一种肺部纵膈淋巴结检测模型的生成方法及系统与流程

本发明涉及医疗图像处理技术领域，尤其涉及一种肺部纵膈淋巴结检测模型的生成方法及系统。

背景技术：

肺癌是世界上最常见的恶性肿瘤之一。在我国，肺癌的发病率、死亡率均高居恶性肿瘤之首，严重威胁着国民的健康。降低肺癌死亡率，一方面依赖于肺癌的早期发现与及时治疗，另一方面对于已进展为中晚期的肺癌，尽可能在治疗前明确肺癌的分子分型、基因表型、淋巴结有无异常等肿瘤信息，针对不同的肺癌，选择合理的治疗方案，即个性化治疗或精准治疗。

对于纵隔淋巴结异常，ct是最常用的检测手段之一，它有以下几方面作用：①准确测量淋巴结直径；②勾画淋巴结的形态学表现；③显示对比增强前后淋巴结密度与内部特征；④确定异常淋巴结的位置、浸及范围，以及与周围纵隔结构的关系。通过淋巴结形态、大小、密度及强化特点等这些肉眼可见的特征来检测淋巴结有无异常。通常以淋巴结短轴直径大于1cm为增大；且淋巴结越大，提示有明显异常的可能性越大。但通过ct得到的结果准确性有限，且对肿瘤的评估价值十分有限，很难从患者肺癌病灶影像中直接得到病理分级、有无淋巴结异常等信息。除此之外，依靠经验观察淋巴结有无异常常常需要医生有丰富的经验知识和专业素质，阅片过程繁琐，消耗人力较大。

随着机器学习算法以及计算机硬件的发展，深度学习(如：卷积神经网络算法、循环神经网络算法、递归神经网络算法等)已经开始应用于医疗图像的处理。在胸部医学影像领域，现有技术仍然聚焦于肺部结节的检出以及相应算法的改进。然而，对于肺部病灶的判断不仅仅局限于肺部结节，肺部纵隔淋巴结状态可以帮助临床医生判断和决定手术清扫范围、是否辅助化疗以及进行生存预后评估，但是目前还没有利用深度学习从肺癌患者的ct图像上对肺癌患者纵隔淋巴结状态进行检测的方法。

技术实现要素：

针对现有技术中存在的问题，本发明提供一种肺部纵膈淋巴结检测模型的生成方法，具体包括以下步骤：

步骤s1，获取若干纵膈淋巴结患者的有效肺部ct图像，以及所述有效肺部ct图像对应的病理信息；

步骤s2，分别对各所述有效肺部ct图像进行高维特征提取得到相应的高维特征数据，将每个所述高维特征数据及对应的所述病理信息加入一图像特征向量，并将各所述图像特征向量保存至一图像特征数据库；

步骤s3，根据预设的模型参数建立初始检测模型，并将所述图像特征数据库中的各所述图像特征向量进行分组，得到训练集和测试集；

步骤s4，根据所述训练集中的各所述图像特征向量对所述初始检测模型进行训练，得到中间检测模型；

步骤s5，根据所述测试集中的各所述图像特征向量中测试所述中间检测模型的准确率，并将所述准确率与预设的准确率阈值进行比较：

若所述准确率小于所述准确率阈值，则调整所述模型参数，以对所述初始检测模型进行优化，随后返回所述步骤s4；

若所述准确率不小于所述准确率阈值，则转向步骤s6；

步骤s6，将所述中间检测模型作为肺部纵膈淋巴检测模型进行保存，以对肺部纵膈淋巴结异常进行检测。

优选的，所述有效肺部ct图像为纵膈淋巴结的横径最大的扫描层面，和/或与纵膈淋巴结的横径最大的所述扫描层面相邻的两个扫描层面。

优选的，所述病理信息为肺部纵膈淋巴结为正常淋巴结或所述肺部纵膈淋巴结为异常淋巴结。

优选的，所述高维特征数据包括纹理特征和/或灰度特征。

优选的，所述步骤s5具体包括：

步骤s51，分别将所述测试集中的每个所述图像特征向量中的所述高维特征数据输入所述中间检测模型，得到相应的检测结果；

步骤s52，将各所述检测结果与对应的所述图像特征向量中的所述病理信息进行比较：

若所述检测结果与所述病理信息一致，则将对应的所述图像特征向量加入一准确向量集，随后转向步骤s53；

若所述检测结果与所述病理信息不一致，则将对应的所述图像特征向量加入一不准确向量集，随后转向步骤s53；

步骤s53，分别统计所述准确向量集和所述不准确向量集中的所述图像特征向量的数量，并根据统计结果计算得到所述中间检测模型的准确率；

步骤s54，将所述准确率与预设的准确率阈值进行比较：

若所述准确率小于所述准确率阈值，则调整所述模型参数，以对所述初始检测模型进行优化，随后返回所述步骤s4；

若所述准确率不小于所述准确率阈值，则转向步骤s6。

一种肺部纵膈淋巴结检测模型的生成系统，应用以上任意一项中所述的肺部纵膈淋巴结检测模型的生成方法，所述生成系统具体包括：

数据获取模块，用于获取若干纵膈淋巴结患者的有效肺部ct图像，以及所述有效肺部ct图像对应的病理信息；

特征库生成模块，连接所述数据获取模块，用于分别对各所述有效肺部ct图像进行高维特征提取得到相应的高维特征数据，将每个所述高维特征数据及对应的所述病理信息加入一图像特征向量，并将各所述图像特征向量保存至一图像特征数据库；

数据预处理模块，连接所述特征库生成模块，用于根据预设的模型参数建立初始检测模型，并将所述图像特征数据库中的各所述图像特征向量进行分组，得到训练集和测试集；

模型训练模块，连接所述数据预处理模块，用于根据所述训练集中的各所述图像特征向量对所述初始检测模型进行训练，得到中间检测模型；

模型测试模块，分别连接所述数据预处理模块和所述模型训练模块，用于根据所述测试集中的各所述图像特征向量中测试所述中间检测模型的准确率，并在所述准确率小于所述准确率阈值时生成第一测试结果，以及在所述准确率不小于所述准确率阈值时生成第二测试结果；

第一处理模块，连接所述模型测试模块，用于根据所述第一测试结果调整所述模型参数，以对所述初始检测模型进行优化；

第二处理模块，连接所述模型测试模块，用于将所述中间检测模型作为肺部纵膈淋巴检测模型进行保存，以对肺部纵膈淋巴结异常进行检测。

优选的，所述有效肺部ct图像为纵膈淋巴结的横径最大的扫描层面，和/或与纵膈淋巴结的横径最大的所述扫描层面相邻的两个扫描层面。

优选的，所述病理信息为肺部纵膈淋巴结为正常淋巴结或所述肺部纵膈淋巴结为异常淋巴结。

优选的，所述高维特征数据包括纹理特征和/或灰度特征。

优选的，所述模型测试模块具体包括：

检测单元，用于分别将所述测试集中的每个所述图像特征向量中的所述高维特征数据输入所述中间检测模型，得到相应的检测结果；

第一比较单元，连接所述检测单元，用于将各所述检测结果与对应的所述图像特征向量中的所述病理信息进行比较，并在所述检测结果与所述病理信息一致时将对应的所述图像特征向量加入一准确向量集，以及在所述检测结果与所述病理信息不一致时将对应的所述图像特征向量加入一不准确向量集；

处理单元，连接所述第一比较单元，用于分别统计所述准确向量集和所述不准确向量集中的所述图像特征向量的数量，并根据统计结果计算得到所述中间检测模型的准确率；

第二比较单元，连接所述处理单元，用于将所述准确率与预设的准确率阈值进行比较，并在所述准确率小于所述准确率阈值时生成第一测试结果，以及在所述准确率不小于所述准确率阈值时生成第二测试结果。

上述技术方案具有如下优点或有益效果：

1)通过获取纵膈淋巴结患者的有效肺部ct图像，该有效肺部ct图像包含有效的纵膈淋巴结的扫描层面图像，能够提升最终得到的肺部纵膈淋巴结检测模型的检测准确率；

2)通过构建肺部纵膈淋巴结检测模型，能够检测肺部纵膈淋巴结是否存在异常，避免了由于医生阅片主观性差异造成的检测结果差异性，对初期肺癌的发现以及后续治疗安排提供有效信息。

附图说明

图1为本发明的较佳的实施例中，一种肺部纵膈淋巴结检测模型的生成方法的流程示意图；

图2为本发明的较佳的实施例中，中间检测模型的准确率测试方法流程示意图；

图3为本发明的较佳的实施例中，一种肺部纵膈淋巴结检测模型的生成系统的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式，只要符合本发明的主旨，则其他实施方式也可以属于本发明的范畴。

本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种肺部纵膈淋巴结检测模型的生成方法，如图1所示，具体包括以下步骤：

步骤s1，获取若干纵膈淋巴结患者的有效肺部ct图像，以及有效肺部ct图像对应的病理信息；

步骤s2，分别对各有效肺部ct图像进行高维特征提取得到相应的高维特征数据，将每个高维特征数据及对应的病理信息加入一图像特征向量，并将各图像特征向量保存至一图像特征数据库；

步骤s3，根据预设的模型参数建立初始检测模型，并将图像特征数据库中的各图像特征向量进行分组，得到训练集和测试集；

步骤s4，根据训练集中的各图像特征向量对初始检测模型进行训练，得到中间检测模型；

步骤s5，根据测试集中的各图像特征向量中测试中间检测模型的准确率，并将准确率与预设的准确率阈值进行比较：

若准确率不小于准确率阈值，则转向步骤s6；

若准确率小于准确率阈值，则调整模型参数，以对初始检测模型进行优化，随后返回步骤s4；

步骤s6，将中间检测模型作为肺部纵膈淋巴检测模型进行保存，以对肺部纵膈淋巴结异常进行检测。

具体地，本实施例中，通过获取纵膈淋巴结患者的有效肺部ct图像，该有效肺部ct图像优选为纵膈淋巴结的横径最大的扫描层面及与纵膈淋巴结的横径最大的扫描层面相邻的两个扫描层面。该有效肺部ct图像包含有效的纵膈淋巴结的扫描层面图像，进而能够提升最终得到的肺部纵膈淋巴结检测模型的检测准确率。

随后提取有效肺部ct图像的高维特征数据，作为肺部纵膈淋巴结检测模型的训练数据和测试数据。优选，上述训练集中的图像特征向量的数量远大于测试集中的图像特征向量的数量。该高维特征数据能够表征肺部纵膈淋巴结的病理信息，即该肺部纵膈淋巴结为正常淋巴结或异常淋巴结。在训练得到中间测试模型后，还需要对该中间测试模型进行准确率测试，以判断该中间测试模型能否作为最终的肺部纵膈淋巴结检测模型。在进行准确率测试过程中，优选的，将测试集中的每个图像特征向量中的高维特征数据输入到中间测试模型中，得到预测结果，若该预测结果与该高维特征数据中的病理信息一致，则为准确预测，若该预测结果与该高维特征数据中的病理信息不一致，则为不准确预测，统计准确预测和不准确预测对应的图像特征向量的数量，最终计算得到上述准确率。

最后，上述准确率不小于准确率阈值，则表示训练得到的肺部纵膈淋巴结检测模型准确率达标，可以用于后续进行肺部纵膈淋巴结的检测，从而能够对初期肺癌的发现以及后续治疗安排提供有效信息。上述准确率小于准确率阈值，则表示训练得到的的肺部纵膈淋巴结检测模型准确率不达标，不能用于后续进行肺部纵膈淋巴结的检测，此时，需要对预先建立的初始检测模型的模型参数进行调整，随后重新进行训练，直至得到的准确率不小于准确率阈值。

本发明的较佳的实施例中，有效肺部ct图像为纵膈淋巴结的横径最大的扫描层面，和/或与纵膈淋巴结的横径最大的扫描层面相邻的两个扫描层面。

本发明的较佳的实施例中，病理信息为肺部纵膈淋巴结为正常淋巴结或肺部纵膈淋巴结为异常淋巴结。

本发明的较佳的实施例中，高维特征数据包括纹理特征和/或灰度特征。

本发明的较佳的实施例中，如图2所示，步骤s5具体包括：

步骤s51，分别将测试集中的每个图像特征向量中的高维特征数据输入中间检测模型，得到相应的检测结果；

步骤s52，将各检测结果与对应的图像特征向量中的病理信息进行比较：

若检测结果与病理信息一致，则将对应的图像特征向量加入一准确向量集，随后转向步骤s53；

若检测结果与病理信息不一致，则将对应的图像特征向量加入一不准确向量集，随后转向步骤s53；

步骤s53，分别统计准确向量集和不准确向量集中的图像特征向量的数量，并根据统计结果计算得到中间检测模型的准确率；

步骤s54，将准确率与预设的准确率阈值进行比较：

若准确率小于准确率阈值，则调整模型参数，以对初始检测模型进行优化，随后返回步骤s4；

若准确率不小于准确率阈值，则转向步骤s6。

一种肺部纵膈淋巴结检测模型的生成系统，应用以上任意一项中的肺部纵膈淋巴结检测模型的生成方法，如图3所示，生成系统具体包括：

数据获取模块1，用于获取若干纵膈淋巴结患者的有效肺部ct图像，以及有效肺部ct图像对应的病理信息；

特征库生成模块2，连接数据获取模块1，用于分别对各有效肺部ct图像进行高维特征提取得到相应的高维特征数据，将每个高维特征数据及对应的病理信息加入一图像特征向量，并将各图像特征向量保存至一图像特征数据库；

数据预处理模块3，连接特征库生成模块2，用于根据预设的模型参数建立初始检测模型，并将图像特征数据库中的各图像特征向量进行分组，得到训练集和测试集；

模型训练模块4，连接数据预处理模块3，用于根据训练集中的各图像特征向量对初始检测模型进行训练，得到中间检测模型；

模型测试模块5，分别连接数据预处理模块3和连接模型训练模块4，用于根据测试集中的各图像特征向量中测试中间检测模型的准确率，并在准确率小于准确率阈值时生成第一测试结果，以及在准确率不小于准确率阈值时生成第二测试结果；

第一处理模块6，连接模型测试模块5，用于根据第一测试结果调整模型参数，以对初始检测模型进行优化；

第二处理模块7，连接模型测试模块5，用于将中间检测模型作为肺部纵膈淋巴检测模型进行保存，以对肺部纵膈淋巴结异常进行检测。

本发明的较佳的实施例中，有效肺部ct图像为纵膈淋巴结的横径最大的扫描层面，和/或与纵膈淋巴结的横径最大的扫描层面相邻的两个扫描层面。

本发明的较佳的实施例中，病理信息为肺部纵膈淋巴结为正常淋巴结或肺部纵膈淋巴结为异常淋巴结。

本发明的较佳的实施例中，高维特征数据包括纹理特征和/或灰度特征。

本发明的较佳的实施例中，模型测试模块5具体包括：

检测单元51，用于分别将测试集中的每个图像特征向量中的高维特征数据输入中间检测模型，得到相应的检测结果；

第一比较单元52，连接检测单元51，用于将各检测结果与对应的图像特征向量中的病理信息进行比较，并在检测结果与病理信息一致时将对应的图像特征向量加入一准确向量集，以及在检测结果与病理信息不一致时将对应的图像特征向量加入一不准确向量集；

处理单元53，连接第一比较单元52，用于分别统计准确向量集和不准确向量集中的图像特征向量的数量，并根据统计结果计算得到中间检测模型的准确率；

第二比较单元54，连接处理单元53，用于将准确率与预设的准确率阈值进行比较，并在准确率小于准确率阈值时生成第一测试结果，以及在准确率不小于准确率阈值时生成第二测试结果。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。