基于制造技术

本发明专利技术公开了基于

【技术实现步骤摘要】
基于YOLOv7模型的结直肠癌CT智能筛查系统构建方法


[0001]本专利技术涉及图像处理
，具体涉及基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法
。

技术介绍

[0002]全球范围内，结直肠癌是第三位最常见的恶性肿瘤，也是第二位最常见的恶性肿瘤死亡原因
。
据
WHO
癌症研究中心的
GLOBOCAN
项目估计，
2018
年全球范围内结直肠癌新发病例数约为
180
万，死亡人数约为
88
万
。
一直以来，结直肠癌在全球的发病率仍呈上升趋势，而多数国家死亡率呈下降趋势，并且地域分布差异明显
。
近年来，中国结直肠癌发病率和死亡率分别居恶性肿瘤第4位和第5位，且在过去
20
年间，结直肠癌死亡率呈上升趋势
。
与此同时，我国结直肠癌例均诊治费用年均增长率在
6.9
％～
9.2
％不等，患者确诊1年内的个人卫生支出约占其家庭收入的
60
％，并且结直肠癌所致经济负担在持续上升
。
[0003]结直肠癌患者常见的类型有黏液腺癌
、
没分化癌等
。
结肠癌主要以息肉形状与溃疡类型为主，随着病症进展其疾病逐渐沿着肠管呈现出明显的蔓延情况，并容易出现转移与局部侵犯，威胁到患者身体健康受，需要加强肠癌检查力度<br/>。
传统诊断该病症方法比较多，如体格检查
、
化验检查
、
内镜检查以及图像学检查等
。
由于该病症早期症状不明显
、
体格检查问诊及查体不细致等原因常导致病症误诊
。
内镜检查方法虽然可以准确诊断病症，但对于患者产生的创伤较为明显，可能增大患者出现应激反应，不利于患者后续治疗
。
[0004]然而，目前基于二维
CT
图像诊断结直肠癌还处于探索阶段，其所遇到的问题有如下几点：
[0005](1)
因为操作人员的不同
、
设备不同
、
患者不同及造影设置不同，所以不同患者的
CT
图像具有一定的差异，预处理具有难度
。
[0006](2)
训练数据需要大量的标注文件，而这缺少不了专业医生的配合
。
[0007](3)
目前对基于二维
CT
图像的结直肠癌检测尚无先例，数据的预处理与模型参数设置尚不明确
。

技术实现思路

[0008]本专利技术的目的在于，提出基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法，其构建的系统能够大大减轻以往传统医生大量阅读患者
CT
图像的压力，提高检测结直肠癌置信度
。
[0009]为实现上述目的，本申请提出的基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法，包括：
[0010]构建临床数据集，对临床数据脱敏后由专业医生在数据集上标注，得到包括二维
jpg
格式图像数据和
txt
格式标注数据；
[0011]对所述二维
jpg
格式图像数据和
txt
格式标注数据进行预处理，统计实验数据，得到实验数据特征后进行图像灰度统一
、
增强边缘
、
图像去噪；
[0012]构建
YOLOv7
模型，在该模型中添加注意力机制，然后输入实验数据进行训练；
[0013]基于上述训练后的
YOLOv7
模型和二维
CT
图像得到结直肠癌智能筛查系统
。
[0014]本专利技术采用的以上技术方案，与现有技术相比，具有的优点是：本专利技术结合
YOLOv7
模型
、
二维
CT
图像预处理
、
注意力机制，构建了结直肠癌智能筛查系统；该系统能够大大减轻以往传统医生大量阅读患者
CT
图像的压力，提高检测结直肠癌置信度
。
此外，本专利技术融合了注意力机制，模型能够更好地专注于相应细节，使得筛查结直肠癌更有效率，给医生带来极大方便
。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0016]图1是
YOLOv7
网络结构示意图；
[0017]图2是
CBAM
在
YOLOv7
网络中的结构示意图；
[0018]图3是
CBAM
结构示意图
。
[0019]具体实施方法
[0020]下面将参考附图中示出的若干示例实施例来描述本公开的原理
。
虽然附图中显示了本公开的优选实施例，但应当理解，描述这些实施例仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围
。
[0021]本实施例提供一种基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法，包括：
[0022]步骤一：构建临床数据集，对临床数据脱敏后由专业医生在数据集上标注，得到包括二维
jpg
格式图像数据和
txt
格式标注数据；因为目前任务是结直肠的检测，所以只需要划分数据是结直肠癌和不是结直肠癌两类
。
[0023]步骤1：因为临床数据中的网络公开数据集，图像大小可能不一致，所以需要将图像裁切成统一
512*512
大小
。
其中，调整为目标大小时使用“letterbox”法
。
具体方法如下：
[0024]A)
计算缩放比例：根据模型输入尺寸要求，得到将原始二维
CT
图像缩放到目标尺寸的缩放比例
。
这通常涉及将较长的边缩放到目标尺寸，而保持宽高比不变
。
[0025]B)
缩放图像：使用得到的缩放比例，将原始二维
CT
图像缩放到目标尺寸；
[0026]C)
添加黑色填充：如果缩放后的
CT
图像宽高比与目标尺寸的宽高比不匹配，将在较小的维度上添加黑色填充，以使
CT
图像尺寸与目标尺寸完全匹配；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法，其特征在于，包括：构建临床数据集，对临床数据脱敏后由专业医生在数据集上标注，得到包括二维
jpg
格式图像数据和
txt
格式标注数据；对所述二维
jpg
格式图像数据和
txt
格式标注数据进行预处理，统计实验数据，得到实验数据特征后进行图像灰度统一
、
增强边缘
、
图像去噪；构建
YOLOv7
模型，在该模型中添加注意力机制，然后输入实验数据进行训练；基于上述训练后的
YOLOv7
模型和二维
CT
图像得到结直肠癌智能筛查系统
。2.
根据权利要求1所述基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法，其特征在于，对临床数据脱敏后由专业医生在数据集上标注，具体方式为：对临床数据中的公开
CT
图像使用“letterbox”法统一大小；对临床数据中的
CT
数据处理方式为：挑选确诊的患者资料文件夹，从专业
CT
图像软件中将这些3维
DCM
格式的
CT
数据导出为
jpg
格式
CT
图像；文件夹名和图像文件名称为一串序列号；其中每一名患者的每一个切片都生成唯一序列号；将
CT
图像导入
Labelimg
软件，由专业医生根据图像中确诊部位进行勾画：医生先将患者的患病典型部位挑选出来，再使用
Labelimg
软件将目标位置框选出，注释标签填写为
confirm
，代表这部分是患有结直肠癌位置；接着医生将再选择类似部位的对照组，即未患有结直肠癌的典型部分，同样框选出来并注释为
not
；最后
Labelimg
软件生成一个名为
label
的文件夹，其中包含着与图像文件同名的
txt
标签文件；每一个标签文件中都包含所勾画的类别和位置信息，如表1所示：表1类别和位置信息
Classesxywh
其中，第一列为勾画的类别信息，分为0和1，分别代表肠癌组和非常肠癌组；
x
和
y
分别代表所画框的坐标位置；
w
和
h
代表所画框的长度和高度；上述
x、y、w
和
h
都归一化到0～1范围内
。3.
根据权利要求2所述基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法，其特征在于，对临床数据使用“letterbox”法统一大小，具体方式为：计算缩放比例：根据模型输入尺寸要求，得到将原始二维
CT
图像缩放到目标尺寸的缩放比例；缩放图像：使用得到的缩放比例，将原始二维
CT
图像缩放到目标尺寸；添加黑色填充：如果缩放后的
CT
图像宽高比与目标尺寸的宽高比不匹配，在小维度上进行黑色填充，以使
CT
图像尺寸与目标尺寸完全匹配；标准化：将缩放后
CT
图像和
/
或填充后
CT
图像像素值统一到0到
255
之间
。4.
根据权利要求1所述基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法，其特征在于，对所述二维
jpg
格式图像数据和
txt
格式标注数据进行预处理，统计实验数据，具体方式为：将
CT
图像中非黑色部分进行灰度统一：先将第
i
个3通道彩色图像转为灰度图像，再依次提取出灰度值在2到
240
的像素计算平均值，以此得到所有
CT
图像指定范围内的平均值，记为
mean
a
；获取每一幅
CT
图像的伽马值：将第
i
副图像转为灰度后，提取出灰度区间为
[2,4]
的像
素得到平均值记为
mean
i
，则伽马值
Gamma
i
由下式获得：其中
C
为依据图像效果设定的常量；按照所述伽马值将
CT
图像进行伽马变换，得到实验数据特征
。5.
根据权利要求1所述基于
YOLOv7
模型的结直肠癌
CT
智能筛查系统构建方法，其特征在于，按照所述伽马值将
CT
图像进行伽马变换，具体为：
g
i
(x
，
y)
＝
T(f
i
(x,y)
，
Gamma
i
)
变换函数
T
的定义如下：其中
f
i
(x
，
y)
表示原始
CT
图...

【专利技术属性】
技术研发人员：秦静，金建强，汪祖民，
申请(专利权)人：大连大学，
类型：发明
国别省市：