[发明专利]一种基于卷积神经网络模型的声带白斑辅助诊断系统

说明书

本发明提供了一种基于卷积神经网络模型的声带白斑辅助诊断系统，它包括下述过程：读取内窥镜声带白斑图像；建立两阶段的神经网络模型,自动学习分割与分类图像；生成包括诊断或诊断建议的报告的软件模块。本发明提供的基于卷积神经网络模型的声带白斑辅助诊断系统，对二分类的白斑的高敏感性和特异性，能够正确检测大多数病变。本发明是将病理诊断和临床决策结合起来进行了分组训练，这使得评估更为现实，并且有利于将来的临床推广。

技术领域

本发明涉及一种基于卷积神经网络模型的声带白斑辅助诊断系统，具体地，涉及一种基于内窥镜视频图像的声带白斑智能分割与分类算法，属于医疗影像分析领域。

背景技术

声带白斑是一种临床指标，没有考虑其组织学特征和预后。在声带上呈现白色斑块或斑块的肉眼检查在很大程度上是相同的，而病理学分类可能呈现各种类型。病理上，声带白斑可伴有单纯性增生，不典型增生，甚至癌变。因此，它被认为是喉上皮向恶性转化的光谱范围内的癌前病变。

喉癌通常会先于不典型增生。声带白斑的恶变率与增生程度成正比，且差异很大，估计低至1.7％，高至46.3％。声带白斑的早期诊断和治疗可预防进展和恶性肿瘤。2017年世界卫生组织的头颈肿瘤分类提出了一个两级系统，其组织病理学标准相当明确：低级(LG)包括鳞状增生和轻度不典型增生，高等级(HG)包括中度和重度不典型增生和癌。因此，一些耳鼻喉科医师提出，LG组低风险的声带白斑患者通常需要采取保守治疗或观望政策，而HG组和声带白斑浸润性癌需要手术治疗或密切随访以监测可能进展为更具侵略性的病理。临床上，处理声带白斑的一个挑战是评估病变的潜在恶性转化，从而建立最佳的治疗方案。

喉镜检查是诊断声带白斑最重要的检查方法。迄今为止，未经活检，仅凭喉镜检查无法确定声带白斑的程度或范围。因此，一些耳鼻喉科医生和病理学家推荐喉镜结合随机的3点活检标本进行早期检测和随访，但是这种方法是侵入性的，费时的并且难以遵守。此外，喉镜下的术前活检不太可能完全符合术后病理结果，即使对于有经验的内镜医师，这通常也会导致过度治疗或治疗不足。临床实践中的另一个挑战是，并非所有声带白斑的病例都需要进行组织学检查的喉镜检查，而且很难确定哪些病例需要进行活检。

由于存在这些争议和不确定性，可能需要采用新技术进一步改善声带白斑的检测对于临床管理非常重要。目前，除了白光检查外，图像内窥镜检查(IEE)，例如接触式内窥镜检查(CE)和窄带成像(NBI)，已被用于准确诊断喉部病变。但是，观察程序本身是耗时的过程，并且观察者之间可能会有所不同。

令人鼓舞的是，结合了深度学习(DL)和卷积神经网络(CNN)的人工智能(AI)出现了，并在胃肠道癌的检测中显示了令人鼓舞的结果。此外，一项单机构研究表明，用于检测咽癌的AI系统具有令人鼓舞的性能，高灵敏度和可接受的特异性。然而，尚无研究报道将AI用于声带白斑的病理分级和范围评估。因此，开发了一种使用最新的DL与CNN并以病理诊断为金标准的AI系统，以验证其在预测病理分级和定义声带白斑病变程度方面的实用性。但是依然存在以下问题：

1.现有的深度学习方法在处理内窥镜声带白斑图像时，对于小目标的识别存在困难；

2.目前的方法没有把声带白斑的分割和分类集成在一个模型中，对于良恶性的分类仍然需要人工参与。

发明内容

为了解决上述技术问题，本发明提供了一种基于卷积神经网络模型的声带白斑辅助诊断系统。

本发明提供了一种基于卷积神经网络模型的声带白斑辅助诊断系统，它包括下述过程：

读取内窥镜声带白斑图像；

建立两阶段的神经网络模型,自动学习分割与分类；

生成包括诊断或诊断建议的报告的软件模块。

其中，所述的两阶段的神经网络模型，由区域建议网络RPN，基于区域的分类子网络和语义分割子网络组成。