[发明专利]基于多期相肿瘤影像的直径自动测量方法及系统

说明书

本公开提供了一种基于多期相肿瘤影像的直径自动测量方法及系统，该方法包括：构建肿瘤分割网络架构；利用构建好的肿瘤分割网络架构训练肿瘤分割模型；获取四期相的肿瘤影像；将其输入所述肿瘤分割模型，获取肿瘤分割结果；选取延迟期的肿瘤分割二值结果计算肿瘤直径；使用深度学习结合传统机器学习在多期相增强影像上进行肿瘤直径自动测量的方法，通过机器学习由肿瘤轮廓精准的计算肿瘤直径，减少测量耗时的同时最大程度保证测量的准确性，降低观察者间差异及测量误差。

技术领域

本发明涉及医学图像处理领域，尤其是一种基使用深度学习结合传统机器学习在多期相增强影像上进行肿瘤直径自动测量的方法及系统。

背景技术

癌症是导致死亡的重要或首要原因，根据《2012中国肿瘤登记年报》，我国癌症发病率为285.91/10万。肿瘤的早期发现和诊断对于患者的治疗以及预后都有着极其重要的作用。现有技术中，基于多期相的增强计算机断层扫描(CT)和增强核磁共振影像(MRI)作为一种无创伤检查手段，为肿瘤的早期发现提供了技术条件。在基于多期相CT或MRI的肿瘤影像评估过程中，肿瘤的直径作为一项重要指标被用于肿瘤评级、疗效评估中。对于多期相的肿瘤影像，医生一般会选择一个固定的期相来测量肿瘤直径，在这个期相上，肿瘤的轮廓是相对容易被分辨的，然而在少数情况下，此固定期相上肿瘤的边界也会产生模糊的可能，这时医生可能会结合其它期相的影像来更快更准的确定肿瘤边界，所以多期相肿瘤直径的测量对医生的专业性有一定的要求，同时，在实际临床操作中，肿瘤直径的测量相对耗时，不同观察者间测量结果可能存在较大的差异。

对于多期相的肿瘤直径测量，医生在临床实践中需要先选取一个合适的期相，然后基于选取的期相预估一个最大肿瘤层面，基于此层面再手动量取肿瘤的最大长径。但有些情况下，医生可能需要对比多个期相才能确定所要量取肿瘤的边界，同时最大层面的估计也可能存在一定的误差，此外，对于肿瘤直径的起始点和终止点的选择，不同观察者间仍然会存在一定的差异。

随着人工智能技术在医学影像方面的应用越来越多，也有研究致力于将深度学习应用于肿瘤直径的自动测量，在文献(TangY,HarrisonA,Bagheri M,et al.Semi-Automatic RECIST Labeling on CT Scans with Cascaded ConvolutionalNeuralNetworks,2018.)中，作者基于实体肿瘤的疗效评价标准(RECIST)提出一种半自动计算肿瘤长短径的方法，该方法是基于平扫CT影像,由医生事先选取影像的某一层，之后手动剪切出一个包含肿瘤的影像区域，然后借助深度神经网络去分别定位出肿瘤长短径的起始点以及终止点。这种方式虽然可以一定程度上实现肿瘤的自动测量，但也需要医生花费相当多的时间去做图像的预处理，包含定位肿瘤最大平面。尤其针对要解决的多期相肿瘤影像问题，医生的预处理可能更加费时。

发明内容

有鉴于此，本公开提供了一种基于多期相肿瘤影像的直径自动测量方法及系统。解决了计算肿瘤直径耗时且存在测量误差的问题。

为达到上述目的，本发明的实施例采用如下技术方案：

本发明实施例的第一方面，提供一种基于多期相肿瘤影像的直径自动测量方法，包括：构建肿瘤分割网络架构；利用构建好的肿瘤分割网络架构训练肿瘤分割模型；获取四期相的肿瘤影像；将其输入所述肿瘤分割模型，获取肿瘤分割结果，所述四个期相分别为平扫期、动脉期、静脉期以及延迟期；选取其中一个期相的肿瘤分割二值结果计算肿瘤直径。

在一个实施例中，选取其中一个期相的肿瘤分割二值结果包括：选取延迟期的肿瘤分割二值结果。

在一个实施例中，肿瘤分割网络采用改进过的U-Net为基础网络架构；