[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

说明书

本发明公开了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，包括如下步骤：步骤一，参与者收集；步骤二，图像采集；步骤三，图像预处理；步骤四，深度学习模型的训练。本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，开发使用深度学习融合从PET图像和CT图像获得的数据分别作为输入流的双路3D‑CNN，用于对GGN中的良性病变和恶性病变进行分类；该网络无需专业的图像分析软件，也无需太多的人为干预，就可以在分类过程实现“端到端”的工作流程；此外，该网络表现出高于资深核医学科医生的分类准确性；因此，在缺乏训练有素且经验丰富的阅片者的情况下，此CNN可能有助于GGN的良恶性分类和临床管理。

技术领域

本发明属于肺部磨玻璃结节的图像分析技术领域，具体涉及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。

背景技术

随着低剂量CT的普及以及新冠疫情筛查的原因，表现为磨玻璃样结节(ground-glass opacity nodule，GGN)的早期肺腺癌发病率迅速升高。GGN患者的治疗，估计恶性肿瘤的临床预测概率应该是一个重要的早期步骤。指南推荐对于暂时不能定性的GGN可通过CT随访观察GGN的动态变化进行分类。但部分良性GGN及早期肺腺癌均可在较长一段时间内保持稳定，鉴别困难。而且，长期的随访也常给患者带来恐慌和焦虑。目前亟需发展一种可靠且实用的无创影像方法准确地区分GGN良恶性，以指导GGN个体化临床管理策略。

单一的CT形态学特征及定量参数对GGN的诊断价值并不高。近年来，影像组学“Radiomics”已经作为区分良性和恶性肺结节的一种可能方法。Radiomics的基本原理是利用可能具有临床相关性但未被人眼注意到的那部分图像信息，基于18F-FDG PET/CT的影像组学模型可以在区分良性和恶性肺结节方面提供更大的价值。但是常规Radiomics方法的特征提取需要专业的图像分析软件及大量的人为干预，不利于临床应用和推广。

机器学习的方法已被引入医学影像分析，并且已经向深度学习方法，特别是多层卷积神经网络(Convolutional Neural Network，CNN)进行了明显的转变。但据我们所知，尚未开发使用三维卷积神经网络(3D-CNN)来分析PET/CT图像，以及双路CNN(从PET和CT获得的数据分别作为输入流)对GGN进行良恶性分类。

因此需要设计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。

发明内容

本发明的目的在于提供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，以解决上述背景技术中提出的问题。

为实现上述目的，本发明采用了如下技术方案：

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，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：