[发明专利]基于深度学习的核素骨显像中骨转移瘤的诊断方法

权利要求书

1.一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，包括如下步骤：

1)对原始核素骨显像图进行预处理；

2)建立骨扫描诊断分类模型和骨转移瘤区域分割模型、建立骨转移瘤负荷评估方法、建立自动报告生成模型；

3)对步骤2)中的骨扫描诊断分类模型、骨转移瘤区域分割模型、自动报告生成模型进行训练，最终得到训练后的骨扫描诊断分类模型、骨转移瘤区域分割模型和自动报告生成模型；

4)将待测试原始核素骨显像图进行预处理，输入到训练后的骨扫描诊断分类模型和骨转移瘤区域分割模型中，获得骨扫描诊断分类结果和骨转移瘤区域分割结果，进行骨转移瘤负荷评估，根据自动报告生成模型结合骨扫描诊断分类结果、骨转移瘤区域分割结果和骨转移瘤负荷评估结果生成诊断报告。

2.根据权利要求1所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤1)所述对原始核素骨显像图进行预处理包括：(1)获得不同灰度值下的前位与后位图像；(2)原始图像尺寸使用双线性差值的方式将图像尺寸统一到1024×1024。

3.根据权利要求1所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤2)中骨扫描诊断分类模型使用256×256的图像作为输入，即各张1024×1024的图像分割为256×256的子图像，根据子图像对应标注生成分割标签和分类标签，其中分割标签中的数值表示子图像相应位置中的像素类别，分类标签表示相应数据是否包含骨转移瘤和膀胱，将一定比例的256×256图像作为训练集，其余作为测试集；诊断分类模型结构采用残差神经网络(ResNet32),将第一层卷积核及最后一层的评价池化卷积核增加到8×8，将最后全连接层的输出尺寸调整为2以对应于骨转移瘤和膀胱的二分类概率，骨扫描诊断分类模型使用焦点损失(Focal loss)作为损失函数，γ取1，采用梯度下降法训练，焦点损失公式如下：

L_FL＝-y(1-y′)^γlogy′-(1-y)(y′)^γlog(1-y′)

其中y∈{±1}表示类别标签，y′∈[-1，1]表示模型输出1的概率。

4.根据权利要求3所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤2)中骨扫描诊断分类模型中随机划分80％作为训练集，剩余20％作为测试集。

5.根据权利要求1所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤2)中骨转移瘤区域分割模型采用骨扫描诊断分类模型筛选出的包含骨转移瘤和膀胱的数据进行训练，可选地采用随机旋转、缩放和翻转的方式进行数据增强；骨转移瘤区域分割模型采用经典unet的编码与解码结构，模型在初始提取特征时保持特征图长和宽不变的情况下，输入和输出通道数置为1，最大池化不改变通道数，上采样(upsamp ling)过程中使通道数减半，来自编码路径的特征图和对应的上采样阶段的特征图拼接在一起加速模型的信息传递和收敛，最后一层1×1卷积层和Sigmoid函数对应了分割概率，骰子损失(Dice loss)作为损失函数，利用梯度下降法训练模型，

骰子损失公式如下：

其中X表示标签图，Y表示模型预测的标签图。

6.根据权利要求1所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤2)采用骨扫描肿瘤负荷系数(Bone scan tumor burden index，BSTBI)来进行骨转移瘤负荷评估，计算公式为：

其中，L表示骨转移瘤区域的所有像素，R表示骨扫描图像上的所有像素，B表示膀胱区域的所有像素，K表示缩放因子，本文中选为5，pixel value表示图像像素值，颜色越黑数值越小，对应到公式肿瘤负荷程度越大，BSBTI∈[0，1]。

7.根据权利要求6所述的一种基于深度学习的核素骨显像中骨转移瘤的诊断方法，其特征在于，步骤2)中计算骨转移瘤总体肿瘤负荷状态时采用一个病人多个子图下BSTBI值的平均值作为该病人最终BSTBI值。