[发明专利]一种肺部纵膈淋巴结检测模型的生成方法及系统

说明书

本发明提供一种肺部纵膈淋巴结检测模型的生成方法及系统，涉及医疗图像处理技术领域，包括：获取有效肺部CT图像及对应的病理信息；提取有效肺部CT图像的高维特征数据，将每个高维特征数据及病理信息加入图像特征向量，各图像特征向量保存至图像特征数据库；根据预设的模型参数建立初始检测模型，将各图像特征向量分组得到训练集和测试集；训练集中的图像特征向量对初始检测模型进行训练得到中间检测模型；测试集中的图像特征向量测试中间检测模型的准确率，准确率小于准确率阈值则调整模型参数；准确率不小于准确率阈值则将中间检测模型作为肺部纵膈淋巴检测模型。本发明能够提升检测准确率；避免由于医生阅片主观性差异造成的检测结果差异。

技术领域

本发明涉及医疗图像处理技术领域，尤其涉及一种肺部纵膈淋巴结检测模型的生成方法及系统。

背景技术

肺癌是世界上最常见的恶性肿瘤之一。在我国，肺癌的发病率、死亡率均高居恶性肿瘤之首，严重威胁着国民的健康。降低肺癌死亡率，一方面依赖于肺癌的早期发现与及时治疗，另一方面对于已进展为中晚期的肺癌，尽可能在治疗前明确肺癌的分子分型、基因表型、淋巴结有无异常等肿瘤信息，针对不同的肺癌，选择合理的治疗方案，即个性化治疗或精准治疗。

对于纵隔淋巴结异常，CT是最常用的检测手段之一，它有以下几方面作用：①准确测量淋巴结直径；②勾画淋巴结的形态学表现；③显示对比增强前后淋巴结密度与内部特征；④确定异常淋巴结的位置、浸及范围，以及与周围纵隔结构的关系。通过淋巴结形态、大小、密度及强化特点等这些肉眼可见的特征来检测淋巴结有无异常。通常以淋巴结短轴直径大于1cm为增大；且淋巴结越大，提示有明显异常的可能性越大。但通过CT得到的结果准确性有限，且对肿瘤的评估价值十分有限，很难从患者肺癌病灶影像中直接得到病理分级、有无淋巴结异常等信息。除此之外，依靠经验观察淋巴结有无异常常常需要医生有丰富的经验知识和专业素质，阅片过程繁琐，消耗人力较大。

随着机器学习算法以及计算机硬件的发展，深度学习(如：卷积神经网络算法、循环神经网络算法、递归神经网络算法等)已经开始应用于医疗图像的处理。在胸部医学影像领域，现有技术仍然聚焦于肺部结节的检出以及相应算法的改进。然而，对于肺部病灶的判断不仅仅局限于肺部结节，肺部纵隔淋巴结状态可以帮助临床医生判断和决定手术清扫范围、是否辅助化疗以及进行生存预后评估，但是目前还没有利用深度学习从肺癌患者的CT图像上对肺癌患者纵隔淋巴结状态进行检测的方法。

发明内容

针对现有技术中存在的问题，本发明提供一种肺部纵膈淋巴结检测模型的生成方法，具体包括以下步骤：

步骤S1，获取若干纵膈淋巴结患者的有效肺部CT图像，以及所述有效肺部CT图像对应的病理信息；

步骤S2，分别对各所述有效肺部CT图像进行高维特征提取得到相应的高维特征数据，将每个所述高维特征数据及对应的所述病理信息加入一图像特征向量，并将各所述图像特征向量保存至一图像特征数据库；

步骤S3，根据预设的模型参数建立初始检测模型，并将所述图像特征数据库中的各所述图像特征向量进行分组，得到训练集和测试集；

步骤S4，根据所述训练集中的各所述图像特征向量对所述初始检测模型进行训练，得到中间检测模型；

步骤S5，根据所述测试集中的各所述图像特征向量中测试所述中间检测模型的准确率，并将所述准确率与预设的准确率阈值进行比较：

若所述准确率小于所述准确率阈值，则调整所述模型参数，以对所述初始检测模型进行优化，随后返回所述步骤S4；

若所述准确率不小于所述准确率阈值，则转向步骤S6；

步骤S6，将所述中间检测模型作为肺部纵膈淋巴检测模型进行保存，以对肺部纵膈淋巴结异常进行检测。