基于深度学习的胃肠间质瘤术后风险检测方法和系统与流程

本发明涉及数据处理领域，尤其是基于深度学习的胃肠间质瘤术后风险检测方法和系统。

背景技术：

胃肠道间质瘤(gastrointestinalstromaltumors,gist)是一类起源于胃肠道间质组织的肿瘤，占消化道间叶肿瘤的大部分。胃肠间质瘤具有术后复发风险，然而其术后复发风险分级一直是困扰临床医生的难题。

目前临床上，gist的复发危险度评估体系主要包括两种：改良nih以及afip。改良nih与afip都包括肿瘤最大径、核分裂计数和肿瘤部位三个参数，此外改良nih还包括肿瘤破裂这个参数。在临床操作上，改良nih更为简易，因此目前nih应用得相当多一点。但近期亦有研究表明，相比改良nih分级标准，afip分级标准更能准确地预测gist患者的术后复发风险。然而，并非所有的gist的生物学行为和临床转归都可以用前述这些危险度评估方法来解释，比如一部分很小的gist可以迅速进展并发展为肝脏转移，也不乏大的gist(高危)即使不接受术后辅助治疗患者依然长期保持无病生存。现有的gist复发危险度评估方法虽然能为临床医师提供有用的参考意见，但仍有改进的空间。

技术实现要素：

为了解决上述技术问题，本发明的目的是：提供基于深度学习对小样本量图像进行分析实现低失误率的胃肠间质瘤术后风险检测方法。

为了解决上述技术问题，本发明的另一目的是：提供基于深度学习对小样本量图像进行分析实现低失误率的胃肠间质瘤术后风险检测系统。

本发明所采用的技术方案是：基于深度学习的胃肠间质瘤术后风险检测方法，包括有以下步骤：

a、获取腹部增强期薄层ct的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；

b、获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；

c、构建残差网络模型，对第二图像数据集中图像数据进行重采样；

d、采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；

e、获取待检测腹部增强期薄层ct的图像数据，将待检测腹部增强期薄层ct的图像数据输入至残差网络模型得出检测结果。

进一步，还包括有步骤f：获取腹部增强期薄层ct的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过roc曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。

进一步，所述步骤b中对肿瘤轮廓感兴趣区域进行预处理的具体步骤为：

b1、将肿瘤轮廓感兴趣区域分割为28×28像素的方格；

b2、对上述方格进行数据归一化和数据增强处理。

进一步，所述步骤d中采用rms-prop优化算法对残差网络模型进行训练。

进一步，所述步骤d中采用基于投票的集成方法对残差网络模型输出的分类结果进行处理。

本发明所采用的另一技术方案是：基于深度学习的胃肠间质瘤术后风险检测系统，包括有

数据获取模块，用于获取腹部增强期薄层ct的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；

预处理模块，获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；

构建模块，用于构建残差网络模型，对第二图像数据集中图像数据进行重采样；

训练模块，用于采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；

残差网络模型，获取待检测腹部增强期薄层ct的图像数据，将待检测腹部增强期薄层ct的图像数据输入至残差网络模型得出检测结果。

进一步，还包括有验证模块，用于获取腹部增强期薄层ct的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过roc曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。

进一步，所述预处理模块包括有：

分割子模块，用于将肿瘤轮廓感兴趣区域分割为28×28像素的方格；

方格处理子模块，用于对上述方格进行数据归一化和数据增强处理。

进一步，所述训练模块用于对残差网络模型采用rms-prop优化算法进行训练。

进一步，所述残差网络模型中采用基于投票的集成方法对残差网络模型输出的分类结果进行处理。

本发明的有益效果是：采用病例样本的腹部增强期薄层ct图像通过残差网络模型进行深度学习，实现对其进行分类，用于胃肠间质瘤术后风险检测判断；同时还可结合rms-prop优化算法进行训练、采用基于投票的集成方法实现对较小样本量的对象的分类，增加判断的准确性和稳定性。

附图说明

图1为本发明方法的步骤流程图；

图2为本发明具体实施例中resnet的简单网络结构；

图3为图2中识别块神经层构成示意图；

图4为图2中卷积块神经层构成示意图；

图5为模型训练和验证曲线；

图6为独立验证数据集的roc曲线。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

参照图1，基于深度学习的胃肠间质瘤术后风险检测方法，包括有以下步骤：

a、获取腹部增强期薄层ct的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；

在本发明具体实施例中，胃肠间质瘤的腹部增强期薄层ct数据为预先设定的，采用的标准通常为：

1、患者纳入标准

(a)初诊原发性gist；

(b)经病理和免疫组织化学检查确诊为gists；

(c)接受手术完整切除者，且手术切缘为阴性；

(d)具有完整的临床病理数据和随访资料；

(e)具有可供分析的术前腹部增强ct资料(术前15天以内)。

2、排除标准

(a)合并其他恶性肿瘤或近5年内有过其他恶性肿瘤病史者；

(b)合并其他严重疾患，有可能影响本次研究评估者；

(c)术前或术后接受规范伊马替尼治疗者。

b、获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；

通常采用itk-snap软件进行病灶标识，将肿瘤轮廓逐层勾画出来，形成可用于深度学习分析的感兴趣区域，排除包括空气区域或邻近组织在内的其他图像的干扰；

c、构建残差网络模型，采用resnet(residualnetwork)的简单网络结构，对第二图像数据集中图像数据进行重采样；

考虑到数据样本量较少，因此采用resnet的简单网络结构。此外，由于阳性事件相对小，所以对复发的病例数据进行重采样处理。如图2所示，网络结构包括9个识别块(identityblock)和2个卷积块(convolutionalblock)。如图3所示，每个标识块含有两个卷积层。每次卷积后采用批量标准化(bn,batchnormalization)和线性整流函数(relu)。因为输入和输出是相同的尺寸，所以每个标识块直接使用一个捷径连接(shortcut)。如图4所示，每个卷积块有3个卷积层和一个投影捷径连接(卷积的步幅为2)。在卷积层中，权值被初始化为正态分布。

d、采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；

e、获取待检测腹部增强期薄层ct的图像数据，将待检测腹部增强期薄层ct的图像数据输入至残差网络模型得出检测结果。

进一步作为优选的实施方式，所述步骤b中对肿瘤轮廓感兴趣区域进行预处理的具体步骤为：

b1、将肿瘤轮廓感兴趣区域分割为28×28像素的方格；

b2、对上述方格进行数据归一化和数据增强处理。

进一步作为优选的实施方式，所述步骤d中采用rms-prop优化算法对残差网络模型进行训练，训练后的残差网络模型可根据输入的数据处理得到分类结果，从而判断是否存在复发风险；例如采用尺寸为32的mini-batch，模型迭代训练1500次，采用无衰减或自适应学习，学习速率为0.001。

由于样本数量相对较少，进一步作为优选的实施方式，在对残差网络模型进行训练时采用留一法(leave-one-out)进行交叉验证。如图5所示的模型训练和验证曲线，空心点线条tl代表训练损失(trainingloss)，空心点线条vl代表验证损失(validationloss)。实心点线条ta代表训练的准确性(trainingaccuracy)，实心点线条va代表验证的准确性(validationaccuracy)。

进一步作为优选的实施方式，所述步骤d中采用基于投票的集成方法(votingbasedensemblemethod)对残差网络模型输出的分类结果进行处理。

由于胃肠间质瘤的腹部增强期薄层ct数据样本较少，因此采用基于投票的集成方法，基于深度学习的特征提高分类的准确性和稳定性。

进一步作为优选的实施方式，还包括有步骤f：获取腹部增强期薄层ct的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过roc曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。

例如本发明具体实施方式中，残差网络模型由31个gists病例ct数据样本的voi数据训练而成，包含2540个像素方格(patch)。另外10个gists病例ct数据样本(包含1005个像素patch)作为独立验证。参照图6的独立验证数据集的roc曲线，验证结果中，8个患者预测准确，2个患者预测错误(预测结果均为假阳性)。

作为本发明的另一具体实施例，与上述基于深度学习的胃肠间质瘤术后风险检测方法相对应的基于深度学习的胃肠间质瘤术后风险检测系统，包括有

数据获取模块，用于获取腹部增强期薄层ct的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；

预处理模块，获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；

构建模块，用于构建残差网络模型，对第二图像数据集中图像数据进行重采样；

训练模块，用于采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；

残差网络模型，获取待检测腹部增强期薄层ct的图像数据，将待检测腹部增强期薄层ct的图像数据输入至残差网络模型得出检测结果。

进一步作为优选的实施方式，还包括有验证模块，用于获取腹部增强期薄层ct的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过roc曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。

进一步作为优选的实施方式，所述预处理模块包括有：

分割子模块，用于将肿瘤轮廓感兴趣区域分割为28×28像素的方格；

方格处理子模块，用于对上述方格进行数据归一化和数据增强处理。

进一步作为优选的实施方式，所述训练模块用于对残差网络模型采用rms-prop优化算法进行训练。

进一步作为优选的实施方式，所述残差网络模型中采用基于投票的集成方法对分类结果进行处理。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。