[发明专利]通过深度学习模型的疾病分类

说明书

描述了一种基于DenseNet模型的计算机实现的系统(CIS)，以用于处理和/或分析计算机断层摄影(CT)医学成像输入数据。CIS包含两个或多个稠密块，该稠密块包含一个或多个模块。在每个稠密块内，来自包含卷积层的在前模块的输出经由由预定义或可训练的阈值控制的门传输到包含卷积层的后续模块。CIS还包括在稠密块之间的过渡层，其能够操作链接到处于串联配置的连续稠密块对。CIS可用于计算机实现的方法中以用于基于对一个或多个CT医学图像的分析来增强肝细胞癌的诊断。

技术领域

本发明一般涉及处理和可视化数据，特别是用于在临床环境中处理和可视化肝脏组织的图像，以确定存在指示肝细胞癌的肝脏病变的计算机实现的系统/方法。

背景技术

肝癌是世界上第五大最常见的癌症，并且也是癌症相关死亡的第三大常见原因(Bray等人，CA：A Cancer Journal for Clinicians)2018，68:394-424)。肝癌一直是亚太地区的致命癌症之一，并且占香港2018年所有癌症死亡人数的10.3％(香港特别行政区政府香港癌症策略，2019年7月出版，第1-100页)。肝细胞癌(HCC)约占原发性肝癌病例的75％-85％，并且是癌症死亡的主要原因之一(Bray等人，CA：A Cancer Journal forClinicians 2018，68:394-424)。因此，对HCC的早期诊断和检测有助于改善其医学治疗。

HCC的诊断通常不需要肝活检，而是经由横断面成像进行放射学检查，例如计算机断层摄影(CT)扫描，特别是经由肝脏成像报告和数据系统(LI-RADS)报告的多相对比CT扫描。对HCC的经典诊断是通过LI-RADS 5类别获得的，定义为动脉相增强，然后是门静脉相或延迟相的“冲洗”(Marrero等人，Hepatology 2018，68(2):723-750)。尽管如此，LI-RADS 2至4的诊断类别表示了不同的HCC风险，导致重复扫描和诊断和治疗延迟(vander Pol等人，Gastroenterology 2019，156(4):976-986)。