[发明专利]一种基于深度学习的MRI图像自动评估腺样体肥大的方法

说明书

本发明适用于医学图像处理技术领域，提供了一种基于深度学习的MRI图像自动评估腺样体肥大的方法，包括以下步骤：将采集的DICOM格式的MRI图像转换为PNG格式，从矢状位的图像序列中挑选鼻中隔所在的一帧及其左右几帧作为数据集，对图像进行预处理；图像增强，扩充数据集；制作标签；对图像进行特征提取；在图像中自动定位四个地标并计算腺样体厚度与鼻咽腔间隙的比值（AN比值），评估该图像对应患者是否存在腺样体肥大。本发明通过自动定位四个地标进而计算AN比值，实现对患者是否存在腺样体肥大的自动评估，有利于减少医生的重复、费时的测量工作，辅助医生进行腺样体肥大的评估诊断。

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种基于深度学习的MRI图像自动评估腺样体肥大的方法。

背景技术

腺样体是一团淋巴组织，位于鼻咽顶后壁。腺样体在2~10岁时可发生生理性肥大，但局部感染及炎症刺激，可引起腺样体病理性肥大。对于儿童来说，由于腺样体肥大侵占气道，导致鼻咽体积相对较小，上呼吸道感染的频率增加。腺样体肥大还会引起的其他问题，包括颌面发育异常、白天过度嗜睡、认知功能受损、学习成绩差等。根据儿童的症状、病程，轻症可以通过对症保守治疗抑制腺样体继续肥大，等其自行萎缩，但是腺样体肥大严重时，可能需要手术切除。腺样体肥大对儿童危害巨大且发病率近年来显著升高，及时的检测诊断对早期治疗、控制病程等有重要意义。

目前，儿童腺样体肥大的检查主要包括鼻咽侧位图像和柔性鼻咽镜检查。然而，柔性鼻咽镜的侵入性使得许多儿童在术前腺样体评估时很难与医生合作，从而限制了其在临床诊断中的应用。因此，鼻咽侧位成像成为腺样体肥大患儿最常用的检查工具，通过在鼻咽侧位图像上测量腺样体／鼻咽腔（Ａ／Ｎ）比值，从而判断腺样体肥大和鼻咽腔梗阻的程度，为针对性治疗提供依据。在图像上手工测量各项指标有一定困难，这导致了测量医师之间的大量误差和个体差异，识别的准确性很大程度取决于医生的临床经验，不准确的识别可能导致不正确的评估结果，并且这种评估非常耗时，需要重复工作。为此我们提出一种基于深度学习的MRI图像自动评估腺样体肥大的方法。

发明内容

本发明的目的在于提供一种基于深度学习的MRI图像自动评估腺样体肥大的方法，旨在解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的MRI图像自动评估腺样体肥大的方法，包括以下步骤：

步骤A、将采集的所有MRI图像从DICOM格式转换为PNG格式，从冠状位序列中选择鼻中隔所在的一帧及其左右几帧图像，进行灰度归一化预处理，将像素值统一到[0,1]区间，裁剪为560pix*640pix的图片，对数据集进行标注；

步骤B、增强步骤A中处理后的图像，扩大数据集，把扩大后的数据集分成三个部分，即训练集、验证集和测试集；

步骤C、构建基于卷积神经网络的AdenoidNet腺样体评估网络模型；

步骤D、使用步骤B中得到的训练集和验证集对AdenoidNet进行训练，生成训练模型；

步骤E、使用步骤B中得到的测试集对步骤D中生成的训练模型进行测试。

进一步的，所述步骤B中，扩大数据集的具体操作为：

将图像数据进行水平翻转、旋转不同的角度以及缩放。

进一步的，所述步骤C中，基于CNN的AdenoidNet腺样体评估网络模型包括：

编码器模块，用于通过卷积提取局部特征；

解码器模块，用于恢复图像分辨率并捕获长距离依赖；

地标检测模块，用于实现地标定位。

进一步的，所述步骤C的具体操作为：输入的PNG图像经过编码器模块和解码器模块并通过跳过连接弥补下采样造成的信息损失，提取得到最终的特征，将特征送入地标检测模块，获得最终预测的四个地标的坐标，最后计算AN比值。

进一步的，所述步骤C中：