一种基于深度学习的肝包虫病灶识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的肝包虫病灶识别方法及系统，方法包括：S1、从包虫病病例中获取包虫CT图像集；S2、基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；S3、通过肝脏分割模型从包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；S4、通过肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将肝脏区域作为VOI区输入病灶识别模型，得到识别结果。本发明专利技术所提供的方法及系统，能够挖掘肝脏占位等特征信息，使用手工标注包虫病灶的平扫CT图像，利用卷积神经网络模型对各种包虫病灶进行识别与分类。

A Method and System of Liver Hydatid Focus Recognition Based on Deep Learning

The invention discloses a method and system for liver hydatid lesion recognition based on in-depth learning, which includes: S1, acquisition of hydatid CT image set from hydatid cases; S2, training and validation of liver segmentation model based on common data set for liver segmentation and liver volume quantification; S3, acquisition of segmented liver region from hydatid CT image set by liver segmentation model, and base. In the training and validation of liver segmentation results, cystic and alveolar hydatid lesions were assigned different target labels; S4, liver region was obtained from a hydatid CT image by liver segmentation model, and the liver region was input as VOI region in plain scan CT, and the recognition results were obtained. The method and system provided by the invention can mine the characteristic information such as liver space occupancy, use manual labeling of CT images of hydatid lesions, and use convolutional neural network model to recognize and classify various hydatid lesions.

【技术实现步骤摘要】
一种基于深度学习的肝包虫病灶识别方法及系统
本专利技术涉及肝包虫识别
，具体涉及一种基于深度学习的肝包虫病灶识别方法及系统。
技术介绍
包虫病是一种危害严重的人兽共患寄生虫病，遍及世界各大陆。我国包虫病受威胁人口数和患者数居全球首位，其中青海省三江源地区的重灾区两性包虫的感染率在8.93-12.38％。该地区环境恶劣，医疗资源匮乏，医生水平非同质现象较为明显。包虫病目前筛查方法较为单一，主要靠便携式B超来进行。该筛查方法有以下缺点:(1)对医生的经验依赖很高，如果医生经验不足或者水平不高，筛查结果准确度难以保障，不同医生也可能得出不同的结论。(2)受环境、气候等因素等影响该筛查方法效率低下，以青海省为例，受医疗水平限制，筛查工作大都由相对低海海拔地区的医生前去协助完成，而包虫病高发区大多在高海拔、缺氧、生存环境恶劣、经济落后的地区，筛查人员无法长期开展筛查工作。因此，亟需研发出一种专门应用于包虫病的筛查工作的技术方案。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于深度学习的肝包虫病灶识别方法及系统，能够挖掘肝脏占位等特征信息，使用手工标注包虫病灶的平扫CT图像，利用卷积神经网络模型对各种包虫病灶进行识别与分类。为实现上述目的，本专利技术采用的技术方案如下：一种基于深度学习的肝包虫病灶识别方法，包括：S1、从包虫病病例中获取包虫CT图像集；S2、基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；S3、通过所述肝脏分割模型从所述包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；S4、通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将所述肝脏区域作为VOI区输入所述病灶识别模型，得到识别结果。进一步，如上所述的一种基于深度学习的肝包虫病灶识别方法，步骤S3中，通过ITK-SNAP软件将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签。进一步，如上所述的一种基于深度学习的肝包虫病灶识别方法，所述肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，所述卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；所述反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；通过所述卷积路径中的卷积层和池化层对图像信息进行聚合，通过所述反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。进一步，如上所述的一种基于深度学习的肝包虫病灶识别方法，所述病灶识别模型为卷积神经网络模型，网络结构为：在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。进一步，如上所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，所述公共数据集包括：若干腹腔CT训练样本和若干测试样本。本专利技术还提供一种基于深度学习的肝包虫病灶识别系统，包括：获取模块，用于从包虫病病例中获取包虫CT图像集；第一训练模块，用于基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；第二训练模块，用于通过所述肝脏分割模型从所述包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；识别模块，用于通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将所述肝脏区域作为VOI区输入所述病灶识别模型，得到识别结果。进一步，如上所述的一种基于深度学习的肝包虫病灶识别系统，所述第二训练模块具体用于通过ITK-SNAP软件将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签。进一步，如上所述的一种基于深度学习的肝包虫病灶识别系统，所述肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，所述卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；所述反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；通过所述卷积路径中的卷积层和池化层对图像信息进行聚合，通过所述反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。进一步，如上所述的一种基于深度学习的肝包虫病灶识别系统，所述病灶识别模型为卷积神经网络模型，网络结构为：在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。进一步，如上所述的一种基于深度学习的肝包虫病灶识别系统，所述公共数据集包括：若干腹腔CT训练样本和若干测试样本。本专利技术的有益效果在于：本专利技术所提供的方法及系统，深度学习算法中的全卷积神经网络在对图像信息挖掘上具有强大的效果，能够挖掘肝脏占位等特征信息，使用手工标注包虫病灶的平扫CT图像，利用卷积神经网络模型对各种包虫病灶进行识别与分类。对肝包虫病的临床研究、诊断、治疗、预后判断提供重大帮助，在很大程度上可以帮助基层医生提高诊断准确率，减少医生的工作量。使患者更早得到明确的诊断及精准的治疗方案，具有重要的社会民生价值。附图说明图1为本专利技术实施例中提供的一种基于深度学习的肝包虫病灶识别方法的流程示意图；图2为本专利技术实施例中提供的肝脏分割模型的结构示意图；图3为本专利技术实施例中提供的病灶识别模型的结构示意图；图4为本专利技术实施例中提供的一种基于深度学习的肝包虫病灶识别系统的结构示意图具体实施方式下面结合说明书附图与具体实施方式对本专利技术做进一步的详细说明。近年来,大数据与人工智能等前沿技术在医疗领域应用已经成为一种趋势，深度学习在医疗辅助诊断领域得到广泛应用。将深度学习应用于肝包虫病早期诊断中，可以缓解边远地区医疗资源匮乏的问题，挽救无数患者的生命。卷积神经网络在图像分类、检测等很多任务中相对传统模式识别方法取得了令人瞩目的突破。本专利技术拟运用卷积神经网络搭建肝包虫病辅助诊断模型，在平扫CT上检测并分类囊性包虫与泡性包虫病灶，基于卷积神经网络的对囊性包虫及泡性包虫进行识别和分类，搭建模型，随后制作成软件广泛应用于包虫病的筛查工作，需要说明的是，本文所述的“诊断”应结合上下文理解为病灶识别，不应理解为疾病治疗。具体地，提供一种基于深度学习的肝包虫病灶识别方法，可以智能识别肝包虫病灶，提高识别准确度。如图1所示，一种基于深度学习的肝包虫病灶识别方法，包括：S1、从包虫病病例中获取包虫CT图像集；提供已确诊包虫病病例600例，其中囊性包虫300例，泡性包虫300例，每个病例均包含腹部平扫CT影像和增强CT影像。CT平扫影像的技术参数如下:CT选用P本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肝包虫病灶识别方法，其特征在于，包括：S1、从包虫病病例中获取包虫CT图像集；S2、基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；S3、通过所述肝脏分割模型从所述包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；S4、通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将所述肝脏区域作为VOI区输入所述病灶识别模型，得到识别结果。

【技术特征摘要】
1.一种基于深度学习的肝包虫病灶识别方法，其特征在于，包括：S1、从包虫病病例中获取包虫CT图像集；S2、基于公共数据集训练和验证肝脏分割模型，用以进行肝脏分割和肝脏体积定量；S3、通过所述肝脏分割模型从所述包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证病灶识别模型，在训练和验证中将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签；S4、通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将所述肝脏区域作为VOI区输入所述病灶识别模型，得到识别结果。2.根据权利要求1所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，步骤S3中，通过ITK-SNAP软件将囊性包虫病灶与泡性包虫病灶分别赋予不同的目标标签。3.根据权利要求1所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，所述肝脏分割模型为全卷积神经网络模型，网络结构包括：卷积路径和反卷积路径，所述卷积路径包括：从左至右依次排列的第一卷积层、第二卷积层、第一池化层、第三卷积层、第二池化层、第四卷积层、第三池化层、dropout层和第五卷积层；所述反卷积路径包括：从左至右依次排列的第一反卷积层、第一上采样层、第二反卷积层、第二上采样层、第三反卷积层、第三上采样层和第四反卷积层；通过所述卷积路径中的卷积层和池化层对图像信息进行聚合，通过所述反卷积路径中的反卷积层和上采样层对图像的分辨率进行恢复；在分割肝脏后，通过计算肝脏区域内的体素点个数对肝脏体积进行定量。4.根据权利要求1所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，所述病灶识别模型为卷积神经网络模型，网络结构为：在VGG16网络的基础上，将VGG16网络的全连接层改为卷积层，将第五个池化层的参数由2×2的最大池化，步长为2，改为3×3的最大池化，步长为1，外加一个填充。5.根据权利要求1所述的一种基于深度学习的肝包虫病灶识别方法，其特征在于，所述公共数据集包括：若干腹腔CT训练样本和若干测试样本。6.一种基于深度学习的肝包...

【专利技术属性】
技术研发人员：王展，沈新科，胥瑾，辛盛海，樊海宁，王海久，周瀛，任利，侯立朝，任宾，张灵强，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11