[发明专利]基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法

说明书

本发明提供了一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，包括：步骤一、采集肝脏核磁动脉期影像并进行预处理得到灰度图像，得到质量分级的训练样本数据集；步骤二、将训练样本数据集进行分类并构建卷积神经网络模型；步骤三、利用全局平均池化运算进行特征可视化运算得到特征可视化热图；步骤四、筛选特征可视化热图；步骤五、将特征图的深度抽象特征输入分类器进行二次训练，得到普美显肝脏核磁质量控制分级模型；步骤六、输入待分类的患者肝脏核磁动脉期影像，得到普美显肝脏核磁动脉期影像的分级预测结果，本发明构建的卷积神经网络模型，能够对普美显肝脏核磁动脉期影像进行准确的质量分级。

技术领域

本发明涉及医学影像处理与分析领域，尤其涉及一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法。

背景技术

我国是肝脏疾病高发国家。其中肝细胞肝癌，简称肝癌是中国人群常见的恶性肿瘤。据统计我国每年约有33万人死于肝癌，占全世界肝癌死亡人数的近50％。对肝癌患者实现早筛查、早诊断、早治疗，可大大延长其生存周期。包括计算机断层扫描、核磁共振成像即MRI在内的多种影像学检查可以无创的监测肝脏疾病的组织形态和病灶特征，已成为肝癌早期筛查的重要手段之一。

普美显是一种新型MRI对比剂。血液中约50％的普美显对比剂可被肝细胞吸收，使MRI在诊断过程中能够准确提供肝脏病灶血供信息以及肝细胞信息。美国多中心3期临床试验已于2010年证明普美显可以提高肝脏病变的定性诊断率并具有良好的安全性。因此普美显已被临床医生视为有价值的肝胆特异性对比剂。随着普美显在临床肝脏疾病诊断中的广泛应用，其缺点也逐渐显现。临床医生发现肝脏MRI动脉期影像经常出现伪影。伪影的影像学表现存在差异，且成因不尽相同。这些伪影会大大影像MRI的成像质量，严重时可能导致漏诊、误诊，甚至无法诊断。

获得高质量的医学影像是精确影像诊断的前提，对肝脏普美显MRI动脉期影像实行质量控制可提升MRI图像质量，提高临床诊断准确率。西方国家早已执行医学影像质量控制制度，主要由放射科的医学物理师和工程技术人员人工审查完成。但我国的临床质量控制工作起步较晚，相关制度尚不完善。放射科的医学物理师或工程技术人员缺乏临床诊断经验和知识，无法准确把握图像质量控制的要点。

近年来，随着人工智能技术的快速发展，涌现出大量的基于影像学的肝脏疾病自动化诊断或定量评估，如基于全卷积神经网络FCN的肝脏及肝脏肿瘤区域自动分割，基于卷积神经网络CNN的肝硬化分级、肝癌分类，基于影像组学和机器学习模型的肝癌生存期预测、肝损伤分类等。这些前期研究证明，挖掘医学影像的数字特征并训练人工智能模型的方式可用于肝脏疾病的辅助分析。

综上所述，有必要利用深度学习模型全自动地完成普美显肝脏MRI质量控制，优化现有工作流，提高临床中普美显肝脏MRI质量，切实帮助临床医生减轻工作压力，提升诊断效率，造福患者。

发明内容

本发明提供了一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，以经专业放射医生标注的普美显肝脏核磁动脉期影像数据作为训练样本，构建卷积神经网络模型，能够对普美显肝脏核磁动脉期影像进行准确的质量分级。

本发明还有一个目的是引入了特征密集连接策略，增加了每层的特征输入，能够分辨核磁动脉期伪影，提升质量控制分级的准确性。

一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，包括：

步骤一、采集肝脏核磁动脉期影像并进行预处理得到灰度图像，并分别标记所述肝脏核磁动脉期影像分级结果，得到质量分级的训练样本数据集；

步骤二、将所述训练样本数据集进行分类并构建卷积神经网络模型，提取出灰度图像中的隐藏特征，得到预训练的卷积神经网络模型；

步骤三、利用梯度加权类别激活映射方法，对预训练卷积神经网络模型内的全部卷积层进行特征可视化得到特征可视化热图；