[发明专利]一种原发灶转移辅助诊断系统

说明书

本发明公开了一种原发灶转移辅助诊断系统，属于深度学习医学影像领域。包括：图像预处理模块，用于对病人的每张病变部位CT图像和对应PET图像进行融合，得到PET/CT融合图像序列；2D病变部位原发灶分割模块，用于基于训练好的2D VGG‑Unet检测模型，对每张待识别病人的PET/CT融合图像进行分割，得到2D病变部位原发灶分割图像序列；3D候选原发灶构建模块，用于根据待识别病人的2D病变部位原发灶分割图像序列，确定3D候选原发灶的3D重心坐标，根据该坐标从待识别病人的PET/CT融合图像序列上截取3D候选病变部位原发灶；3D病变部位原发灶转移分类模块，用于基于训练好的3D CNN分类模型，对待识别病人的3D候选病变部位原发灶进行二分类，得到病变部位原发灶是否转移的诊断结果。

技术领域

本发明属于深度学习医学影像领域，更具体地，涉及一种原发灶转移辅助诊断系统。

背景技术

近年来，人工智能应用到医疗临床检测与诊断的各个环节中，特别在医学图像方面。但是，可公开获取的医学图像数据是非常有限的。人们对医学图像分析中应用深度卷积神经网络(CNN)有强烈的兴趣，但CNN要求大量有标注的训练样本。和普通图像的标注不一样，医学图像的标注需要有专业知识和技能的人来做，因此有标注的医学图像数据更难以获取。深度迁移学习技术可用于解决深度学习中医学图像标注数据少的问题。

IEEE TMI特刊“Guest editorial deep learning in medical imaging：Overview and future promise of an exciting new technique”指出：在医学图像处理领域中深度学习被证明是最为有效的手段。迁移学习是机器学习的一个分支，它可以学习到领域无关的特征表达，将其与深度学习结合，能充分利用神经网络的表达能力，学习域不变特征。尽管自然图像与医学图像之间的领域相似性较低，但最近的研究表明自然图像与医学图像之间的知识迁移是可能的。Shin等人2016年的“Deep ConvolutionalNeuralNetworks for Computer-Aided Detection：CNN Architectures，DatasetCharacteristicsand TransferLearning”研究了不同的CNN架构、医学数据集与迁移学习的关系。2016年，Tajbakhsh等人的“Convolutional neural networks for medicalimageanalysis：Full training or fine tuning”系统地研究了几种医学成像应用中迁移学习的能力。Zhou等人2017年提出了“Fine-Tuning ConvolutionalNeural Networks forBiomedical Image Analysis：Actively and Incrementally”，该方法将持续性迁移学习与主动学习相结合，显著减少了医学图像标注工作量，这在医学图像处理领域有非常大的价值。

目前，对于医学领域的图像处理，医学图像数据集大都是图像级标签，当感兴趣区域(ROI)在图像上占比较小时，需要像素级别的分类。一些医学应用需要结合多模态图像信息做判断，而基于不同模态分别建立模型耗时较长。医学图像大都为3D图像，大部分深度卷积神经网络模型基于2D卷积，没有充分利用图像的3D信息。

发明内容

针对现有技术有标注的图像数据量少且未充分利用3D图像空间信息而识别病变部位原发灶转移的精度低，多模态图像分类建立模型时间长的技术问题，本发明提供了一种原发灶转移辅助诊断系统，其目的在于利用迁移学习、结合多模态以及2D/3D多维度的深度卷积神经网络的方法，用于在PET/CT医学图像中识别病变部位原发灶转移，能够有效地为医生提供术前无创的原发灶信息，提供辅助诊断，具有重要的应用价值。

为实现上述目的，按照本发明的一个方面，提供了一种原发灶转移辅助诊断系统，该系统包括：

数据存储模块，用于存储病人的病变部位CT图像序列和对应的PET图像序列；