[发明专利]基于SE-DenseNet深度学习框架和增强MR图像的肝细胞癌自动分级方法

说明书

本发明公开了一种基于SE‑DenseNet深度学习框架和增强MR图像的肝细胞癌自动分级方法，包括1)采集数据；2)对所有的增强MR的肝细胞癌三维图像进行预处理；3)将训练数据进行增强；4)基于增强的训练数据，训练肝细胞癌分级预测模型：SE‑DenseNet网络；5)采用训练好的模型对测试数据进行分级预测，评估肝细胞癌分级预测模型的分类性能。本发明通过由图像预处理、图像增强、SE‑DenseNet网络训练、SE‑DenseNet网络测试组成的肝细胞癌多模态增强MR图像的自动病理分级方法，能实现肝细胞癌自动分级，能克服人工对肝细胞进行分级存在的人力和时间耗费和主观性差异的问题。

技术领域

本发明涉及医学图像处理领域，特别涉及一种基于SE-DenseNet深度学习框架和多模态增强MR图像的肝细胞癌自动分级方法。

背景技术

在全球范围内，肺/肝/胃和肠肿瘤目前占所有癌症死亡的近一半(46％)。肝细胞癌(HCC)，纤维膜癌，胆管癌、血管肉瘤和肝母细胞瘤称为原发性肝癌，在这些原发性肝癌中，肝细胞癌(HCC)是导致全球癌症死亡的第三大肿瘤，大约有50多万人受到这种疾病的影响。在肝细胞癌的分级中，Ⅱ级和Ⅲ级占大多数。肝癌病人的预后情况与肝癌的分化程度以及肝癌的治疗方案有关，因此肝癌的分级具有重要的临床意义。人工标记病灶分级信息存在如下缺点：一是人力耗费大，二是存在主观性差异，即同样的病理切片，不同的人的观察结果却不同。目前，肝癌的分化程度评估方面的研究较少，一方面是基于医学影像图像评估病理分化程度存在一定的难点，二是因为肝癌的临床数据的收集较困难，网上公开的肝癌影像数据集的图像质量较差，而且缺乏病理分化信息，难以利用。随着计算机技术的发展和成熟，计算机临床辅助诊断技术迅速发展成一门新兴学科和技术，越来越广泛地应用于临床。因此通过多模态影像数据对早期肝癌进行计算机辅助诊断对病人的预后及其重要，具有一定的临床意义。

发明内容

本发明目的是为了解决传统的依赖于人工对肝细胞进行分级存在的人力和时间耗费和主观性差异的问题，提出了一种基于SE-DenseNet深度学习框架和多模态增强MR图像的肝细胞癌自动分级方法。

为解决上述技术问题，本发明采用的技术方案是：一种基于SE-DenseNet深度学习框架和增强MR图像的肝细胞癌自动分级方法，包括以下步骤：

1)临床获取多模态增强MR的肝细胞癌三维图像和病理分级结果；

2)对所有的增强MR的肝细胞癌三维图像进行预处理，以作为训练数据；

3)将训练数据进行增强，扩增训练数据量；

4)基于增强的训练数据，训练肝细胞癌分级预测模型：SE-DenseNet网络；

5)采用训练好的模型对测试数据进行分级预测，评估肝细胞癌分级预测模型的分类性能；

其中，所述SE-DenseNet网络是通过将DenSE、DenSE-BC和SE框架相结合得到，SE框架即为：Squeeze-and-Excitation Networks框架。

优选的是，所述步骤1)包括：从临床获取多模态增强MR的术前肝细胞癌影像数据，包括动脉期MR序列、静脉期MR序列和延迟期MR序列；每个病人的肝细胞癌分级依据Edmondson and Steiner system分级方法：一级即高分化，二级即中分化，三级即低分化，四级即未分化，其中一级和二级属于低分级，三级和四级属于高分级；将每个MR序列标记为低分级或高分级，作为临床通用的金标准应用于监督学习。

优选的是，所述步骤2)中的预处理为：从每个MR图像中提取肿瘤感兴趣区域，即ROI区域，并进行标准化，具体包括：

2-1)人工勾画肿瘤大致区域，对肿瘤进行粗略分割；

2-2)提取ROI区域，并去除背景信息；