一种智能分流诊断鼻咽癌放疗后复查MRI图像的方法

本发明涉及鼻咽癌，具体涉及一种智能分流诊断鼻咽癌放疗后复查mri图像的方法。

背景技术：

1、根据国际癌症研究机构(international agency for research on cancer，iarc)发布的数据显示，2020年全球约有133354例新的鼻咽癌患者。根据美国肿瘤放射治疗协作组(radiation therapy oncology group，rtog)推荐，鼻咽癌放疗后5年内需随访14次，而根据美国国家综合癌症网络(national comprehensive cancer network，nccn)指南推荐，鼻咽癌放疗后5年至少需随访10次，最多需随访27次，磁共振成像(magneticresonance imaging，mri)是鼻咽癌患者放疗后长期随访过程中的常规必做检查，可见大量放疗后复查的mri图像需影像医师和放疗医师阅片诊断是否复发。鼻咽癌放疗后局部复发的早期阶段往往不会形成明显的鼻咽肿物，可能是粘膜轻度增厚，放疗后鼻咽粘膜水肿、炎症反应、纤维化、疤痕形成及解剖结构变形等与局部复发鉴别困难；我们既往研究显示70％以上的初诊鼻咽癌患者肿瘤累及颅底骨质，由于骨质修复能力差，颅底骨质的放疗后改变与肿瘤复发的影像特征差异也较小，加大了复发鼻咽癌的诊断难度。由于鼻咽癌在全球的发病率较低且地域分布极其不均衡，超过70％的病例出现在东南亚地带，尤其是我国华南地区，再加上放疗后局部复发率小于15％的客观事实，因此大部分医生诊断局部复发鼻咽癌经验不足，既往研究显示的不同医院医师根据mri诊断鼻咽癌局部复发的灵敏度为15％-96％，特异度为43％-95％。综上所述，如何以经济高效的方式对放疗后mri图像精准分流并诊断局部复发鼻咽癌是影像和临床医生面临的难题，尤其是缩小基层医院与上级医院、鼻咽癌高发区和非流行地区医院诊断水平的差距具有重要社会意义。

2、人工智能(artificial intelligence,ai)在医学图像处理领域中，已经取得了成功的应用，如图像分类、图像分割、物体检测、图像生成和图像变换。图像识别分类和自动分割是人工智能辅助诊断技术中两种最热门的应用，它可以自动将医学图像分为良性和恶性或者区分疾病的阶段，自动分割可以辅助医生对病变组织做出精准的定位。2021年黄伦明等人基于卷积神经网络在鼻咽癌中的应用，其网络模型的自动识别准确率能达到0.91，而邓一术等人在基于mr图像的鼻咽癌识别及肿瘤分割方法及系统中使用的训练网络模型自动勾画的精度仅为0.768。中国专利(cn202310349725.0)公开了一种基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法，包括图像预处理、读取数据集并定义常量、构建鼻咽癌病变组织自动识别和勾画网络模型、训练并验证网络模型、输入测试集并得到模型训练结果。分类可以对鼻咽癌数据集实现高精度分类，而分割是否执行是基于分类模型对数据集的判断，无需手动的进行二次操作，该发明可以体现该系统高精度、自适应的特点。该发明解决了鼻咽癌病变组织自动识别和勾画任务中图像构造复杂、组织形状不规则且大小不一、与周围组织边缘模糊难以识别所导致的识别和分割精度不足等问题，一定程度上提升了鼻咽癌病变组织自动识别和勾画模型的精度。由此说明人工智能技术应用在初诊鼻咽癌进行自动诊断和自动分割具有可行性，但鼻咽癌放疗后mri图像与初诊鼻咽癌表现差异显著，目前尚无报道如何应用人工智能技术智能分流鼻咽癌放疗后mri精确诊断局部复发鼻咽癌。

技术实现思路

1、本发明提供一种智能分流诊断鼻咽癌放疗后复查mri图像的方法及系统。

2、一方面，本发明提供一种智能分流诊断鼻咽癌放疗后复查mri图像的方法，该方法包括：

3、获取患者的疗后mri图像；

4、对所述疗后mri图像进行预处理得到，利用ai模型对预处理后的疗后mri图像进行智能诊断，获取ai诊断结果所述ai诊断结果包括鼻咽癌的复发概率和复发部位

5、根据所述复发概率对患者进行分流，将患者匹配至不同的影像学专家，以获取影像学专家的诊断结果，并结合影像学专家的诊断结果生成诊断报告；

6、其中，所述ai模型包括特征提取模块φextract；所述特征提取模块包括下采样阶段网络层φdown、上采样阶段网络层φup和融合阶段φfuse；通过下采样阶段获取第一特征图通过上采样阶段获取第二特征图计算所述第一特征图中特征与第二特征图中特征的相似度根据所述相似度将第一特征图和所述第二特征图进行融合，得到目标特征图

7、作为优选的，包括但不限于利用余弦相似度公式计算第一特征图中特征与第二特征图中特征的相似度：

8、

9、其中，为计算的相似度，·表示点乘操作，‖·‖表示取模操作

10、作为优选的，所述融合公式为：

11、

12、式中，表示融合特征图，表示第一特征图，表示第二特征图，表示相似度。

13、作为优选的，所述下采样阶段φdown利用多个下采样层逐层生成多个下采样特征图其中，为第i层下采样层的网络参数，对多个下采样特征图进行融合得到第一特征图如下式表示：

14、

15、所述上采样阶段φup利用多个上采样层逐层生成多个上采样特征图其中，为第i层上采样层的网络参数，并将多个上采样特征图融合得到第二特征图如下式表示：

16、

17、作为优选的，所述ai模型还包括预测模块φcontour，所述预测模块包括输入层φin、隐藏层φhidden和输出层φout；所述输入层包括4个输入通道分别用于输入年龄目标特征图历史化疗阶段对应的目标特征图以及对应的治疗参数所述隐藏层φhidden用于融合4个通道的输入参数信息得到隐层特征所述输出层利用融合后的参数信息，生成鼻咽癌的复发概率和复发部位即，

18、作为优选的，所述ai模型用于模型训练的损失函数可以表示为：

19、

20、其中，表示复发概率的损失函数，表示复发部位的损失函数，和分别表示复发概率和复发部位的标签。

21、作为优选的，根据所述复发概率对患者进行分流，将患者匹配至不同的影像学专家，包括：

22、在所述复发概率小于或者等于设定值时，随机选择n位影像学专家参考ai诊断结果进行人工诊断；

23、在所述复发概率大于设定值时，选择m位影像学专家各自参考ai诊断结果进行人工诊断，当多于两位影像学专家的诊断结果不一致时，增加一位资深影像学专家建立讨论组，直到所有影像学专家的诊断结果一致。

24、另一方面，一种智能分流诊断鼻咽癌放疗后复查mri图像的系统，其特征在于，包括：

25、获取模块，用于获取患者的疗后mri图像；

26、ai诊断模块，用于对所述疗后mri图像进行预处理，利用ai模型对预处理后的疗后mri图像进行智能诊断，获取ai诊断结果，所述ai诊断结果包括鼻咽癌的复发概率和复发部位；

27、人工诊断模块，用于根据所述复发概率对患者进行分流，将患者匹配至不同的影像学专家，以获取影像学专家的诊断结果，并结合影像学专家的诊断结果生成诊断报告。

28、本发明的有益效果体现在：

29、(1)提高诊断精度：通过特征提取模型对mri图像进行深度特征学习，捕捉到了更细微的图像特征，从而提高了鼻咽癌复发的诊断精度。重要的是，可经济有效地解决基层医院、鼻咽癌非高发区医院和资质较浅影像医师诊断复发鼻咽癌经验不足的问题。

30、(2)智能分流提高效率：根据复发概率对患者进行智能分流，能够将高风险患者优先分配给更多的影像学专家进行诊断，确保了高风险患者得到及时且重点的关注，同时避免了低风险患者消耗过多影像专家精力，从而提高了整体诊断效率。

31、(3)结合ai与专家智慧：本发明不仅依赖于ai模型的快速诊断，还结合了影像学专家的专业知识和经验，为患者提供了更快速、全面和准确的诊断服务。这种人机结合的方式，既发挥了ai的优势，又弥补了其可能的不足。