CN113570655A - 一种肿瘤恶化程度的识别方法、装置、设备和存储介质 - Google Patents
一种肿瘤恶化程度的识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113570655A CN113570655A CN202110694188.4A CN202110694188A CN113570655A CN 113570655 A CN113570655 A CN 113570655A CN 202110694188 A CN202110694188 A CN 202110694188A CN 113570655 A CN113570655 A CN 113570655A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- uterine
- model
- tumor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种肿瘤恶化程度的识别方法、装置、设备和存储介质,涉及计算机辅助诊断技术领域。其中,这种识别方法包含如下步骤S1、获取核磁共振图像。S2、通过目标检测模型,定位子宫图像在核磁共振图像中的区域,并提取包含区域的区域图像。S3、通过分割模型,识别区域图像中的子宫图像的子宫区域和肌瘤图像的肌瘤区域。S4、获取肿瘤区域和子宫区域的面积之比。S5、判断面积之比是否低于阈值。S6、当判断到面积之比低于阈值时,判定核磁共振图像对应的肿瘤恶化程度为IA期,否则为IB期。通过目标检测模型提取子宫区域的图像大大减少了计算量。通过ROC曲线获得得到的阈值,大大提升了判断结果的准确性,具有很好的实际意义。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,具体而言,涉及一种肿瘤恶化程度的识别方法、装置、设备和存储介质。
背景技术
根据国际妇产科联合会(FIGO)规定,子宫内膜癌(EC)的恶化程度分为四个阶段。EC患者在I期或II期的5年总生存率为74-91%,而到了IV期仅为为 20-26%。在EC的I期分为两个IA期和IB期。
IA期为肿瘤侵犯不到一半的子宫肌层,IB期为肿瘤侵犯达到一半或一半以上的子宫肌层。只有IA期患者会被大多数临床医生建议进行保守治疗,而患有 IB期的EC患者将会面临是否做手术的抉择,如果癌细胞中扩散过快,那么IA 期患者也将面临这个抉择。
在先技术中,通过核磁共振图像来判断子宫内膜癌的恶化程度,是大多数放射科医生做医学诊断的首选影像方式。但目前反应患者病灶信息的医学影像通常通过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,不仅效率低下,而且容易出现判断误差高,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。
有鉴于此,申请人在研究了现有的技术后特提出本申请。
发明内容
本发明提供了一种肿瘤恶化程度的识别方法、装置、设备和存储介质,以改善相关技术中的通过核磁共振图像判断肿瘤恶化程度效率低下的问题。
第一方面、
本发明实施例提供了一种肿瘤恶化程度的识别方法,其包含如下步骤:
S1、获取核磁共振图像;其中,所述核磁共振图像包含有子宫图像和肌瘤图像;
S2、通过目标检测模型,定位所述子宫图像在所述核磁共振图像中的区域,并提取包含所述区域的区域图像;
S3、通过分割模型,识别所述区域图像中的所述子宫图像的子宫区域和所述肌瘤图像的肌瘤区域;
S4、获取所述肿瘤区域和所述子宫区域的面积之比;
S5、判断所述面积之比是否低于阈值;其中,所述阈值通过ROC曲线获取;
S6、当判断到所述面积之比低于所述阈值时,判定所述核磁共振图像对应的肿瘤恶化程度为IA期,否则为IB期。
可选地,所述目标检测模型为以ResNet50作为主干特征提取网络的 FASTER-RCNN模型;
可选地,步骤S2具体包括:
通过FASTER-RCNN模型,识别所述核磁共振图像中的子宫图像,以获取框住所述子宫图像的矩形框信息;其中,所述矩形框信息包括中心坐标、高度和宽度;
以所述中心坐标为原点,将所述高度和所述宽度放大预定倍数后,提取放大后框住的图像作为所述区域图像。
可选地,所述分割模型为通过交叉验证方法训练得到的U-net模型,用以将所述区域图像中的所述子宫区域和所述肌瘤区域标记为不同的鲜艳的纯色,其它区域标记为同一种灰度的灰色;
可选地,所述通过交叉验证方法训练得到的所述U-net模型,具体包括:
获取数据集,并将所述数据集分为S份;其中,所述数据集为多张人工标注了子宫区域和肌瘤区域的核磁共振图像;
将1份子集作为验证集,其余子集作为训练集,训练初始模型;遍历S份子集,以获得S个训练模型;
选取S个所述训练模型中准确率最高的训练模型作为所述分割模型。
可选地,步骤S4具体包括:
获取所述肿瘤区域内的第一像素个数和所述子宫区域内的第二像素个数;
计算所述第一像素个数和所述第二像素个数之比,以获得所述面积之比。
可选地,所述通过所述ROC曲线获取所述阈值,具体包括:
获取多张分割图像;其中,所述分割图像为通过所述分割模型识别后的多张核磁共振图像,多张所述分割图像包括IA期和IB期的图像;
通过计算机视觉模型分别获取所述分割图像中的肿瘤区域和子宫区域的像素个数,以获得各个所述分割图像的肿瘤区域和子宫区域的面积之比;
将IA期的分割图像作为正样本,IB期的分割图像作为负样本,根据多个所述面积之比绘制ROC曲线,选取所述ROC曲线上最靠近左上角的点对应的面积之比,以获得所述阈值。
可选地,所述预定倍数为1.2倍。
第二方面、
本发明实施例提供了一种肿瘤恶化程度的识别装置,其包含:
图像获取模块,用于获取核磁共振图像;其中,所述核磁共振图像包含有子宫图像和肌瘤图像;
图像提取模块,用于通过目标检测模型,定位所述子宫图像在所述核磁共振图像中的区域,并提取包含所述区域的区域图像;
图像分割模块,用于通过分割模型,识别所述区域图像中的所述子宫图像的子宫区域和所述肌瘤图像的肌瘤区域;
面积之比模块,用于获取所述肿瘤区域和所述子宫区域的面积之比;
判断模块,用于判断所述面积之比是否低于阈值;其中,所述阈值通过ROC 曲线获取;
判定模块,用于当判断到所述面积之比低于所述阈值时,判定所述核磁共振图像对应的肿瘤恶化程度为IA期,否则为IB期。
可选地,所述目标检测模型为以ResNet50作为主干特征提取网络的 FASTER-RCNN模型;
可选地,所述图像提取模块,具体包括:
目标框选单元,用于通过FASTER-RCNN模型,识别所述核磁共振图像中的子宫图像,以获取框住所述子宫图像的矩形框信息;其中,所述矩形框信息包括中心坐标、高度和宽度;
图像提取单元,用于以所述中心坐标为原点,将所述高度和所述宽度放大预定倍数后,提取放大后框住的图像作为所述区域图像。
可选地,所述分割模型为通过交叉验证方法训练得到的U-net模型,用以将所述区域图像中的所述子宫区域和所述肌瘤区域标记为不同的鲜艳的纯色,其它区域标记为同一种灰度的灰色;
可选地,所述图像分割模块还包括模型训练单元,用于通过交叉验证方法训练得到的所述U-net模型。
所述模型训练单元包括:
数据集子单元,用于获取数据集,并将所述数据集分为S份;其中,所述数据集为多张人工标注了子宫区域和肌瘤区域的核磁共振图像;
模型获取子单元,用于将1份子集作为验证集,其余子集作为训练集,训练初始模型;遍历S份子集,以获得S个训练模型;
模型选取子单元,用于选取S个所述训练模型中准确率最高的训练模型作为所述分割模型。
可选地,面积之比模块具体包括:
像素获取单元,用于获取所述肿瘤区域内的第一像素个数和所述子宫区域内的第二像素个数;
面积之比单元,用于计算所述第一像素个数和所述第二像素个数之比,以获得所述面积之比。
可选地,判断模块包括阈值获取单元,用于通过所述ROC曲线获取所述阈值。
所述阈值获取单元包括:
图像分割子单元,用于获取多张分割图像;其中,所述分割图像为通过所述分割模型识别后的多张核磁共振图像,多张所述分割图像包括IA期和IB期的图像;
面积之比子单元,用于通过计算机视觉模型分别获取所述分割图像中的肿瘤区域和子宫区域的像素个数,以获得各个所述分割图像的肿瘤区域和子宫区域的面积之比;
阈值获取子单元,用于将IA期的分割图像作为正样本,IB期的分割图像作为负样本,根据多个所述面积之比绘制ROC曲线,选取所述ROC曲线上最靠近左上角的点对应的面积之比,以获得所述阈值。
可选地,所述预定倍数为1.2倍。
第三方面、
本发明实施例提供了一种肿瘤恶化程度的识别设备,其包括处理器、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,以实现如第一方面所说的肿瘤恶化程度的识别方法。
第四方面、
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面所说的肿瘤恶化程度的识别方法。
通过采用上述技术方案,本发明可以取得以下技术效果:
本发明实施例通过目标检测模型提取子宫区域的图像大大减少了计算量。通过ROC曲线获得得到的阈值,大大提升了判断结果的准确性,具有很好的实际意义。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明第一实施例提供的肿瘤恶化程度的识别方法的流程示意图1。
图2是本发明第一实施例提供的肿瘤恶化程度的识别方法的流程示意图2。
图3是本发明第一实施例提供的ROC曲线的示意图。
图4是本发明第二实施例提供的肿瘤恶化程度的识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测 (陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
下面结合附图与具体实施方式对本发明作进一步详细描述:
实施例一:
请参阅图1和图2,本发明第一实施例提供的一种肿瘤恶化程度的识别方法,其可由核磁共振图像识别装置来执行。特别地,由核磁共振图像识别装置中的一个或多个处理器来执行,以实现如下步骤:
S1、获取核磁共振图像。其中,核磁共振图像包含有子宫图像和肌瘤图像。
可以理解的是,核磁共振图像识别装置可以是本地的计算机、笔记本电脑,也可以是云端的服务器,本发明对此不做具体限定。核磁共振图像(以下简称: MRI图像)由核磁共振设备拍摄得到,然后通过局域网、广域网等方式传送到核磁共振图像识别装置中,以对核磁共振图像识别,并获得患者的肿瘤恶化程度。
S2、通过目标检测模型,定位子宫图像在核磁共振图像中的区域,并提取包含该区域的区域图像。
通过目标检测模型对MRI图像中的子宫和肿瘤区域检测并裁剪,大大减少了图像中其他无关元素对分割模型的分割效果的影响,挺高后续步骤的性能。
可选地,在本实施例中,目标检测模型为以ResNet50作为主干特征提取网络的FASTER-RCNN模型。在其它实施例中,所述目标检测模型也可以使用其它现有的目标检测模型,本实施例对此不做具体限定。
在上述实施例的基础上,本发明一可选实施例中,步骤S2具体包括:
S21、通过FASTER-RCNN模型,识别核磁共振图像中的子宫图像,以获取框住子宫图像的矩形框信息。其中,矩形框信息包括中心坐标、高度和宽度。
S22、以中心坐标为原点,将高度和宽度放大预定倍数后,提取放大后框住的图像作为区域图像。可选地,在本实施例中,所述预定倍数为1.2倍。在其它实施例中,也可以是其它倍数,本实施例对此不做具体限定。
可以理解的是,当一张能够清楚显示患者肿瘤信息的MRI图像输入时,在本实施例中,通过FASTER-RCNN模型检测目标区域并裁剪的步骤如下:
MRI图像通过加载训练好的FASTER-RCNN模型对图像中的子宫和肿瘤区域进行定位检测,使用矩形框定位到子宫和肿瘤区域,得到矩形框的中心坐标和高宽,利用中心点坐标和框的高宽截取出只包含子宫区域的MRI图像。
具体地,FASTER-RCNN模型检测目标区域并裁剪的步骤包括前期的模型训练步骤和后期的检测并剪裁的步骤。
FASTER-RCNN模型的训练步骤:
模型:使用FASTER-RCNN架构,以ResNet50作为主干特征提取网络。
数据集制作:由经验丰富的放射科医生使用labelimg对原始MRI图像进行子宫和肿瘤区域的标注,以矩形框完全框住子宫和肿瘤区域。1.得到每个矩形框对应中心点坐标和高宽,作为位置回归的真实框参数。2.类别只分为子宫,和背景两类。
训练:损失函数为矩形框位置回归损失加类别分类损失。训练多个世代,选择损失值最小的模型作为最佳模型。
目标区域裁剪步骤:
1、通过FASTER-RCNN对原始MRI图像进行子宫和肿瘤区域的检测,得到框住目标区域的矩形框以及该框中心点坐标和高宽。
2、按照中心坐标不变,该框高宽的1.2倍(该放大倍数不固定,可以根据实际情况进行调整,目的是为了能够裁剪出完整的子宫和肿瘤区域)的大小进行裁剪,将目标区域裁剪成只包含子宫和肿瘤信息的MRI图像。
S3、通过分割模型,识别区域图像中的子宫图像的子宫区域和肌瘤图像的肌瘤区域。
具体地,使用上一步骤中裁剪出来的只含子宫和肿瘤区域的MRI图像。通过加载训练好的基于深度学习网络建立的分割模型进行预测(分割),用鲜艳的纯色表示子宫区域和肿瘤的区域,其他区域信息用同一种灰度的灰色表示,得到预测分割图。
可选地,在本实施例中,分割模型为通过交叉验证方法训练得到的U-net 模型。在其它实施例中,所述分割模型也可以使用其它现有的分割模型,本实施例对此不做具体限定。
在上述实施例的基础上,本发明一可选实施例中,通过交叉验证方法训练得到U-net模型的步骤具体包括:
步骤1、获取数据集,并将数据集分为S份。其中,数据集为多张人工标注了子宫区域和肌瘤区域的核磁共振图像。
步骤2、将1份子集作为验证集,其余子集作为训练集,训练初始模型。遍历S份子集,以获得S个训练模型。
步骤3、选取S个训练模型中准确率最高的训练模型作为分割模型。
具体地,基于U-net结构的深度学习网络建立的分割模型的训练步骤如下:
1.1深度学习模型的搭建:该模型采用编解码结构,左边的编码器对应于全卷积神经网络的向下采样部分(收缩路径),右边的解码器对应于全卷积神经网络的向上采样部分(扩张路径),两者组成了一种“U”形全卷积神经网络,最后由解码器输出类别概率图;
1.2数据集预处理:经验丰富的放射科医生对子宫内膜癌患者的核磁共振图像进行子宫区域和肿瘤区域的标注处理,按照设定比例将标注好的图像划分为训练集、测试集两部分;
1.3深度学习模型的训练和保存:该模型采用S折交叉验证的方法对模型进行训练。具体地,将训练数据集切分为S个大小相同互不相交的子集;然后利用S-1个子集的数据训练模型,利用余下的子集验证模型;将这一过程对可能的S种选择重复进行,每次训练都会计算出训练集和验证集的准确率,保存S 次评测中准确率最高的模型;最后通过模型对测试集的实际预测效果对模型的预测分割性能进行评估。
训练好分割模型后,将其加载至核磁共振图像识别装置,然后输入通过 FASTER-RCNN模型从核磁共振图像中提取出来的区域图像进行预测分割。
S4、获取肿瘤区域和子宫区域的面积之比。
在本实施例中,步骤S4具体包括:
S41、获取肿瘤区域内的第一像素个数和子宫区域内的第二像素个数。
S42、计算第一像素个数和第二像素个数之比,以获得面积之比。
具体地,输入上一步骤中将子宫和肿瘤区域分割好的图像,使用通过面积比例算法,得到肿瘤区域和子宫区域的面积比值(使用区域内像素点个数代替面积,两区域的像素点个数比值代替面积比值)。
在本实施例中,通过图像的像素来计算区域的面积。在其它实施例中,也可以采用其它现有的面积算法来计算面积,本发明对此不做具体限定。
S5、判断面积之比是否低于阈值。其中,阈值通过ROC曲线获取。
在本实施例中,通过ROC曲线获取阈值,具体包括:
步骤1、获取多张分割图像。其中,分割图像为通过分割模型识别后的多张核磁共振图像,多张分割图像包括IA期和IB期的图像。
步骤2、通过计算机视觉模型分别获取分割图像中的肿瘤区域和子宫区域的像素个数,以获得各个分割图像的肿瘤区域和子宫区域的面积之比。
步骤3、将IA期的分割图像作为正样本,IB期的分割图像作为负样本,根据多个面积之比绘制ROC曲线,选取ROC曲线上最靠近左上角的点对应的面积之比,以获得阈值。
为了便于理解,以下以一实际的应用例来举例说明如何通过ROC曲线获取阈值。
表1.样本集合
如上表所示,表格表示现在有20个样本。其中,Inst#代表序号、Class代表真实标签、Socre代表比例、其中p代表IB期,n代表IA期,是序号对应样本的真实标签。
步骤1、
假设现在选择序号4的Score(0.6)为分类阈值(大于或等于0.6为IB,小于0.6为IA)。那么此时,样本1,2,3,4被分类为IB期,其他都为IA期。其中样本1,2,4是真正的IB期(Class为p),3为被分类器错误预测为IB期的样本。那么:
步骤2、
假设现在选择序号9的Score(0.51)为分类阈值(大于或等于0.51为IB,小于0.51为IA)。那么此时,样本1~9都被分类为IB期,其他都为IA期,其中 1,2,4,5,6,9是真正的IB期(Class为p),3,7,8为被分类器错误预测为IB期的样本。那么:
步骤3
用步骤1和步骤2相同的方法对每一个阈值都假设为分类阈值,就会得到 20组真IB率和假IB率(TPR和FPR)的有序数对。以TPR和FPR为坐标系就会得到如图3所示的ROC曲线图。其中,图3中,第一个例子所对应的点为步骤2 的点,第二个例子所对应的点为步骤1的点。
每个点都对应了一个假设阈值。在本实施例中,将IA期的分割图像作为正样本,IB期的分割图像作为负样本。因此,曲线上的点越靠近左上角,真IB率越高,假IB率越低,综合考虑了真IB率和假IB率,能够获得更为准确的阈值,大大提升了通过面积比来判断肿瘤恶化程度的准确率。具有很好的实际意义。
在其它实施例中,可以将IB期的分割图像作为正样本,IA期的分割图像作为负样本来绘制ROC曲线,以获得等同替代方案,或者采用其它现有方法获取阈值,本发明对阈值的获取方法不做具体限定,但这些等同技术方案均属于本发型的保护范围之内。
S6、当判断到面积之比低于阈值时,判定核磁共振图像对应的肿瘤恶化程度为IA期,否则为IB期。
如图2所示,中间第一个框为步骤S1,第二个框为步骤S2,第三个框为步骤S3,第四个框为步骤S4、S5,第五个框为步骤S6。框上面的图像为一个实际的应用例,框下面的图像为另一个实际的应用例。
从图2中可以看出,本发明实施例通过FASTER-RCNN模型对MRI图像中的子宫和肿瘤区域检测并裁剪,通过目标检测模型提取子宫区域的图像,大大减少了图像中其他无关元素对U-net分割效果的影响,挺高后续步骤的性能。
通过计算机的预测和判断两个阶段对患者MRI图像进行分析,分割模型和阈值获取以大量数据处理所得的结果为依据,做到高效客观的对子宫内膜癌的恶化程度进行分期。通过ROC曲线获得得到的阈值,大大提升了判断结果的准确性,具有很好的实际意义。
实施例二、
本发明实施例提供了一种肿瘤恶化程度的识别装置,其包含:
图像获取模块1,用于获取核磁共振图像。其中,核磁共振图像包含有子宫图像和肌瘤图像。
图像提取模块2,用于通过目标检测模型,定位子宫图像在核磁共振图像中的区域,并提取包含区域的区域图像。
图像分割模块3,用于通过分割模型,识别区域图像中的子宫图像的子宫区域和肌瘤图像的肌瘤区域。
面积之比模块4,用于获取肿瘤区域和子宫区域的面积之比。
判断模块5,用于判断面积之比是否低于阈值。其中,阈值通过ROC曲线获取。
判定模块6,用于当判断到面积之比低于阈值时,判定核磁共振图像对应的肿瘤恶化程度为IA期,否则为IB期。
本发明实施例通过目标检测模型对MRI图像中的子宫和肿瘤区域检测并裁剪,通过目标检测模型提取子宫区域的图像,大大减少了图像中其他无关元素对分割模型分割效果的影响,挺高后续步骤的性能。通过计算机的预测和判断两个阶段对患者MRI图像进行分析,目标检测模型、分割模型和阈值获取以大量数据处理所得的结果为依据,做到高效客观的对子宫内膜癌的恶化程度进行分期。通过ROC曲线获得得到的阈值,大大提升了判断结果的准确性,具有很好的实际意义。
可选地,目标检测模型为以ResNet50作为主干特征提取网络的FASTER-RCNN 模型。
可选地,图像提取模块2,具体包括:
目标框选单元,用于通过FASTER-RCNN模型,识别核磁共振图像中的子宫图像,以获取框住子宫图像的矩形框信息。其中,矩形框信息包括中心坐标、高度和宽度。
图像提取单元,用于以中心坐标为原点,将高度和宽度放大预定倍数后,提取放大后框住的图像作为区域图像。
可选地,分割模型为通过交叉验证方法训练得到的U-net模型,用以将区域图像中的子宫区域和肌瘤区域标记为不同的鲜艳的纯色,其它区域标记为同一种灰度的灰色。
可选地,图像分割模块3还包括模型训练单元,用于通过交叉验证方法训练得到的U-net模型。
模型训练单元包括:
数据集子单元,用于获取数据集,并将数据集分为S份。其中,数据集为多张人工标注了子宫区域和肌瘤区域的核磁共振图像。
模型获取子单元,用于将1份子集作为验证集,其余子集作为训练集,训练初始模型。遍历S份子集,以获得S个训练模型。
模型选取子单元,用于选取S个训练模型中准确率最高的训练模型作为分割模型。
可选地,面积之比模块4具体包括:
像素获取单元,用于获取肿瘤区域内的第一像素个数和子宫区域内的第二像素个数。
面积之比单元,用于计算第一像素个数和第二像素个数之比,以获得面积之比。
可选地,判断模块5包括阈值获取单元,用于通过ROC曲线获取阈值。
阈值获取单元包括:
图像分割子单元,用于获取多张分割图像。其中,分割图像为通过分割模型识别后的多张核磁共振图像,多张分割图像包括IA期和IB期的图像。
面积之比子单元,用于通过计算机视觉模型分别获取分割图像中的肿瘤区域和子宫区域的像素个数,以获得各个分割图像的肿瘤区域和子宫区域的面积之比。
阈值获取子单元,用于将IA期的分割图像作为正样本,IB期的分割图像作为负样本,根据多个面积之比绘制ROC曲线,选取ROC曲线上最靠近左上角的点对应的面积之比,以获得阈值。
可选地,预定倍数为1.2倍。
实施例三、
本发明实施例提供了一种肿瘤恶化程度的识别设备,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,以实现如实施例一所说的肿瘤恶化程度的识别方法。
实施例四、
本发明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实施例一所说的肿瘤恶化程度的识别方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U 盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM, Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
Claims (10)
1.一种肿瘤恶化程度的识别方法,其特征在于,包含:
获取核磁共振图像;其中,所述核磁共振图像包含有子宫图像和肌瘤图像;
通过目标检测模型,定位所述子宫图像在所述核磁共振图像中的区域,并提取包含所述区域的区域图像;
通过分割模型,识别所述区域图像中的所述子宫图像的子宫区域和所述肌瘤图像的肌瘤区域;
获取所述肿瘤区域和所述子宫区域的面积之比;
判断所述面积之比是否低于阈值;其中,所述阈值通过ROC曲线获取;
当判断到所述面积之比低于所述阈值时,判定所述核磁共振图像对应的肿瘤恶化程度为IA期,否则为IB期。
2.根据权利要求1所述的识别方法,其特征在于,所述目标检测模型为以ResNet50作为主干特征提取网络的FASTER-RCNN模型;
通过目标检测模型,定位所述子宫图像在所述核磁共振图像中的区域,并提取包含所述区域的区域图像,具体为:
通过FASTER-RCNN模型,识别所述核磁共振图像中的子宫图像,以获取框住所述子宫图像的矩形框信息;其中,所述矩形框信息包括中心坐标、高度和宽度;
以所述中心坐标为原点,将所述高度和所述宽度放大预定倍数后,提取放大后框住的图像作为所述区域图像。
3.根据权利要求1所述的识别方法,其特征在于,所述分割模型为通过交叉验证方法训练得到的U-net模型,用以将所述区域图像中的所述子宫区域和所述肌瘤区域标记为不同的鲜艳的纯色,其它区域标记为同一种灰度的灰色;
通过交叉验证方法训练得到的所述U-net模型,具体包括:
获取数据集,并将所述数据集分为S份;其中,所述数据集为多张人工标注了子宫区域和肌瘤区域的核磁共振图像;
将1份子集作为验证集,其余子集作为训练集,训练初始模型;遍历S份子集,以获得S个训练模型;
选取S个所述训练模型中准确率最高的训练模型作为所述分割模型。
4.根据权利要求1所述的识别方法,其特征在于,获取所述肿瘤区域和所述子宫区域的面积之比,具体为:
获取所述肿瘤区域内的第一像素个数和所述子宫区域内的第二像素个数;
计算所述第一像素个数和所述第二像素个数之比,以获得所述面积之比。
5.根据权利要求1所述的识别方法,其特征在于,通过所述ROC曲线获取所述阈值,具体包括:
获取多张分割图像;其中,所述分割图像为通过所述分割模型识别后的多张核磁共振图像,多张所述分割图像包括IA期和IB期的图像;
通过计算机视觉模型分别获取所述分割图像中的肿瘤区域和子宫区域的像素个数,以获得各个所述分割图像的肿瘤区域和子宫区域的面积之比;
将IA期的分割图像作为正样本,IB期的分割图像作为负样本,根据多个所述面积之比绘制ROC曲线,选取所述ROC曲线上最靠近左上角的点对应的面积之比,以获得所述阈值。
6.根据权利要求2所述的识别方法,其特征在于,所述预定倍数为1.2倍。
7.一种肿瘤恶化程度的识别装置,其特征在于,包含:
图像获取模块,用于获取核磁共振图像;其中,所述核磁共振图像包含有子宫图像和肌瘤图像;
图像提取模块,用于通过目标检测模型,定位所述子宫图像在所述核磁共振图像中的区域,并提取包含所述区域的区域图像;
图像分割模块,用于通过分割模型,识别所述区域图像中的所述子宫图像的子宫区域和所述肌瘤图像的肌瘤区域;
面积之比模块,用于获取所述肿瘤区域和所述子宫区域的面积之比;
判断模块,用于判断所述面积之比是否低于阈值;其中,所述阈值通过ROC曲线获取;
判定模块,用于当判断到所述面积之比低于所述阈值时,判定所述核磁共振图像对应的肿瘤恶化程度为IA期,否则为IB期。
8.根据权利要求7所述的识别装置,其特征在于,所述目标检测模型为以ResNet50作为主干特征提取网络的FASTER-RCNN模型;
所述图像提取模块,具体包括:
目标框选单元,用于通过FASTER-RCNN模型,识别所述核磁共振图像中的子宫图像,以获取框住所述子宫图像的矩形框信息;其中,所述矩形框信息包括中心坐标、高度和宽度;
图像提取单元,用于以所述中心坐标为原点,将所述高度和所述宽度放大预定倍数后,提取放大后框住的图像作为所述区域图像。
9.一种肿瘤恶化程度的识别设备,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任意一项所述的肿瘤恶化程度的识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任意一项所述的肿瘤恶化程度的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694188.4A CN113570655A (zh) | 2021-06-22 | 2021-06-22 | 一种肿瘤恶化程度的识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694188.4A CN113570655A (zh) | 2021-06-22 | 2021-06-22 | 一种肿瘤恶化程度的识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570655A true CN113570655A (zh) | 2021-10-29 |
Family
ID=78162565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694188.4A Pending CN113570655A (zh) | 2021-06-22 | 2021-06-22 | 一种肿瘤恶化程度的识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570655A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108693342A (zh) * | 2017-12-13 | 2018-10-23 | 青岛汉朗智能医疗科技有限公司 | ***、子宫癌的检测方法及*** |
CN109872325A (zh) * | 2019-01-17 | 2019-06-11 | 东北大学 | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 |
CN109903839A (zh) * | 2019-02-22 | 2019-06-18 | 武汉凯德维斯生物技术有限公司 | 一种基于云平台的医疗影像阅片*** |
CN110021425A (zh) * | 2019-01-31 | 2019-07-16 | 湖南品信生物工程有限公司 | 一种比较检测器及其构建方法与***细胞检测方法 |
CN111862066A (zh) * | 2020-07-28 | 2020-10-30 | 平安科技(深圳)有限公司 | 基于深度学习的脑瘤图像分割方法、装置、设备及介质 |
-
2021
- 2021-06-22 CN CN202110694188.4A patent/CN113570655A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108693342A (zh) * | 2017-12-13 | 2018-10-23 | 青岛汉朗智能医疗科技有限公司 | ***、子宫癌的检测方法及*** |
CN109872325A (zh) * | 2019-01-17 | 2019-06-11 | 东北大学 | 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法 |
CN110021425A (zh) * | 2019-01-31 | 2019-07-16 | 湖南品信生物工程有限公司 | 一种比较检测器及其构建方法与***细胞检测方法 |
CN109903839A (zh) * | 2019-02-22 | 2019-06-18 | 武汉凯德维斯生物技术有限公司 | 一种基于云平台的医疗影像阅片*** |
CN111862066A (zh) * | 2020-07-28 | 2020-10-30 | 平安科技(深圳)有限公司 | 基于深度学习的脑瘤图像分割方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
STEPHANIE NOUGARE: "endometrial cancer: Combined MR Volumetry and Diffusion-weighted Imaging for Assessment of Myometrial and Lymphovascular Invasion and Tumor Grade", 《RADIOLOGY 2015》, vol. 276, no. 2015, pages 1 - 12 * |
刘可文;刘紫龙;汪香玉;陈黎;李钊;吴光耀;刘朝阳;: "基于级联卷积神经网络的***磁共振图像分类", 波谱学杂志, no. 02 * |
李雅;柴维敏;陈克敏;: "3.0T MRI术前诊断子宫内膜癌肌层浸润的价值", 诊断学理论与实践, no. 01 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11049240B2 (en) | Method and system for assessing bone age using deep neural network | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN110974306B (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的*** | |
CN113111968B (zh) | 图像识别模型训练方法、装置、电子设备和可读存储介质 | |
CN111462042A (zh) | 癌症预后分析方法及*** | |
CN112435214B (zh) | 基于先验框线性缩放的花粉检测方法、装置和电子设备 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN112991280B (zh) | 视觉检测方法、***及电子设备 | |
CN113034495A (zh) | 一种脊柱影像分割方法、介质及电子设备 | |
CN111275686A (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
CN114612472A (zh) | 一种基于SegNet改进的皮革缺陷分割网络算法 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN111028940B (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
CN112163530A (zh) | 基于特征增强和样本选择的ssd小目标检测方法 | |
CN114897872A (zh) | 一种适用于细胞团中细胞的识别方法、装置及电子设备 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN111753575A (zh) | 文本识别方法、装置及设备 | |
CN113421272A (zh) | 一种肿瘤浸润深度的监测方法、装置、设备和存储介质 | |
CN111724356B (zh) | 一种用于ct影像肺炎识别的图像处理方法和*** | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
CN113570655A (zh) | 一种肿瘤恶化程度的识别方法、装置、设备和存储介质 | |
CN110781866A (zh) | 基于深度学习的大熊猫脸部图像性别识别方法及装置 | |
CN115578373A (zh) | 基于全局和局部特征协作的骨龄评估方法、装置、设备及介质 | |
CN113469942B (zh) | 一种ct图像病变检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |