[发明专利]一种基于PET/CT智能诊断系统的多中心效应补偿方法

说明书

本发明公开了一种基于PET/CT智能诊断系统的多中心效应补偿方法，属于医学影像领域。该方法包括：基于一种关于加性和乘性多中心效应参数的位置尺度模型，对训练中心A和测试中心B的数据使用非参数化的数学方法，估测出测试中心B相对于训练中心A的多中心效应参数，并使用该参数补偿测试中心B的数据，以消除测试中心B与训练中心A之间的多中心效应。通过本发明，可补偿训练中心A与测试中心B之间的多中心效应，使得测试中心B的数据在补偿后可用于训练中心A所训练的模型之中，间接地提高了模型的泛化能力。

技术领域

本发明涉及医学影像领域和深度学习领域，尤其涉及一种基于PET/CT智能诊断系统的多中心效应补偿方法。

背景技术

正电子发射断层扫描仪(positron emission tomography,PET)是一种在分子层面上的功能性成像设备。扫描前需要对患者注入放射性示踪剂，示踪剂在患者体内进行衰变进而发生湮灭，产生一对发射方向约180°相反的511keV伽马光子，检测器会采集这些伽马光子达到晶体的位置和时间信息。通过使用图像重构建算法对采集的信息进行重构建并进行后处理，即可获得反应示踪剂在患者体内代谢和摄取的情况。医生根据PET/CT的影像结果，结合各项临床指标综合分析患者的病情，从而确定治疗方案。

深度卷积神经网络(convolutional neural network，CNN)是近年构建医学人工智能模型的常用方法之一，它通过多层的卷积处理提取图像的高阶特征信息，同时结合池化处理以降低特征的维度，所提取的高阶特征则输入后续特定网络进行特定任务，如分类、分割、配准、检测、降噪等。该方法的优势在于可通过大量样本自动学习对特定任务具有显著意义的高阶特征，但是对于用于训练的数据量具有一定的要求。

关于现有的智能诊断模型，无论该模型是基于单一中心数据还是多中心数据训练，对于其他未参与训练的中心数据，其诊断效能对于参与训练的中心数据都有所下降。这个是由于不同中心通常使用不同的扫描协议，导致不同中心的影像数据处在不同的水平上。如在PET/CT上，由于不同的中心使用不同的每床位扫描时间、图像重构建算法、迭代次数/子集数、后重建滤波器、体素大小等参数，会导致这些中心的PET/CT影像数据具有一定的差异性，也就是上述的多中心效应。该问题可通过把未参与训练中心的数据加入模型的进行微调(fine tuning)解决，但是这个解决方案对于数据量具有一定要求。而基层医院的病例数量往往远达不到微调的样本量要求，所以对于这些基层医院来说该方法并不现实。因此，解决多中心智能诊断模型对于基层医院应用的问题是重要的需求。

发明内容

本发明的目的在于针对现有技术的不足，提供了一种基于PET/CT智能诊断系统的多中心效应补偿方法。利用位置尺度模型(location-scalemodel,L/Smodel)，基于经验贝叶斯方法，对不同中心的深度神经网络特征图进行标准化，以消除在应用智能诊断模型应用中遇到的多中心效应。只需要保存所有参与模型训练的数据的特征，并使用该特征和测试中心B的数据的特征进行计算，可估测出训练中心A与测试中心B数据的特征之间的多中心效应参数，最后把测试中心B数据的特征补偿至中心A数据的特征的水平上，把补偿后的测试中心B数据的特征应用于训练中心A的智能诊断系统中上。

本发明的目的是通过以下技术方案来实现的：一种基于PET/CT智能诊断系统的多中心效应补偿方法，具体包括如下步骤：

步骤一：把训练中心A中的PET/CT数据导入训练中心A的深度卷积神经网络模型中，获得所述训练中心A中所有PET/CT数据的特征图，计算所述训练中心A中所有PET/CT数据的特征图中所有特征Y_Ajg的平均值协变量回归系数和方差并对其进行Z-Score标准化，得到标准化后的特征Z_Ajg：

其中，Z_Ajg表示为对训练中心A里面的病例j提取的特征g，X为相关协变量的设计矩阵。