[发明专利]一种基于深度神经网络的胰腺肿瘤病理自动诊断系统

说明书

本发明公开了一种基于深度神经网络的胰腺肿瘤病理自动诊断系统,包括深度神经网络模型，所述深度神经网络模型包括：特征提取网络，用于对输入的整张图像的图像特征进行抽象并生成卷积特征图；区域生成网络，用于根据特征提取网络输出的卷积特征图进行筛选，推荐候选区域；池化层，对所述卷积特征图以及所述候选区域进行卷积操作，将不同大小的输入信号转换为固定长度的输出信号，得到一组低维特征向量；分类和回归层，构建一个预测病理等级的放射组学模型，根据池化层输出的低维特征向量，根据放射学特征预测胰腺肿瘤的病理程度。本发明的系统可以代替医生来完成预测胰腺肿瘤的病理程度，可减少人工操作，处理速度快。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于深度神经网络的胰腺肿瘤病理自动诊断系统。

背景技术

胰腺属于腹膜后器官，解剖位置深，周围结构复杂，诊断难度大。随着近年来影像学技术的不断发展和完善，其在胰腺癌的诊断、分期及预后中起着重要作用，特别是CT具有较高的空间分辨率和密度分辨率，无解剖结构重叠，是胰腺癌最重要的影像学检查手段。

在传统的诊断中，专业医师通过观察影像图像，对比分析病例的一系列图像，依靠经验预测胰腺肿瘤的病理程度。这种方法需要专业医生对大量的数据进行繁琐的人工操作，同时这种方法诊断结果的准确性及可靠性严重依赖于医生的经验知识和专业素质，诊断结果的准确性受到限制。

作为一项重要的计算机技术，人工智能具有计算机处理数据时所具有的误差稳定、运算速度快、精度高等特点。通过运用深度学习技术学习大量的影像学图像特征及与之相对应的诊断结果，从而使人工智能获得具有像影像科医师一样的阅片及作出诊断的能力，是目前亟待解决的问题。

发明内容

本发明实施例提供了一种基于深度神经网络的胰腺肿瘤病理自动诊断系统。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种基于深度神经网络的胰腺肿瘤病理自动诊断系统。

在一些可选实施例中，所述系统包括深度神经网络模型，所述深度神经网络模型包括：

特征提取网络，用于对输入的整张图像的图像特征进行抽象，提取放射学特征并生成卷积特征图；

区域生成网络，用于根据特征提取网络输出的卷积特征图进行筛选，推荐候选区域；

池化层，对所述卷积特征图以及所述候选区域进行卷积操作，将不同大小的输入信号转换为固定长度的输出信号，得到一组低维特征向量；

分类和回归层，构建一个预测病理等级的放射组学模型，根据池化层输出的低维特征向量，根据放射学特征预测胰腺肿瘤的病理程度。

可选地，所述系统还包括预处理模块，通过体素重采样和灰度归一化对输入的整张图像进行预处理，经过预处理后的图像输入到特征提取网络。

可选地，所述预处理模块对图像的体素重采样进行到相同的体素尺寸1*1*1mm，图像的灰度被标准化为64个bin。

可选地，所述特征提取网络提取放射学特征，包括四种类型：(1)强度特征；(2)形状特征；(3)纹理特征；(4)小波特征。

可选地，提取所述强度特征的步骤具体为：测量肿瘤体积内的体素强度统计分布。

可选地，提取所述纹理特征的步骤具体为：基于灰度大小带矩阵、灰度游程矩阵和邻域，计算出描述肿瘤体积内体素空间强度相关性和分布的纹理特征。

可选地，所述特征提取网络提取放射组学特征的步骤，包括：