[发明专利]一种肝脏病灶图像处理系统及图像处理方法

说明书

本发明公开了一种肝脏病灶图像处理系统及图像处理方法，包括用于获取做过腹部CT的检查者基本信息和CT图像的信息和图像获取模块、用于将图像传输给算法服务器进行分析计算的图像信息处理模块、用于将信息和计算结果写入MySQL和MongoDB数据库建立RESTful接口将数据暴露的数据库存储模块和用于前端网页展示肝脏和可能病灶信息的信息展示模块。本发明的系统算法在现有经典神经网络u‑net架构的基础上，在不断反馈增大的肝脏病灶数据集的支持上，经过模型全面改进，能够识别并分割平扫和增强肝脏CT中的微小病灶、模糊病灶、弥漫病灶、边缘上病灶、异质型病灶等，并将识别肝脏的准确度提高到98％，而肝脏病灶(癌症、肿瘤、囊肿等)识别准确度提高到97％。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种人工智能辅助肝脏病灶图像处理系统及图像处理方法。

背景技术

目前，在人工智能的各大产业中，医疗加人工智能方向已然成为瞩目焦点、备受关注。人工智能和医疗的结合具有非凡的发展潜力和想象空间。计算机视觉和医学影像一直联系非常紧密，在AI技术大发展的推动下，市场上涌现了大量的影像诊断产品，如肺结节检测、骨关节骨折和骨龄检测、脑出血和脑肿瘤检测、眼底病筛查、心血管检查，甚至最近的新冠肺炎检测等等。经过几十年的发展，人工智能的主要技术，卷积神经网络能训练更深的网络带来更高的准确度，其中FCN，U-net等神经网络更是让语义分割任务中目标实体显得更为清楚。现在的医学影像人工智能产品大多以此类算法为核心，即分割出病变实体然后分析病变情况。尤其是U-net，将常见的卷积神经网络变成U型结构让左右对应网络层桥接。其深度依然是整个网络的层数，保证能够学习到更好的类别特征。医学CT影像是经过物理和化学的方式形成的特殊图像，它们一般都是基于Hu值的数字信息，映射到计算机数字图像上是灰度图片。各个器官或病变因为吸收物理光线能力的不同或者化学剂的影响而表现密度上的不同，视觉上因此能够分辨人体内部结构。但是它们给人的感觉还是朦胧不清的，而U-net特别适合这种图像的处理。

肝病诊断主要通过影像、生化检测指标、病理切片等技术确诊。然而，肝脏病变在早期器质性变化并不明显，肉眼识别难度很大，并且每个患者影像数量从200到2000张左右不等，对医生诊断提出了很大挑战。肝脏影像表现尤甚复杂，首先肝脏病灶种类多，有肿瘤、囊肿、血管瘤等等，它们的影像在密度表现上有差别但是不大；其次它们形态各异且有大有小，不是固定形态；再次病灶和肝脏正常部分往往密度阴影程度很接近，给识别任务造成困难；最后是肝脏密度阴影表现复杂，一些形变如肝裂造成了密度阴影很接近病灶阴影；另外血管在肝脏中穿过造成挤压等也给影像密度表现造成了错觉；最后仪器设备的差异和操作带来的影像密度表现不一定是恒定的。这些复杂因素造成了算法在识别上的困难。人工智能算法的成功是基于大数据的，这些复杂情况更为数据的多样性和数量带来了挑战。据了解，目前国内还没有相关成熟技术公布。通过上述分析，现有技术存在的问题及缺陷为：目前国内外还没有相关成熟的基于深度学习的人工智能算法技术解决肝脏微小病灶、模糊病灶、弥漫病灶、异质病灶、边界病灶等图像分割上的困难。由于缺乏大量带标注的、差异显著的肝脏影像数据，目前没有基于深度学习开发的肝脏影像分析系统在市面上应用。传统的方法在小数据集上依靠特征工程进行病变识别由于受到病灶异质性的影响效果远没有基于深度学习的好。

解决以上问题及缺陷的难度为：算法优化方面，第一点，肝脏及占位差异小，难以识别，需要放大数据的差异性，让网络一开始更鲜明的学习图像特征；第二点，多数病灶较小，对模型不敏感，需要放大病灶的敏感性，保证精确学习小病灶特征；第三点，病灶多样且类别不平衡，需要通过图像增强解决；第四点，大量在肝脏边界上的病灶不能通过传统的方法解决，需要融入边界信息。基于此本研究提出五种不同的改进方法：一是放大病灶增强微小病灶的识别能力；二是增强病灶和正常组织的对比度，降低模糊、弥漫病灶的识别难度；三是融合多个特异性模型保证病灶识别的准确度和完整性；四是采用计算机敏感的数据处理方式保障有效信息的保留；五是对数据进行多样式的增强，尤其是小病灶嵌入，提高算法的准确度。另外，数据集的持续扩展为算法优化增加动力，用与算法相互反馈的系统不断拓展其规模和准确度。