[发明专利]基于生理指标和影像融合的肝肿瘤自动分类方法及装置

说明书

基于生理指标和影像融合的肝肿瘤自动分类方法及装置，能够面向不同患者进行识别时有良好的鲁棒性，无需人为设计复杂的特征提取算法，实现全自动特征学习和提取，对胆管细胞癌和肝细胞癌在影像上的特征表现差异和在生理指标上表现差异进行联合学习和挖掘，提高模型的识别准确率。方法包括：构建胆管细胞癌和肝细胞癌的影像及其生理指标数据库，采集患者的腹部CT影像及医生记录的相应生理指标；对采集的所有影像数据进行标注，勾画出其中的肝脏组织区域并判断其属于胆管细胞癌还是肝细胞癌，做好标注，以此作为网络训练的金标准；构建一个三维全卷积神经网络分割模型；构建一个基于影像和生理指标相融合的深度卷积神经网络分类模型。

技术领域

本发明涉及医学图像处理的技术领域，尤其涉及一种基于生理指标和影像融合的肝肿瘤自动分类方法，以及基于生理指标和影像融合的肝肿瘤自动分类装置，主要适用于基于计算机辅助诊断的肝癌识别研究领域。

背景技术

近年来，我国胆管细胞癌的发病率逐年上升，胆管细胞癌隶属于肝癌，其临床表现与肝细胞癌十分相似，在临床诊断中常被误诊为是肝细胞癌，但针对两者的治疗策略却大不相同，因此很多实为胆管细胞癌的患者却接受了肝细胞癌的手术治疗，既没有达到预期效果，还浪费了诸多医疗资源。此外，胆管细胞癌很难在早期被发现，多数患者在确诊时已错过了最佳治疗时机，因此实现胆管细胞癌的早期确诊具有重要的临床意义。

通常情况下，为了确诊患者是否患有胆管细胞癌，常常需要对病患部位进行多种模态的成像扫描检查，每一种模态下的切片数量众多，诊断十分耗时耗力，且由于胆管细胞癌与肝细胞癌的外观表现较为相似，导致医生难以得出明确的诊断结果，这就需要对患者进行病理穿刺活检才能最终确诊，给患者带来额外的风险与痛苦。基于人工智能方法进行肝癌辅助识别有助于解决以上临床问题，因此，这也成为了近年来医学图像处理领域的研究热点。

目前，有研究团队提出使用传统机器学习和深度学习方法来实现肝癌识别的技术。基于传统机器学习的识别方法是通过手动设计一些提取肝癌特征的算法，然后用提取得到的特征训练分类器，以此得到一个特征识别模型。由于分类器是基于手动提取到的肝癌特征设计的，因此，特征提取算法设计的准确与否，往往直接影响最终的识别性能，并且，不同种类的肝癌呈现出的特征差异较大，手动设计的特征提取算法往往很难达到令人满意的识别效果。传统机器学习方法普遍存在抗噪性差、识别精度低等问题，基于深度学习的识别方法与传统机器学习识别方法最显著的差别是其可以利用标注好的数据自动进行特征提取，无需手动设计复杂的特征提取算法。因此，越来越多的研究团队开始投入到基于人工智能的胆管细胞癌和肝细胞癌识别算法开发中。然而，目前所报导的人工智能肝癌识别模型都只是基于纯影像学信息开发得到的，没有将患者的生理指标考虑进去。然而在临床实践中，当医生查看影像数据无法做出准确判断的时候，往往需要借助患者的生理指标等信息来进行综合决策，方可确诊。

由此可见，现有识别方法虽受到了广泛关注并取得了一定的研究成果，但仍存在以下缺点：

1、不同患者肿瘤的尺寸、形状、位置各不相同，给传统识别方法带来了挑战。

2、基于传统机器学习的识别方法需要手动设计不同种类肝癌的特征提取方法，方法设计的好坏直接影响到最终的识别性能。

3、现有深度网络识别模型都是基于影像数据开发得到的，此类数据能够反应出的肿瘤特征信息有限，未综合利用患者的生理指标来提高识别率。

因而，基于影像和生理指标相融合的胆管细胞癌和肝细胞癌自动识别方法须达到以下要求：(1)面向不同患者进行识别时需有良好的鲁棒性；(2)无需人为设计复杂的特征提取算法，实现全自动特征学习和提取；(3)可以对胆管细胞癌和肝细胞癌在影像上的特征表现差异和在生理指标上如生化指标含量、肿瘤标志物等特征表现差异进行联合学习和挖掘，提高模型的识别准确率。

发明内容