【技术实现步骤摘要】
本专利技术涉及计算机辅助医学影像处理，具体而言，涉及一种基于深度学习的宫颈癌诊断报告生成方法、装置和设备。
技术介绍
1、宫颈癌(cc)是女性第四大在最常见的癌症。宫颈癌(cc)是一种可预防的疾病。如果及早发现并进行适当治疗，宫颈癌(cc)可以治愈。通过疫苗接种、筛查和治疗可以大大减少宫颈癌新病例相关死亡。
2、目前放射科医生大多采用磁共振成像(mri)作为给出医学诊断的首选影像方式，它具有高组织分辨率和高对比度的特性，可以很好的表征出患者的肿瘤信息。但目前反应患者病灶信息的医学影像通常由放射科医生根据他们的临床经验做出解释，而这种解释容易受到人的主观性影响，低效且误差高，两个放射科医生可能会对同一张医学影像做出不同的解释。
3、在对宫颈癌的磁共振成像(mri)诊断中，放射科医生通常使用弥散加权成像(dwi)图像和t2加权成像(t2wi)图像中的信息作为诊断基础。其中弥散加权成像(dwi)图像清晰度不高，具有肿瘤高亮，但形态结构模糊的特点，其优势在于可以快速定位肿瘤的位置。而t2加权成像(t2wi)图像清晰度高，具有肿瘤不高亮，但形态结构清晰可见的特点，其优势在于可以在图像中看到更详细肿瘤的形态结构信息，帮助给出诊断结论。
4、目前，一些计算机辅助诊断(cad)方法可以帮助放射科医生更好的对医学影像做出分析，并随着ai算法的突破，计算机辅助诊断(cad)的性能也在不断提高，逐渐参与到更加复杂的诊断任务中，但目前主流的计算机辅助诊断(cad)都无法做到基于mri图像对cc进行精确高效的自动诊断。
5、有鉴于此，申请人在研究了现有的技术后特提出本申请。
技术实现思路
1、本专利技术提供了一种基于深度学习的宫颈癌诊断报告生成方法、装置和设备，以改善上述技术问题中的至少一个。
2、第一方面、本专利技术实施例提供了一种基于深度学习的宫颈癌诊断报告生成方法，其包含步骤s1至步骤s5。
3、s1、获取mri图像序列。其中，mri图像序列包括dwi图像序列和t2wi图像序列。
4、s2、根据dwi图像序列进行目标检测，以识别肿瘤区域获取肿瘤的dw i图像块序列。
5、s3、根据肿瘤的dwi图像块序列和t2wi图像序列进行图像相似度比对，获取肿瘤的t2wi图像序列。
6、s4、分别将肿瘤的t2wi图像序列中的各张图像进行编码，并将编码接合成一个蕴含连续图像的动态信息的特征向量。
7、s5、将蕴含连续图像的动态信息的特征向量输入预先训练好的lstm文本生成模型进行解码，获取宫颈癌诊断报告文本。
8、第二方面、本专利技术实施例提供了一种基于深度学习的宫颈癌诊断报告生成装置，其包含：
9、初始图像获取模块，用于获取mri图像序列。其中，mri图像序列包括dwi图像序列和t2wi图像序列。
10、目标检测模块，用于根据dwi图像序列进行目标检测，以识别肿瘤区域获取肿瘤的dwi图像块序列。
11、相似识别模块，用于根据肿瘤的dwi图像块序列和t2wi图像序列进行图像相似度比对，获取肿瘤的t2wi图像序列。
12、编码模块，用于分别将肿瘤的t2wi图像序列中的各张图像进行编码，并将编码接合成一个蕴含连续图像的动态信息的特征向量。
13、解码模块，用于将蕴含连续图像的动态信息的特征向量输入预先训练好的lstm文本生成模型进行解码，获取宫颈癌诊断报告文本。
14、第三方面、本专利技术实施例提供了一种基于深度学习的宫颈癌诊断报告生成设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面任意一段的基于深度学习的宫颈癌诊断报告生成方法。
15、第四方面、本专利技术实施例提供了一种计算机可读存储介质。计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面任意一段的基于深度学习的宫颈癌诊断报告生成方法。
16、通过采用上述技术方案，本专利技术可以取得以下技术效果：
17、本专利技术实施例的宫颈癌诊断报告生成方法通过肿瘤定位算法模拟放射科医生的思维方式，自动挑选出肿瘤形态清晰可见的t2wi图像序列，并根据肿瘤形态清晰可见的t2wi图像序列通过lstm文本生成模型生成宫颈癌诊断报告。通过两阶段的处理和预测，可以准确的做到端到端的自动生成宫颈癌诊断报告，且每次生成报告的标准统一，准确率高，效率高，无需放射科医师干预。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的宫颈癌诊断报告生成方法，其特征在于，包含：
2.根据权利要求1所述的基于深度学习的宫颈癌诊断报告生成方法，其特征在于，所述根据所述DWI图像序列进行目标检测，以识别肿瘤区域获取肿瘤的DWI图像块序列，具体包括：
3.根据权利要求1所述的基于深度学习的宫颈癌诊断报告生成方法，其特征在于，根据所述肿瘤的DWI图像块序列和所述T2WI图像序列进行图像相似度比对，获取肿瘤的T2WI图像序列，具体包括：
4.根据权利要求3所述的基于深度学习的宫颈癌诊断报告生成方法，其特征在于，所述图像比对模型先通过卷积层提取到图像块中的不同特征，然后通过ReLU层保留部分特征值和将特征小于0的值舍去，然后通过最大池化层对特征进行降维，最后使用结构相似性衡量指标来计算图像间的相似度分数；其中，相识度相似度分数大于预设值的认定为对应图像。
5.根据权利要求1所述的基于深度学习的宫颈癌诊断报告生成方法，其特征在于，分别将肿瘤的T2WI图像序列中的各张图像进行编码，并将编码接合成一个蕴含连续图像的动态信息的特征向量，具体包括：
6.
7.一种基于深度学习的宫颈癌诊断报告生成装置，其特征在于，包含：
8.一种基于深度学习的宫颈癌诊断报告生成设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至6任意一项所述的基于深度学习的宫颈癌诊断报告生成方法。
...【技术特征摘要】
1.一种基于深度学习的宫颈癌诊断报告生成方法，其特征在于，包含：
2.根据权利要求1所述的基于深度学习的宫颈癌诊断报告生成方法，其特征在于，所述根据所述dwi图像序列进行目标检测，以识别肿瘤区域获取肿瘤的dwi图像块序列，具体包括：
3.根据权利要求1所述的基于深度学习的宫颈癌诊断报告生成方法，其特征在于，根据所述肿瘤的dwi图像块序列和所述t2wi图像序列进行图像相似度比对，获取肿瘤的t2wi图像序列，具体包括：
4.根据权利要求3所述的基于深度学习的宫颈癌诊断报告生成方法，其特征在于，所述图像比对模型先通过卷积层提取到图像块中的不同特征，然后通过relu层保留部分特征值和将特征小于0的值舍去，然后通过最大池化层对特征进行降维，最后使用结构相似性衡量指标来计算图像间的...
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。