【技术实现步骤摘要】
本专利技术属于医疗信息，具体涉及一种鼻咽癌放射性脑损伤影像的辅助判别方法、设备及介质。
技术介绍
1、鼻咽癌是一种起源于鼻咽黏膜的上皮恶性肿瘤，常见于咽隐窝，是东南亚地区最常见的头颈部恶性肿瘤，在我国以华南地区多见。由于鼻咽腔紧邻颅底及鼻咽癌的侵袭性生长，即使采用调强放射治疗和容量调制弧形放射治疗也很难避开颞叶，特别是双侧前颞叶、下颞叶，容易发生放射性颞叶损伤。放射性颞叶损伤晚期症状不可逆转，表现为记忆丧失、认知障碍等，严重时可出现颞叶坏死。然而，在临床工作中由于医生关注度及病灶大小、位置的原因存在mri漏诊或延迟诊断鼻咽癌放射性脑损伤的情况，影响患者的预后及生活质量。近年来深度学习在疾病诊断、病灶分割等医学影像分析领域展现了较好的前景。因此，可搭建基于深度学习的鼻咽癌放射性脑损伤诊断模型，辅助医生临床决策。
技术实现思路
1、本专利技术提供一种鼻咽癌放射性脑损伤影像的辅助判别方法、设备及介质，能根据输入的鼻咽癌脑mri影像判断对应是否存在放射性脑损伤，为临床医生诊断提供参考，减少鼻咽癌放射性脑损伤漏诊。
2、为实现上述技术目的，本专利技术采用如下技术方案：
3、一种鼻咽癌放射性脑损伤影像的辅助判别方法，包括：
4、步骤1，收集鼻咽癌患者的脑部mri影像，并对其进行预处理；
5、步骤2，分割mri影像中的颞叶区域，得到颞叶mri影像；
6、步骤3，以颞叶mri影像层面作为输入，专家标注的是否包含病灶作为输出，训练第一深度学
7、步骤4，将颞叶mri影像各层面输入到鼻咽癌放射性脑损伤病灶识别模型，输出得到对应每个层面存在放射性脑损伤病灶的概率；
8、步骤5，以每个患者的颞叶mri影像所有层面的放射性脑损伤病灶概率为输入，患者是否存在放射性脑损伤坏死为输出，训练第二深度学习网络，得到鼻咽癌放射性脑损伤的诊断模型；
9、步骤6，对于新获取得到的鼻咽癌患者的脑部mri影像，按步骤1进行预处理，根据步骤2得到分割后的颞叶mri影像，并使用放射性脑损伤病灶识别模型按步骤4得到每个颞叶层面存在鼻咽癌病灶的概率，再将所有颞叶层面的放射性脑损伤病灶概率输入到鼻咽癌放射性脑损伤诊断模型，得到每个患者存在放射性脑损伤的概率。
10、在更优的技术方案中，步骤1所述的预处理包括图像质控和偏置场校正。
11、在更优的技术方案中，所述第一深度学习网络采用改进的efficientnet网络；具体地，在原始efficientnet网络最后一个卷积层后加入注意力机制，同时顶层全连接层修改为四个全连接层，神经元数量分别为256、128、64和32，激活函数为relu，最后为一个神经元的sigmoid分类层；采用二分类交叉熵损失函数训练第一深度学习网络。
12、在更优的技术方案中，在改进的efficientnet网络的每个全连接层，均加入l2正则化及dropout。
13、在更优的技术方案中，所述第二深度学习网络采用多层感知机，神经元数量分别为30、16和8，激活函数为relu，最后为一个神经元的sigmoid分类层；采用类别交叉熵损失函数训练第二深度学习网络。
14、在更优的技术方案中，所述脑部mri影像包括t1wi、t2wi和ce-t1wi这三种模态数据，使用3种不同模态数据分别对应训练获得3个病灶识别模型和3个诊断模型。
15、在更优的技术方案中，取3个模态对应的诊断模型输出的放射性脑损伤概率的平均值，作为最终诊断为放射性脑损伤的概率。
16、一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的鼻咽癌放射性脑损伤影像的辅助判别方法。
17、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的鼻咽癌放射性脑损伤影像的辅助判别方法。
18、有益效果
19、本专利技术利用人工智能的方法从颞叶mri影像中提取深层卷积特征，实现了鼻咽癌颞叶放射性脑损伤病灶检测及诊断，其中加入的注意力机制可提高病灶定位效能，迫使模型关注病灶全局特征，可进一步提高鼻咽癌颞叶放射性脑损伤的诊断性能。可将该深度学习模型集成到放射科医生的日常工作流程中。根据研究，采用深度学习模型将鼻咽癌放射性脑损伤的漏检率降低到9.8％，特别是提高了对直径≤10mm的小固体增强结节的检测。
本文档来自技高网...【技术保护点】
1.一种鼻咽癌放射性脑损伤影像的辅助判别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤1所述的预处理包括图像质控和偏置场校正。
3.根据权利要求1所述的方法，其特征在于，所述第一深度学习网络采用改进的EfficientNet网络；具体地，在原始EfficientNet网络最后一个卷积层后加入注意力机制，同时顶层全连接层修改为四个全连接层，神经元数量分别为256、128、64和32，激活函数为ReLU，最后为一个神经元的sigmoid分类层；采用二分类交叉熵损失函数训练第一深度学习网络。
4.根据权利要求3所述的方法，其特征在于，在改进的EfficientNet网络的每个全连接层，均加入L2正则化及Dropout。
5.根据权利要求1所述的方法，其特征在于，所述第二深度学习网络采用多层感知机，神经元数量分别为30、16和8，激活函数为ReLU，最后为一个神经元的sigmoid分类层；采用类别交叉熵损失函数训练第二深度学习网络。
6.根据权利要求1所述的方法，其特征在于，所述脑部MRI影像包括T1W
7.根据权利要求6所述的方法，其特征在于，取3个模态对应的诊断模型输出的放射性脑损伤概率的平均值，作为最终诊断为放射性脑损伤的概率。
8.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～7中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
...【技术特征摘要】
1.一种鼻咽癌放射性脑损伤影像的辅助判别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤1所述的预处理包括图像质控和偏置场校正。
3.根据权利要求1所述的方法，其特征在于，所述第一深度学习网络采用改进的efficientnet网络；具体地，在原始efficientnet网络最后一个卷积层后加入注意力机制，同时顶层全连接层修改为四个全连接层，神经元数量分别为256、128、64和32，激活函数为relu，最后为一个神经元的sigmoid分类层；采用二分类交叉熵损失函数训练第一深度学习网络。
4.根据权利要求3所述的方法，其特征在于，在改进的efficientnet网络的每个全连接层，均加入l2正则化及dropout。
5.根据权利要求1所述的方法，其特征在于，所述第二深度学习网络采用多层感知机，神经元数量分别为...
【专利技术属性】
技术研发人员：廖伟华，胡蓉，张友明，王冬翠，雷鹏，彭娴婧，周双元，邢妩，孟莉，杨芳雪，
申请(专利权)人：中南大学湘雅医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。