【技术实现步骤摘要】
本专利技术涉及智慧医疗相关，尤其涉及基于ct图像与深度学习的甲状腺癌辅助诊断方法及系统。
技术介绍
1、甲状腺癌是人类恶性肿瘤中发病率较高的癌种之一。在女性病人中，其常年位于恶性肿瘤发病率的第5位。甲状腺乳头状癌(ptc)是甲状腺癌中最常见的病理类型，约占甲状腺癌发病率的90％左右。目前多个相关研究报道，对于低危组甲状腺乳头状癌，单侧腺叶切除术肿瘤治疗效果与甲状腺全切除术相当。2015年ata成人甲状腺结节及分化型甲状腺癌指南及nccn肿瘤临床实践指南(甲状腺癌，2023年第二版)均推荐，对于低危组甲状腺乳头状癌，甲状腺腺叶切除术与甲状腺全切除术均为其首次治疗可供选择的手术方式。然而，术前评估为低危组的甲状腺乳头状癌患者，术后病理检查中，部分不良病理特征可能会将其升级为中危或是高危组。对于这部分患者，如首次手术为甲状腺腺叶切除术，则需行二次手术切除对侧甲状腺组织，降低甲状腺癌复发风险，改善患者预后。目前，多个研究认为大容量淋巴结转移(等于或大于5个淋巴结转移)为甲状腺乳头状癌复发的危险因素之一。中央区为甲状腺癌淋巴结转移最常累及的部位。然而，术前超声及ct等检查手段对中央区淋巴结转移的诊断准确性不高。nccn肿瘤临床实践指南(甲状腺癌，2023年第二版)将术后病理提示中央区大容量淋巴结转移(hvclnms,等于或大于5个淋巴结转移)列为甲状腺乳头状癌腺叶切除术后行二次手术完全切除甲状腺组织的手术指征之一。
2、结合图2，目前判断状腺乳头状癌中央区大容量淋巴结转移的方式一般为，通过医生术中进行直接观察并基于自身经验进行
技术实现思路
1、本专利技术的目的是为了至少解决现有技术的不足之一，提供基于ct图像与深度学习的甲状腺癌辅助诊断方法及系统。
2、为了实现上述目的，本专利技术采用以下的技术方案：
3、具体的，提出基于ct图像与深度学习的甲状腺癌辅助诊断方法，包括以下：
4、获取目标患者ct图像序列及相关特征信息，所述目标患者ct图像序列指的是预设时间段内的连续帧ct图像所组成的图像序列，相关特征信息包括超声特征c、细胞学图片特征d、人口学特征e、基因特征f；
5、加载预训练的深度神经网络模型；
6、基于ct图像序列进行代表ct图像构建得到代表ct图像，将代表ct图像、超声特征、细胞学图片特征、人口学特征、基因特征输入所述深度神经网络模型；
7、所述深度神经网络模型对代表ct图像进行特征提取并降维得到降维后的表征甲状腺最大癌灶的特征集a以及表征甲状腺全器官的特征集b；
8、将特征集a、特征集b、超声特征c、细胞学图片特征d、人口学特征e、基因特征f进行数据融合形成全特征集；
9、对所述全特征集进行降维并输入所述深度神经网络模型的分类器得到最终结果；
10、将最终结果进行可视化展示。
11、进一步，具体的，预训练的深度神经网络模型通过以下方式进行构建，
12、模型的第一部分分为a、b模块，其中a模块用于对甲状腺最大癌灶进行特征提取成特征集a即甲状腺最大癌灶特征集，b模块用于对甲状腺全器官进行特征提取形成特征集b即甲状腺全器官特征集，分别对特征集a以及特征集b进行降维得到降维后的特征集a、特征集b；
13、模型的第二部分用于将降维后的特征集a和b，与患者甲状腺超声特征c、细胞学图片特征d、人口学特征集e和基因检测特征f进行进一步融合形成全特征集，进一步降维并进入分类器获得最终结果。
14、进一步，具体的，所述深度神经网络模型在训练过程中采用随机梯度下降法对模型进行优化，在多轮训练中，模型通过输入ct图像、超声特征、细胞学图片特征、人口学特征、基因特征，进行前向传播计算得到诊断结果，然后计算诊断结果与真实标签之间的误差，通过反向传播更新模型参数，以优化模型性能。
15、进一步，具体的，使用准确率评估训练得到的神经网络模型在多折交叉验证中的性能，准确率最高的神经网络模型即为最优神经网络模型并予以保存。
16、进一步，所述方法还包括，根据最优神经网络模型的识别情况绘制最优神经网络模型的roc曲线图，以评估最优神经网络模型的效能，并对效能不达标的最优神经网络模型进行调整直到达标。
17、进一步，具体的，基于ct图像序列进行代表ct图像构建得到代表ct图像，包括，
18、若ct图像序列共包括n张图像，以矩阵的形式即ak(k)表示序列号为k的图像，ak(k，wk，dk)表示序列号为k的图像的矩阵中第wk行第dk列位置的像素点的像素值；
19、计算ak(k)中任意像素点的信息突显趋势率feat(k，wk，dk)，feat(k，wk，dk)的计算式如下，
20、
21、其中max(k，wk，dk)、avg(k，wk，dk)以及min(k，wk，dk)分别为ak(k，wk，dk)的周围像素点的最大值、平均值以及最小值，周围像素点指的是8邻域像素点；
22、基于信息突显趋势率找寻出ct图像序列中所有图像的信息突显区域；
23、计算n张图像的相同位置的像素点的像素均值，以每个位置的像素点的像素均值所组成的图像定义为基准图像；
24、将所有的信息突显区域所对应的像素点位置替换基准图像中相同的像素点位置得到代表ct图像。
25、进一步，具体的，基于信息突显趋势率找寻出每张图像的信息突显区域，包括，
26、针对序列号为1的图像，遍历矩阵a1(1)，找寻出其中信息突显趋势率数值最大以及第二大的两个像素点，将所述两个像素点进行连线得到线段xd(1)，于a1(1)中再找寻除线段xd(1)外的信息突显趋势率最大的像素点，将信息突显趋势率数值最大以及第二大的两个像素点与除线段xd(1)外的信息突显趋势率最大的像素点相互之间连线所形成的区域定义为a1(1)的信息突显区域；
27、对于序列号不为1的其他图像，计算ak-1(k-1)的信息突显区域中的像素平均值avg(k-1)，其中ak-1(k-1)为序列号不为1的其他图像的矩阵ak(k)的后一幅图像的矩阵，遍历ak(k)找寻出其中信息突显趋势率大于avg(k-1)的像素点，随机从中选取任意两个像素点，将所述任意两个像素点进行连线得到线段xd(k)，于ak(k)中再找寻除线段xd(k)外的信息突显趋势率最大的像素点，将所述任意两个像素点与除线段xd(k)外的信息突显趋势率最大的像素点相互之间连线所形成的区域定义为ak(k)的信息突显区域。
28、进一步，具体的，将最终结果进行可视化展示，包括，
29、将最终结果以风险评分的方式进行可视化展示。
30、本专利技术还提出本文档来自技高网...
【技术保护点】
1.基于CT图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，包括以下：
2.根据权利要求1所述的基于CT图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，预训练的深度神经网络模型通过以下方式进行构建，
3.根据权利要求2所述的基于CT图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，所述深度神经网络模型在训练过程中采用随机梯度下降法对模型进行优化，在多轮训练中，模型通过输入CT图像、超声特征、细胞学图片特征、人口学特征、基因特征，进行前向传播计算得到诊断结果，然后计算诊断结果与真实标签之间的误差，通过反向传播更新模型参数，以优化模型性能。
4.根据权利要求2所述的基于CT图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，使用准确率评估训练得到的神经网络模型在多折交叉验证中的性能，准确率最高的神经网络模型即为最优神经网络模型并予以保存。
5.根据权利要求4所述的基于CT图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，所述方法还包括，根据最优神经网络模型的识别情况绘制最优神经网络模型的ROC曲线图，以评估最优
6.根据权利要求1所述的基于CT图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，基于CT图像序列进行代表CT图像构建得到代表CT图像，包括，
7.根据权利要求6所述的基于CT图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，基于信息突显趋势率找寻出每张图像的信息突显区域，包括，
8.根据权利要求1所述的基于CT图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，将最终结果进行可视化展示，包括，
9.基于CT图像与深度学习的甲状腺癌辅助诊断系统，其特征在于，包括：
...【技术特征摘要】
1.基于ct图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，包括以下：
2.根据权利要求1所述的基于ct图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，预训练的深度神经网络模型通过以下方式进行构建，
3.根据权利要求2所述的基于ct图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，所述深度神经网络模型在训练过程中采用随机梯度下降法对模型进行优化，在多轮训练中，模型通过输入ct图像、超声特征、细胞学图片特征、人口学特征、基因特征，进行前向传播计算得到诊断结果，然后计算诊断结果与真实标签之间的误差，通过反向传播更新模型参数，以优化模型性能。
4.根据权利要求2所述的基于ct图像与深度学习的甲状腺癌辅助诊断方法，其特征在于，具体的，使用准确率评估训练得到的神经网络模型在多折交叉验证中的性能，准确率最高的神经网络模型即为最优神经网络模型并予以保...
【专利技术属性】
技术研发人员：林沛亮，黄晓明，邓岚岚，张辰佳，
申请(专利权)人：中山大学孙逸仙纪念医院，
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。