【技术实现步骤摘要】
一种基于深度学习的前列腺影像检测方法及检测系统
[0001]本专利技术涉及医学影像领域,尤其是涉及一种基于深度学习的前列腺影像检测方法及检测系统
。
技术介绍
[0002]近年来前列腺癌发病率呈上升趋势,现已成为老年男性最常见的恶性肿瘤之一
。
前列腺磁共振影像
(MRI)
检查作为前列腺癌的分期手段和诊断方法,越来越多的受到临床医师重视
。
但医生在诊断时,通常需要对
MRI
的多个模态进行阅片和对比,其诊断效率和工作量是医生在前列腺诊断领域的一大痛点
。
此外,医生在诊断前列腺癌症的同时,还需根据多模态的
MRI
给出前列腺影像报告数据系统指南
(Prostate Imaging Reporting and Data System
,
PI
‑
RADS)
,指导临床医生对前列腺癌的恶性程度做出准确分级,进一步地增加了医生的工作量
。
[0003]随着近年来深度学习等一系列方法的发展,在医学图像处理领域取得了突破性的进展,因此借助深度学习等方法来进行对前列腺癌症的分析有着巨大的发展前景,而目前多模态
MRI
前列腺癌症的自动化诊断算法较少,且没有针对该任务进行针对性的优化
。
[0004]有的影像学报告都是医生通过
PACS(Picture Archiving and communication System
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的前列腺影像检测方法,其特征在于,包括以下步骤:获取带标记的多模态前列腺数据集,包括结构性成像数据集和功能性成像数据集;将所述多模态前列腺数据集输入至预先构建好的前列腺癌症病灶分割网络模型,最终输出癌症病灶的分割图和
PI
‑
RADs
等级评分;其中,结构性成像数据集和功能性成像数据集分别采用单通道输入和多通道输入方式输入至模型中,并行计算特征编码以提取高维特征
。2.
根据权利要求1所述的一种基于深度学习的前列腺影像检测方法,其特征在于,所述结构性成像数据集包括
T2W
数据,所述功能性成像数据集包括
ADC
和
DWI
数据
。3.
根据权利要求1所述的一种基于深度学习的前列腺影像检测方法,其特征在于,基于编码器计算所述特征编码,并在提取高维特征过程中对编码器各层的特征进行融合
。4.
根据权利要求1所述的一种基于深度学习的前列腺影像检测方法,其特征在于,提取高维特征过程中还采用自适配的归一化方法对所述多模态前列腺数据集进行归一化处理
。5.
根据权利要求4所述的一种基于深度学习的前列腺影像检测方法,其特征在于,所述自适配的归一化方法包括实例归一化
、
层归一化和批量归一化
。6.
根据权利要求1所述的一种基于深度学习的前列腺影像检测方法,其特征在于,采用多任务学习对所述高维特征进行处理以获得癌症病灶的分割图和
PI
‑<...
【专利技术属性】
技术研发人员:吴广宇,刘桂勤,魏晓斌,周滟,
申请(专利权)人:上海交通大学医学院附属仁济医院,
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。