[发明专利]一种利用深度学习的胃癌增强CT图像自动识别系统

说明书

本发明提出了一种利用深度学习的胃癌增强CT图像自动识别系统，包括：Faster RCNN网络，所述Faster RCNN网络包括：特征提取网络、区域生成网络和感兴趣区域特征向量网络；特征提取网络用于生成卷积特征图；区域生成网络对卷积特征图进行筛选，生成可能为胃癌肿瘤的区域；最后，由感兴趣区域特征向量网络对卷积特征图及生成区域进行回归与分类，最终输出胃癌肿瘤细胞浸润最深的位置以及分割肿瘤结果。本发明的利用深度学习的胃癌增强CT图像自动识别系统，能够对增强CT图像进展期胃癌肿瘤进行识别，可以精确识别胃癌肿瘤部位，并且可以对进展期胃癌肿瘤进行T分期处理，其中对T3与T4期胃癌具有较高的准确性。

技术领域

本发明涉及图像识别技术领域，特别涉及一种利用深度学习的胃癌增强CT图像自动识别系统。

背景技术

胃癌目前在全球癌症发病率排名第五，死亡率排名第三，已成为威胁世界人民健康的第三大杀手。准确的术前胃癌分期对治疗计划的选取以及对患者术后疗效的预测都至关重要。

目前，应用于胃癌术前分期的检查有内窥镜超声(EUS)、多排探测器计算机断层扫描(CT)、磁共振成像(MRI)和组合正电子发射断层扫描(PET-CT)等相关检查。MRI因为对检查者的要求较高及长时间扫描的局限性，所以并不是胃癌的常规检查；PET-CT检查因为费用及辐射损害等原因通常不用于常规检查。EUS因为是一项侵入性检查所以并不为患者接受，并且不能用于检查转移性疾病的检查。CT检查由于具有非侵入性、实用性、便利性及稳定性等优点，是用于胃癌术前分期的常规检查。CT图像的纹理分析可用于检测人眼无法识别的细微差异，并且可以通过分析图像中的像素强度的分布及强弱来获取肿瘤异质性的定量信息，从而来提高CT的诊断价值。特别是增强CT检查的应用大大提高了胃癌分期的准确性，其术前T分期及N分期的准确性分别为62-75％和75-80％。T1期胃癌肿瘤细胞局限于胃壁粘膜下层，T2期胃癌肿瘤细胞局限于胃壁固有肌层，T3期表示肿瘤穿透浆膜下结缔组织但未能穿透浆膜及内脏腹膜，T4期胃癌表示肿瘤细胞侵入浆膜或浸透内脏腹膜或胃累及胃临近结构。

胃癌肿瘤细胞浸润深度对筛查胃癌疾病及制定治疗方案有重要的指导作用，因此，如何基于胃癌增强CT图像准确预测肿瘤细胞浸润胃壁深度，是目前亟待解决的问题。

目前，肿瘤细胞浸润胃壁深度需要专业医师人工辨别标识，一方面，对医师的专业素养要求较高，另一方面，医师的工作量非常大，诊断过程耗时长。

Faster RCNN网络是一类人工神经网络，在各种深度学习模型中，Faster RCNN网络是比较成熟的算法，在图像处理及识别方面的强大能力。如何利用Faster RCNN网络，使其能够预测肿瘤细胞浸润胃壁深度，是目前亟待解决的问题。

发明内容

本发明提出一种利用深度学习的胃癌增强CT图像自动识别系统，解决了现有技术中需要人工基于胃癌增强CT图像预测肿瘤细胞浸润胃壁深度的问题。

本发明的技术方案是这样实现的：

一种利用深度学习的胃癌增强CT图像自动识别系统，包括：

Faster RCNN网络，所述Faster RCNN网络包括：特征提取网络、区域生成网络和感兴趣区域特征向量网络；

特征提取网络用于生成卷积特征图；区域生成网络对卷积特征图进行筛选，生成可能为胃癌肿瘤的区域；最后，由感兴趣区域特征向量网络对卷积特征图及生成区域进行回归与分类，最终输出胃癌肿瘤细胞浸润最深的位置以及分割肿瘤结果；

所述Faster RCNN网络的训练过程包括：

步骤一，获得进展期胃癌图像，构成数据集；

步骤二，人工利用labelImg软件对所述图像进行标识，标识所述图像中胃癌肿瘤细胞浸润最深的位置；