基于深度学习的直肠癌制造技术

本发明专利技术涉及一种基于深度学习的直肠癌

【技术实现步骤摘要】
基于深度学习的直肠癌MRI骨盆测量模型构建及手术难度预测方法


[0001]本专利技术涉及直肠癌相关医学影像诊断
，具体涉及一种基于深度学习的直肠癌
MRI
骨盆测量模型构建及手术难度预测方法
。

技术介绍

[0002]由于骨盆结构显著影响盆腔手术难度，包括直肠癌的全系膜切除术
(TME)
，因此在手术前进行骨盆结构的评估至关重要
。
目前可以使用磁共振成像
(MRI)
来评估骨盆的结构
。
尽管存在关于手术难度评估的研究结果和相关工作，强调了其对于预测手术困难程度的重要性，但在实际临床环境中很少使用该方法进行手术难度评估
。
原因可能不仅是不同的参数测量方法均会影响定量评估的一致性，还包括测量骨盆参数的过程复杂且耗时
。
此外，预测手术难度的标准评价指标是一个主观过程，缺乏评分者之间的一致性及可重复性
。

技术实现思路

[0003]为解决现有技术中存在的技术问题，本专利技术提供了一种基于深度学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的直肠癌
MRI
骨盆测量模型构建及手术难度预测方法，其特征在于，所述方法包括以下步骤：步骤一，图像采集；步骤二，数据预处理；步骤三，多平面标注；步骤四，自动分割模型；步骤五，骨盆测量值特征提取；步骤六，特征选择；步骤七，特征融合；步骤八，模型预测
。2.
根据权利要求1所述的一种基于深度学习的直肠癌
MRI
骨盆测量模型构建及手术难度预测方法，其特征在于，所述步骤一图像采集包括：输入高分辨直肠
MRI
平扫和增强检查的标准
DICOM
格式影像数据，扫描序列为
T2WI
不压脂矢状面
、
冠状面
、
横断面图像
。3.
根据权利要求1所述的一种基于深度学习的直肠癌
MRI
骨盆测量模型构建及手术难度预测方法，其特征在于，所述步骤二图像数据预处理包括：对图像数据进行图像增强处理，对输入图像灰度值进行非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系
。4.
根据权利要求3所述的一种基于深度学习的直肠癌
MRI
骨盆测量模型构建及手术难度预测方法，其特征在于，图像增强处理包括
FOV
缩放裁剪
、
噪声
、
亮度
/
对比度
、
分辨率归一化
、
矩阵标准化
。5.
根据权利要求2所述的一种基于深度学习的直肠癌
MRI
骨盆测量模型构建及手术难度预测方法，其特征在于，所述步骤三多平面标注是对输入的直肠
MRI
多平面图像进行关键骨盆标记点标注，矢状面用于尾骨尖
、
骶骨和耻骨联合的分割，横断面用于直肠系膜
、
坐骨棘和坐骨结节的分割，冠状面用于骨盆横径两侧壁的标记
。6.
根据权利要求5所述的一种基...

【专利技术属性】
技术研发人员：沈浮，袁渊，马晓璐，张绍婷，佟达丰，史晓辉，邵成伟，
申请(专利权)人：中国人民解放军海军军医大学第一附属医院，
类型：发明
国别省市：