可左右滑动选省市

淋巴结转移预测方法、装置、设备及存储介质

更新时间:2024-07-01
淋巴结转移预测方法、装置、设备及存储介质 专利申请类型:发明专利;
地区:广东-深圳;
源自:深圳高价值专利检索信息库;

专利名称:淋巴结转移预测方法、装置、设备及存储介质

专利类型:发明专利

专利申请号:CN202111200809.5

专利申请(专利权)人:平安科技(深圳)有限公司
权利人地址:广东省深圳市福田区福田街道福安社区益田路5033号平安金融中心23楼

专利发明(设计)人:郑智琳,张灵,姚佳文,黄凌云,肖京,吕乐

专利摘要:本发明涉及人工智能以及数字医疗领域,公开了一种淋巴结转移预测方法、装置、设备及存储介质。本方法包括:通过对获取的医学图像进行分割,得到器官分割图像;根据器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对器官分割图像进行分割,得到目标器官图像,并输入Faster RCNN模型,基于该模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,并将得到的目标淋巴结图像输入淋巴结转移预测模型,对淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明通过分类网络对淋巴结是否转移进行预测,从而根据预测结果为评估患者的病症是否发生转移提供可视化数据支持。

主权利要求:
1.一种淋巴结转移预测方法,其特征在于,所述淋巴结转移预测方法包括:
获取医学图像,其中,所述医学图像为腹部CT图像;
采用预先训练好的深度全卷积网络模型对所述医学图像进行分割,得到初始器官分割图像;
根据所述初始器官分割图像计算区域生长的合并阈值,根据所述合并阈值和预设区域生长算法,对所述初始器官分割图像进行分割,得到所述医学图像中的目标器官图像;
将所述目标器官图像输入预置FasterRCNN模型,基于所述FasterRCNN模型和所述目标器官图像中的每个像素点,确定所述腹部CT图像中的疑似淋巴结图像;
基于特征提取网络构建淋巴结检测模型,并将所述疑似淋巴结图像输入所述淋巴结检测模型进行预处理,得到目标淋巴结图像;
将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,所述分类预测模型为淋巴结转移预测模型;
所述根据所述初始器官分割图像计算区域生长的合并阈值,根据所述合并阈值和预设区域生长算法,对所述初始器官分割图像进行分割,得到所述医学图像中的目标器官图像包括:根据所述初始器官分割图像计算区域生长的合并阈值;对所述初始器官分割图像进行特征提取,得到多个不同尺度的初始器官分割特征图;将所述多个不同尺度的初始器官分割特征图输入预设器官特征校准模型,输出目标器官分割特征图,其中,所述器官特征校准模型是基于空间注意力机制和语义注意力机制,对不同尺度的样本初始器官分割特征进行校准训练得到的;通过所述目标器官分割特征图和所述合并阈值,及预设区域生长算法,对所述初始器官分割图像进行分割处理,得到所述医学图像中的目标器官图像;
所述FasterRCNN模型包括:特征提取网络、区域生成网络和fast‑rcnn目标检测器,所述将所述目标器官图像输入预置FasterRCNN模型,基于所述FasterRCNN模型和所述目标器官图像中的每个像素点,确定所述腹部CT图像中的疑似淋巴结图像包括:将所述腹部CT图像输入预置FasterRCNN模型的特征提取网络,通过所述特征提取网络对所述腹部CT图像的图像特征进行抽象并生成卷积特征图;将所述卷积特征图输入所述区域生成网络,通过所述区域生成网络对所述卷积特征图进行筛选,生成转移淋巴结节候选区域;将所述转移淋巴结节候选区域输入所述fast‑rcnn目标检测器,通过所述fast‑rcnn目标检测器的感兴趣区域特征池化层对所述卷积特征图以及所述候选区域进行卷积操作,得到淋巴结节区域的位置以及概率;基于所述淋巴结节区域的位置以及概率,确定所述腹部CT图像中的疑似淋巴结图像;
在所述将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据之前,还包括:获取多个转录组样本测序数据,并从中筛选出m个转录组标记物;基于留一交叉验证法选取1个转录组样本测序数据为测试样本,剩余的转录组样本测序数据为训练样本,同时判断每个样本测序数据是否发生淋巴结转移以计算二值化的第一转移值矩阵;对所述第一转移值矩阵中的各转移值进行归一化处理,得到训练样本表达量矩阵、测试样本表达量矩阵、及第二转移值矩阵;通过所述训练样本表达量矩阵和所述第二转移值矩阵建立偏最小二乘回归模型,基于所述偏最小二乘的结果中提取的loading值,得到训练样本分数值和所述测试样本分数值;根据所述训练样本分数值和所述第一转移值矩阵建立逻辑回归模型,并将所述测试样本分数值作为预测结果,得到所述测试样本的预测值;基于预测样本的预测值和所述训练样本对所述逻辑回归模型进行训练,得到淋巴结转移预测模型。
2.根据权利要求1所述的淋巴结转移预测方法,其特征在于,在所述采用预先训练好的深度全卷积网络模型对所述医学图像进行分割,得到初始器官分割图像之前,还包括:获取原始训练样本,其中,所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像,所述标签图像为已标注出器官的器官图像;
对所述原始训练样本进行扩展,得到训练样本集,其中,所述训练样本集包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像;
设置深度全卷积网络模型的模型参数的初始值;
根据所述训练样本集和所述模型参数的初始值,采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练,直至所述训练样本集中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值,得到深度全卷积网络模型。
3.根据权利要求1所述的淋巴结转移预测方法,其特征在于,所述将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据包括:将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,得到淋巴结转移预测结果,其中,所述分类预测模型为淋巴结转移预测模型;
根据所述淋巴结转移预测结果和预设特征评分,计算患者的淋巴结转移风险度评分,为评估胰腺导管癌淋巴结是否转移提供可视化数据。
4.一种淋巴结转移预测装置,其特征在于,所述淋巴结转移预测装置包括:
第一获取模块,用于获取医学图像,其中,所述医学图像为腹部CT图像;
分割模块,用于采用预先训练好的深度全卷积网络模型对所述医学图像进行分割,得到初始器官分割图像;
计算模块,用于根据所述初始器官分割图像计算区域生长的合并阈值,根据所述合并阈值和预设区域生长算法,对所述初始器官分割图像进行分割,得到所述医学图像中的目标器官图像;
确定模块,用于将所述目标器官图像输入预置FasterRCNN模型,基于所述FasterRCNN模型和所述目标器官图像中的每个像素点,确定所述腹部CT图像中的疑似淋巴结图像;
构建模块,用于基于特征提取网络构建淋巴结检测模型,并将所述疑似淋巴结图像输入所述淋巴结检测模型进行预处理,得到目标淋巴结图像;
预测模块,用于将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,所述分类预测模型为淋巴结转移预测模型;
所述计算模块包括:计算单元,用于根据所述初始器官分割图像计算区域生长的合并阈值;特征提取单元,用于对所述初始器官分割图像进行特征提取,得到多个不同尺度的初始器官分割特征图;将所述多个不同尺度的初始器官分割特征图输入预设器官特征校准模型,输出目标器官分割特征图,其中,所述器官特征校准模型是基于空间注意力机制和语义注意力机制,对不同尺度的样本初始器官分割特征进行校准训练得到的;分割单元,用于通过所述目标器官分割特征图和所述合并阈值,及预设区域生长算法,对所述初始器官分割图像进行分割处理,得到所述医学图像中的目标器官图像;
所述确定模块具体用于:将所述腹部CT图像输入预置FasterRCNN模型的特征提取网络,通过所述特征提取网络对所述腹部CT图像的图像特征进行抽象并生成卷积特征图;将所述卷积特征图输入区域生成网络,通过所述区域生成网络对所述卷积特征图进行筛选,生成转移淋巴结节候选区域;将所述转移淋巴结节候选区域输入fast‑rcnn目标检测器,通过所述fast‑rcnn目标检测器的感兴趣区域特征池化层对所述卷积特征图以及所述候选区域进行卷积操作,得到淋巴结节区域的位置以及概率;基于所述淋巴结节区域的位置以及概率,确定所述腹部CT图像中的疑似淋巴结图像;
所述淋巴结转移预测装置还包括:第三模块,用于获取多个转录组样本测序数据,从中筛选出m个转录组标记物;判断模块,用于基于留一交叉验证法选取1个转录组样本测序数据为测试样本,剩余的转录组样本测序数据为训练样本,同时判断每个样本测序数据是否发生淋巴结转移以计算二值化的第一转移值矩阵;归一化处理模块,用于对所述第一转移值矩阵中的各转移值进行归一化处理,得到训练样本表达量矩阵、测试样本表达量矩阵、及第二转移值矩阵;通过所述训练样本表达量矩阵和所述第二转移值矩阵建立偏最小二乘回归模型,基于所述偏最小二乘的结果中提取的loading值,得到训练样本分数值和所述测试样本分数值;建立模块,用于根据所述训练样本分数值和所述第一转移值矩阵建立逻辑回归模型,并将所述测试样本分数值作为预测结果,得到所述测试样本的预测值;第二训练模块,用于基于预测样本的预测值和所述训练样本对所述逻辑回归模型进行训练,得到淋巴结转移预测模型。
5.一种计算机设备,其特征在于,所述计算机设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行如权利要求1‑3中任一项所述的淋巴结转移预测方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1‑3中任一项所述的淋巴结转移预测方法的步骤。 说明书 : 淋巴结转移预测方法、装置、设备及存储介质技术领域[0001] 本发明涉及人工智能以及数字医疗技术领域,尤其涉及一种淋巴结转移预测方法、装置、设备及存储介质。背景技术[0002] 胰腺导管腺癌是极其致命的,在全球癌症引发的死亡人数上排在所有癌症的第四位。淋巴结是否转移是预测患者存活时间长短最重要的指标。相比于其他治疗方法,手术切除是能够延长患者存活时间的更有效的治疗方案,而淋巴结是否转移只能通过手术后才能准确估计,而手术前确认胰腺导管癌是否在淋巴结发生了转移能够帮助患者更好的制订治疗方案从而更好的治疗。[0003] 淋巴结是否转移,可以用来预测患者存活时间;只有手术才能确定淋巴结是否转移;也就是说,只有手术才能用来预测患者存活时间,能够帮助患者更好的制订治疗方案从而更好的治疗。目前,已有文章指出,胰腺导管癌的特征对淋巴结是否转移是有影响的,通过神经网络的方法提取胰腺导管癌的特征,从而对淋巴结是否转移做出预测。可是,仅仅通过胰腺导管癌的特征去预测淋巴结转移是远远不够的,从实验结果也可以看出,现有的方法是不具说服力的。因此,如何对淋巴结转移的风险进行精准预测是本领域技术人员需要解决的技术问题。发明内容[0004] 本发明的主要目的在于通过分类网络对淋巴结进行预测,从而预测淋巴结是否转移。[0005] 本发明第一方面提供了一种淋巴结转移预测方法,包括:获取医学图像,其中,所述医学图像为腹部CT图像;采用预先训练好的深度全卷积网络模型对所述医学图像进行分割,得到初始器官分割图像;根据所述初始器官分割图像计算区域生长的合并阈值,根据所述合并阈值和预设区域生长算法,对所述初始器官分割图像进行分割,得到所述医学图像中的目标器官图像;将所述目标器官图像输入预置FasterRCNN模型,基于所述FasterRCNN模型和所述目标器官图像中的每个像素点,确定所述腹部CT图像中的疑似淋巴结图像;基于特征提取网络构建淋巴结检测模型,并将所述疑似淋巴结图像输入所述淋巴结检测模型进行预处理,得到目标淋巴结图像;将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,所述分类预测模型为淋巴结转移预测模型。[0006] 可选地,在本发明第一方面的第一种实现方式中,在所述采用预先训练好的深度全卷积网络模型对所述医学图像进行分割,得到初始器官分割图像之前,还包括:获取原始训练样本,其中,所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像,所述标签图像为已标注出器官的器官图像;对所述原始训练样本进行扩展,得到训练样本集,其中,所述训练样本集包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像;设置深度全卷积网络模型的模型参数的初始值;根据所述训练样本集和所述模型参数的初始值,采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练,直至所述训练样本集中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值,得到深度全卷积网络模型。[0007] 可选地,在本发明第一方面的第二种实现方式中,所述根据所述初始器官分割图像计算区域生长的合并阈值,根据所述合并阈值和预设区域生长算法,对所述初始器官分割图像进行分割,得到所述医学图像中的目标器官图像包括:根据所述初始器官分割图像计算区域生长的合并阈值;对所述初始器官分割图像进行特征提取,得到多个不同尺度的初始器官分割特征图;将所述多个不同尺度的初始器官分割特征图输入预设器官特征校准模型,输出目标器官分割特征图,其中,所述器官特征校准模型是基于空间注意力机制和语义注意力机制,对不同尺度的样本初始器官分割特征进行校准训练得到的;通过所述目标器官分割特征图和所述合并阈值,及预设区域生长算法,对所述初始器官分割图像进行分割处理,得到所述医学图像中的目标器官图像。[0008] 可选地,在本发明第一方面的第三种实现方式中,所述FasterRCNN模型包括:特征提取网络、区域生成网络和fast‑rcnn目标检测器,所述将所述目标器官图像输入预置FasterRCNN模型,基于所述FasterRCNN模型和所述目标器官图像中的每个像素点,确定所述腹部CT图像中的疑似淋巴结图像包括:将所述腹部CT图像输入预置FasterRCNN模型的特征提取网络,通过所述特征提取网络对所述腹部CT图像的图像特征进行抽象并生成卷积特征图;将所述卷积特征图输入所述区域生成网络,通过所述区域生成网络对所述卷积特征图进行筛选,生成转移淋巴结节候选区域;将所述转移淋巴结节候选区域输入所述fast‑rcnn目标检测器,通过所述fast‑rcnn目标检测器的感兴趣区域特征池化层对所述卷积特征图以及所述候选区域进行卷积操作,得到所述淋巴结节区域的位置以及概率;基于所述淋巴结节区域的位置以及概率,确定所述腹部CT图像中的疑似淋巴结图像。[0009] 可选地,在本发明第一方面的第四种实现方式中,在所述将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据之前,还包括:获取多个转录组样本测序数据,并从中筛选出m个转录组标记物;基于留一交叉验证法选取1个转录组样本测序数据为测试样本,剩余的转录组样本测序数据为训练样本,同时判断每个样本测序数据是否发生淋巴结转移以计算二值化的第一转移值矩阵;对所述第一转移值矩阵中的各转移值进行归一化处理,得到训练样本表达量矩阵、测试样本表达量矩阵、及第二转移值矩阵;通过所述训练样本表达量矩阵和所述第二转移值矩阵建立偏最小二乘回归模型,基于所述偏最小二乘的结果中提取的loading值,得到训练样本分数值和所述测试样本分数值;根据所述训练样本分数值和所述第一转移值矩阵建立逻辑回归模型,并将所述测试样本分数值作为预测结果,得到所述测试样本的预测值;基于所述预测样本的预测值和所述训练样本对所述逻辑回归模型进行训练,得到淋巴结转移预测模型。[0010] 可选地,在本发明第一方面的第五种实现方式中,所述将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据包括:将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,得到淋巴结转移预测结果,其中,所述分类预测模型为淋巴结转移预测模型;根据所述淋巴结转移预测结果和预设特征评分,计算患者的淋巴结转移风险度评分,为评估胰腺导管癌淋巴结是否转移提供可视化数据。[0011] 本发明第二方面提供了一种淋巴结转移预测装置,包括:第一获取模块,用于获取医学图像,其中,所述医学图像为腹部CT图像;分割模块,用于采用预先训练好的深度全卷积网络模型对所述医学图像进行分割,得到初始器官分割图像;计算模块,用于根据所述初始器官分割图像计算区域生长的合并阈值,根据所述合并阈值和预设区域生长算法,对所述初始器官分割图像进行分割,得到所述医学图像中的目标器官图像;确定模块,用于将所述目标器官图像输入预置FasterRCNN模型,基于所述FasterRCNN模型和所述目标器官图像中的每个像素点,确定所述腹部CT图像中的疑似淋巴结图像;构建模块,用于基于特征提取网络构建淋巴结检测模型,并将所述疑似淋巴结图像输入所述淋巴结检测模型进行预处理,得到目标淋巴结图像;预测模块,用于将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,所述分类预测模型为淋巴结转移预测模型。[0012] 可选地,在本发明第二方面的第一种实现方式中,所述淋巴结转移预测装置还包括:第二获取模块,用于获取原始训练样本,其中,所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像,所述标签图像为已标注出器官的器官图像;扩展模块,用于对所述原始训练样本进行扩展,得到训练样本集,其中,所述训练样本集包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像;设置模块,用于设置深度全卷积网络模型的模型参数的初始值;第一训练模块,用于根据所述训练样本集和所述模型参数的初始值,采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练,直至所述训练样本集中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值,得到深度全卷积网络模型。[0013] 可选地,在本发明第二方面的第二种实现方式中,所述计算模块具体用于:计算单元,用于根据所述初始器官分割图像计算区域生长的合并阈值;特征提取单元,用于对所述初始器官分割图像进行特征提取,得到多个不同尺度的初始器官分割特征图;将所述多个不同尺度的初始器官分割特征图输入预设器官特征校准模型,输出目标器官分割特征图,其中,所述器官特征校准模型是基于空间注意力机制和语义注意力机制,对不同尺度的样本初始器官分割特征进行校准训练得到的;分割单元,用于通过所述目标器官分割特征图和所述合并阈值,及预设区域生长算法,对所述初始器官分割图像进行分割处理,得到所述医学图像中的目标器官图像。[0014] 可选地,在本发明第二方面的第三种实现方式中,所述确定模块具体用于:将所述腹部CT图像输入预置FasterRCNN模型的特征提取网络,通过所述特征提取网络对所述腹部CT图像的图像特征进行抽象并生成卷积特征图;将所述卷积特征图输入所述区域生成网络,通过所述区域生成网络对所述卷积特征图进行筛选,生成转移淋巴结节候选区域;将所述转移淋巴结节候选区域输入所述fast‑rcnn目标检测器,通过所述fast‑rcnn目标检测器的感兴趣区域特征池化层对所述卷积特征图以及所述候选区域进行卷积操作,得到所述淋巴结节区域的位置以及概率;基于所述淋巴结节区域的位置以及概率,确定所述腹部CT图像中的疑似淋巴结图像。[0015] 可选地,在本发明第二方面的第四种实现方式中,所述淋巴结转移预测装置还包括:第三模块,用于获取多个转录组样本测序数据,从中筛选出m个转录组标记物;判断模块,用于基于留一交叉验证法选取1个转录组样本测序数据为测试样本,剩余的转录组样本测序数据为训练样本,同时判断每个样本测序数据是否发生淋巴结转移以计算二值化的第一转移值矩阵;归一化处理模块,用于对所述第一转移值矩阵中的各转移值进行归一化处理,得到训练样本表达量矩阵、测试样本表达量矩阵、及第二转移值矩阵;通过所述训练样本表达量矩阵和所述第二转移值矩阵建立偏最小二乘回归模型,基于所述偏最小二乘的结果中提取的loading值,得到训练样本分数值和所述测试样本分数值;建立模块,用于根据所述训练样本分数值和所述第一转移值矩阵建立逻辑回归模型,并将所述测试样本分数值作为预测结果,得到所述测试样本的预测值;第二训练模块,用于基于所述预测样本的预测值和所述训练样本对所述逻辑回归模型进行训练,得到淋巴结转移预测模型。[0016] 可选地,在本发明第二方面的第五种实现方式中,所述预测模块具体用于:将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,得到淋巴结转移预测结果,其中,所述分类预测模型为淋巴结转移预测模型;根据所述淋巴结转移预测结果和预设特征评分,计算患者的淋巴结转移风险度评分,为评估胰腺导管癌淋巴结是否转移提供可视化数据。[0017] 本发明第三方面提供了一种计算机设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;[0018] 所述至少一个处理器调用所述存储器中的所述指令,以使得所述计算机设备执行上述的淋巴结转移预测方法的步骤。[0019] 本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的淋巴结转移预测方法的步骤。[0020] 本发明提供的技术方案中,通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。附图说明[0021] 图1为本发明淋巴结转移预测方法的第一个实施例示意图;[0022] 图2为本发明淋巴结转移预测方法的第二个实施例示意图;[0023] 图3为本发明淋巴结转移预测方法的第三个实施例示意图;[0024] 图4为本发明淋巴结转移预测方法的第四个实施例示意图;[0025] 图5为本发明淋巴结转移预测方法的第五个实施例示意图;[0026] 图6为本发明淋巴结转移预测装置的第一个实施例示意图;[0027] 图7为本发明淋巴结转移预测装置的第二个实施例示意图;[0028] 图8为本发明计算机设备的一个实施例示意图。具体实施方式[0029] 本发明实施例提供了一种淋巴结转移预测方法、装置、设备及存储介质,先通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。[0030] 本发明的说明书和权利要求书及上述附中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0031] 为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中淋巴结转移预测方法的第一个实施例包括:[0032] 101、获取医学图像,其中,医学图像为腹部CT图像;[0033] 本实施例中,获取医学图像,对医学图像进行图像灰度化、灰度拉伸以及灰度增强的预处理,得到预处理完成的医学图像,其中,所述医学图像为腹部CT图像。[0034] 102、采用预先训练好的深度全卷积网络模型对医学图像进行分割,得到初始器官分割图像;[0035] 本实施例中,所述医学图像可以是包括淋巴结、血管的图像,也可以是包括其他的组织器官的图像,本发明对此并不进行限制。所述医学图像可以是CTA(计算机断层血管造影)体数据(三维数据)图像,也可以是MRA(核磁共振血管造影)图像,还可以是其它的医学图像。为了便于后续操作及提高图像分割效率,所述医学图像优选为CT图像。需要说明的是,所述医学图像的大小可以根据具体情况进行设置,本发明对此并不进行限制,例如所述医学图像的大小可为512×512×130像素。[0036] 医学图像可以通过图像获取装置进行采集,例如CT、MRI等影像设备,也可以通过互联网搜集得到,还可以通过扫描设备扫描得到。[0037] 其中,所述深度全卷积网络模型包括编码网络和解码网络,所述编码网络用于从图像中学习器官的有用特征信息,所述解码网络用于根据学到的特征信息,找到该特征信息所在的区域位置。所述解码网络由卷积层、残差连接和最大池化层组合级联构成,其中所述卷积层用于学习表达图像中的有用特征信息,所述最大池化层用于在保留有用特征信息的同时,减小图像大小,所述残差连接是将输入信息与输出信息直接相加,以方便后续的优化学习。所述编码网络由反卷积层和卷积层级联构成,其中的卷积层用于学习表达图像中的有用特征信息,反卷积层用于将图像大小增大;合并层用于将解码网络中的卷积层的输出与反卷积的输出进行拼接结合。其中,每个反卷积层的输出与相应的解码网络中的卷积层的输出进行拼接,作为卷积层的输入。[0038] 103、根据初始器官分割图像计算区域生长的合并阈值,根据合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到医学图像中的目标器官图像;[0039] 本实施例中,区域生长算法是将图像中具有相似性质的像素结合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据预先确定的生长或相似准则来判定)合并到种子像素所在的区域。将这些新像素当做新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来,这样一个区域就长成了。[0040] 本实施例中,所述合并阈值包括上限阈值和下限阈值。由此,在采用区域生成算法将图像中具有类似特性的点进行合并时,合并规则为:判断与种子点相邻的像素点是否在上、下限阈值范围内,如果在上、下限阈值范围内就合并该像素点,否则就不合并该像素点。[0041] 优选的,所述上限阈值和所述下限阈值的计算步骤包括:计算所述初始器官分割图像的像素值的均值和标准差;以及根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值,其中,上限阈值=均值+标准差,下限阈值=均值‑标准差。[0042] 104、将目标器官图像输入预置FasterRCNN模型,基于FasterRCNN模型和目标器官图像中的每个像素点,确定腹部CT图像中的疑似淋巴结图像;[0043] 本实施例中,所述系统包括FasterRCNN(fasterregion‑basedconvolutionalneuralnetwork)模型,所述FasterRCNN模型包括:特征提取网络、区域生成网络(regionproposalnetwork)和fast‑rcnn目标检测器;首先,利用特征提取网络对输入的CT图像的图像特征进行抽象并生成卷积特征图(ConvolutionalFeatureMap);然后,利用区域生成网络对所述卷积特征图进行筛选,生成转移淋巴结节候选区域;最后,在所述fast‑rcnn目标检测器中,由感兴趣区域特征池化层对所述卷积特征图以及所述候选区域进行卷积操作,得到一组低维特征,将所述低维特征分别输入到两个子全连接层进行回归与分类,最终输出转移淋巴结节区域的位置以及概率。[0044] 105、基于特征提取网络构建淋巴结检测模型,并将疑似淋巴结图像输入淋巴结检测模型进行预处理,得到目标淋巴结图像;[0045] 本实施例中,基于特征提取网络构建淋巴结检测模型,并对样本标记后,使用标记样本构成的训练样本数据对构建好的淋巴结检测模型进行训练,得到训练好的淋巴结检测模型,使得训练好的淋巴结检测模型能够准确,自动,鲁棒地检测纵膈的淋巴结并进行分割,给出淋巴结的分组信息和长短径大小以供医生判断是否肿大。[0046] 可选的,为了实现全面的获取淋巴结的信息,在构建淋巴结检测模型时,需要在特征提取网络的基础上添加淋巴结识别模块、淋巴结分组模块、淋巴结位置回归模块和淋巴结分割模块,通过淋巴结识别模块对图像特征进行分析,得到淋巴结的识别信息(图像候选区域内是否存在淋巴结),通过淋巴结分组模块对图像特征进行分析,得到淋巴结的分组信息(淋巴结所属组别),通过淋巴结位置回归模块对图像特征进行分析,得到淋巴结的位置信息(淋巴结所在矩形框),通过淋巴结分割模块对图像特征进行分析,得到淋巴结的分割特征(分割轮廓)。可选的,特征提取网络为ResNext50‑FPN网络,即采用深度学习中经典的ResNext50‑FPN作为特征提取网络,提取出图像的特征数据。[0047] 106、将目标淋巴结图像输入预设分类预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,分类预测模型为淋巴结转移预测模型。[0048] 本实施例中,将目标淋巴结图像输入预设分类预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,分类预测模型为淋巴结转移预测模型。其中,分类预测模型的分类网络由3D‑Unet后加入几层全连接层构成,其中初始参数由分割网络训练得到,起到了预训练的效果。[0049] 本实施例中,通过对淋巴结转移预测模型进行可视化处理,包括:第一行分数,分值范围为0~100;第二行多序列影像预测,分值范围为0~1,分别对应第一行分值范围0~100均匀分布;第三行临床特征预测,分值范围为0.1~1分别对应第一行分值范围0~60均匀分布;第四行总分,分值范围为0~180,第五行淋巴结转移概率,分值范围为0.1~0.9,对应第四行总分分值范围30~107非均匀分布。根据多序列影像预测值或临床特征预测值计算得到的值,分别投射到第一行得到相应的分值,所述第四行总分为根据第二行多序列影像预测值的分值投射到第一行分数和第三行临床特征预测值的分值投射到第一行分数计算得到的总和,所述第四行总分投射到第五行数值,即为相应的患者淋巴结转移概率。[0050] 本发明实施例中,通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。[0051] 请参阅图2,本发明实施例中淋巴结转移预测方法的第二个实施例包括:[0052] 201、获取医学图像,其中,医学图像为腹部CT图像;[0053] 202、获取原始训练样本,其中,原始训练样本包括原始器官训练图像和与原始器官训练图像对应的标签图像,标签图像为已标注出器官的器官图像;[0054] 本实施例中,获取原始训练样本,其中,原始训练样本包括原始器官训练图像和与原始器官训练图像对应的标签图像,标签图像为已标注出器官的器官图像。[0055] 203、对原始训练样本进行扩展,得到训练样本集,其中,训练样本集包括扩展后的器官训练图像和与扩展后的器官训练图像对应的标签图像;[0056] 本实施例中,由于原始训练样本的数据有限,而深度学习需要在一定数据上进行学习才能具有一定的鲁棒性,为了增加鲁棒性,需要做数据扩增操作,以增加所述深度全卷积网络模型的泛化能力。具体地,可以通过对所述原始器官训练图像和对应的标签图像分别进行相同的随机刚性变换,具体包括:旋转、缩放、平移、翻转和灰度变换。更具体地,可以对所述原始器官训练图像和对应的标签图像分别进行上下平移‑20到20个像素、左右平移‑20到20个像素、旋转‑20°到20°、水平翻转、垂直翻转、上下对称变换、缩放0.8到1.2倍、左右对称变换、灰度变换,以完成对器官图像的数据扩增。通过上述变换,可以将原先的例如20张图像扩增到2000张,可以用其中的1500张图像进行模型训练,用剩余的500张进行模型测试。[0057] 204、设置深度全卷积网络模型的模型参数的初始值;[0058] 本实施例中,深度全卷积网络模型的模型参数包括两类:特征参数和超参数。特征参数是用于学习图像特征的参数,特征参数包括权重参数和偏置参数。超参数是在训练时人为设置的参数,只有设置合适的超参数才能从样本中学到特征参数。超参数可以包括学习率、隐藏层个数、卷积核大小、训练迭代次数,每次迭代批次大小。[0059] 205、根据训练样本集和模型参数的初始值,采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练,直至训练样本集中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值,得到深度全卷积网络模型;[0060] 本实施例中,所述预设训练结束条件为扩展后的训练样本中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值。深度全卷积网络模型的训练目的是为了由该模型得到的器官分割结果与真实准确的器官分割结果相近,也就是,两者的误差缩小到一定范围,因此,预设训练结束条件可以为扩展后的训练样本中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值。此外,深度全卷积网络模型的训练过程为一个多次循环迭代过程,因此,可以通过设置迭代多少次结束训练,因此,预设训练结束条件可以为迭代次数达到预设迭代次数。[0061] 优选的,上述根据所述扩展后的训练样本和模型参数的初始值对预先搭建的深度全卷积网络模型进行训练,具体为:根据所述扩展后的训练样本和模型参数的初始值采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练。由于,模型训练过程实际上是最小化损失函数的过程,而求导数可以快速简单地实现这个目标,这种求导数的方法就是梯度下降法。由此,采用梯度下降法来训练深度全卷积网络模型,可以快速简单地实现深度全卷积网络模型的训练。[0062] 206、采用预先训练好的深度全卷积网络模型对医学图像进行分割,得到初始器官分割图像;[0063] 207、根据初始器官分割图像计算区域生长的合并阈值,根据合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到医学图像中的目标器官图像;[0064] 208、将目标器官图像输入预置FasterRCNN模型,基于FasterRCNN模型和目标器官图像中的每个像素点,确定腹部CT图像中的疑似淋巴结图像;[0065] 209、基于特征提取网络构建淋巴结检测模型,并将疑似淋巴结图像输入淋巴结检测模型进行预处理,得到目标淋巴结图像;[0066] 210、将目标淋巴结图像输入预设分类预测模型,对目标淋巴结进行转移预测,得到淋巴结转移预测结果,其中,分类预测模型为淋巴结转移预测模型;[0067] 本实施例中,将目标淋巴结图像输入预设分类预测模型,对目标淋巴结进行转移预测,得到淋巴结转移预测结果。其中,将DICOM格式的目标淋巴结图像从工作站中导入图像后处理软件中(MIM软件)并进行预处理,去除干扰结果的噪声和杂质等。采用MIM软件PET‑edge模板进行淋巴结分割,获得淋巴结区域DICOM文件。将所述淋巴结区域DICOM文件导入3DSlicer软件中,采用Pyradiomics模板对图像进行量化处理,获得影像组学特征数据,包括:①基础特征:包括19个强度特征、16个形状特征、10个2D形状特征,16个灰度共生矩阵(GLCM)特征、14个灰度行程矩阵(GLRLM)特征、16个灰度级区域大小矩阵(GLSZM)特征和5个相邻灰度矩阵(NGTDM);②高级特征:包括小波变换后,再次提取的强度特征、灰度共生矩阵特征、灰度行程矩阵特征进和灰度级区域大小矩阵中的一种或多种。其中,具有代表性的是灰度共生矩阵(GLCM)算法,其通过计算灰度图像得到它的共生矩阵,然后透过计算该共生矩阵得到矩阵的部分特征值,来分别代表图像的某些纹理特征。[0068] 其中,灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息,它是分析图像的局部模式和它们排列规则的基础。筛选出图像中淋巴结病理结果与初步筛选出特征之间的关系,评估特征在淋巴结阴性与阳性组间的差异,得到淋巴结转移预测结果。[0069] 211、根据淋巴结转移预测结果和预设特征评分,计算患者的淋巴结转移风险度评分,为评估胰腺导管癌淋巴结是否转移提供可视化数据。[0070] 本实施例中,根据淋巴结转移预测结果和预设特征评分,计算患者的淋巴结转移风险度评分,比如,治疗前胰腺导管专用PET、体格检查均未检测出淋巴结,病灶位置位于胰腺导管外侧,病灶穿刺免疫组化:ER(80%),Ki‑67(60%),分类预测模型获得的影像组学评分0.42。通过列线图计算出该患者的总得分(TotalPoints)=0+0+0+32+18.5+23+42=115.5,对应的淋巴结转移风险<0.1。对淋巴结阴阳性进行预测,从而预测淋巴结是否转移。根据模型结果将该患者视为低风险淋巴结转移患者。该患者术后淋巴结清扫病理结果:阴性,为评估胰腺导管癌淋巴结是否转移提供可视化数据。[0071] 本实施例中步骤201、207‑209与第一实施例中的步骤101、102‑105类似,此处不再赘述。[0072] 本发明实施例中,通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。[0073] 请参阅图3,本发明实施例中淋巴结转移预测方法的第三个实施例包括:[0074] 301、获取医学图像,其中,医学图像为腹部CT图像;[0075] 302、采用预先训练好的深度全卷积网络模型对医学图像进行分割,得到初始器官分割图像;[0076] 303、根据初始器官分割图像计算区域生长的合并阈值;[0077] 本实施例中,所述合并阈值包括上限阈值和下限阈值。由此,在采用区域生成算法将图像中具有类似特性的点进行合并时,合并规则为:判断与种子点相邻的像素点是否在上、下限阈值范围内,如果在上、下限阈值范围内就合并该像素点,否则就不合并该像素点。[0078] 优选的,所述上限阈值和所述下限阈值的计算步骤包括:计算所述初始器官分割图像的像素值的均值和标准差;以及根据所述像素值的均值和标准差计算所述上限阈值和所述下限阈值,其中,上限阈值=均值+标准差,下限阈值=均值‑标准差。[0079] 304、对初始器官分割图像进行特征提取,得到多个不同尺度的初始器官分割特征图;[0080] 本实施例中,在如淋巴结肿瘤识别场景下,由于淋巴结肿瘤的尺寸大小不一,为了能够精准识别出初始器官分割图像包含的各尺寸的淋巴结肿瘤,本申请提出利用具有多种不同尺度的特征提取网络,对获取的初始器官分割图像进行特征提取(即不同分辨率的下采样),得到包含不同尺寸的淋巴结肿瘤特征的相应尺度的初始器官分割特征图。具体可以使用卷积神经网络对输入的初始器官分割图像进行编码,提取网络不同深度的特征,这样,对于浅层特征感受野和宽度都较小,其更关注局部低级纹理特征;而深层特征感受野和宽度都较大,更关注高级语义信息,这样,本申请利用具有不同尺度的卷积核的卷积神经网络对初始器官分割图像进行特征提取,能够得到包含多维度信息的不同尺度的特征图。[0081] 为了使得到的特征图包含更全面且精准的特征信息,本申请可以选择全卷积神经网络组成的金字塔特征提取网络,即特征金字塔网络(FeaturePyramidNetworks,FPN)实现对初始器官分割图像的特征提取,得到更高质量的特征图,本申请对该特征金字塔网络的具体网络结构不做限制。[0082] 305、将多个不同尺度的初始器官分割特征图输入预设器官特征校准模型,输出目标器官分割特征图,其中,器官特征校准模型是基于空间注意力机制和语义注意力机制,对不同尺度的样本初始器官分割特征进行校准训练得到的;[0083] 本实施例中,在对多层级特征信息进行融合的同时,考虑不同层级图像特征的特点和相关性,以实现了对初始器官分割图像中不同尺寸对象(如淋巴结肿瘤)的精准分割。所以,本申请提出预先基于空间注意力机制和语义注意力机制,对不同尺度的样本初始器官分割特征进行校准训练,得到的器官特征校准模型,具体训练实现方法本申请不做限制。[0084] 306、通过目标器官分割特征图和合并阈值,及预设区域生长算法,对初始器官分割图像进行分割处理,得到医学图像中的目标器官图像;[0085] 本实施例中,获得的合并阈值作为生长法则的标准,采用区域生成算法对所述待分割器官图像进行分割,从而获得最终的目标器官图像。[0086] 对应的,对所述医学图像进行了预处理,根据预设种子点位置和所述合并阈值,采用区域生长法对预处理后的所述医学图像进行分割,以获得最终的目标器官图像。从而可以进一步提高器官分割的准确。[0087] 307、将目标器官图像输入预置FasterRCNN模型,基于FasterRCNN模型和目标器官图像中的每个像素点,确定腹部CT图像中的疑似淋巴结图像;[0088] 308、基于特征提取网络构建淋巴结检测模型,并将疑似淋巴结图像输入淋巴结检测模型进行预处理,得到目标淋巴结图像;[0089] 309、将目标淋巴结图像输入预设分类预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,分类预测模型为淋巴结转移预测模型。[0090] 本实施例中步骤301‑302、307‑309与第一实施例中的步骤101‑102、104‑106类似,此处不再赘述。[0091] 本发明实施例中,通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。[0092] 请参阅图4,本发明实施例中淋巴结转移预测方法的第四个实施例包括:[0093] 401、获取医学图像,其中,医学图像为腹部CT图像;[0094] 402、采用预先训练好的深度全卷积网络模型对医学图像进行分割,得到初始器官分割图像;[0095] 403、根据初始器官分割图像计算区域生长的合并阈值,根据合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到医学图像中的目标器官图像;[0096] 404、将腹部CT图像输入预置FasterRCNN模型的特征提取网络,通过特征提取网络对腹部CT图像的图像特征进行抽象并生成卷积特征图;[0097] 本实施例中,所述系统包括FasterRCNN(fasterregion‑basedconvolutionalneuralnetwork)模型,所述FasterRCNN模型包括:特征提取网络、区域生成网络(regionproposalnetwork)和fast‑rcnn目标检测器;首先,利用特征提取网络对输入的CT图像的图像特征进行抽象并生成卷积特征图(ConvolutionalFeatureMap);然后,利用区域生成网络对所述卷积特征图进行筛选,生成转移淋巴结节候选区域;最后,在所述fast‑rcnn目标检测器中,由感兴趣区域特征池化层对所述卷积特征图以及所述候选区域进行卷积操作,得到一组低维特征,将所述低维特征分别输入到两个子全连接层进行回归与分类,最终输出转移淋巴结节区域的位置以及概率。[0098] 405、将卷积特征图输入区域生成网络,通过区域生成网络对卷积特征图进行筛选,生成转移淋巴结节候选区域;[0099] 本实施例中,所述利用区域生成网络对所述卷积特征图进行筛选,生成转移淋巴结节候选区域的步骤,具体包括:为了生成候选区域,在所述卷积特征图上加入一组进行滑动扫描的小网络,该小网络以每个滑动窗口作为输入,利用卷积操作将每一个滑动窗口映射到一个低维特征,随后将这个低维特征分别输入到两个子全连接层,其中一个是边界框回归层,另一个是边界框分类层。[0100] 可选地,锚点位于每个滑动窗口的中心,并与一个尺度和长宽比相关,例如,在默认情况下,使用3个尺度和3个长宽比,因此每个滑动位置会产生9个参考边界框。为了得到候选区域,为每个锚点分配一个二值类别标签,是目标或不是目标。然后,对于与实际边界框的重叠具有最高交并比(IoU)的锚点,或者与实际边界框的重叠具有超过0.7IoU的锚点,分配一个正标签;对于所有的真实边界框,如果一个锚点与实际边界框的IoU比率低于0.3,给该锚点分配一个负标签。通过上述标记方式,所述区域生成网络(RPN)在卷积特征图上生成可能为胰腺癌肿瘤的区域。采用上述可选实施例,利用多尺度和长宽比的锚盒来预测边界框坐标和分类概率,可以实现在仅仅依赖单一尺度的图像和特征映射,并使用单一尺寸的滤波器的情况下,进行多尺度的预测,为后续计算省去了大量的时间和精力。[0101] 406、将转移淋巴结节候选区域输入fast‑rcnn目标检测器,通过fast‑rcnn目标检测器的感兴趣区域特征池化层对卷积特征图以及候选区域进行卷积操作,得到淋巴结节区域的位置以及概率;[0102] 本实施例中,所述区域生成网络(regionproposalnetwork)和fast‑rcnn目标检测器共享卷积层,首先,由所述区域生成网络生成候选区域,然后,对所述候选区域,由fast‑rcnn目标检测器进行检测,此时,区域生成网络和fast‑rcnn目标检测器不共享卷积层;接下来,使用所述fast‑rcnn目标检测器来初始化区域生成网络,只修正共享的卷积层参数,并且只对区域生成网络特有的层进行微调,此时,区域生成网络和fast‑rcnn目标检测器共享卷积层;最后,保持共享卷积层的固定,对fast‑rcnn目标检测器的独有层进行微调,此时,区域生成网络和fast‑rcnn目标检测器共享相同的卷积层并形成统一的网络,经过不断的迭代调整参数,最终得到优化结果,输出转移淋巴结节的概率分数。[0103] 407、基于淋巴结节区域的位置以及概率,确定腹部CT图像中的疑似淋巴结图像;[0104] 本实施例中,所述区域生成网络(regionproposalnetwork)和fast‑rcnn目标检测器共享卷积层,首先,由所述区域生成网络生成候选区域,然后,对所述候选区域,由fast‑rcnn目标检测器进行检测,此时,区域生成网络和fast‑rcnn目标检测器不共享卷积层;接下来,使用所述fast‑rcnn目标检测器来初始化区域生成网络,只修正共享的卷积层参数,并且只对区域生成网络特有的层进行微调,此时,区域生成网络和fast‑rcnn目标检测器共享卷积层;最后,保持共享卷积层的固定,对fast‑rcnn目标检测器的独有层进行微调,此时,区域生成网络和fast‑rcnn目标检测器共享相同的卷积层并形成统一的网络,经过不断的迭代调整参数,最终得到优化结果,输出转移淋巴结节的概率分数。基于淋巴结节区域的位置以及概率,确定腹部CT图像中的疑似淋巴结图像。[0105] 408、基于特征提取网络构建淋巴结检测模型,并将疑似淋巴结图像输入淋巴结检测模型进行预处理,得到目标淋巴结图像;[0106] 409、将目标淋巴结图像输入预设分类预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,分类预测模型为淋巴结转移预测模型。[0107] 本实施例中步骤401‑403、408‑409与第一实施例中的步骤101‑103、105‑106类似,此处不再赘述。[0108] 在本发明实施例中,通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。[0109] 请参阅图5,本发明实施例中淋巴结转移预测方法的第五个实施例包括:[0110] 501、获取医学图像,其中,医学图像为腹部CT图像;[0111] 502、采用预先训练好的深度全卷积网络模型对医学图像进行分割,得到初始器官分割图像;[0112] 503、根据初始器官分割图像计算区域生长的合并阈值,根据合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到医学图像中的目标器官图像;[0113] 504、将目标器官图像输入预置FasterRCNN模型,基于FasterRCNN模型和目标器官图像中的每个像素点,确定腹部CT图像中的疑似淋巴结图像;[0114] 505、基于特征提取网络构建淋巴结检测模型,并将疑似淋巴结图像输入淋巴结检测模型进行预处理,得到目标淋巴结图像;[0115] 506、获取多个转录组样本测序数据,并从中筛选出m个转录组标记物;[0116] 本实施例中,转录(Transcription)是遗传信息从DNA流向RNA的过程。即以双链DNA中的确定的一条链(模板链用于转录,编码链不用于转录)为模板,以A,U,C,G四种核糖核苷酸为原料,在RNA聚合酶催化下合成RNA的过程。作为蛋白质生物合成的第一步,进行转录时,一个基因会被读取并被复制为mRNA,即特定的DNA片断作为遗传信息模板,以依赖DNA的RNA聚合酶作为催化剂,通过碱基互补的原则合成前体mRNA。[0117] 转录组是由一条基因通过转录形成的一种或多种可供编码蛋白质的成熟的mRNA;也称为剪切体。一条基因通过内含子的不同剪接可构成不同的转录组。设计转录组实验可以研究内含子剪切机制、表观遗传、RNA编辑等,通常是考察一条基因对应的不同转录组的调节机制等。[0118] 本实施例中,可以从医院或科研机构中已有或获取的临床样本数据进行转录组和miRNA测序,也可以直接获取医院或科研机构中已测序或得到的转录组样本测序数据与miRNA样本测序数据。基于上述不同的数据来源情况,因此,获取的转录组样本测序数据与miRNA样本测序数据的数量不要求一定相同,而且筛选标记物时也不要求二者数量一定相同,筛选出的m个转录组标记物或n个miRNA标记物也不要求一定相同,这里不做限制。这样可以使优先的样本数据充分被利用。[0119] 507、基于留一交叉验证法选取1个转录组样本测序数据为测试样本,剩余的转录组样本测序数据为训练样本,同时判断每个样本测序数据是否发生淋巴结转移以计算二值化的第一转移值矩阵;[0120] 本实施例中,采用留一交叉验证法进行模型训练,假设选取了M例转录组/miRNA样本测序数据,则选取M‑1例样本的数据作为训练组,剩余1例样本作为测试组,使用M‑1例样本训练出的模型预测剩余1例样本的期望值。[0121] 其中,所述留一交叉验证法就是留一法(Leave‑One‑Out,简称LOO),就是把一个大的数据集分为k个小数据集,其中k‑1个作为训练样本数据,剩下的一个作为测试样本数据,然后选择下一个作为测试样本数据,剩下的k‑1个作为训练样本数据,以此类推。最终的结果是这k次验证的均值。其中k等于数据集中数据的个数,每次只使用一个作为测试样本数据,剩下的全部作为训练样本数据,这种方法得出的结果与训练整个测试样本数据的期望值最为接近。[0122] 508、对第一转移值矩阵中的各转移值进行归一化处理,得到训练样本表达量矩阵、测试样本表达量矩阵、及第二转移值矩阵;[0123] 本实施例中,依据临床信息判断样本测序数据是否发生淋巴结转移;定义发生淋巴结转移为1,不发生淋巴结转移为0,以此计算表征样本测序数据是否发生淋巴结转移的二值化的第一转移值矩阵。[0124] 509、通过训练样本表达量矩阵和第二转移值矩阵建立偏最小二乘回归模型,基于偏最小二乘的结果中提取的loading值,得到训练样本分数值和测试样本分数值;[0125] 本实施例中,建立偏最小二乘回归模型后,可通过R语言的plsr函数,或者matlab和python等语言,本申请并不局限于提到的实现方式,分别提取对应转录组水平的组分数量或特征数,以及对应miRNA水平的组分数量或特征数。[0126] 510、根据训练样本分数值和第一转移值矩阵建立逻辑回归模型,并将测试样本分数值作为预测结果,得到测试样本的预测值;[0127] 本实施例中,使用训练样本数据X×loadings和Y进行逻辑回归建立模型,这里可以通过如R语言glm函数实现,使用X’×loading作为测试样本数据预测结果,这里可以通过如R语言predict函数实现,最终得到测试样本数据的逻辑回归预测值。[0128] 511、基于预测样本的预测值和训练样本对逻辑回归模型进行训练,得到淋巴结转移预测模型;[0129] 本实施例中,分别获取多个转录组样本测序数据或多个miRNA样本测序数据作为训练数据,训练过程中使用在ImageNet中预训练好的具有13个卷积层和3个全连接层的VGG16模型用于对特征提取网络进行初始化,通过从标准方差为0.01的零均值高斯分布(zero‑meanGaussiandistribution)中提取权重来随机初始化所有新层;然后,采用两个阶段进行训练,两个阶段分别包括80000次区域生成网络生成候选区域的训练(前60000次的学习率为0.001,后20000次的学习率为0.0001)和40000次的fast‑rcnn目标检测器基于候选区域的特征向量的分类与回归训练(前30000次的学习率为0.001,后10000次的学习率为0.0001);运动量(momentum)为0.9,加权延迟(weightdecay)为0.0005;区域生成网络的锚尺度(scaleofanchor)分别设定为1282,2562,5122,锚比例(aspectratioofanchor)分别设定为0.5,1,2;在训练过程中通过计算预测值与真实值之间的误差值,利用误差反向传播(endtoendback‑propagation)算法和SGD(StochasticGradientDescent)法,调整加权(weight)等深度学习网络参数,然后通过不断迭代,不断降低损失函数值,使网络收敛。[0130] 512、将目标淋巴结图像输入预设分类预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。[0131] 本实施例中步骤501‑506与第一实施例中的步骤101‑106类似,此处不再赘述。[0132] 本发明实施例中,通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。[0133] 上面对本发明实施例中淋巴结转移预测方法进行了描述,下面对本发明实施例中淋巴结转移预测装置进行描述,请参阅图6,本发明实施例中淋巴结转移预测装置的第一个实施例包括:[0134] 第一获取模块601,用于获取医学图像,其中,所述医学图像为腹部CT图像;[0135] 分割模块602,用于采用预先训练好的深度全卷积网络模型对所述医学图像进行分割,得到初始器官分割图像;[0136] 计算模块603,用于根据所述初始器官分割图像计算区域生长的合并阈值,根据所述合并阈值和预设区域生长算法,对所述初始器官分割图像进行分割,得到所述医学图像中的目标器官图像;[0137] 确定模块604,用于将所述目标器官图像输入预置FasterRCNN模型,基于所述FasterRCNN模型和所述目标器官图像中的每个像素点,确定所述腹部CT图像中的疑似淋巴结图像;[0138] 构建模块605,用于基于特征提取网络构建淋巴结检测模型,并将所述疑似淋巴结图像输入所述淋巴结检测模型进行预处理,得到目标淋巴结图像;[0139] 预测模块606,用于将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,所述分类预测模型为淋巴结转移预测模型。[0140] 本发明实施例中,通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。[0141] 请参阅图7,本发明实施例中淋巴结转移预测装置的第二个实施例,该淋巴结转移预测装置具体包括:[0142] 第一获取模块601,用于获取医学图像,其中,所述医学图像为腹部CT图像;[0143] 分割模块602,用于采用预先训练好的深度全卷积网络模型对所述医学图像进行分割,得到初始器官分割图像;[0144] 计算模块603,用于根据所述初始器官分割图像计算区域生长的合并阈值,根据所述合并阈值和预设区域生长算法,对所述初始器官分割图像进行分割,得到所述医学图像中的目标器官图像;[0145] 确定模块604,用于将所述目标器官图像输入预置FasterRCNN模型,基于所述FasterRCNN模型和所述目标器官图像中的每个像素点,确定所述腹部CT图像中的疑似淋巴结图像;[0146] 构建模块605,用于基于特征提取网络构建淋巴结检测模型,并将所述疑似淋巴结图像输入所述淋巴结检测模型进行预处理,得到目标淋巴结图像;[0147] 预测模块606,用于将所述目标淋巴结图像输入预设分类预测模型,对所述目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据,其中,所述分类预测模型为淋巴结转移预测模型。[0148] 在本实施例中,所述淋巴结转移预测装置还包括:[0149] 预处理模块607,用于对所述医学图像进行预处理,以滤除所述医学图像中的噪声。[0150] 在本实施例中,所述淋巴结转移预测装置还包括:[0151] 第二获取模块608,用于获取原始训练样本,其中,所述原始训练样本包括原始器官训练图像和与所述原始器官训练图像对应的标签图像,所述标签图像为已标注出器官的器官图像;[0152] 扩展模块609,用于对所述原始训练样本进行扩展,得到训练样本集,其中,所述训练样本集包括扩展后的器官训练图像和与所述扩展后的器官训练图像对应的标签图像;[0153] 设置模块610,用于设置深度全卷积网络模型的模型参数的初始值;[0154] 第一训练模块611,用于根据所述训练样本集和所述模型参数的初始值,采用随机梯度下降法对预先搭建的深度全卷积网络模型进行训练,直至所述训练样本集中的器官图像的预测结果与对应的标签图像的误差值收敛到预设误差值,得到深度全卷积网络模型。[0155] 在本实施例中,所述计算模块603具体用于:[0156] 计算单元6031,用于根据所述初始器官分割图像计算区域生长的合并阈值;[0157] 特征提取单元6032,用于对所述初始器官分割图像进行特征提取,得到多个不同尺度的初始器官分割特征图;将所述多个不同尺度的初始器官分割特征图输入预设器官特征校准模型,输出目标器官分割特征图,其中,所述器官特征校准模型是基于空间注意力机制和语义注意力机制,对不同尺度的样本初始器官分割特征进行校准训练得到的;[0158] 分割单元6033,用于通过所述目标器官分割特征图和所述合并阈值,及预设区域生长算法,对所述初始器官分割图像进行分割处理,得到所述医学图像中的目标器官图像。[0159] 在本实施例中,所述确定模块604具体用于:[0160] 将所述腹部CT图像输入预置FasterRCNN模型的特征提取网络,通过所述特征提取网络对所述腹部CT图像的图像特征进行抽象并生成卷积特征图;[0161] 将所述卷积特征图输入所述区域生成网络,通过所述区域生成网络对所述卷积特征图进行筛选,生成转移淋巴结节候选区域;[0162] 将所述转移淋巴结节候选区域输入所述fast‑rcnn目标检测器,通过所述fast‑rcnn目标检测器的感兴趣区域特征池化层对所述卷积特征图以及所述候选区域进行卷积操作,得到所述淋巴结节区域的位置以及概率;[0163] 基于所述淋巴结节区域的位置以及概率,确定所述腹部CT图像中的疑似淋巴结图像。[0164] 本实施例中,所述淋巴结转移预测装置还包括:[0165] 第三获取模块612,用于获取多个转录组样本测序数据,从中筛选出m个转录组标记物;[0166] 判断模块613,用于基于留一交叉验证法选取1个转录组样本测序数据为测试样本,剩余的转录组样本测序数据为训练样本,同时判断每个样本测序数据是否发生淋巴结转移以计算二值化的第一转移值矩阵;[0167] 归一化处理模块614,用于对所述第一转移值矩阵中的各转移值进行归一化处理,得到训练样本表达量矩阵、测试样本表达量矩阵、及第二转移值矩阵;通过所述训练样本表达量矩阵和所述第二转移值矩阵建立偏最小二乘回归模型,基于所述偏最小二乘的结果中提取的loading值,得到训练样本分数值和所述测试样本分数值;[0168] 建立模块615,用于根据所述训练样本分数值和所述第一转移值矩阵建立逻辑回归模型,并将所述测试样本分数值作为预测结果,得到所述测试样本的预测值;[0169] 第二训练模块616,用于基于所述预测样本的预测值和所述训练样本对所述逻辑回归模型进行训练,得到淋巴结转移预测模型。[0170] 本发明实施例中,通过对获取的医学图像进行分割,得到初始器官分割图像;根据初始器官分割图像计算的区域生长的合并阈值和预设区域生长算法,对初始器官分割图像进行分割,得到目标器官图像,并输入预置FasterRCNN模型,基于FasterRCNN模型和图像的像素点,确定图像中的疑似淋巴结图像;构建淋巴结检测模型,并对疑似淋巴结图像进行预处理,得到目标淋巴结图像;将目标淋巴结图像输入淋巴结转移预测模型,对目标淋巴结进行转移预测,为评估胰腺导管癌淋巴结是否转移提供可视化数据。本发明可以通过分类网络对淋巴结是否转移进行预测,得到预测结果,从而根据所述预测结果为评估患者的胰腺导管癌是否发生了转移提供可视化数据支持。[0171] 上面图6和图7从模块化功能实体的角度对本发明实施例中的淋巴结转移预测装置进行详细描述,下面从硬件处理的角度对本发明实施例中计算机设备进行详细描述。[0172] 图8是本发明实施例提供的一种计算机设备的结构示意图,该计算机设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessingunits,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对计算机设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在计算机设备800上执行存储介质830中的一系列指令操作,以实现上述各方法实施例提供的淋巴结转移预测方法的步骤。[0173] 计算机设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如WindowsServe,MacOSX,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的计算机设备结构并不构成对本申请提供的计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。[0174] 本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述淋巴结转移预测方法的步骤。[0175] 所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。[0176] 所述集成的单元如果以软件功能单元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全部或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,服务器,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(read‑onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。[0177] 以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区:广东

专利申请日期:2021-10-14

专利公开日期:2024-06-18

专利公告号:CN113920137B

电话咨询
读内容
搜本页
回顶部