[发明专利]一种直肠癌淋巴结转移的智能诊断方法

权利要求书

1.一种直肠癌淋巴结转移的智能诊断方法，其特征在于，具体包括以下步骤：

步骤1、对患者腹部CT影像数据预处理，读取DCM影像文件，将文件转换成三维数组矩阵，对该矩阵进行数据规约；

步骤2、构建直肠癌CT影像分类模型，将规约后的数据作为训练样本送入构建的卷积神经网络模型进行监督学习，使用训练成熟的分类模型对CT影像数据进行分类，检测出CT影像中包含直肠癌肿瘤的VOIs区域；

步骤3、构建直肠癌CT影像肿瘤分割模型，使用改进的AGs-Unet网络模型，将VOIs区域对应的CT影像和肿瘤掩模图数据送入该模型中训练模型，使用训练成熟的分割模型识别出肿瘤位置和肿瘤对应的掩摸图；

步骤4、对肿瘤影像区域提取放射学特征数据，包括纹理特征、灰度特征、形态特征；构建朴素贝叶斯分类模型；选取有效的特征数据来训练模型，最终使用该分类模型实现直肠癌有无淋巴结转移的分类与诊断。

2.根据权利要求1所述的直肠癌淋巴结转移的智能诊断方法，其特征在于，所述步骤1具体包括：

步骤1.1：读取患者腹部CT影像DCM文件，转换成三维矩阵数据，使用线性归一化方法处理三维矩阵数据；

步骤1.2：设置阈值使用图像强度分析法去除CT影像中的脂肪、骨头组织，使用图像连通区域法消除影像中的设备背景干扰信息；

步骤1.3：使用图像切片技术截取影像中的有效区域部分，构建预处理后的规约数据库。

3.根据权利要求1所述的直肠癌淋巴结转移的智能诊断方法，其特征在于：所述步骤2具体包括：

步骤2.1：构建训练样本集，资深影像医生对CT影像进行标注，给出CT影像中直肠癌肿瘤的分割掩摸图，对CT影像中有无直肠癌肿瘤添加对应的标签；

步骤2.2：构建卷积神经网络分类器CNN，CNN网络由输入层、卷积层、激活层、池化层和全连接层构成，卷积层通过卷积操作对输入图像进行降维和特征抽取，池化层对得到的特征图像进行分块，计算这些块内的最大值或平均值，得到池化后的图像，全连接层连接所有的特征，将输出值送给分类器，最终实现图像的分类；

步骤2.3：将规约后带标签的CT数据输入CNN网络训练分类模型，经3次卷积计算和3次池化计算操作后，数据流向2次全连接层，第1个全连接层实现数据特征向量的提取，第2个全连接层实现数据分类，经反向梯度传播计算出损失函数值，从而更新相关的权参数，经20次迭代训练后，模型损失函数值近似趋于0，完成模型的训练，据此实现CT影像有无直肠癌肿瘤的检测。

4.根据权利要求1所述的直肠癌淋巴结转移的智能诊断方法，其特征在于:所述步骤3具体包括：

步骤3.1：构建Unet分割模型，目前Unet模型是针对医学影像器官分割的主流模型，该模型由预处理、下卷积、上卷积和输出映射4个部分构成，与CNN模型相比，Unet模型中的卷积计算增加了上采样功能，这使得模型的输出层能实现原图像大小的像素级语义分割，即更适合图像分割；

步骤3.2：构建AGs-Unet分割模型，AGs-Unet是对Unet模型的一种改进，在原始Unet模型的上采样和下采样层连接器中加入注意力机制（Attention Gates （AGs））模块，实现对显著性区域的重点关注，以及对无关背景区域的抑制，进一步提高模型的分割精度；

步骤3.3：使用步骤2检测出包含直肠癌肿瘤的CT影像及医生标注的肿瘤掩摸图构建数据集，并作数据增强操作扩大数据集规模，将该数据集送入AGs-Unet分割模型，经训练使得该模型实现对直肠癌肿瘤的精确分割。

5.根据权利要求1所述的直肠癌淋巴结转移的智能诊断方法，其特征在于：所述步骤4具体包括：

步骤4.1：依据肿瘤影像信息诊断直肠癌有无淋巴结转移情况，需要构建相应的预测分类模型，使用影像组学技术提取肿瘤图像对应的形态学特征、纹理特征、灰度特征数据；

步骤4.2：为提高模型的泛化能力，构建有效的分类模型，对步骤4.1中提取的特征进行优化选取，使用单变量统计度量方法选择最优特征构造特征向量；

步骤4.3：依据数据量和特征向量的大小，使用包括支持向量机SVM模型、BP神经网络模型、朴素贝叶斯分类模型构建三种不同的分类模型，分类结果表明SVM模型具有最好的分类性能，据此选取该模型实现基于肿瘤影像组学特征实现淋巴结转移预测的诊断。