[发明专利]一种基于神经网络的肝包虫病灶分割方法及系统

说明书

本发明公开了一种基于神经网络的肝包虫病灶分割方法及系统，方法包括：S1、训练并验证囊性包虫病灶分割模型；S2、训练并验证泡性包虫病灶分割模型；S3、从一包虫CT图像中获取分割后的肝脏区域，将肝脏区域输入病灶识别模型，得到识别结果；S4、当确定识别结果为囊性包虫病灶时，将VOI区输入囊性包虫病灶分割模型，得到第一分割结果；S5、当确定识别结果为泡性包虫病灶时，对VOI区进行血管识别与分割，将血管分割结果和VOI区输入泡性包虫病灶分割模型，得到第二分割结果。本发明提供的方法及系统，通过各种模型对多模态医学影像进行融合识别与特征提取，协助医生进行包虫病筛查工作，提高诊断效率和准确率。

技术领域

本发明涉及肝包虫检测技术领域，具体涉及一种基于神经网络的肝包虫病灶分割方法及系统。

背景技术

包虫病是一种危害严重的人兽共患寄生虫病，遍及世界各大陆。我国包虫病受威胁人口数和患者数居全球首位，其中青海省三江源地区的重灾区两性包虫的感染率在8.93-12.38％。该地区环境恶劣，医疗资源匮乏，医生水平非同质现象较为明显。包虫病主要分为囊性包虫及泡性包虫，囊性包虫对宿主的影响主要表现在对寄生的组织器官结构和功能的损伤，其膨胀性生长过程中对肝组织产生压迫症状，及其并发症都可对人体造成严重的危害。但部分囊性包虫患者可通过药物或提高自身免疫等方式让体内包虫失活，无需手术治疗，所以若能早期协助医生进行判断则可以大大减少医疗资源。

泡性包虫侵润式的增殖方式与肝癌类似，故被称为虫癌。若患有该病后未经正规治疗，5年和10年病死率分别高达70％和93％。泡型包虫病患者口服药物效果欠佳，必须通过手术切除才能达到根治的目的。肝脏肿瘤的切除与术式的选择常常与肿瘤在肝脏内的位置以及肿瘤与门静脉和肝静脉的关系相关，若能给通过机器学习给医生提供病灶占全肝的容积比、病灶与肝静脉及门静脉之间的关系则可大大减少医生工作量，尽早拟定初步的手术方案。

近年来，大数据与人工智能等前沿技术在医疗领域应用已经成为一种趋势，深度学习在医疗辅助诊断领域得到广泛应用。将深度学习应用于肝包虫病早期诊断中,可以缓解边远地区医疗资源匮乏的问题，挽救无数患者的生命。卷积神经网络在图像分类、检测等很多任务中相对传统模式识别方法取得了令人瞩目的突破。本发明拟运用卷积神经网络搭建肝包虫病辅助诊断模型，在增强CT上分割病灶、判断囊性包虫病灶是否有活性、泡性包虫病灶是否侵犯肝静脉与门静脉，协助医生进行包虫病的临床诊治工作，提高诊断效率和准确率，减少包虫病的漏诊、误诊现象。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于神经网络的肝包虫病灶分割方法及系统，通过该方法及系统可以对多模态医学影像进行融合识别与特征提取，服务于医生协助医生进行包虫病筛查工作，提高诊断效率和准确率，减少包疾病的漏诊、误诊情况。

为实现上述目的，本发明采用的技术方案如下：

一种基于神经网络的肝包虫病灶分割方法，包括：

S1、通过肝脏分割模型从囊性包虫CT图像集中获取分割后的肝脏区域，基于肝脏分割结果训练并验证囊性包虫病灶分割模型，在训练和验证中对病灶是否有活性进行标注；

S2、通过所述肝脏分割模型从泡性包虫CT图像集中获取分割后的肝脏区域，对获取到的肝脏区域进行血管识别与分割，基于血管分割结果和肝脏分割结果训练并验证泡性包虫病灶分割模型，在训练和验证中对病灶是否侵及血管以及病灶位于左半肝或右半肝进行标注；

S3、通过所述肝脏分割模型从一包虫CT图像中获取分割后的肝脏区域，在平扫CT上将获取到的肝脏区域作为VOI区输入病灶识别模型，得到识别结果；

S4、当确定所述识别结果为囊性包虫病灶时，将所述VOI区输入所述囊性包虫病灶分割模型，得到第一分割结果；