基于多视野的3D卷积神经网络集成模型肺结节诊断系统技术方案

本发明专利技术公开了基于多视野的3D卷积神经网络集成模型肺结节诊断系统，涉及肺结节自动诊断技术领域，该系统包括前端模块、应用后端模块和计算中心模块；前端模块包括文件管理单元和计算交互单元；应用后端模块包括Nginx服务器、应用服务单元、任务中心单元、Redis存储单元、DICOM标准化管道单元和计算前置管道单元；计算中心模块包括任务管理单元、资源管理单元和计算服务单元。本发明专利技术用于肺结节病理亚型的诊断，通过前端模块上传一个病人的一整套CT，应用后端模块对其进行一系列标准化处理，然后通过计算中心模块进行相应的数据处理计算，并将结果反馈至前端模块进行展示，实现对肺结节病理亚型的自动诊断，且诊断预测结果精准度高。高。高。

【技术实现步骤摘要】
基于多视野的3D卷积神经网络集成模型肺结节诊断系统


[0001]本专利技术涉及肺结节自动诊断
，具体涉及基于多视野的3D卷积神经网络集成模型肺结节诊断系统。

技术介绍

[0002][0003]近几十年来，随着低剂量计算机断层扫描（LDCT）在肺癌筛查中的普及，越来越多的早期肺癌可以通过影像被检出。LDCT筛查被认为在降低肺癌相关死亡率方面具有重要作用，并已被循证医学证实。根据国际肺癌研究协会（IASLC）的分类，肺腺癌可分为两大类，浸润前腺癌和浸润性腺癌。浸润前腺癌包括不典型腺瘤样增生（AAH）、原位腺癌（AIS）和微小浸润型腺癌（MIA）。
[0004]此外，根据最新的IASLC分级系统，可以将浸润性腺癌进一步分为三个风险等级，并且基于该分级，可以显示出令人满意的生存能力分级评估。因此，利用CT影像特征区分良恶性结节，并进一步预测病理分级具有重要意义。这将有助于医生术前设计更合理的规划手术方式（肺叶切除或亚肺叶切除）。
[0005]然而，目前基于LDCT的肺癌筛查结果，不同医生可能会得出不同的结论。现有技术中肺结节诊断系统存在以下缺陷：1、现有的基于CT影像进行肺结节的诊断（例如一些医疗大数据公司开发的结节诊断系统等），主要集中在良恶性诊断、浸润前和浸润性诊断两个任务，但是不能够对恶性结节的病理亚型进行分级，影响医生手术方式的选择。
[0006]2、现有的肺结节诊断技术还停留在“理论阶段”，例如很多基于AI的技术做了肺结节诊断，但是，基于AI技术的肺结节诊断技术，虽然能够自主做出诊断结果，然而使用的人并不清楚其做出诊断结果的缘由及过程，对于临床医生，其自主做出诊断的结果不透明，是不便于确定其可靠性，在临床上是不便于使用的。
[0007]3、现有的肺结节诊断技术大多依赖于国外公开的数据集，如数据集LUNA、LIDC和NLST，LIDC数据集是由美国国家癌症研究所(National Cancer Institute)发起收集的，目的是为了研究高危人群早期癌症检测，该数据集共包含1081个研究实例，共243958张CT，每个图像都由四名经验丰富的胸部放射科医师进行两阶段的诊断标注。在第一阶段，每位医师分别独立诊断并标注病灶位置，其中会标注三种类别：1) >=3mm的结节，2) <3mm的结节，3) >=3mm的非结节；在第二阶段，各医师独立复审其他医师的标注，并给出最终诊断结果。但是上述国外的公开数据集收集的人群通常是高风险人群（55
‑
74岁，30年以上吸烟史，戒烟不超过15年），很少包含具有磨玻璃成分结节的病人，而含有磨玻璃成分的结节是我国早期肺癌患者典型的影像学表现，故而现有肺结节诊断技术缺乏对含有磨玻璃成分的结节的诊断。
[0008]因此，本专利技术旨在基于上述临床问题及挑战，提供一种基于多视野的3D卷积神经网络集成模型肺结节诊断系统，以解决上述问题。

技术实现思路

[0009]本专利技术的目的是为了解决上述问题，提供基于多视野的3D卷积神经网络集成模型肺结节诊断系统。
[0010]为了达到上述目的，本专利技术的技术方案如下：基于多视野的3D卷积神经网络集成模型肺结节诊断系统，所述系统基于多视野的3D卷积神经网络的集成模型实现肺结节病理亚型的诊断；所述系统包括前端模块、应用后端模块和计算中心模块；所述前端模块包括文件管理单元和计算交互单元；所述应用后端模块包括Nginx服务器、应用服务单元、任务中心单元、Redis存储单元、DICOM标准化管道单元和计算前置管道单元；所述计算中心模块包括任务管理单元、资源管理单元和计算服务单元；所述文件管理单元用于上传DICOM数据集，获取DICOM标准化管道单元处理后的数据，并在窗口内展示文件内容；所述计算交互单元用于输入坐标点，按步提交计算请求并展示结果；所述应用服务单元用于根据所需功能实现的各项接口；所述Nginx服务器用于应用服务单元各接口的反向代理，配置域名及HTTPS服务；所述任务中心单元用于桥接来自前端模块的计算需求和计算中心模块，并管理近期任务的执行状态；所述Redis存储单元用于缓存来自任务中心单元的任务状态及结果；所述DICOM标准化管道单元用于对应用服务单元所接收的DICOM文件进行一系列标准化处理；所述计算前置管道单元对需要计算的DICOM文件集合和输入值进行前置处理，产出计算中心模块所需的最小资源包；所述任务管理单元用于轮询应用服务单元获取任务分发给下游，并在任务完成后上报结果到应用服务单元；所述资源管理单元根据任务管理单元产出的任务信息，从应用服务单元获取由计算前置管道单元产出的对应资源包；并根据预置生命周期，适时通知应用服务单元删除所有过期DICOM文件集合、关联资源包及各项任务状态；所述计算服务单元依照任务管理单元的调度安排，使用资源管理单元获取的资源包进行计算并将结果上报至任务管理单元；所述系统基于多视野的3D卷积神经网络的集成模型实现肺结节病理亚型的诊断包括以下三阶段任务，分别为：任务一：良恶性判断；任务二：浸润前病变与浸润性病变判断；任务三：浸润性病变的病理分级判断；所述多视野的3D卷积神经网络的集成模型分别采用3种3D CNN模型进行训练，三阶段任务的每个任务均有三个预测结果，且最终采取求三个预测概率的均值，并以约登指数为阈值计算得出最终的预测结果。
[0011]在本方案中，任务三中的浸润性病变的病理分级判断，具体分为高分化（Grade 1）、中分化（Grade 2）和低分化（Grade 3）。按照最新IASLC 分级系统（2021）进行的病理亚
型分化程度解释：高分化—附壁型为主的肿瘤，高级别亚型没有或少于20%（高级别亚型包括实体型、微乳头型或复杂腺体型）；中分化—腺泡型或乳头型为主的肿瘤，高级别亚型没有或少于20%；低分化—任何高级别亚型大于20%的肿瘤。
[0012]进一步地，所述多视野的3D卷积神经网络的集成模型分别采取3D ResNet、3D Inception和3D VGG模型进行训练。
[0013]进一步地，三阶段任务中每个任务的输入均为一套病人的CT，对病人的CT进行数据预处理，截取不同视野的3D立体块，组成基于多视野的3D卷积神经网络集成模型的输入，进入后续的模型算法中。
[0014]进一步地，三阶段任务中每个任务均采用3种3D CNN模型进行训练，每个3D CNN模型的输入是3个不同视野的3D立体块。
[0015]进一步地，三阶段任务中每个任务的每个3D CNN模型输入的不同视野的3D立体块的大小采取多视野策略确定。
[0016]进一步地，采取多视野策略确定每个3D CNN模型输入的不同视野的3D立体块的大小具体方法为：对于每个结节，截取若干个不同像素大小的3D立体块来代表不同的视野，3D立体块的大小为m
×
m
×
m，m的取值有5种，分别为20，40，60，80，100；最终模型的输入只需3个不同的视野，即对每个任务中的每个3D CNN模型有10种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多视野的3D卷积神经网络集成模型肺结节诊断系统，其特征是：所述系统基于多视野的3D卷积神经网络的集成模型实现肺结节病理亚型的诊断；所述系统包括前端模块、应用后端模块和计算中心模块；所述前端模块包括文件管理单元和计算交互单元；所述应用后端模块包括Nginx服务器、应用服务单元、任务中心单元、Redis存储单元、DICOM标准化管道单元和计算前置管道单元；所述计算中心模块包括任务管理单元、资源管理单元和计算服务单元；所述文件管理单元用于上传DICOM数据集，获取DICOM标准化管道单元处理后的数据，并在窗口内展示文件内容；所述计算交互单元用于输入坐标点，按步提交计算请求并展示结果；所述应用服务单元用于根据所需功能实现的各项接口；所述Nginx服务器用于应用服务单元各接口的反向代理，配置域名及HTTPS服务；所述任务中心单元用于桥接来自前端模块的计算需求和计算中心模块，并管理近期任务的执行状态；所述Redis存储单元用于缓存来自任务中心单元的任务状态及结果；所述DICOM标准化管道单元用于对应用服务单元所接收的DICOM文件进行一系列标准化处理；所述计算前置管道单元对需要计算的DICOM文件集合和输入值进行前置处理，产出计算中心模块所需的最小资源包；所述任务管理单元用于轮询应用服务单元获取任务分发给下游，并在任务完成后上报结果到应用服务单元；所述资源管理单元根据任务管理单元产出的任务信息，从应用服务单元获取由计算前置管道单元产出的对应资源包；并根据预置生命周期，适时通知应用服务单元删除所有过期DICOM文件集合、关联资源包及各项任务状态；所述计算服务单元依照任务管理单元的调度安排，使用资源管理单元获取的资源包进行计算并将结果上报至任务管理单元；所述系统基于多视野的3D卷积神经网络的集成模型实现肺结节病理亚型的诊断包括以下三阶段任务，分别为：任务一：良恶性判断；任务二：浸润前病变与浸润性病变判断；任务三：浸润性病变的病理分级判断；所述多视野的3D卷积神经网络的集成模型分别采用3种3D CNN模型进行训练，三阶段任务的每个任务均有三个预测结果，且最终采取求三个预测概率的均值，并以约登指数为阈值计算得出最终的预测结果。2.如权利要求1所述的基于多视野的3D卷积神经网络集成模型肺结节诊断系统，其特征是：所述多视野的3D卷积神经网络的集成模型分别采取3D ResNet、3D Inception和3D VGG模型进行训练。3.如权利要求1所述的基于多视野的3D...

【专利技术属性】
技术研发人员：冀瑛，周静，胡滨，
申请(专利权)人：中国人民大学，
类型：发明
国别省市：