[发明专利]基于深度学习对胸部增强CT图像的后处理方法

说明书

基于深度学习对胸部增强CT图像的后处理方法，其既克服了传统影像组学方法的缺陷，同时又平衡数据收集与标注成本，在有限样本量的前提下可提高影像组学流程的智能化程度和预测模型的性能，具有较大的优势和应用价值。这种基于深度学习对胸部增强CT图像的后处理方法包括：(1)将影像数据自动分割后输入深度学习的ResNet网络；(2)通过训练模型获取全面而完整的病灶信息，并从第一层全连接层的输出中提取深度学习的向量特征；(3)筛选特征和构建预测模型；(4)将基于深度学习得到的结果与传统影像组学的结果进行比较分析，评价其对于胸腺瘤临床诊断与风险评估的价值。

技术领域

本发明涉及医学图像处理的技术领域，尤其涉及一种基于深度学习对胸部增强CT图像的后处理方法。

背景技术

胸腺瘤术前影像学检查目的是初步的评价肿瘤的恶性程度，进一步可推测其组织病理学改变和进行风险评估，从而辅助术前治疗方案选择及临床预后判断。然而，由于胸腺瘤发病率相对较低，目前在术前准确诊断及恶性程度风险评估方面仍面临较大的挑战。CT对于诊断前纵隔肿瘤的敏感性较高，增强CT可更好显示胸腺瘤的轮廓、边界及局部浸润性并评估其恶性程度。是用于诊断与识别的重要检查手段。

然而，CT影像学征象评估是基于胸腺瘤病灶本身及其与邻近周围组织结构的关系，多采用经验性、观察性指标而非量化指标，临床工作中与前纵隔其它肿瘤或瘤样病变的影像表现不乏相似而难以鉴别，因此，如何基于CT影像数据采用客观量化的方法对于胸腺瘤进行更为准确的诊断尚需进一步研究。

传统影像组学采用对医学影像图像进行高通量特征提取，着眼于临床问题构建模型而进行定性分析，可较好地运用于疾病的精确诊断、组织病理学风险评估及临床预后评估等方面。但在临床实践中传统影像组学存在其固有的问题和困境，首先，医学图像的病灶分割步骤依赖于人工手动勾画，这一过程既耗时又易受人为因素影响；其次，目前的影像组学特征提取方法难以将分割区域内的所有图像特征进行算法预设并全部提取。因此，传统影像组学的自动化和标准化程度低，在其预测结果的准确性和鲁棒性方面依然存在诸多局限，具有较大的提升空间。

深度学习是机器学习领域的一个特定的研究方向，近年来深度学习技术发展迅速，在图像分析各个领域应用较为广泛。CNN及其衍生网络结构是具有代表性的深度学习方法，已成功应用于图像识别及特征提取领域。近年来，有研究使用CNN对医学图像进行分割，并且取得了比传统方法更好的效果。依据原始数据特征和结构，通过对CNN的参数进行调整至最佳结构，从而可以获取最佳输出和达到理想分类的目的。通过对整个图像进行卷积核运算从而保存大量的全局空间信息，从而可从最后一层卷积层中提取到完整的目标图像区域特征。因此，采用CNN对医学图像的病灶分割结果稳定、提取的图像特征全面而完整，有助于最终提高预测结果的准确性和鲁棒性，为解决目前影像组学的困境和问题提供重要的方法学途径。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于深度学习对胸部增强CT图像的后处理方法，其既克服了影像组学方法的缺陷，同时又平衡数据收集与标注成本，在有限样本量的前提下可提高影像组学流程的智能化程度和预测模型的性能，具有较大的优势和临床应用价值。

本发明的技术方案是：这种基于分割后胸部增强CT图像的深度学习方法，其包括以下步骤：

(1)将分割后的病灶数据输入深度学习的ResNet网络；

(2)通过训练模型获取全面而完整的病灶信息，并从第一层全连接层的输出中提取深度学习的向量特征；

(3)筛选特征和构建预测模型；

(4)将基于深度学习的影像组学得到的结果与传统影像组学的结果进行比较分析，评价其对于胸腺瘤临床诊断与风险评估的价值。