System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于医学图像处理,具体涉及根据胸部ct图像自动诊断受检者是否患肺癌的肺癌预测方法。
技术介绍
1、利用肺部ct影像实现肺癌诊断的现有技术通常包含两个步骤,分别为候选肺结节检测、利用肺结节区域影像预测癌症概率。
2、1.候选肺结节检测:
3、肺结节是早期肺癌的主要初期体现之一,其在肺部ct影像中呈现为近似球形的病灶。然而,在肺部ct影像中,肺结节常常被胸膜、气管和肺部血管等周围组织所遮挡,从而导致肺结节的检测精确度较低,特异性不高,并且敏感度也不理想。
4、现有技术大多使用2d目标检测方法。faster-rcnn模型包含两个阶段,第一阶段提出了一些可能存在目标的边界框,第二阶段进行类别决策以判断其中的物体应归属于哪个类别。更好的yolo模型是单阶段的,可以同时预测边界框和类别概率。其中单阶段的速度更快,但双阶段的准确性更高。由于肺结节检测属于单类别目标检测,因此可以退化为单阶段方法。
5、部分先进的技术使用了利用了ct图像的3d特性,使用连续的多张ct图像作为预测模型的输入。但是,该方法未考虑肺结节的上下文信息,例如结节的扭曲或附着等,导致预测准确性的下降。
6、2.肺结节区域影像预测癌症概率:
7、现有技术之中,主要存在两种实现形式。第一种是特征融合方法,将所有前五个结节的特征送入一个全连接层,得到五个64维的特征。然后,通过最大池化将这些特征合并为一个64维的特征。接下来,将特征图传递到第二个全连接层,其激活函数为sigmoid函数,以获取该病例
技术实现思路
1、由于现有技术未能充分考虑ct图像的空间信息,本专利技术提供一种基于深度学习的肺癌预测方法,来提升肺癌预测的准确性。
2、本专利技术是通过以下技术方案实现的:
3、一种基于深度学习的肺癌预测方法,包括以下步骤:
4、(1)首先,通过结节检测的技术从ct扫描中识别出肺结节;
5、(2)接着,利用结节恶性分类算法评估这些结节是否恶性;
6、(3)最后,结合这些信息预测肺癌的概率。
7、作为优选实施例,所述步骤(1)中的结节检测是一种通过图像分析技术从ct扫描中识别肺结节的过程,在结节检测阶段,通过liao,f.所提出的nodule detector net(n-net)实现,n-net可以从ct图像中标注所有结节。
8、作为优选实施例,所述步骤(1)为了最小化假阳性检测的影响,使用了严格的置信度阈值,对于每个结节,获取其半径和中心处的裁剪图像,这些裁剪图像的大小足以包含结节及其周围的信息,这一过程确保了结节及其上下文特征被准确捕捉,为后续的恶性分类和癌症预测提供了基础,成功的结节检测是后续分析的关键,只有准确识别出结节,才能进一步评估其性质和病例的癌症风险。
9、作为优选实施例,所述步骤(2)中在结节恶性分类阶段,提出的模型对每个检测到的结节进行详细分析,以判断其是否恶性。
10、作为优选实施例,所述步骤(2)中首先使用3d-unet模型对每个结节检测获取的带有上下文组织的结节图像实现特征提取,得到结节特征xs和上下文特征xn,对于两种特征,分别使用dep和eca-net进行编码,相较于专注于纹理的编码网络deep-ten,dep通过融合无序纹理细节和局部空间信息,可以有效提高纹理识别的精度和效率,在处理纹理和空间信息方面具有显著优势。
11、作为优选实施例,所述eca-net是一种高效的深度卷积神经网络通道注意力模块,它通过快速的1d卷积来生成通道注意力,这种卷积的核心大小可以通过通道维度的非线性映射来自适应确定,eca-net的主要优势在于它避免了维度降低,同时以极低的模型复杂度捕捉跨通道的相互作用,从而有效提高了各种深度cnn架构的性能。
12、作为优选实施例,为了更好地融合编码后的结节特征和上下文特征,使用特征融合模块自适应地学习两者的权重,以使模型更准确地对肺结节进行恶性分类,提高肺癌预测的精度。
13、作为优选实施例,所述步骤(3)中在预测肺癌的概率阶段,模型考虑了多个结节对肺癌概率的独立贡献,每个结节的恶性概率被单独评估,并且利用leaky noisy-or逻辑门将这些概率综合起来,从而得出最终的肺癌概率。
14、作为优选实施例,所述noisy-or模型是概率图模型中常用的一种模型,它假设一个事件可能由多个独立因素引起,任何一个因素都可能单独导致该事件发生。
15、作为优选实施例,所述leaky noisy-or模型在此基础上添加了一个泄漏概率,即即使没有这些因素发生,事件仍有可能发生,该模型适用于多结节病例的分析,因为每个结节都可能独立影响癌症预测,在没有结节明确导致癌症的情况下,泄漏概率提供了另一种解释可能性。
16、本专利技术的技术原理和核心技术特征:
17、本专利技术提出了一种新的注意力机制网络,该网络以肺结节ct切片集为输入,提取结节和上下文特征,并通过dep和eca-net网络充分融合无序纹理细节和局部空间信息,在避免降维的情况下捕捉跨通道的相互作用,实现以极低的模型复杂度充分挖掘ct图像的潜在信息。然后通过融合两个编码器网络的输出,实现结节的良恶性分类。
18、有益效果:本专利技术针对肺结节良恶性判断任务提出了一个新的网络结构,新网络通过编码器的方式考虑了结节以及上下文特征的空间信息,使其能充分使用ct图像的潜在信息,以便作出更好的预测,本专利技术有助于提升肺癌图像的自动化识别准确率,进而提升医师的工作效率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的肺癌预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,所述步骤(1)中的结节检测是一种通过图像分析技术从CT扫描中识别肺结节的过程,在结节检测阶段,通过Liao,F.所提出的Nodule Detector Net(N-Net)实现,N-Net可以从CT图像中标注所有结节。
3.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,所述步骤(1)为了最小化假阳性检测的影响,使用了严格的置信度阈值,对于每个结节,获取其半径和中心处的裁剪图像,这些裁剪图像的大小足以包含结节及其周围的信息,这一过程确保了结节及其上下文特征被准确捕捉,为后续的恶性分类和癌症预测提供了基础,成功的结节检测是后续分析的关键,只有准确识别出结节,才能进一步评估其性质和病例的癌症风险。
4.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,所述步骤(2)中在结节恶性分类阶段,提出的模型对每个检测到的结节进行详细分析,以判断其是否恶性。
5.根据权利要求1所述的一种基
6.根据权利要求5所述的一种基于深度学习的肺癌预测方法,其特征在于,所述ECA-Net是一种高效的深度卷积神经网络通道注意力模块,它通过快速的1D卷积来生成通道注意力,这种卷积的核心大小可以通过通道维度的非线性映射来自适应确定,ECA-Net的主要优势在于它避免了维度降低,同时以极低的模型复杂度捕捉跨通道的相互作用,从而有效提高了各种深度CNN架构的性能。
7.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,为了更好地融合编码后的结节特征和上下文特征,使用特征融合模块自适应地学习两者的权重,以使模型更准确地对肺结节进行恶性分类,提高肺癌预测的精度。
8.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,所述步骤(3)中在预测肺癌的概率阶段,模型考虑了多个结节对肺癌概率的独立贡献,每个结节的恶性概率被单独评估,并且利用leaky noisy-or逻辑门将这些概率综合起来,从而得出最终的肺癌概率。
9.根据权利要求8所述的一种基于深度学习的肺癌预测方法,其特征在于,所述Noisy-or模型是概率图模型中常用的一种模型,它假设一个事件可能由多个独立因素引起,任何一个因素都可能单独导致该事件发生。
10.根据权利要求8所述的一种基于深度学习的肺癌预测方法,其特征在于,所述leakynoisy-or模型在此基础上添加了一个泄漏概率,即即使没有这些因素发生,事件仍有可能发生,该模型适用于多结节病例的分析,因为每个结节都可能独立影响癌症预测,在没有结节明确导致癌症的情况下,泄漏概率提供了另一种解释可能性。
...【技术特征摘要】
1.一种基于深度学习的肺癌预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,所述步骤(1)中的结节检测是一种通过图像分析技术从ct扫描中识别肺结节的过程,在结节检测阶段,通过liao,f.所提出的nodule detector net(n-net)实现,n-net可以从ct图像中标注所有结节。
3.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,所述步骤(1)为了最小化假阳性检测的影响,使用了严格的置信度阈值,对于每个结节,获取其半径和中心处的裁剪图像,这些裁剪图像的大小足以包含结节及其周围的信息,这一过程确保了结节及其上下文特征被准确捕捉,为后续的恶性分类和癌症预测提供了基础,成功的结节检测是后续分析的关键,只有准确识别出结节,才能进一步评估其性质和病例的癌症风险。
4.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,所述步骤(2)中在结节恶性分类阶段,提出的模型对每个检测到的结节进行详细分析,以判断其是否恶性。
5.根据权利要求1所述的一种基于深度学习的肺癌预测方法,其特征在于,所述步骤(2)中首先使用3d-unet模型对每个结节检测获取的带有上下文组织的结节图像实现特征提取,得到结节特征xs和上下文特征xn,对于两种特征,分别使用dep和eca-net进行编码,相较于专注于纹理的编码网络deep-ten,dep通过融合无序纹理细节和局部空间信息,可以有效提高纹理识别的精度和效率,在处理纹理和空间信息方面具有显著优势。
...
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。