[发明专利]基于多视角深度学习的非小细胞肺癌亚型分类系统

说明书

本发明公开了一种基于多视角深度学习的非小细胞肺癌亚型分类系统，基于CT影像实现对肺腺癌和肺鳞癌的分类，基于通过对被检查体进行肺部CT而生成的体数据，生成并显示检查部位的图像数据，得到被检查体非小细胞肺癌病灶的病理亚型分类结果，包括信息获取模块、网络模块、训练模块。本发明的系统可以实现自动的肺野分割，多视角模型充分利用CT图像所携带的层间信息与三维信息，通过自动化的特征提取和分类训练，得到的分类模型可以作为辅助医生的工具，具有高自动化、高实用性的特点。

技术领域

本发明属于人工智能深度学习与生物信息技术领域，尤其涉及一种基于多视角深度学习的非小细胞肺癌亚型分类系统。

背景技术

在世界范围内，肺癌的发病率占新发肿瘤的11.6％，死亡率占所有恶性肿瘤死亡人数的18.4％，是发病率和死亡率增长最快的恶性肿瘤之一，对人群健康和生命造成了极大威胁。肺癌之中，非小细胞肺癌占据了85-90％的比例。

根据世界卫生组织2015年的标准，非小细胞肺癌可进一步分为腺癌(Adenocarcinoma,ADC)、鳞状细胞癌(Squamous Cell Carcinoma,SCC)、大细胞癌(LargeCell Carcinoma,LCC)、以及未定型(Not Otherwise Specified,NOS)。其中肺腺癌发病率逐年增长，是NSCLC中最常见的亚型，几乎占NSCLC的60％，且总体生存率较低；肺鳞癌的发病率仅次于肺腺癌，是最主要的肺癌组织学分型之一，病例数占非小细胞肺癌的30％左右；不同肿瘤亚型在形态学、组织学上都有较大区别，也表现出对各种治疗方法不同的敏感性。因此，癌症分型，尤其是对鳞癌与腺癌的分型，对于治疗方案确认、预后等临床步骤有极大的指导意义。

病理诊断是目前临床上非小细胞肺癌亚型分类的金标准，然而，它需要有创活检或病理组织切片，这往往给患者带来严重的疼痛。在实际的采样操作中，由于肺癌的时空异质性，采样结果也很难描述整个肿瘤的全貌，因此在准确性上常常受到质疑。另外，由于病理组织在术后准备，诊断需要一系列的分子生物学步骤，因此患者的治疗可能会因为这些时间成本而延迟。

放射学特征的研究可以建立医学影像与肿瘤表型之间的关系，从而获得肿瘤信息，通过医学影像获得的信息不局限于肿瘤的局部，比外科手术更省时、安全。深度学习由于其端到端、自动特征提取的特性，近年来与放射学深度结合，省去了繁琐的设计、提取特征的过程，在进行病变检测、病灶区域分割、疾病分类、图像配准等场景，都有十分广泛的应用。在深度学习于CT影像的应用中，经典的网络使用2D数据，即将每一个扫描切片作为一张图像输入，并整合所有切片得到最终的结果；而3D方法则是将CT数据插值、放缩、补齐缺失的断层信息，并将数据整体直接送入3D卷积神经网络，得到针对单个病例的分类结果，前者优势在于数据量更大，计算量小，后者则是可以利用CT层间信息，然而对计算量和数据量要求更加苛刻。多视角模型使用冠状面、矢状面、横切面等多个视角的数据，这种方法可以视作一种2.5D(介于2D与3D之间)的实现，不仅利用了CT数据的层间信息，同时避免了3D网络训练的极大计算量和严苛的数据量要求。

发明内容

为了解决上述已有技术存在的不足，本发明提出一种基于多视角深度学习的非小细胞肺癌鳞癌/腺癌两亚型分类系统，使用无创、快速的深度学习方法，利用CT影像提取其深度特征，实现对非小细胞肺癌鳞癌/腺癌两亚型的分类，以解决目前分型的局限性，本发明的具体技术方案如下：

一种基于多视角深度学习的非小细胞肺癌亚型分类系统，基于通过对被检查体进行肺部CT扫描而生成的体数据，生成并显示检查部位的图像数据，得到被检查体非小细胞肺癌病灶的病理亚型分类结果，包括信息获取模块、网络模块、训练模块，其中，

所述信息获取模块用于获得n张带有医生标注的肺部CT图像，对每一张图像通过粗分割、边缘清洗后获得仅含有肺野的CT图像数据；在横切面、冠状面、矢状面三个视角下，对得到的仅含有肺野的CT图像数据以医生标注区域为中心，按相同尺寸获得感兴趣区域；

所述网络模块用于构建多视角深度学习网络模型；