿瘤的毛刺评分，包括：根据所述目标规则形状图形的类型和规格，获得所述肿瘤的边界线围成的图形的
外接图形；获取与所述外接图形的形状相同、形心相同，尺寸小于所述外接图形的第1个规则图形，所述第1个图形的边界线为第1边界线；确定所述第1边界线上的像素点，沿所述第1边界线方向的梯度；获取与第i个规则图形的形状相同、形心相同，尺寸小于所述第i个规则图形的第i+1个规则图形，所述第i+1个图形的边界线为第i+1边界线，其中，i≥1，且i为正整数；确定所述第i+1边界线上的像素点，沿所述第i+1边界线方向的梯度；在获得第n个规则图形以及所述第n个规则图形的第n边界线；确定所述第n边界线上的像素点，沿所述第n边界线方向的梯度，并停止获得规则图形的处理，所述第n个规则图形与所述外接图形的面积比小于或等于面积比阈值；根据各个边界线上的像素点，沿各个边界线方向的梯度，确定所述毛刺评分。
[0012]在本专利技术的一些实施例中，根据各个边界线上的像素点，沿各个边界线方向的梯度，确定所述毛刺评分，包括：根据公式,确定所述毛刺评分S
r
，其中，表示边界线方向，表示第i边界线上第k个像素点的像素值，表示第i边界线上第k个像素点的梯度，T为预设的平稳梯度参数，max为求最大值函数，N
i
为第i边界线上的像素点总数，M
i
为第i个规则图形的面积，M为所述外接图形的面积。
[0013]在本专利技术的一些实施例中，根据所述肿瘤的边界线上像素点的像素值，确定肿瘤的边界模糊度评分，包括：根据所述目标规则形状图形的类型和规格，获得所述肿瘤的边界线围成的图形的外接图形；获得所述外接图形的形心；在所述肿瘤的边界线上设定m个采样点，其中，m为正整数；确定各个采样点到所述形心的连接线，以及各个采样点到所述形心的方向向量；获得所述连接线朝向所述肿本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像肿瘤恶性风险评估方法，其特征在于，包括：通过预训练的边界检测网络模型，对医学图像进行边界检测，获得所述肿瘤的边界线；根据所述肿瘤的边界线，与预设的多种类型的规则形状的图形，确定与肿瘤对应的目标规则形状图形的类型和规格，所述目标规则形状图形的规格包括所述目标规则形状图形的尺寸和形状参数；根据所述目标规则形状图形的类型和规格，以及所述肿瘤的边界线，确定肿瘤的形状不规则度评分；根据与所述目标规则形状图形的形状一致，尺寸不同的多个规则形状图形，以及所述肿瘤的边界线，确定肿瘤的毛刺评分；根据所述肿瘤的边界线上像素点的像素值，确定肿瘤的边界模糊度评分；根据所述形状不规则度评分、所述毛刺评分和所述边界模糊度评分，确定肿瘤的恶性风险评分。2.根据权利要求1所述的医学影像肿瘤恶性风险评估方法，其特征在于，根据所述肿瘤的边界线，与预设的多种类型的规则形状的图形，确定与肿瘤对应的目标规则形状图形的类型和规格，包括：获取所述肿瘤的边界线围成的图形的长度最大值与宽度最大值；根据所述长度最大值与所述宽度最大值之间的比值，在多种类型的规则形状的图形中确定待定图形；根据各个所述待定图形，以及所述肿瘤的边界线，获得肿瘤的边界线围成的图形的外接图形，所述外接图形与所述待定图形的形状一致；确定所述肿瘤的边界线围成的图形，与各个外接图形的面积比；将面积比最大的外接图形对应的规则形状的图形，确定为目标规则形状图形，并确定所述目标规则形状图形的类型和规格。3.根据权利要求1所述的医学影像肿瘤恶性风险评估方法，其特征在于，根据所述目标规则形状图形的类型和规格，以及所述肿瘤的边界线，确定肿瘤的形状不规则度评分，包括：根据所述目标规则形状图形的类型和规格，获得所述肿瘤的边界线围成的图形的外接图形；确定所述肿瘤的边界线围成的图形，与所述外接图形的面积比；确定所述肿瘤的边界线与所述外接图形的边界线的周长比；获取与所述肿瘤的边界线围成的图形的第一图像，以及所述外接图形的第二图像；将所述第一图像和所述第二图像分别进行二值化处理，获得所述第一图像的第一二值化图像，和所述第二图像的第二二值化图像；根据所述边界检测网络模型的编码层，对所述第一二值化图像和所述第二二值化图像分别进行特征提取处理，获得所述第一二值化图像的第一特征信息和所述第二二值化图像的第二特征信息；将所述第一特征信息和所述第二特征信息输入预训练的解码模型，获得所述第一特征信息和所述第二特征信息的特征相似度；根据所述面积比、所述周长比和所述特征相似度，确定所述形状不规则度评分。
4.根据权利要求1所述的医学影像肿瘤恶性风险评估方法，其特征在于，根据与所述目标规则形状的形状一致，尺寸不同的多个规则形状图形，以及所述肿瘤的边界线，确定肿瘤的毛刺评分，包括：根据所述目标规则形状图形的类型和规格，获得所述肿瘤的边界线围成的图形的外接图形；获取与所述外接图形的形状相同、形心相同，尺寸小于所述外接图形的第1个规则图形，所述第1个规则图形的边界线为第1边界线；确定所述第1边界线上的像素点沿所述第1边界线方向的梯度；获取与第i个规则图形的形状相同、形心相同，尺寸小于所述第i个规则图形的第i+1个规则图形，所述第i+1个规则图形的边界线为第i+1边界线，其中，i≥1，且i为正整数；确定所述第i+1边界线上的像素点沿所述第i+1边界线方向的梯度；直到获得第n个规则图形和第n边界线，以及第n边界线上的像素点沿第n边界线方向的梯度；其中，第n个...

【专利技术属性】
技术研发人员：陈磊，于慧敏，刘清源，谢明宏，
申请(专利权)人：东莞市东南部中心医院东莞市东南部中医医疗服务中心，
类型：发明
国别省市：