[发明专利]基于病理特征辅助的PET/CT自动肺癌诊断分类模型训练方法

说明书

本发明公开了一种基于病理特征辅助的PET/CT自动肺癌诊断分类模型训练方法，属于医学影像领域。该方法通过对病理图像的分类网络进行训练，优先得到一组较好的病理分类网络模型参数；通过该组参数获取病理图像的特征信息，来对PET/CT影像分类网络的特征提取进行指导，以提高PET/CT影像分类网络的精度，有利于基于PET/CT影像的早期肺癌诊断分类的推广应用，为临床医生的诊断以及后续随访提供帮助。通过本发明，可在后续不进行有创的病理检查之前，仅通过无创的PET/CT影像就可达到与病理诊断结果相接近的更准确的肺癌诊断分类结果，可以有效的提高临床医生的诊断效率，减少病患的创伤。

技术领域

本发明涉及医学影像领域，具体涉及一种基于病理特征辅助的PET/CT自动肺癌诊断分类模型训练方法。

背景技术

随着医学技术的不断发展，越来越多的成像方式得到了应用。多项研究证实，PET/CT在肺部结节良恶性诊断、肺癌的分期及肺癌的治疗后评估中具有极大价值。目前PET/CT扫描中使用最广泛的示踪剂是18F-FDG(18氟标记的葡萄糖类似物)，根据恶性肿瘤细胞异常增殖，需要增加葡萄糖摄取和糖酵解而维持细胞能量供应，使得不同类型肿瘤在糖代谢显像图像上表现出葡萄糖摄取程度的不同。示踪剂在患者体内进行衰变进而发生湮灭，产生一对发射方向约180°相反的511keV伽马光子，检测器会采集这些伽马光子达到晶体的位置和时间信息。通过使用图像重构建算法对采集的信息进行重构建并进行后处理，即可获得反应示踪剂在患者体内代谢和摄取的情况。医生可以通过PET显像能够早期、定量反映这种代谢异质性特征。PET/CT代谢与结构图像纹理特征综合分析，在疾病鉴别诊断、疾病分期及预后判断等方面均具有重大潜能。

病理切片分析一直以来被公认为癌症诊断的金标准，通过细胞形态学及组织病理学等检查提供临床肿瘤的区域定位、良恶性分期分型等诊断信息。但是这需要病理科医生从患者身体的病变部位去除小块组织后制作病理切片，然后在显微镜下观察细胞和组织的形态结构变化，来确定肿瘤的种类等。

现有的基于PET/CT的自动肺癌诊断分类模型虽然可以得到较好的诊断分类精度，但是与临床使用仍存在一定的距离，现有的基于病理的自动肺癌诊断模型，虽然可以获得较高的诊断分类精度，但是在早期筛查、快速诊断中，病理需要有创的检查，切出结果较慢，故很难在早期诊断中使用。因此，解决通过病理特征来辅助PET/CT自动肺癌诊断分类模型的训练，在临床使用时在不借助病理图像的帮助下，使其达到一个较高的诊断分类精度，这将在很大程度上提高临床医生对早期肺癌的诊断分类效率以及精度，可以更好的帮助患者制定诊疗方案。

发明内容

本发明的目的在于针对现有技术的不足，提出了一种基于病理特征辅助的PET/CT自动肺癌诊断分类模型训练方法，通过病理分类网络提取病理特征来辅助指导PET/CT影像分类网络的特征提取，以达到提升PET/CT影像分类网络的分类精度的目的。

本发明的目的是通过以下技术方案来实现的：

一种基于病理特征辅助的PET/CT自动肺癌诊断分类模型训练方法，所述基于病理特征辅助训练的PET/CT自动肺癌诊断分类模型具体训练步骤如下：

步骤一：获取一一匹配的影像数据、病理图像数据和相应的诊断标签数据构建获得数据集，其中所述影像数据包括PET图像和CT图像，病理图像数据为颜色归一化的病理图像，且PET图像、CT图像和病理图像中肿瘤区域大于80％。

步骤二：以病理图像为输入，肺癌诊断分类为预测目标，利用数据集中的病理图像数据和相应的诊断标签数据对一分类卷积神经网络进行训练获得基于病理图像的自动肺癌诊断分类网络；以PET图像、CT图像在通道上叠加得到的图像为输入，肺癌诊断分类为预测目标，利用数据集中的影像数据和相应的诊断标签数据对一分类卷积神经网络进行训练获得基于PET/CT影像的自动肺癌诊断影像分类网络；