[发明专利]基于CT影像的残肝体积智能评估系统及方法

权利要求书

1.一种基于CT影像的残肝体积智能评估方法，其特征在于，包括以下步骤：

S1.被准备有多个不同的深度学习模型以及超参数经验集；

S2.使用超参数经验集调整各深度学习模型的超参数，使用训练样本对不同超参数配置下的深度学习模型进行分别训练；

S3.选择训练效果最佳的深度学习模型及其超参数配置；

S4.使用训练后的深度学习模型对CT成像进行精准分割并识别肿瘤空间位置；

S5.依据医师的切除方案评估残肝体积。

2.根据权利要求1所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S1中，准备一个2DU-Net网络、一个对全图像分辨率运行的正常3DU-Uet网络和由两个3DU-Net级联的级联网络，以及用于针对前述各深度学习模型的超参数经验集。

3.根据权利要求1所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S2中，使用经过肝段标注、肿瘤空间标注的CT成像数据集对深度学习模型进行训练。

4.根据权利要求3所述的基于CT影像的残肝体积智能评估方法，其特征在于，从所有经过标注的CT成像数据集中随机选择部分或全部以交叉训练方式用于步骤S2中的训练过程以选择训练效果最佳的深度学习模型及其超参数配置。

5.根据权利要求4所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S3中，依据训练过程中的测试结果判断训练效果，测试误差最小即为训练效果最佳。

6.根据权利要求5所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S3中，选择最优的深度学习模型及超参数配置后，继续使用全部或剩余的经过标注的CT成像数据集对选择的深度学习模型进行训练以优化模型参数。

7.根据权利要求5所述的基于CT影像的残肝体积智能评估方法，其特征在于，所述的CT成像还标注有各肝脏分段被肿瘤累及情况；

在步骤S4中，训练后的深度学习模型对CT成像进行精准分割、识别肿瘤空间位置的同时识别不被肿瘤累及和/或被肿瘤累及的肝脏分段。

8.根据权利要求1所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S1中，所述的超参数经验集为若干从历史经验中选择的超参数组合，不同的深度学习模型对应有多个不同的超参数组合，或者这些超参数组合同时针对于不同的深度学习模型。

9.根据权利要求1所述的基于CT影像的残肝体积智能评估方法，其特征在于，步骤S5中，医师根据步骤S4的精准分割结果、肿瘤空间位置以及各肝脏分段被肿瘤累及情况设计切除方案；

且采用分段算法评估残肝体积：

S51.剔除切除方案中被切除的肝脏部分；

S52.分离切割后肝脏的各肝脏分段，分别对各肝脏分段分层计算每一层的面积，通过每一层面积加和得到相应肝脏分段的体积；

S52.将各肝脏分段累加得到残肝体积。

10.一种基于CT影像的残肝体积智能评估系统，其特征在于，通过权利要求1-9任意一项所述的方法对残肝体积进行评估。