[发明专利]淋巴结转移预测方法、装置、设备及存储介质

权利要求书

1.一种淋巴结转移预测方法，其特征在于，所述淋巴结转移预测方法包括：

获取医学图像，其中，所述医学图像为腹部CT图像；

采用预先训练好的深度全卷积网络模型对所述医学图像进行分割，得到初始器官分割图像；

根据所述初始器官分割图像计算区域生长的合并阈值，根据所述合并阈值和预设区域生长算法，对所述初始器官分割图像进行分割，得到所述医学图像中的目标器官图像；

将所述目标器官图像输入预置Faster RCNN模型，基于所述Faster RCNN模型和所述目标器官图像中的每个像素点，确定所述腹部CT图像中的疑似淋巴结图像；

基于特征提取网络构建淋巴结检测模型，并将所述疑似淋巴结图像输入所述淋巴结检测模型进行预处理，得到目标淋巴结图像；

将所述目标淋巴结图像输入预设分类预测模型，对所述目标淋巴结进行转移预测，为评估胰腺导管癌淋巴结是否转移提供可视化数据，其中，所述分类预测模型为淋巴结转移预测模型。

2.根据权利要求1所述的淋巴结转移预测方法，其特征在于，在所述采用预先训练好的深度全卷积网络模型对所述医学图像进行分割，得到初始器官分割图像之前，还包括：

获取原始训练样本，其中，所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像，所述标签图像为已标注出器官的器官图像；

对所述原始训练样本进行扩展，得到训练样本集，其中，所述训练样本集包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像；

设置深度全卷积网络模型的模型参数的初始值；

根据所述训练样本集和所述模型参数的初始值，采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练，直至所述训练样本集中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值，得到深度全卷积网络模型。

3.根据权利要求1所述的淋巴结转移预测方法，其特征在于，所述根据所述初始器官分割图像计算区域生长的合并阈值，根据所述合并阈值和预设区域生长算法，对所述初始器官分割图像进行分割，得到所述医学图像中的目标器官图像包括：

根据所述初始器官分割图像计算区域生长的合并阈值；

对所述初始器官分割图像进行特征提取，得到多个不同尺度的初始器官分割特征图；

将所述多个不同尺度的初始器官分割特征图输入预设器官特征校准模型，输出目标器官分割特征图，其中，所述器官特征校准模型是基于空间注意力机制和语义注意力机制，对不同尺度的样本初始器官分割特征进行校准训练得到的；

通过所述目标器官分割特征图和所述合并阈值，及预设区域生长算法，对所述初始器官分割图像进行分割处理，得到所述医学图像中的目标器官图像。

4.根据权利要求1所述的淋巴结转移预测方法，其特征在于，所述Faster RCNN模型包括：特征提取网络、区域生成网络和fast-rcnn目标检测器，所述将所述目标器官图像输入预置Faster RCNN模型，基于所述Faster RCNN模型和所述目标器官图像中的每个像素点，确定所述腹部CT图像中的疑似淋巴结图像包括：

将所述腹部CT图像输入预置Faster RCNN模型的特征提取网络，通过所述特征提取网络对所述腹部CT图像的图像特征进行抽象并生成卷积特征图；

将所述卷积特征图输入所述区域生成网络，通过所述区域生成网络对所述卷积特征图进行筛选，生成转移淋巴结节候选区域；

将所述转移淋巴结节候选区域输入所述fast-rcnn目标检测器，通过所述fast-rcnn目标检测器的感兴趣区域特征池化层对所述卷积特征图以及所述候选区域进行卷积操作，得到所述淋巴结节区域的位置以及概率；

基于所述淋巴结节区域的位置以及概率，确定所述腹部CT图像中的疑似淋巴结图像。