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方案

本发明专利技术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，该检测方法包括以下步骤：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

【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
，影像归档和通信
)
系统对不同模态的前列腺
MRI
进行多次翻阅对比，对前列腺以及病灶进行定位以及对病灶的影像学特征进行判读，并给出
PI
‑
RADs
评分，这样往往需要进行大量的重复性劳动
。
[0005]深度学习已经逐渐被用于现有的一部分的疾病诊断中，在前列腺癌症的分析领域也有所涉及
。
专利申请
CN111028206A
公开了一种基于深度学习前列腺癌自动检测和分类系统，该申请基于深度学习的前列腺癌灶检测算法，使用两个阶段策略，即先对异常区域进行分割，再对每个疑似病灶进行分类，该类算法对两个算法有更高的要求，两个算法的误差容易累积
。
专利申请
WO/2018/156778
公开了一种
Detection of prostate cancer in multi
‑
parametric MRI using random forest with instance weighting and MR prostate segmentation by deep learning with holistically
‑
nested networks(
基于实例加权随机森林的多参数
MRI
前列腺癌检测和基于整体嵌套网络的深度学习前列腺癌分割
)
，该申请将多模态
MRI
作为多通道一同输入网络，共同进行卷积计算，甚至使用像素级随机森林对多模态
MRI
进行分割，忽略了各模态间的风格差异与多次扫描在空间上的位置误差等干扰因素
。
此外，还存在以下不足：
1)
在网络的计算细节上，缺少对多中心收集到不同参数
(
如
DWI
影像的不同
b
值
)
的功能性成像的支持，即当测试数据与训练集的分布差异较大时，算法性能大幅下降；
2)
对于
PI
‑
RADs
评分，主流方法多采用影像组学的方式进行预测，缺少与癌症病灶分割任务的信息融合，无法充分利用两种标注
。

技术实现思路

[0006]本专利技术的目的就是为了提供一种有效提升影像检测准确度的基于深度学习的前
列腺影像检测方法及检测系统
。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]一种基于深度学习的前列腺影像检测方法，包括以下步骤：
[0009]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；
[0010]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；
[0011]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
。
[0012]进一步地，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
。
[0013]进一步地，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
。
[0014]进一步地，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
。
[0015]进一步地，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
。
[0016]进一步地，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
‑
RADs
等级评分
。
[0017]进一步地，所述多任务学习包括分割解码处理和分类处理
。
[0018]进一步地，所述前列腺癌症病灶分割网络模型在训练过程中损失函数为：
[0019]Loss
＝
α
×
L
cls
+(1
‑
α
)
×
L
seg
[0020]式中，
Loss
为损失，
α
为权重，
L
cls
为目标分类损失，
L
seg
为分割损失
。
[0021]进一步地，采用卷积神经网络构建所述前列腺癌症病灶分割网络模型
。
[0022]本专利技术还提供一种基于深度学习的前列腺影像检测系统，包括：
[0023]数据集获取单元：用于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；
[0024]结果输出单元：用于将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
评分；
[0025]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
...

【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：