[发明专利]基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法

权利要求书

1.基于双路三维卷积神经网络的磨玻璃结节良恶性分类方法，其特征在于，包括如下步骤：

步骤一，参与者收集：

收集18F-FDG PET/CT检查的可疑GGN患者；患者的入选标准如下：

1)对PET/CT检查后1个月内通过手术进行明确诊断，或对良性GGN进行CT随访时减少体积；

2)最大GGN直径≤30mm；排除标准如下：A，根据第8版肺癌肿瘤淋巴结转移(TNM)分期病理标准确定是否存在恶性病变(IB期或更高)；B，图像质量差或FDG摄取低，难以测量的病变；C，过去5年有恶性肿瘤病史；D，严重的肝脏疾病或糖尿病；通过回顾病例或通过电话随访收集了纳入患者的数据；

步骤二，图像采集：

图像采集协议根据影像生物标志物标准化倡议(IBSI)报告指南进行了描述；在手术前一个月内，患者接受了18F-FDG PET/CT检查(Biograph mCT 64,Siemens,Erlangen,Germany)；根据欧洲核医学协会(EANM)准则1.0(2.0版于2015年2月发布)，在注射18F-FDG后60±5分钟获取了18F-FDG PET/CT图像；所有PET/CT图像均在处理工作站(TrueD软件，Siemens Healthcare)上重建；使用CT数据对PET图像进行衰减校正，并将校正后的PET图像与CT图像融合；

步骤三，图像预处理：

所有图像的分割均使用3D-Slicer(www.slicer.com)；对于PET图像，使用一种半自动分割的方法；为了考虑肿瘤边缘的模式，将生成的边界框向外膨胀1个像素；为了消除肺本底噪声的影响，将病灶边框外部填充为0值；考虑到偏小的样本量，为了保证学习效果，也为了简化任务并减少内存需求和处理时间，分割一个占据整个图像一小部分的3D对象；该3D立方体体积用作PET模型的输入；由于FDG PET的基质尺寸根据重建算法而有所不同，因此使用最近邻点插值法将分割的立方体形体切成具有各向同性间距，如4.07mm³；

对于CT图像，使用NVIDIA-AI辅助注释模块内的基于边界点的肺肿瘤CT分割模型；为了考虑肿瘤边缘的模式，将生成的边界框向外膨胀3.00mm；为了消除肺背景噪声的影响，将病灶边框外部填充为-2000值(归一化后均为0值)；同样，分割一个占据整个图像一小部分的3D对象；该3D立方体体积用作CT模型的输入；由于CT的基质尺寸有所不同，因此使用最近邻点插值法将分割的立方体形体切成具有各向同性间距，如0.73mm³；

步骤四，深度学习模型的训练：

为了克服有限数量的训练集数据，使用图像旋转方法进行数据增强；更具体地说，数据增强旨在开发一种强大的深度学习模型，以对抗可能受到肿瘤部位和位置影响的肿瘤旋转；因此，对每个训练集中的图像，按90°、180°和270°将分割的肿瘤旋转了三轴；这种类型的数据增强通常用于自然图像和医学图像的深度学习训练中；

分割的肿瘤是深度学习模型的输入，该模型的架构基于3D-CNN；将FDG-PET转换为SUVbw(体重单位)，并将SUV值按[0-15]线性映射到[0-1]范围；同样，CT图像以Hounsfield单位(HU)表示，并且HU值按[-1000-400]线性映射到[0-1]范围；由于输入图像的大小可变，因此设计了卷积神经网络以产生输出，而不管输入矩阵的大小如何；

由于可用的数据较少，为了可靠的评估模型，采用了交叉验证的方法；将5倍交叉验证应用于训练队列，并且直到通过交叉验证的训练/内部验证集对模型进行优化后，才使用外部测试队列；为了训练模型，使用了Adam优化器(初始学习率0.0001)；迭代训练的纪元数设置为50。