[发明专利]基于CT影像的残肝体积智能评估系统及方法

说明书

本发明提供了一种基于CT影像的残肝体积智能评估系统及方法，一种基于CT影像的残肝体积智能评估方法包括以下步骤：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。本发明提出采用深度学习方式对肝脏CT成像进行精准分割，利用深度学习的优势实现更高精准度的精准分割，能够提高残肝体积测算精准度，提高手术效果。

技术领域

本发明属于残肝体积评估技术领域，尤其是涉及一种基于CT影像的残肝体积智能评估系统及方法。

背景技术

随着外科技术以及深度学习技术的不断发展，我们在病理性肝切除方面达到了真正意义上的精准切除时代。计算机断层成像(computed tomography，CT)能够为肝脏肿瘤的诊断和治疗提供十分全面的信息，是肝脏肿瘤精准分割的坚实基础。手术切除后的残肝体积的预测，可以对病人术后的肝质量以及肝功能做出一定评判，也有助于判断肿瘤根治性切除后是否预留了足够功能的残肝体积，这对于病人的手术效果以及预后都有非常重要的指导意义。

精准分割是指，对肝脏不同肝段这一亚结构的边界进行识别的过程，也就是从“完整”的肝脏区域内，“分割”出8大肝段(肝脏的亚结构)，或者从肝脏内“分割”出正常肝脏与肿瘤病变肝组织两类肝脏的部分。为了实现精准分割提高肝切精准度以及评估术后残肝比，技术人员们进行了大量的研究，例如中国专利公开的一种用于表征肝脏切除手术残肝占比的方法，申请号CN202111085064.2，该方案采用三维重建方式完成模拟切除，通过结合区域计算功能与肝脏八段分区识别功能，并嵌入Mimics软件的方式实现肝脏模型重建及残肝占比的表征。但是目前为止没有基于深度学习方式实现精准分割和残肝预测方案。

深度学习是机器学习的一种，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出，基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

正常的深度学习，在设计出模型之后需要对每个子组件的超参数进行控制，超参数是在开始学习之前设置值的参数，而不是通过训练得到的参数数据，通常情况下，需要在学习过程中手动对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。但是手动调参是很耗费时间和精力的，目前超参数优化主要有两种非手动方式，第一种是网格搜索，第二种是随机搜索，第一种方式需要将每种超参数组合都尝试一遍，然后选择最优的那组参数，这样的方法显然不够高效，第二种方式随机选择参数组合，效率虽然比第一种高，但是性能不稳定，会出现极端差的超参数组合。

发明内容

本发明的目的是针对上述问题，提供一基于CT影像的残肝体积智能评估系统及方法。

为达到上述目的，本发明采用了下列技术方案：

一种基于CT影像的残肝体积智能评估方法，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。