一种移动端鼻咽癌识别系统及方法

本发明涉及智能识别系统的，更具体地说，尤其涉及一种移动端鼻咽癌识别系统。本发明还涉及该系统的识别方法。

背景技术：

1、鼻咽癌(npc)是起源于鼻咽粘膜内层的上皮癌症，世界范围分布比较广泛。中国鼻咽癌发病人口占比为47％，且华南区域为我国鼻咽癌高发区域。超过70％的鼻咽癌患者在第一次就诊时被诊断为局部晚期疾病。由于磁共振成像(mri)的优势和放射治疗技术的发展，早期鼻咽癌患者的5年总生存率虽高达90％，但晚期鼻咽癌的生存率则较低，5年总存活率约为67～90％。而通过对早期鼻咽癌患者的尽早治疗能够有效改善其治疗结果，提高存活率，由此可见，尽早识别出鼻咽癌患者对于提高鼻咽癌病人的存活率显得尤为重要。另一方面，由于我国的医疗环境存在医生少、病患多、就医难、看病贵、不同地区医疗资源不平衡等痛点，并且低年资医生由于诊断经验的不足的原因，对鼻咽癌的诊断准确率较低，使得鼻咽癌存在一定程度的误诊问题。现有的鼻咽癌人群筛查，一般通过医生对患者的医学影像进行识别得到，这样的诊断过程需要医生具备丰富的诊断经验才能完成，具有一定的诊断难度。而转院治疗等操作也加重了医生的负担，耗时耗力，不利于鼻咽癌人群的筛查与治疗。因此，建立一种快速、准确的手机客户端鼻咽癌诊断数据库有利于此类疾病的早期筛查与便捷诊断。

2、目前，仍未有完整的能够在安卓端对鼻咽癌实现诊断的系统。

3、最近几年有学者利用影像学mri图像构建诊断鼻咽癌模型。2020年ke等人的文章中利用3d densenet深度学习网络建立了准确率高达97.77％的神经网络模型。wong等人在2021年通过对412位鼻咽癌患者建立auc分数达到了0.96的模型。然而这些研究存在两个问题，一方面因为采用mri 3d影像数据建立深度学习模型，导致模型量级很大，每个模型都很难部署到工业实际生产过程中。另外一方面，因为采用的3d结构，很难在模型训练过程中具体了解每个阶段具体学习了什么，具有“不可解释性”的缺点。因此，亟待设计一个能够帮助医生更好的筛查出鼻咽癌人群的模型量级小的识别系统，以解决上述问题。

技术实现思路

1、本发明的第一目的在于提供一种移动端鼻咽癌识别系统，该系统通过将已确认鼻咽癌患者病灶部位的影像信息进行训练后，能够识别出鼻咽位置病变的性质，具有识别速度快、准确率高的特点。

2、本发明的第二目的在于提供一种移动端鼻咽癌识别方法，利用该方法能够便捷、有效识别地出鼻咽位置病变的性质，方便进行远程医疗或会诊。

3、本发明采用的前一技术方案如下：

4、一种移动端鼻咽癌识别系统，包括：

5、图像预处理模块，用于将获得的鼻咽部位的图像进行预处理；

6、识别模块，用于存储训练得到的识别模型；

7、训练识别模块，用于通过已知鼻咽癌患者的病灶图像训练出识别模型；

8、所述的图像预处理模块分别与识别模块和训练识别模块连接；

9、所述的训练识别模块包括：

10、病例库，用于存储各个已确认鼻咽癌患者的识别预处理数据；

11、识别模型单元，用于存储训练好的识别模型或者将输入的患者的识别预处理数据进行分析识别后输出结果；

12、训练单元，用于将病例库中的识别预处理数据在识别模型单元中训练出神经网络识别模型；

13、所述的训练单元分别与病例库和识别模型单元连接。

14、进一步的，所述的识别模块包括：

15、客户端识别模块，用于在客户端存储训练得到的识别模型；

16、服务器端识别模块，用于在服务器端存储训练得到的识别模型。

17、所述的客户端识别模块和服务器端识别模块均分别与图像预处理模块和训练识别模块连接，所述的客户端识别模块还和服务器端识别模块连接。

18、本发明采用的后一技术方案如下：

19、一种移动端鼻咽癌识别方法，包括以下步骤：

20、s1获取已确认鼻咽癌患者的病灶部位的影像信息进行预处理后得到识别预处理数据，并将得到的识别预处理数据存入病例库中；

21、s2利用病例库中数据在训练单元中训练出完整神经网络识别模型；

22、s3利用s2得到的完整神经网络识别模型训练出轻量级网络模型；

23、s4获取待识别患者病灶部位的影像信息进行预处理后得待识别预处理数据；

24、s5将待识别预处理数据导入神经网络识别模型或者轻量级网络模型获得识别结果。

25、进一步的，所述的步骤s1中，进行预处理的具体过程如下：

26、s1.1从已确认鼻咽癌患者的病灶部位的影像信息筛选出t1wi、t2wi压脂序列、t1增强序列的横断面mr数据，再转化为标准神经影像数据图像；

27、s1.2将完成转化的标准神经影像数据图像进行旋转和中心裁剪。

28、进一步的，所述的步骤s2中，具体过程如下：

29、s2.1病例库中数据随机分为训练集组、验证集组和测试集组，将训练集组和验证集组数据图像转化成变量，再进行归一化处理；

30、s2.2将完成归一化处理的训练集组和验证集组数据图像进行五折交叉验证后构建神经网络识别模型；

31、s2.3对构建的神经网络识别模型进行训练后得多个训练神经网络识别模型；

32、s2.4利用测试集数据分别对多个训练神经网络识别模型进行评估，取评估值最优的训练神经网络识别模型作为完整神经网络识别模型。

33、进一步的，所述的步骤s2.2中，构建神经网络识别模型为resnet152的残差神经网络模型，在模型的大卷积核卷积层和池化层之后，加入四个残差块，每个残差块由三组层次构成，每一层包含有一个3x3卷积层和两个1x1卷积层，层与层之间加入了残差连接，之后连接全连接层和softmax层后输出最后结果，其中softmax层函数为：

34、

35、其中，zi为第i个节点的输出值，n为输出节点的个数，z为softmax层的输出结果；

36、在神经网络识别模型的第一个卷积池化后加入了压缩和激励网络块，所述的压缩和激励网络块由全局压缩计算公式和动态激励计算公式构建，所述的全局压缩计算公式为：

37、

38、其中，u为特征空间，c为特征数，w和h为空间维度；

39、所述的动态激励计算公式为：

40、s＝fex(z,w)＝σ(g(z,w))＝δ(w2δ(w1z))；

41、其中，σ表示sigmoid激活函数，δ表示relu激活函数，w为动态学习到的权重，w1为w中第一个连接层动态更新的参数，w2为w中第二个连接层动态更新的参数；

42、所述压缩和激励网络块的输出公式为：

43、x＝fc(uc,sc)＝ucsc；

44、其中，fc是通道上的乘积，x为输出结果，c为卷积后得到通道。

45、进一步的，所述的步骤s2.3中，利用训练所述的构建的神经网络识别模型时，先利用imagenet数据集进行预训练，再通过调节训练的轮度、学习率和通道数对其进行评估，选出评估指标较高的多个神经网络识别模型进行梯度类激活映射，选择分类效果好的神经网络识别模型；

46、梯度类激活映射的公式为：

47、

48、

49、其中，z等于特征层的宽度×高度，为特征层a在通道k中坐标为i、j位置处的数据，yc为网络针对类别c预测的分数；表示对ak的权重,c为类别，k为特征层a中第k个通道，a为最后一个特征层，为梯度类激活映射值。

50、进一步的，所述的步骤s2.4具体过程为：

51、s2.4.1将测试集数据分别输入多个训练神经网络识别模型，将输出结果与真实结果将进行对比获得tp、fp、fn、tn四个值，其中，tp表示将阳性例预测为阳性的个数，fp表示将阴性例预测为阳性的个数，fn表示将阳性例预测为阴性的个数，tn表示将阴性预测为阴性的个数；

52、s2.4.2通过tp、fp、fn、tn这四个值绘制分类结果的roc曲线，曲线的横坐标为召回率r，纵坐标为精确率p，召回率r和精确率p的计算方式如下：

53、

54、

55、获取调和值f1和auc值，利用召回率r、精确率p、调和值f1和auc值作为评估值，选择评估值最优的训练神经网络识别模型作为完整神经网络识别模型，调和值f1的计算公式为：

56、

57、auc值为roc曲线与x轴围成图形的面积。

58、进一步的，所述步骤s3的具体步骤为：

59、s3.1构建轻量级神经网络识别模型为resnet18的残差神经网络模型，残差神经网络模型中的大卷积核卷积层和池化层之后，依次加入压缩和激励网络块和四个残差块，每个残差块由两层构成，每一层包含有一个两个卷积层，层与层之间加入了残差连接，之后依次连接全连接层和softmax层后输出结果，所述softmax层的计算公式为：

60、

61、其中，zi为第i个节点的输出值，n为输出节点的个数，z为softmax层的输出结果；

62、s3.2将s2得到的完整神经网络识别模型训练残差神经网络模型，其中，损失函数公式为：

63、loss＝λlosst+θlosss；

64、其中，losst表示教师网络与学生网络的差异损失，losss表示学生网络训练的交叉熵损失，λ和θ为平衡差异损失和交叉熵损失的权重，loss为loss为损失函数。

65、与现有技术相比，本发明具有的有益效果为：

66、1.本发明的一种移动端鼻咽癌识别系统，包括对获得的鼻咽部位图像进行预处理的图像预处理模块，用于存储训练得到的识别模型的识别模块，用于通过已知鼻咽癌患者的病灶图像训练出识别模型的训练识别模块。训练识别模块包括用于存储各个已确认鼻咽癌患者的识别预处理数据的病例库，用于存储训练好的识别模型或者将输入的患者的识别预处理数据进行分析识别后输出结果的识别模型单元，用于将病例库中的识别预处理数据在识别模型单元中训练出神经网络识别模型的训练单元。通过将已知鼻咽癌患者的病灶位置的影像信息输入系统，系统利用已知鼻咽癌患者的病灶位置的影像信息进行训练后得到识别模型，将待识别患者病灶部位的影像信息输入系统即可获得识别结果，通过创建识别系统，帮助医生识别出鼻咽癌，识别速度快，准确率高；

67、识别模块包括用于在客户端存储训练得到的识别模型的客户端识别模块，用于在服务器端存储训练得到的识别模型的服务器端识别模块。由于服务器端识别模块的体积较大，占用大量的内存资源，部署要求高，其只适合安置在服务器中，不适合门诊或者外坐诊的医生使用。客户端识别模块是将服务器端识别模块进行蒸馏，通过将识别模型从3d变成2d，使得利用迁移学习结果的准确率提高，并且利用模型蒸馏技术使得识别模型的量级更小，更方便部署到客户端，以便有效应对临床实际情况。

68、2.本发明的一种移动端鼻咽癌识别方法，获取已确认鼻咽癌患者的病灶部位的影像信息进行预处理后得到识别预处理数据，并将得到的识别预处理数据存入病例库中；利用病例库中数据在训练单元中训练出完整神经网络识别模型；利用完整神经网络识别模型训练出轻量级网络模型；获取待识别患者病灶部位的影像信息进行预处理后得待识别预处理数据；将待识别预处理数据导入神经网络识别模型或者轻量级网络模型获得识别结果。通过这样的识别过程，能够有效识别出鼻咽位置病变的性质，有效减轻医生的工作量及资历要求，使其能够服务更多的病人。