【技术实现步骤摘要】
本专利技术涉及医学图像处理，尤其涉及一种基于深度学习的多期胰腺肿瘤的ct图像识别方法。
技术介绍
1、胰腺癌是消化道常见恶性肿瘤之一，其临床症状隐匿且不典型，是诊断和治疗都很困难的消化道恶性肿瘤。手术切除是治疗胰腺癌的唯一有效方法，外科手术前通常采用影像学检查对肿瘤情况进行评估，指导手术和具体的治疗方案。目前，深度学习算法在医学领域中已经广泛应用，为解决临床医师和影像科医师的培训周期和工作量问题提供了可靠的方法。其中，肿瘤图像诊断算法可以基于计算机断层扫描成像（ct）、核磁共振成像（mri）、正电子发射断层扫描成像（pet）以及锥形束计算机断层扫描成像（cbct）技术得到的医学影像信息，识别肿瘤病变并做出分类诊断。肿瘤图像诊断算法可以有效地帮助临床医生进行肿瘤的早期诊断、治疗方案的制定、和治疗效果的跟踪随访等。
2、此外，在胰腺肿瘤的临床诊断中，医生常常需要分析比较同一病人在不同时期的ct增强影像，以提高临床诊断的准确性。但是由于设备限制，不同时间获取的医学影像常常存在差异如形变或者噪声等，因此医学图像配准是医学图像诊断的基础。只有准确的融合不同时期的ct影像，才能够更好的快速且准确的根据图像进行临床诊断。
3、目前对于胰腺肿瘤医学影像诊断的方法存在如下困难：
4、（1）图像数据信息不全
5、医学诊断上常用的胰腺的ct增强图片，分为动脉期，门静脉期两类。
6、动脉期是注射对比剂后 15~20s或触发扫描开始时，该时期对比剂在动脉内，还未进入器官和其他组织。在动脉期，多血
7、门静脉期是注射对比剂后 60~80s，门静脉供血的肝实质强化，还可见强化肝静脉。在门静脉期，门静脉密度最高，主动脉密度减低，肝脏密度增高，乏血供肿瘤呈低密度，与肝脏形成对比，易于检出。可与动脉期结合分析肿瘤的血供变化特点。
8、把动脉期和静脉期的ct图像综合起来，才能够更准确的通过ct图像判断胰腺肿瘤。然而目前的肿瘤诊断算法都只选取其中一个时期的图像，信息获取不够全面，从而降低了算法的准确性。
9、（2）数据样本量不足
10、医学图像的标注是一项耗时长，成本高的任务。第一，标注者需要浏览每个3d扫描的数百个2d切片进行标注，量非常大且耗时耗财；第二，标注需要专业医生动用专业知识来操作，而不同的医生的标注可能会有偏差。因此，胰腺肿瘤图像不容易形成大规模有标签数据集。
11、然而在工业界，绝大部分医学图像分割任务还是基于全监督进行训练。训练一个性能强，可以大规模部署落地的模型，往往需要大量手动标注的数据进行监督训练。因此，样本数量不足限制了医学图像分割任务的效率和准确性。
技术实现思路
1、有鉴于此，本专利技术提供一种基于深度学习的多期胰腺肿瘤的ct图像识别方法，以至少解决上述问题。
2、本专利技术提供一种基于深度学习的多期胰腺肿瘤的ct图像识别方法，包括s1、构建胰腺肿瘤样本和正常样本的ct图像数据集并进行图像信息标记；s2、根据ct图像数据集构建胰腺ct图像数据的配准模型；s3、构建基于交叉transformer模型的图像分类模型；s4、训练配准模型和图像分类模型；s5、应用配准模型和图像分类模型进行ct图像识别。
3、在本专利技术的一实现方式中，步骤s2具体包括将ct图像数据集中胰腺ct图像数据中的动脉期图像作为固定图像，将胰腺ct图像数据中的门静脉期图像作为待配准的浮动图像；通过u-net网络对固定图像和浮动图像进行编码和解码，产生一个形变场；将浮动图像和形变场输入空间转换网络中，返回配准后的胰腺ct图像，以完成配准模型的构建。
4、在本专利技术的另一实现方式中，步骤s3具体包括将配准后的胰腺ct图像分为支持性图像和查询性图像两类；通过卷积神经网络对支持性图像和查询性图像进行特征提取，得到支持性图像特征和查询性图像特征；对支持性图像特征和查询性图像特征进行池化操作，得到池化后的支持性图像特征和池化后的查询性图像特征；通过自注意力层分别对池化后的支持性图像特征和池化后的查询性图像特征进行处理，得到支持性图像的查询、键、值和查询性图像的查询、键、值；通过交叉注意力对支持性图像的查询、键、值和查询性图像的查询、键、值进行操作，得到交叉注意力结果；将交叉注意力结果进行全连接和softmax操作，得到查询性图像的肿瘤概率的预测值，以完成图像分类模型的构建。
5、在本专利技术的另一实现方式中，步骤s4具体包括根据损失函数训练配准模型和图像分类模型；将adam作为优化器，对配准模型和图像分类模型进行梯度下降的参数优化；通过戴斯指数评价损失函数。
6、在本专利技术的另一实现方式中，损失函数为相似性损失、平滑损失、交叉熵损失之和。
7、与现有技术相比，本专利技术的方案具有以下有益效果：
8、（1）本专利技术在数据预处理阶段通过配准模型，综合了动脉期和门静脉期的ct图像进行图像配准，能够更准确的对肿瘤图像进行诊断。
9、（2）本专利技术在transformer算法中运用了交叉注意力算法，可以更好的捕捉支持性图像和查询性图像之间的相关性，促进二者的图像特征之间的相互作用，从而增加算法在小样本数据上的表现，进一步增强模型的泛化能力和特征表示能力。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的多期胰腺肿瘤的CT图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：
3.根据权利要求2所述的方法，其特征在于，所述步骤S3具体包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤S4具体包括：
5.根据权利要求4所述的方法，其特征在于，所述损失函数为相似性损失、平滑损失、交叉熵损失之和。
【技术特征摘要】
1.一种基于深度学习的多期胰腺肿瘤的ct图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤s2具体包括：
3.根据权利要求2所述的方法，其特征在于...
【专利技术属性】
技术研发人员：代小勇，苏明，
申请(专利权)人：海南精准医疗科技有限公司，
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。