[发明专利]一种自动识别超声造影小肝癌病灶的方法及超声系统

说明书

本发明公开了一种自动识别超声造影小肝癌病灶的方法及超声系统，该方法包括：(S1)对患者进行肝脏超声造影检查，获取CEUS动态图像；(S2)计算CEUS动态图像对应的流光视频；(S3)将流光视频输入实时跟踪框架；在实时跟踪框架中，采用U‑Net网络完成病灶区域分割；并利用特征追踪算法，根据病灶的深度特征逐帧对病灶位置进行时序位置跟踪；(S4)融合全局和局部时序信息，采用智能诊断模块对病灶进行分类。本步骤的病灶分类结果会告知临床医生根据该患者动脉期CEUS增强表现，其诊断为小肝癌的可能性有多大，为临床后续治疗策略提供参考。本方法可充分发挥CEUS实时性和时空信息，克服分割精度限制，实现CEUS中小肝癌的精准诊断。

技术领域

本发明涉及医疗影像领域，具体涉及一种自动识别超声造影小肝癌病灶的方法及超声系统。

背景技术

早期精准诊断是提高肝癌长期生存率的重要因素。临床上将早期肝癌和进展期小肝癌统称为小肝癌(直径≤30mm)。超声造影(contrast enhanced ultrasound,CEUS)凭借其实时、动态、无放射性等优势，能敏感显示小肝癌病灶内微循环血流灌注的改变，术前CEUS检查结果目前被认为是制定肝癌患者临床治疗策略的重要依据。根据目前公认的美国放射协会(ACR)CEUS-LIRADS诊断标准推荐，动脉期的高增强是CEUS诊断小肝癌的重要影像学依据。但目前在小肝癌的诊断上，CEUS尚存在以下不足：(1)在肝硬化或肝纤维化的背景下，肝实质回声增粗，呈结节状分布不均匀，小肝癌混杂在肝硬化结节中往往难以鉴别；(2)小肝癌病灶小，在CEUS动脉期肉眼难以实时、精准捕捉病灶内新生血管动脉期灌注信息，增加了小肝癌的诊断难度；(3)在行肝脏CEUS检查时，由于患者不自主的呼吸和心跳或检查医师探头的抖动，将使观察区域发生运动偏倚和形变，造成医师观察受限，造成肉眼小目标跟踪失效。因此，临床上亟需快速、实时辅助CEUS诊断的影像智能分析工具，提高小肝癌术前诊断的准确性和诊断效率。

近年来，基于超声的目标跟踪技术受到众多研究者的关注。目前，超声跟踪算法主要是基于先检测后跟踪的模式(Tracking by detection,TBD)，分为四类：基于配准、基于光流、基于相关滤波和基于卷积神经网络(convolutional neural network,CNN)。其中，基于CNN的跟踪方法，通过提取超声视频的深度特征进行目标跟踪，将检测和跟踪任务并行，通过利用相互之间的领域知识提高算法泛化能力，降低对百万级训练数据集的要求，在自然视频中的多目标跟踪任务中取得了较好的效果。另外由于CEUS是动态视频影像，基于CEUS的智能诊断，需要结合肝肿瘤在注射超声造影剂后各个时相的实时增强-消退影像特征综合判断，即将空间特征和时间序列相融合，达到精准诊断的目的。这一过程在计算机领域被成为时序建模，通过有效地捕捉输入和输出之间较精确的长程相关性耦合，基于客观事实的时间序列数据来学习趋势和模式。本发明拟构建基于CNN的实时跟踪框架，克服CEUS中因小肝癌目标遮挡或尺度变化引起的小目标跟踪失效的问题，增强算法的鲁棒性。并在该跟踪框架中整合全局时空信息的时序建模，构建高稳定性的小肝癌诊断模型。

发明内容

本发明的目的是根据上述现有技术的不足之处，提供一种自动识别超声造影小肝癌病灶的方法及超声系统，其依托人工智能中的目标跟踪技术，实时分析CEUS视频，充分发挥CEUS实时性和时空信息，克服分割精度限制，实现CEUS中小肝癌的精准诊断。

本发明目的实现由以下技术方案完成：

一种自动识别超声造影小肝癌病灶的方法，其包括以下步骤：

(S1)对患者进行肝脏超声造影检查，获取CEUS动态图像；

(S2)计算CEUS动态图像对应的流光视频；

(S3)将流光视频输入实时跟踪框架；在实时跟踪框架中，采用U-Net网络完成病灶区域自动分割；并利用特征追踪算法对病灶位置进行时序位置跟踪；