【技术实现步骤摘要】
本专利技术涉及医工交叉领域，尤其涉及基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测方法及系统。
技术介绍
1、检慢性鼻窦炎(crs)是一种常见的上呼吸道异质性炎症性疾病，因其发病率高(约10％)、复发率高(约50％)和医疗费用高(约330亿美元/年)而严重影响患者的生活质量。临床上将crs患者分为两类：合并鼻息肉的crssnp和不合并鼻息肉的crswnp。研究表明，33.7％的crswnp患者和20.97％的crssnp患者在规范治疗1年后临床结局仍为难治/复发，而crswnp患者术后2年的复发率可高达55.3％。由此可见，患者在人口学特征、合并症和对治疗的反应方面存在很大差异。因此，深入了解crs的内在型对实现crs的精确治疗非常重要。内在型是指基于细胞、分子和免疫机制的功能和病理疾病亚型，是指具有一些共同生物学特征的特定人群。目前，国内外临床指南根据crs患者的生理病理机制将其分为嗜酸性慢性鼻炎(ecrs)和非嗜酸性慢性鼻炎(non-ecrs)。通过研究crs患者的生物标志物和分子机制，可以对其进行准确分类，解释疾病特征，准确诊断和治疗，并通过内在特异性基础机制预测预后。
2、虽然病理活检是诊断crs内在型的"金标准"，但术前活检只能获得局部组织的炎症反应。而且术中活检切片细胞组织肿胀，易出现冰晶，对细胞微结构的观察影响较大，严重干扰炎性细胞的分类和分化，可能增加误诊率。鼻窦ct作为术前评估crs患者病情严重程度、评价疗效、制定个体化精准手术策略的重要客观检查工具，为耳鼻喉科医师成功诊治crs患者绘制了精准的"数字蓝
3、近年来以深度学习为引领的人工智能，作为一项前沿技术取得了巨大的进展。其中，深度学习技术具有强大的图像自动分割和自动特征提取的技术特点，尤其擅长捕捉复杂图像中的微观图像特征。目前，深度学习技术与ct图像的结合在医学领域取得了显著的研究进展，尤其是在利用胸部ct进行肺结节筛查方面已经实现了临床转化应用。然而，在耳鼻咽喉科领域，利用深度学习技术实现基于鼻窦ct的crs内在型预测模型的研究还很缺乏。最近，hua等利用u-net神经网络构建了基于鼻窦ct的crs内在预测模型，图像内在标注和患者内在标注的预测准确率分别为76.2％和89.3％。但该研究缺乏高质量的鼻窦ct图像数据库管理，构建的模型无法区分患者是否合并鼻息肉，同时受限于u-net神经网络单通道数据的宽度，无法获得高精度的预测结果。因此，发展多通道特征融合网络，将为准确预测鼻窦ct图像中crswnp的内在型诊断提供关键技术工具。
技术实现思路
1、本专利技术的目的在于解决现有技术中由于神经网络单通道结构导致预测精度不高的问题。
2、本专利技术解决其技术问题所采用的技术方案是：提供一种基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测方法，包括以下步骤：
3、构建慢性鼻窦炎伴鼻息肉数据库，所述慢性鼻窦炎伴鼻息肉数据库包含轴位、冠状位、矢状位层面的鼻窦ct图像，对鼻窦ct图像进行数据标准化后，进行图像标注；
4、设计多通道轻量级卷积网络模型，用于接收轴位、冠状位、矢状位层面的鼻窦ct图像，学习图像的微观深层特征，预测内在型类别；
5、利用标注后的慢性鼻窦炎伴鼻息肉数据库对多通道轻量级卷积网络模型进行训练，获得预测模型；
6、利用预测模型实现预测慢性鼻窦炎伴鼻息肉内在型。
7、优选的，所述多通道轻量级卷积网络模型包括：
8、三个特征提取通道，分别用于接收轴位、冠状位、矢状位的ct图像，提取并输出相应特征；
9、特征聚合模块，将三个特征提取通道分别输出的特征进行特征拼接，获得聚合特征；
10、特征分类模块，接收聚合特征，根据聚合特征判断内在型类别。
11、优选的，所述特征提取通道由一个卷积、池化层以及四个卷积块所构成；
12、所述卷积块包括由通道注意力子模块和空间注意力子模块组成的卷积注意力模块。
13、优选的，所述卷积注意力模块接收特征图作为输入，先送入通道注意力子模块中推导出一个1d的通道注意力图将mc(f)与f进行逐元素相乘得到特征图f′；然后f′送入空间注意力子模块中推导出一个2d的空间注意力图将ms(f′)与f′进行逐元素相乘得到特征图f″作为输出；
14、整个过程表示为
15、
16、
17、其中表示元素相乘。
18、优选的，所述卷积块还包括深度残差网络。
19、优选的，所述深度残差网络的结构为依次连接的第一卷积层、relu激活函数、第二卷积层、加法和relu激活函数，其中加法的输出端还连接到第一卷积层；两个卷积层的卷积核均为3×3。
20、优选的，所述深度残差网络的结构为依次连接的第一卷积层、relu激活函数、第二卷积层、加法和relu激活函数，其中加法的输出端还通过一个1×1卷积连接到第一卷积层；两个卷积层的卷积核均为3×3。
21、优选的，对所述深度残差网络的结构进行改进，具体为对第一卷积层和第二卷积层分别进行以下操作：将一个3×3卷积核的卷积层替换为一个卷积核为1×3和3×1的连续卷积层，并进行批量归一化。
22、优选的，所述特征分类模块由池化层、flatten、全连接层所构成，最后经soft max层输出crs患者的内在型类别。
23、本专利技术还提供一种基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测系统，包括：
24、数据库构建模块，构建慢性鼻窦炎伴鼻息肉数据库，所述慢性鼻窦炎伴鼻息肉数据库包含轴位、冠状位、矢状位层面的鼻窦ct图像，对鼻窦ct图像进行数据标准化后，进行图像标注；
25、模型构建模块，设计多通道轻量级卷积网络模型，用于接收轴位、冠状位、矢状位层面的鼻窦ct图像，学习图像的微观深层特征，预测内在型类别；
26、模型训练模块，利用标注后的慢性鼻窦炎伴鼻息肉数据库对多通道轻量级卷积网络模型进行训练，获得预测模型；
27、预测模块，利用预测模型实现预测慢性鼻窦炎伴鼻息肉内在型。
28、本专利技术具有如下有益效果：
29、(1)采用多通道模型，使用更多层次的ct图像信息，使其表现出更佳的性能实现了鼻窦ct图像微观深层特征学习；
30、(2)采用深度残差网络避免了网络训练中的梯度消失问题，并对卷积层进行重新编排设计，减少了卷积层的参数，使得模型训练需要更少的计算量，模型需要的从云端下载到应用端的带宽也更小，并且可以更灵活得部署在有限内存的硬件上。
31、以下结合附图及实施例对本专利技术作进一步详细说明，但本专利技术不局限于实施例。
本文档来自技高网...【技术保护点】
1.一种基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述多通道轻量级卷积网络模型包括：
3.根据权利要求2所述的基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述特征提取通道由一个卷积、池化层以及四个卷积块所构成；
4.根据权利要求3所述的基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述卷积注意力模块接收特征图作为输入，先送入通道注意力子模块中推导出一个1D的通道注意力图将Mc(F)与F进行逐元素相乘得到特征图F′；然后F′送入空间注意力子模块中推导出一个2D的空间注意力图将Ms(F′)与F′进行逐元素相乘得到特征图F″作为输出；
5.根据权利要求3所述的基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述卷积块还包括深度残差网络。
6.根据权利要求5所述的基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述深度残差网络的结构为依次连接的第一卷积层、re
7.根据权利要求5所述的基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述深度残差网络的结构为依次连接的第一卷积层、relu激活函数、第二卷积层、加法和relu激活函数，其中加法的输出端还通过一个1×1卷积连接到第一卷积层；两个卷积层的卷积核均为3×3。
8.根据权利要求6或7所述的基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，对所述深度残差网络的结构进行改进，具体为对第一卷积层和第二卷积层分别进行以下操作：将一个3×3卷积核的卷积层替换为一个卷积核为1×3和3×1的连续卷积层，并进行批量归一化。
9.根据权利要求2所述的基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述特征分类模块由池化层、Flatten、全连接层所构成，最后经Soft max层输出CRS患者的内在型类别。
10.一种基于CT图像的慢性鼻窦炎伴鼻息肉内在型预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述多通道轻量级卷积网络模型包括：
3.根据权利要求2所述的基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述特征提取通道由一个卷积、池化层以及四个卷积块所构成；
4.根据权利要求3所述的基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述卷积注意力模块接收特征图作为输入，先送入通道注意力子模块中推导出一个1d的通道注意力图将mc(f)与f进行逐元素相乘得到特征图f′；然后f′送入空间注意力子模块中推导出一个2d的空间注意力图将ms(f′)与f′进行逐元素相乘得到特征图f″作为输出；
5.根据权利要求3所述的基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述卷积块还包括深度残差网络。
6.根据权利要求5所述的基于ct图像的慢性鼻窦炎伴鼻息肉内在型预测方法，其特征在于，所述深度残差网络的结构为依次连接的第一...
【专利技术属性】
技术研发人员：张晓磊，赖仕欣，林宇，康伟骠，陈耀文，
申请(专利权)人：汕头大学医学院第二附属医院，
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。