[发明专利]一种基于深度残差网络的甲状腺癌CT影像分类系统

说明书

本发明公开一种基于深度残差网络的甲状腺癌CT影像分类系统，包括甲状腺癌CT影像获取模块，用于获取带标签的多位甲状腺癌症患者的CT影像；多尺度分割模块，用于对CT影像按不同尺度进行分割，依次截取肿瘤、肿瘤外扩5mm、肿瘤外扩10mm的立方体区域，得到肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像；预处理模块，用于对所述图像进行预处理，得到训练数据集；深度残差网络训练模块，用于利用训练数据集对深度残差网络进行训练和优化；甲状腺癌CT影像分类模块，用于将待分类甲状腺癌CT影像输入优化后的深度残差网络进行分类，获得甲状腺癌CT影像的分类结果。本发明能够对甲状腺癌CT影像进行准确分类。

技术领域

本发明涉及医学影像和人工智能技术领域，特别是涉及一种基于深度残差网络的甲状腺癌CT影像分类系统。

背景技术

近年来，计算机技术广泛应用于医学领域，特别是计算机辅助诊断技术，依靠医学影像、医学图像处理技术，结合计算机相关算法，辅助影像科医生进行诊断，提高诊断的准确率和效率。

甲状腺癌是一种发病率比较高的癌症，据报道高达60％-70％的患者存在淋巴结转移。因此，在初次手术前需要准确地确定淋巴结清扫所需的范围，确定淋巴结转移风险，临床上通常需要通过CT检查来确定，因为需要对CT影像进行鉴别，帮助医生做出判断。

目前，人工智能方法辅助诊断技术，主要包括基于影像组学和深度学习的方法。影像组学的方法需要从医学影像上提取手工设计的特征，再通过特征选择和传统机器学习方法建立模型。然而手工设计的特征难以准确地表征影像内在的特征。

深度学习方法能够自动提取图像的高维特征，比传统的机器学习方法有着很大的优越性，可以避免手动提取图像特征带来的问题。虽然随着深度学习的发展，已经出现了许多针对图像分类的框架，但是目前还没有针对甲状腺癌患者的CT影像进行分类的深度学习模型。由于甲状腺癌患者的CT图像(甲状腺癌CT影像)中含有病灶影像，因此甲状腺癌患者的CT影像比普通图像更复杂，特征更多。若采用目前现有的针对普通图像分类的框架，无法准确实现甲状腺癌CT影像分类，从而无法辅助医生判断甲状腺癌CT影像中淋巴结是否发生转移。因此，本领域亟需一种针对甲状腺癌患者的CT影像进行分类的深度学习模型以解决上述问题。

发明内容

本发明的目的是提供一种基于深度残差网络的甲状腺癌CT影像分类系统，能够对甲状腺癌CT影像进行准确分类，辅助医生判断甲状腺癌CT影像中淋巴结是否发生转移。

为实现上述目的，本发明提供了如下方案：

一种基于深度残差网络的甲状腺癌CT影像分类系统，所述系统包括：

甲状腺癌CT影像获取模块，用于获取带标签的多位甲状腺癌症患者的CT影像；

多尺度分割模块，与所述甲状腺癌CT影像获取模块连接，用于分别对每位甲状腺癌症患者的CT影像按不同尺度进行分割，依次截取肿瘤、肿瘤外扩5mm、肿瘤外扩10mm的立方体区域，得到肿瘤图像、肿瘤外扩5mm图像和肿瘤外扩10mm图像；

预处理模块，与所述多尺度分割模块连接，用于分别对所述肿瘤图像、所述肿瘤外扩5mm图像和所述肿瘤外扩10mm图像进行预处理，得到训练数据集；

深度残差网络训练模块，与所述预处理模块连接，用于利用所述训练数据集对深度残差网络进行训练和优化，得到优化后的深度残差网络；

甲状腺癌CT影像分类模块，与所述深度残差网络训练模块连接，用于将待分类甲状腺癌CT影像输入所述优化后的深度残差网络进行分类，获得甲状腺癌CT影像的分类结果；所述分类结果包括甲状腺癌CT影像中淋巴结转移和淋巴结未转移。

可选地，所述每位甲状腺癌症患者的CT影像均是由不同期相对应的多个连续图像切片组成；所述不同期相包括平扫期、动脉期和静脉期。