[发明专利]基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质

说明书

本发明公开了一种基于深度学习的胰腺癌肿瘤自动识别系统，属于图像识别技术领域。该系统包括深度学习模型，所述深度学习模型包括：特征提取网络、区域生成网络和Fast R‑CNN目标检测网络；所述特征提取网络用于对胰腺癌肿瘤的图像特征进行抽象，并生成卷积特征图；所述区域生成网络用于对所述卷积特征图中存在的所有特征进行滑动扫描，在每个滑动窗口位置选出多个候选区域，所述候选区域为可能的胰腺癌肿瘤区域；所述Fast R‑CNN目标检测网络用于对卷积特征图以及生成的候选区域进行进一步回归与分类，最终输出胰腺癌肿瘤区域的位置以及概率。本发明的系统可以完成病变组织的跟踪识别，减少人工操作，处理速度快，准确度高。

技术领域

本发明涉及图像识别技术领域，特别涉及基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质。

背景技术

胰腺属于腹膜后器官，解剖位置深，周围结构复杂，诊断难度大。随着近年来影像学技术的不断发展和完善，其在胰腺癌的诊断、分期及预后中起着重要作用，特别是CT具有较高的空间分辨率和密度分辨率，无解剖结构重叠，是胰腺癌最重要的影像学检查手段。

在传统的诊断中，专业医师通过观察影像图像，对比分析病例的一系列图像，依靠经验对胰腺肿物进行提取、标记。这种方法需要专业医生对大量的数据进行繁琐的人工操作，同时这种方法诊断结果的准确性及可靠性严重依赖于医生的经验知识和专业素质，诊断结果的准确性受到限制。

近年来，由于计算机技术的迅速发展及图形图像处理技术的日渐成熟，使得计算机技术逐步渗入到医学领域，开创了数字医疗的新时代。如何通过计算机技术来进行处理CT序列影像，代替医生来完成病变组织的跟踪识别，是目前亟待解决的问题。

发明内容

本发明实施例提供了一种基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种基于深度学习的胰腺癌肿瘤自动识别系统。

在一些可选实施例中，所述系统包括：深度学习模型，所述深度学习模型包括：特征提取网络、区域生成网络和Fast R-CNN目标检测网络；所述特征提取网络用于对胰腺癌肿瘤的图像特征进行抽象，并生成卷积特征图；所述区域生成网络用于对所述卷积特征图中存在的所有特征进行滑动扫描，在每个滑动窗口位置选出多个候选区域，所述候选区域为可能的胰腺癌肿瘤区域；所述Fast R-CNN目标检测网络用于对卷积特征图以及所述候选区域进行进一步回归与分类，最终输出胰腺癌肿瘤区域的位置以及概率。

可选地，所述特征提取网络使用VGG16网络模型对胰腺癌肿瘤的图像特征进行抽象，并生成卷积特征图。

可选地，所述区域生成网络对卷积特征图中存在的所有特征进行滑动扫描，在每个滑动窗口位置选出多个候选区域。

可选地，所述在每个滑动窗口位置选出多个候选区域的过程具体为：所述滑动窗口的中心为锚点，为了得到所述候选区域，为每个锚点分配一个二值类别标签，是目标或不是目标；然后，对于具有与实际边界框的重叠最高交并比IoU的锚点，或者具有与实际边界框的重叠超过0.7IoU的锚点，分配一个正标签；对于所有的真实边界框，如果一个锚点的IoU比率低于0.3，给该锚点分配一个负标签。

可选地，对于可能为胰腺癌肿瘤的区域，所述区域生成网络利用非极大值抑制方法合并邻近区域。

可选地，所述Fast R-CNN目标检测网络和区域生成网络共享所述卷积特征图，所述Fast R-CNN目标检测网络包括感兴趣区域池化层以及后面的两个子全连接层，由感兴趣区域特征向量对所述卷积特征图以及所述候选区域进行进一步回归与分类，得到预测边界框的坐标与类别的概率分数，最终输出胰腺癌肿瘤区域的位置以及概率。