一种基于深度学习的肺癌分期预测方法与流程

本发明涉及人工智能领域中的深度学习与医学影像处理的交叉领域，具体涉及一种基于深度学习对肺癌分期的预测方法。

背景技术：

肺癌是对人类健康危害最大的恶性肿瘤之一，其死亡率居恶性肿瘤死亡率之首位。肺癌治疗前必须明确诊断，定性和分期诊断都很重要。肺癌患者在接受治疗之前，医生会根据癌症的类型、癌症的位置、患者的健康状况、癌症的分期来制定具体的治疗计划。

传统的诊断方法面临着病人个体差异性、医疗资源不平衡的问题。一般的，具有丰富临床经验的职业医生可以根据自身经验进行准确判断，对于经验不足的年轻医务人员，分期诊断难度大。涉及到不同性别和年龄差异性特别大的时候，医务人员工作量和分期诊断难度逐渐上升。

本肺癌分期预测方法可以快速预测肺癌的分期，降低职业医生的工作负担以及分析判断难度，加快病人的诊断和治疗过程。

目前，关于肺癌诊断问题大都停留在利用深度学习的方法在肺部医学影像上做病灶自动化检测与肺结节的分类，缺少后续的诊断方案等。

技术实现要素：

本发明提供一种利用当前比较成熟的深度学习方法，对胸部ct影像的特征进行提取和分析，最终利用已有影像数据集训练模型，来实现影响肺癌分期判断的多种指标的量化分类，为诊断医生提供量化后的分类结果，辅助医生判断肺癌分期。

本发明所采用的技术方案如下：

一种基于深度学习的肺癌分期预测方法的技术方案如下：

步骤1，对胸部ct影像进行预处理，从原始的影像样片中分割出完整的含有双肺的主要区域；

步骤2，对于肺窗影像，训练unet神经网络检测分割肿瘤区域，计算肿瘤区域最大径，根据最大径得到t分期；

步骤3，对于纵膈窗影像，手动裁剪分割纵膈区域，形成纵膈窗影像训练集。

步骤4，利用纵膈窗影像训练集训练深度神经网络模型，对影像中淋巴结形态进行检测分类，得到n分期。

步骤5，利用肺窗影像训练深度神经模型，对影像中肿瘤位置进行检测分类，得到m分期。

步骤6，将深度神经网络模型的预测结果与肿瘤区域最大径相结合，得到最终tmn分期预测结果。

进一步，所述步骤1还包括对原始的胸部ct影像进行旋转或缩放的增广处理，以增大和多样化医学影像图的样本集。

进一步，所述步骤2中unet神经网络是指：一种基于神经网络用于图像分割的网络结构，结合了局部和全局特征检测目标，适用于类似医学影像数据少难以获取的数据；

进一步，所述步骤3中，包含对分割后的纵膈区域图像进行旋转或缩放的增广处理，以多样化纵膈区域训练集。

进一步，所述步骤4中，深度神经网络模型为卷积神经网络，包含7个卷积层，以及它们相关的池化和丢失，最后将其连接到两个完全连接的层；使用softmax激活函数；训练时，选择adam优化算法。

这里t分期，分别为t0-t4

(1)t0：没有发现病灶。

(2)t1：在肺部内发现了病灶，肿瘤直径小于3cm。

(3)t2：肿瘤的直径介于3cm到5cm之间。

(4)t3：肿瘤直径介于5cm到7cm之间。

(5)t4：肿瘤直径超过7cm。

m分期，分别为m0-m1

(1)m0:癌细胞没有扩散

(2)m1:癌细胞扩散到身体的其他区域。

n分期，分别为nx、n1-n3

(1)nx：不能对淋巴结进行评估。

(2)n1：癌细胞扩散到了肺连接气道的淋巴结中。

(3)n2：癌细胞扩散到了纵膈以及气管附近的淋巴结。

(4)n3：癌细胞已经扩散到了胸部、锁骨上淋巴结。

本发明提供的技术方案带来的有益效果是：首先通过对胸部ct影像关键部位进行影像分割，然后经过计算肿瘤最大径、分别训练2个深度神经网络模型对影响肺癌分期诊断的多种指标进行量化分类，有效降低了职业医生在肺癌分期诊断过程中的工作负担以及分析判断难度。

附图说明

图1为本发明方法流程图；

图2为深度神经网络结构图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明提供了一种基于深度学习肺癌分期预测的方法。该方法是从胸部ct影像中提取并分割出关键的特征，经过深度神经网络模型对影响肺癌分期诊断的多种指标进行量化分类。现结合附图说明中图1执行流程对本发明做进一步描述:

1.影像分割和数据增广

图像分割过程如下:首先对胸部ct影像进行预处理，即在保留含有肺部结构内容的情况下对原来影像进行切割，本发明采用对影像边缘裁剪对应距离处理。为了增加学习到的模型具有较高的泛化能力，需要将较小的影像数据集进行数据增广处理，以尽可能的扩充和丰富数据集。本发明主要利用旋转(顺时针90°)和缩放(20％)两种方法进行处理，顺时针旋转主要是用于转换影像角度来增大数据。缩放处理是对影像缩小，以降低局部结构在整体影像中的比例，从而来为模型学习提供更多样例。

2.unet分割

本发明使用预处理后的肺窗图片训练unet网络，对肿瘤部分进行分割，并计算肿瘤的最大径。

3.手动标注纵膈区

本发明选择3名专业医生进行肺癌ct影像中纵膈区域的标注，裁剪工作。

4.深度神经网络结构与分期预测

通过前文的影像处理，本发明分别训练2个结构相同的深度神经网络模型(在网络的训练中采用adam梯度下降优化方法)，分别预测tnm分期中的n分期与m分期。本发明的网络结构包含个卷积层，以及相应的池化，丢失层，最后连接到两个全连接层，得到预测结果，如图2。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

技术总结
本发明涉及一种基于深度学习肺癌TMN分期的预测方法，利用当前比较成熟的深度学习方法对胸部CT影像特征进行提取和分析，最终利用已有影像数据集进行训练模型结构，来实现影响肺癌分期判断的多种指标的量化分类，为诊断医生提供量化后的指标分类结果，降低职业医生的工作负担、提高医生分期诊断效率，辅助医生制定治疗方案。

技术研发人员：王淑栋;董立媛;王珣;孟璠;张亚钦
受保护的技术使用者：中国石油大学（华东）
技术研发日：2019.07.22
技术公布日：2019.11.01