申请/专利权人：辽宁省肿瘤医院;大连理工大学

申请日：2024-03-26

公开（公告）日：2024-05-28

公开（公告）号：CN118096719A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/25;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.14#实质审查的生效;2024.05.28#公开

摘要：本发明属于医学图像处理技术领域，涉及一种人机协同的病灶可彻底切除程度智能评估方法。本发明利用多级残差卷积神经网络训练模型，对CT图像进行分类，分类的准确性已经比肩资深临床医生。训练模型前先根据医生事先打好的标记点提取患者CT影像中疑似病灶的区域，减少冗余计算，避免无效信息干扰，且具有更快的学习收敛速度。

主权项：1.一种人机协同的病灶可彻底切除程度智能评估方法，其特征在于，包括以下步骤：S1、数据预处理提取CT图像的dicom序列中的目标区域，先将dicom序列转化成一组二维的图像，然后根据标记点坐标选取所需的层的图像进行裁剪，得到训练用的图像；S2、骨干网络的建立使用多级残差卷积神经网络作为骨干网络；多级残差卷积神经网络包含四个稠密块，每个稠密块间由过渡块连接，以实现稠密块间的降采样；稠密块由多个卷积核尺寸为1×1和3×3的卷积层连接，卷积层的数量分别为6，12，24，16；过渡块包含一个卷积核尺寸为1×1的卷积层，以及一个平均池化层；输入的CT图像经过稠密块中的卷积层后可以得到图像的特征信息，这些特征信息由特征图的形式输出；稠密块的每层都将前面所有的特征图作为输入，以达到最大化利用图像特征的目的；过渡块的作用是连接两个相邻的稠密块，并且降低特征图的大小，加速网络的运行速度；图像在经过四个稠密块和过渡块的特征信息提取之后，在线性层将特征信息连接起来；采用S1中预处理后的图像进行训练，获得基准图像特征，然后将待评估的图像输入骨干网络中，提取出相应的图像特征，并与基准图像特征进行比较，获得二者的相似度；最后将图像进行独热编码输出，通过计算Softmax激活函数给出目标区域为局部细胞可切除的概率；其中，Softmax激活函数公式为： 其中，pi代表第i个类别的概率分布，e代表自然对数的底数，zi代表第i个类别的相似度，n代表类别的数量；S3、算法参数设计骨干网络训练使用Adam优化器，对交叉熵损失函数进行优化；网络的初始学习率设置为2e-5；批处理大小被设置为64；网络权重使用Kaiming初始化，经过200个Epoch停止训练。S4、医生再判断医生在拿到S2网络的预测结果之后，根据网络的预测对自己原本的判断进行更新。

全文数据：

权利要求：

百度查询： 辽宁省肿瘤医院;大连理工大学 一种人机协同的病灶可彻底切除程度智能评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD