[发明专利]一种基于深度学习前列腺癌自动检测和分类系统

说明书

本发明涉及一种基于深度学习前列腺癌自动检测和分类系统，其特征在于，包括基于深度学习的方法实现前列腺病灶区域自动检测的自动检测模块以及利用机器学习或者分类网络实现对于自动检测模块检测出的前列腺病灶区域进行自动分类的自动分类模块。不同于传统的前列腺癌分类方法使用整个MRI区域或者前列腺器官作为分类网络的输入数据，本方法使用异常区域分割来进一步限制分类网络的输入，通过这样的方法来降低分类模型的假阳性率，提升模型的分类精度，同时结合分类结果，输出检测出的病灶区域，辅助医生进行前列腺癌的自动确认和诊断，提升医生的工作效率。

技术领域

本发明涉及一种基于深度学习的前列腺癌自动检测和分类系统，属于图像处理和医学技术领域。

背景技术

前列腺癌是最常见的男性恶性肿瘤，发病率为欧美国家男性恶性肿瘤的第一位，死亡率仅次于肺癌占第二位。我国的前列腺发病率明显低于欧美国家，但是近年以来也有逐渐增加的趋势，尤其是在高龄人群。早期前列腺癌可以有效的得到治疗和控制，早期前列腺癌的诊断能够有效的降低死亡率。因此，准确的诊断前列腺癌可以很大程度的提高前列腺癌在早期的发现率。

核磁共振成像(MRI)检查以非侵入式检查、扫描图像多样化、软组织结构清晰等优点成为前列腺癌诊断的一项重要方法。MRI成像包括T2加权成像(T2Weighted Imaging，T2WI)、弥散加权成像(Diffusion Weighted Imaging，DWI)、表面扩散系数图(ApparentDiffusion Coefficient，ADC)。其中T2WI图像提供了较为清晰的组织对比，DWI图像提供了组织中水分子扩散受限程度，在DWI图像中b值为扩散敏感系数，是DWI中一个重要的参数。ADC图则是由不同b值的DWI图计算后处理获得。这三个序列的图像均能在一定程度反应前列腺癌病灶特征，对前列腺癌判别有着重要的意义。

近年来，由于前列腺癌的发病率增加，MRI影像的数量也随之增加，MRI图像具有扫描序列多、结构复杂等特点，医生在诊断时需要结合多个序列图像进行诊断，这个过程耗时耗力，而且诊断结果会因为医生经验水平的不同受到较大影响。基于卷积神经网络(CNN)的深度学习方法在计算机视觉领域已经获得了广泛的应用，可以实现高精度的图像分类、图像分割以及目标检测等任务。因此，结合CNN进行前列腺癌的检测和分类能够有效的减轻医生的工作负荷，极大的提升医生的工作效率。

目前基于深度学习的前列腺癌诊断方法主要有两类，一类是将整个MRI影像送入一个CNN中获取整个MRI影像的良恶性二分类结果，这种做法仅实现了对病例的定性诊断没有精准定位病灶位置，同时还由于输入的冗余信息过多导致精度的不理想；另一类方法是利用encoder-decoder的CNN模型获取病灶的分割结果并直接通过是否分割出病灶实现病例的良恶性二分类，这种方式会存在假阳性比率较高的缺陷，同时也无法确认病灶分割结果是否满足病灶在前列腺的器官范围内。另外目前的一些诊断方法只利用到了T2WI图像，忽略了其它序列如ADC与DWI图像水分子扩散受限程度的特征，该特征对判别前列腺恶性肿瘤有着重要价值。因此有必要提出一种集合前列腺器官信息、病灶信息、病例分类于一体的多参数MRI前列腺癌自动检测和分类方法。

发明内容

本发明的目的是：利用多参数MRI图像对前列腺癌的病灶区域进行自动检测和分类，以帮助医生精确快速的诊断前列腺癌并精准定位病灶区域。

为了达到上述目的，本发明的技术方案是提供了一种基于深度学习前列腺癌自动检测和分类系统，其特征在于，包括基于深度学习的方法实现前列腺病灶区域自动检测的自动检测模块以及利用机器学习或者分类网络实现对于自动检测模块检测出的前列腺病灶区域进行自动分类的自动分类模块，其中：

自动检测模块包括：

数据采集单元，用于采集包含正常样本和病变样本的多参数MRI影像数据，多参数MRI影像数据包括T2WI图像、ADC图像和DWI图像；