【技术实现步骤摘要】
本专利技术总体上涉及处理和可视化数据，尤其是用于在临床环境中处理和可视化肝脏组织的图像(例如非造影计算机断层摄影(non-contrast computed tomography)图像)以确定肝细胞癌的存在的计算机实现的系统/方法。
技术介绍
1、肝癌给世界各地的公共卫生造成沉重负担。在所有癌症中，其发病率排名第六，死亡率排名第三，全世界每年有超过90,000例发病病例和超过83,000例死亡(全球癌症观察站，2021)。在过去几十年中，肝癌的总体年龄标准化发病率稳步增长，从1990年至2016年平均每年增长0.34％(liu等人，j hepatol 2019，70(4)：674-683)。在过去几十年中，肝癌仍然是主要的健康问题。
2、肝细胞癌(hcc)是最常见的肝脏恶性肿瘤类型(mittal&el-serag，《journal ofclinical gastroenterology》，2013年，47(0):s2-s6)。大多数hcc患者呈现隐匿的临床过程，在早期阶段无症状，仅在后期呈现非特异性症状，例如腹痛、体重减轻和厌食(cahill&braccia，《clinical journal of nursing oncology》，2004年，8(4)：393-399；teo&fock，《digestive diseases》，2001年，19(4)：263-268)。这通常导致准确诊断的显著延迟，伴随着更严重的疾病分期和不及时的治疗。此外，hcc的总体存活很大程度上取决于疾病分期，ia期
3、在临床实践中，hcc的常规诊断通常通过计算机断层摄影(ct)和磁共振成像(mri)在称为肝脏成像报告和数据系统(li-rads)的标准化诊断框架下进行(bargellini等人，《journal of hepatocellular carcinoma》，2014年，1:13 7-148)。li-rads系统根据多种放射学特征对肝脏病变进行分类，最重要的是动脉期超强化和门静脉期或延迟期的非外周冲洗，得到hcc的5个li-rads分类(lr-1至lr-5)(美国放射学会(american college ofradiology)，2018年)。虽然li-rads系统在lr-5中表现出优异的诊断性能(100％明确的hcc)，但也存在若干限制。最值得注意的是，中间类别(即，lr-2、lr-3和lr-4)无法提供确切的诊断，其推荐的后续处理方法是频繁监测或重复影像诊断，这可能导致诊断和治疗的延迟(kim等人，《european radiology》，2018年，29：1124-1132)。
4、根据美国肝病研究协会(aasld)和欧洲肝病研究协会(easl)的最新指南，在常规临床实践中，多期(multiphase)ct扫描在hcc的诊断中具有举足轻重的作用(marrero等人，《hepatology》，2018年，68(2):723-750；欧洲肝病研究协会，《hepatology》，2018年，69(1):182-236)。多期ct切片通常在注射碘化造影剂的不同时间点取得：非造影期(non-contrastphase)(在注射造影剂之前取得)；动脉期(注射后15-35秒取得)、门静脉期(注射后60-90秒)和延迟期(注射后约10分钟)。通常，造影剂注射对于增强正常组织和肿瘤之间的强度差异是必要的，因为许多肿瘤具有与正常肝脏相似的衰减水平。然而，放射性造影剂可能引起广泛的不良反应，从轻度潮红、恶心和呕吐到造影剂肾病(cin)甚至危及生命的过敏反应(hasebroock&serkova，《expert opinion and drug metabolism and toxicology》，2009年，5(4)：403-416)。此外，造影剂可能与常用的药剂相互作用，限制了它们在特定患者中的应用。因此，基于非造影ct的诊断系统的开发将避免造影剂的不利影响，降低辐射暴露水平，缩短ct扫描的持续时间，并且潜在地允许非造影ct用作hcc的筛查工具。
5、传统上，放射学图像由放射科医师检查，放射科医师手动检查切片以检测个体病变并做出诊断。该过程很大程度上依赖于放射科医师的经验和教育，并且通常可能是主观的(hosny等人，《nature reviews cancer》，2018年，18:500-510)。这些限制要求新的和有效的辅助策略或系统。近年来，人工智能(ai)的应用在医学中变得越来越流行，尤其是在医学成像领域中。已经探索了应用ai算法、机器学习和深度学习的许多研究，以使得能够利用ct图像自动诊断hcc。li等人(li等人，《biocybernetics and biomedical engineering》，2020年，40(1)：238-248)提出了一种计算机辅助诊断系统(cad)，包括用于肝脏和肿瘤分割的基于微调vgg-16模型的全卷积网络(fcn)，以及用于hcc分类的9层卷积神经网络(cnn)。shi等人(shi等人，《abdominal radiology》，2020年，45：2688-2697)使用2.5维多相卷积网络(mp-cdn)将局灶性肝脏病变二元分类为hcc与非hcc。wang等人(wang等人，《britishjournal of cancer》，2021年，125(8)：1111-1121)开发了两个34层残差卷积网络，命名为nodulenet和hccnet，用于hcc与非hcc的分类。vivanti等人(vivanti等人，《internationaljournal of computer assisted radiology and surgery》，2017年，12:19 45-1957)提出了一种cnn分类器，用于在后续ct扫描中检测和分割新肿瘤，采用例如随机森林和支持向量机的其他机器学习方法进行分类。chlebus等人(chlebus等人，《scientific reports》，2018年，8：15497)使用类似u-net的全卷积神经网络进行肿瘤分割和检测，另外采用几个基于对象的预处理步骤来增强肿瘤检测性能。liang等人(liang等人，《combiningconvolutional and recurrent neural networks for classification of focal liverlesions in multi-phase ct images》，见frangi a，schnabel j，davatzikos c，alberola-lópez c，fichtinger g，(eds)medical image computing and computerassisted intervention(miccai)2018年，《lecture not本文档来自技高网...
【技术保护点】
1.一种三维计算机实现的分类系统(CIS)，包括一个或多个卷积块注意力模块(CBAM)块，其中所述一个或多个CBAM块中的至少一个包括CBAM，其中所述CBAM包括通道注意力模块和空间注意力模块，优选地，其中所述通道注意力模块和所述空间注意力模块以串联配置布置。
2.根据权利要求1所述的CIS，其中在所述CBAM内，所述通道注意力模块之后是所述空间注意力模块。
3.根据权利要求1或2所述的CIS，其中所述通道注意力模块包括两个并行路径，所述两个并行路径首先分别通过全局平均池化层和全局最大池化层。
4.根据权利要求3所述的CIS，其中在所述通道注意力模块内，所述两个并行路径中的每一个包括两个全连接层。
5.根据权利要求4所述的CIS，其中所述通道注意力模块包括组合来自所述两个并行路径中的每一个的输出的附加层。
6.根据权利要求5所述的CIS，其中所述通道注意力模块还包括第一激活函数。
7.根据权利要求6所述的CIS，其中所述第一激活函数选自S型激活函数、修正线性单元激活函数(ReLu)层和/或参数修正线性单元激
8.根据权利要求1至7中任一项所述的CIS，其中所述空间注意力模块包括第一池化层和第二池化层，优选地，其中所述第一池化层和所述第二池化层分别是平均池化层和最大池化层。
9.根据权利要求8所述的CIS，其中所述空间注意力模块包括在所述平均池化层和所述最大池化层之后的级联层和3D卷积层。
10.根据权利要求9所述的CIS，其中所述空间注意力模块还包括在所述3D卷积层之后的第二激活函数。
11.根据权利要求10所述的CIS，其中所述第二激活函数选自S型激活函数、修正线性单元激活函数(ReLu)层和/或参数修正线性单元激活函数(PReLu)层，优选为S型激活函数。
12.根据权利要求1至11中任一项所述的CIS，其中所述CBAM之前是卷积层，所述卷积层优选地包括第三激活函数。
13.根据权利要求12所述的CIS，其中所述第三激活函数选自修正线性单元激活函数(ReLu)层、参数修正线性单元激活函数(PReLu)层和/或S型激活函数层，优选为修正线性单元激活函数(ReLu)。
14.根据权利要求1至13中任一项所述的CIS，其中所述CBAM之后是归一化层。
15.根据权利要求14所述的CIS，其中所述归一化层选自批量归一化层、权重归一化层、层归一化层、实例归一化层、组归一化层、批量重新归一化层和/或批量-实例归一化层，优选为批量归一化层。
16.根据权利要求1至15中任一项所述的CIS，其中所述一个或多个CBAM块中的至少一个CBAM块包括两个或更多个CBAM，每个CBAM包括所述通道注意力模块和所述空间注意力模块。
17.根据权利要求1至16中任一项所述的CIS，包括两个或更多个CBAM块，优选以串联配置布置。
18.根据权利要求1至17中任一项所述的CIS，包括以串联配置布置在一起的CBAM块和两个全连接层，
19.根据权利要求1至18中任一项所述的CIS，其中相邻的CBAM块通过过渡层可操作地链接。
20.根据权利要求19所述的CIS，其中所述过渡层包括池化层。
21.根据权利要求20所述的CIS，其中所述池化层包括最大池化层或平均池化层，优选为最大池化层。
22.根据权利要求20或21所述的CIS，其中所述池化层具有(2，2，1)或(3，3，3)的步幅大小。
23.根据权利要求1至22中任一项所述的CIS，还包括可操作地链接到所述至少一个或多个CBAM块的终端CBAM块的分类层。
24.根据权利要求23所述的CIS，其中所述分类层包括平坦化层和所述两个全连接层，优选地，其中所述两个全连接层处于串联配置，优选地，其中所述两个全连接层包括激活函数，诸如S型激活函数。
25.根据权利要求1至24中任一项所述的CIS，其中后续CBAM块中的卷积层比先前CBAM块中的卷积层包含逐渐更多的内核。
26.一种用于处理、分析和/或识别数据的计算机实现的方法(CIM)，所述CIM包括在图形用户界面上可视化来自根据权利要求1至25中任一项所述的CIS的输出。
27.根据权利要求26所述的CIM，其中来自所述通道注意力模块内的所述并行路径的输出通过所述通道注意力模块的激活函数组合和发送，所述激活函数优选为S型激活函数。
28.根据权利要求26或27所述的CIM，其中所述通道注意力...
【技术特征摘要】
1.一种三维计算机实现的分类系统(cis)，包括一个或多个卷积块注意力模块(cbam)块，其中所述一个或多个cbam块中的至少一个包括cbam，其中所述cbam包括通道注意力模块和空间注意力模块，优选地，其中所述通道注意力模块和所述空间注意力模块以串联配置布置。
2.根据权利要求1所述的cis，其中在所述cbam内，所述通道注意力模块之后是所述空间注意力模块。
3.根据权利要求1或2所述的cis，其中所述通道注意力模块包括两个并行路径，所述两个并行路径首先分别通过全局平均池化层和全局最大池化层。
4.根据权利要求3所述的cis，其中在所述通道注意力模块内，所述两个并行路径中的每一个包括两个全连接层。
5.根据权利要求4所述的cis，其中所述通道注意力模块包括组合来自所述两个并行路径中的每一个的输出的附加层。
6.根据权利要求5所述的cis，其中所述通道注意力模块还包括第一激活函数。
7.根据权利要求6所述的cis，其中所述第一激活函数选自s型激活函数、修正线性单元激活函数(relu)层和/或参数修正线性单元激活函数(prelu)层，优选为s型激活函数。
8.根据权利要求1至7中任一项所述的cis，其中所述空间注意力模块包括第一池化层和第二池化层，优选地，其中所述第一池化层和所述第二池化层分别是平均池化层和最大池化层。
9.根据权利要求8所述的cis，其中所述空间注意力模块包括在所述平均池化层和所述最大池化层之后的级联层和3d卷积层。
10.根据权利要求9所述的cis，其中所述空间注意力模块还包括在所述3d卷积层之后的第二激活函数。
11.根据权利要求10所述的cis，其中所述第二激活函数选自s型激活函数、修正线性单元激活函数(relu)层和/或参数修正线性单元激活函数(prelu)层，优选为s型激活函数。
12.根据权利要求1至11中任一项所述的cis，其中所述cbam之前是卷积层，所述卷积层优选地包括第三激活函数。
13.根据权利要求12所述的cis，其中所述第三激活函数选自修正线性单元激活函数(relu)层、参数修正线性单元激活函数(prelu)层和/或s型激活函数层，优选为修正线性单元激活函数(relu)。
14.根据权利要求1至13中任一项所述的cis，其中所述cbam之后是归一化层。
15.根据权利要求14所述的cis，其中所述归一化层选自批量归一化层、权重归一化层、层归一化层、实例归一化层、组归一化层、批量重新归一化层和/或批量-实例归一化层，优选为批量归一化层。
16.根据权利要求1至15中任一项所述的cis，其中所述一个或多个cbam块中的至少一个cbam块包括两个或更多个cbam，每个cbam包括所述...
【专利技术属性】
技术研发人员：彭承志，杨良河，赵允恒，毛宪化，袁孟峰，司徒伟基，
申请(专利权)人：港大科桥有限公司，
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。