[发明专利]一种重症肿瘤影像识别系统及方法

说明书

本发明涉及一种重症肿瘤影像识别系统及方法，尤其是一种基于脑肿瘤影像大数据的磁共振图像两阶段多模型自动脑肿瘤诊断系统。本发明所要解决的技术问题是提供一套基于卷积神经网络的磁共振图像两阶段多模型自动脑肿瘤诊断系统，通过从历史诊断大数据中进行信息挖掘、特征提取和经验学习，用于高准确度的计算机辅助脑图像数据分析，使诊断准确度独立于医生的经验，同时加快诊断速度。

技术领域

本申请涉及一种重症肿瘤影像识别系统及方法，尤其是一种基于大数据的脑肿瘤影像磁共振图像两阶段多模型自动脑肿瘤诊断系统。

背景技术

脑肿瘤是一种严重的疾病，它是由于大脑内部组织的异常生长而破坏正常的大脑功能。近三十年来，我国每年因脑肿瘤而死亡的人数呈逐步上升趋势。快速、准确的脑肿瘤诊断技术十分必要。以往由内科医生凭经验和肉眼观察的手工诊断方式，准确度因医生的经验而异，并且非常耗时。

磁共振成像是一种先进的医学成像技术，它能够提供丰富的有关人体软组织解剖的大量数据信息。利用磁共振图像进行自动脑肿瘤检测的目的是通过分析成像数据，对图像中有无脑肿瘤进行分类。因此，可以将诊断问题转换为图像分类挑战。近年来脑肿瘤的高发性导致产生了大量的磁共振图像数据。因此，利用历史诊断大数据，从大数据中进行有效信息挖掘和特征提取，深度探索和学习历史诊断大数据中的经验，开发实现快速检测和准确定位的自动脑肿瘤诊断系统是至关重要的。通过大数据驱动的机器学习和深度学习方法在计算机辅助脑图像分析、分割、配准和肿瘤组织分类中发挥着核心作用。

虽然已有多项研究将深度学习方法应用于脑肿瘤诊断，但尚未有完整基于大数据的肿瘤自动分类、分级和定位系统。此外，在单一诊断系统中集成肿瘤分类分级和定位的精度仍然是一个开放的挑战。在单一系统中，在肿瘤定位之前有脑肿瘤检测阶段会导致正常图像在定位阶段被丢弃。这为自动肿瘤诊断系统的实时部署打开了大门。

发明内容

本发明所要解决的技术问题是提供一套基于卷积神经网络的磁共振图像两阶段多模型自动脑肿瘤诊断系统，通过从历史诊断大数据中进行信息挖掘、特征提取和经验学习，用于高准确度的计算机辅助脑图像数据分析，将脑肿瘤的有无、脑肿瘤的类别、脑肿瘤的分级等问题转换图像分类问题，利用卷积神经网络对脑肿瘤图像进行分类的同时进行脑胶质瘤术前智能分级，并精准定位脑肿瘤所在区域的位置，为医生提供快速和精准的辅助诊断，使诊断准确度独立于医生的经验，同时加快诊断速度。

本发明基本思想是将脑肿瘤的诊断转换为磁共振脑成像的分类问题，利用分类卷积神经网络能够通过历史诊断大数据的分析，进而从中提取图像数据的深度特征并进行高准确度分类的优点，将不同类别以及不同级别的脑肿瘤视为不同类别的图像，将历史病例中人工诊断的不同类别的磁共振脑成像数据集进行训练并用于脑肿瘤的分类和胶质肿瘤分级，解决脑肿瘤快速、高准确度的诊断。利用定位卷积神经网络能够对病灶位置进行精准区域定位的优点，对有脑肿瘤的磁共振脑成像进行病灶区域的精准定位，为医生提供快速和准确的诊断辅助。具体包括如下步骤：

步骤一：数据集收集和标注，数据集包括：分类数据集和定位数据集，对从历史诊断病例数据中收集的不同类别和不同级别的磁共振脑成像图像分类，作为第一阶段使用的分类数据集。采用图像标注工具Labelimg对有肿瘤的图像进行肿瘤区域标注，每幅图像中肿瘤所在的区域用矩形框标记出来，每幅标注后的图像会对应生成一个XML格式的标注文件，记录矩形框的长、宽以及中心坐标等信息。按8:2的比例将标注后的图像划分为训练集和测试集。将训练集和测试集中的所有脑肿瘤磁共振图像放在同一个文件夹下，将其所有标注文件放在另一个文件夹下，并将每幅图像和相应的标注文件命名相同。将其作为第二阶段使用的定位数据集。

步骤二：图像预处理。针对第一阶段的分类数据集，首先，将数据集中的图像分别进行左右翻转、对比度增强、亮度增强，以及分别顺时针、逆时针旋转10度的数据增广，将数据集中的图像数量增广为原来的5倍。其次，将所有图像使用插值的方法缩小为224×224×3的像素尺寸大小，以适应卷积神经网络的输入。最后，按8:2的比例将数据集划分为训练集和测试集。