[发明专利]面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统

说明书

本发明属于医学图像处理技术领域，具体为一种面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统。本发明系统包括特征提取骨干网络和特征金字塔、区域候选网络、兴趣区域池化与癌灶分类网络，以及在窄带成像内镜图像上进行可视化的系统。骨干网络用于提取输入图像的特征图；特征金字塔用于将不同尺度的特征相融合；区域候选网络提出可能的病灶区域；对兴趣区域池化将特征池化到可疑病灶区域；癌灶分类网络对癌灶进行分类；最后在窄带成像内镜图像上进行可视化，使用不同的颜色对癌灶进行框选标记。将窄带成像内镜的图像输入到网络模型中，对图像中存在的早期食管鳞癌的癌灶进行检测与诊断，可有效提升诊断效率，辅助医生获取更高的诊断精度。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种早期食管鳞癌的癌灶检测及诊断系统。

背景技术

食管癌是一种常见的恶性肿瘤，其死亡率居恶性肿瘤的第六位。中国95%的食管癌为鳞状细胞癌^[10]。研究表明，进展期食管鳞癌的五年生存率仅为10%-13%，而早期食管鳞癌的五年生存率却可达90% 以上^[11]，因此食管鳞癌的早期诊治极为重要，会直接影响到患者的预后情况。近年来，随着内镜技术的发展，通过内镜治疗早期食管鳞癌已得到认可。内镜下治疗食管鳞癌的可行性主要取决于术前对病变深度的判断，即癌灶的浸润深度和周围淋巴结的转移情况。窄带成像内镜技术是目前内镜下判断早期食管鳞癌浸润深度的主要方法之一。通过对窄带成像内镜的观察，医生可以给出相应的初步诊断结果。但是一些人为因素，比如医生经验不足、疲劳、疏忽等，可能直接影响诊断的准确性。

根据Inoue 和Arima 提出的早期食管鳞癌浸润深度分型标准^[15]，一般可将血管分为A、B1、B2 和B3四种类型。其中A型指观察到非异常血管；B1 型指观察到襻状异常血管，血管扩张，形态呈蛇形，口径不同、形状不均一，直径为20-30微米，其浸润深度为M1-M2 层;B2 型指观察到非襻状血管，血管形态呈不规则树枝状或多重状，其浸润深度为M3-SM1 层;B3 型指观察到粗大的绿色血管，血管高度扩张，其浸润深度为SM2层。

深度卷积神经网络是一种机器学习技术，可以有效避免人为因素，自动从有标记的大量数据中学习如何提取丰富的具有代表性的视觉特征。该技术使用反向传播优化算法，让机器更新其内部参数，学习输入图像到标签的映射关系。近年来，深度卷积神经网络大大提高了计算机视觉中各项任务的性能。

2012年，Krizhevsky等人^[1]首次在ImageNet^[2]图像分类比赛中应用深度卷积神经网络，并以15.3%的Top-5错误率获得冠军，引起了深度学习的热潮。2015年，Simonyan等人^[3]提出了16和19层的神经网络VGG-16和VGG-19，增加了网络的参数量，进一步提升了ImageNet图像分类任务的结果。2016年，He等人^[4]使用152层的残差网络ResNet取得了超过了人眼的分类效果。

深度卷积神经网络不仅在图像分类任务中有卓越的表现，在一些结构化输出的任务中，如物体检测^[5-7]、语义分割^[8,9]中也同样取得了卓越的效果。如果将深度卷积神经网络应用在计算机辅助诊断中，则可以辅助医生做出更好的医疗诊断，早发现、早治疗，提高治疗效果。

本发明提供了一个新的基于目标检测神经网络的早期食管鳞癌的癌灶检测及诊断系统，它能够充分结合训练图像的特点，提取丰富的特征，同时实现早期食管鳞癌的癌灶检测和诊断。

发明内容

本发明的目的在于提供一种面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断系统，排除人为因素影响，实现对窄带成像内镜图像的自动诊断。