[发明专利]一种基于跨模态特征融合的胆囊CT影像处理系统

说明书

本发明涉及一种基于跨模态特征融合的胆囊CT影像处理系统，包括：输入模块，用于获取CT影像；基于跨模态特征融合的CT影像处理模块，训练后用于对胆囊CT图像进行图像处理，所述CT影像处理模块包括用于分割所需胆囊区域的3D U‑net神经网络模块，用于筛选实验室检查数据特征和放射组学特征的基于XGBoost的特征筛选模块，以及对3D U‑net神经网络模块的分割结果和特征筛选模块的筛选结果进行跨模态特征融合的融合模块；输出模块，用于输出CT影像处理结果。与现有技术相比，本发明具有分类准确等优点。

技术领域

本发明涉及医学图像处理领域，尤其是涉及一种基于跨模态特征融合的胆囊CT影像处理系统。

背景技术

胆囊癌是全球第六大最常见的胃肠道恶性肿瘤，近年来其发病率呈上升趋势，尤其在中老年人群中发生率更高，其恶性程度高，早期确诊困难，大部分患者确诊时已为中晚期，且胆囊癌在临床上根治性切除率低，放化疗等现有综合治疗效果不理想，预后极差，因此，对胆囊的状况进行早期预测非常重要。临床上增强CT是胆囊影像学检查的重要辅助工具，但患者的早期胆囊影像容易与胆囊息肉，胆囊腺肌症，黄色肉芽肿相互混淆，并且医生长时间对着影像CT进行诊断会影响结果准确性。近年来，医学影像分析技术开始广泛应用于医学领域。影像分析的主要方法有两种，一种是放射组学技术，它可以无创地表征整个肿瘤，从医学图像中提取大量的难以被人眼直观发现的浅层定量特征。甚至在从图像中进行单次采样之后，可以与“数字活检”联系起来；另一种是疾病辅助诊断领域应用较为广泛的深度学习技术，它可以通过神经网络不断地多层次卷积，从影像中提取图像的深层次特征，如用3D U-net神经网络结合低层次和高层次的特征，进行器官分割。Lin等人提出了《Lungcancer and granuloma identification using a deep learning model to extract3-Dimensional radiomics features in CT imaging》，构建了结合结节周围和结节内特征的深度学习模型，用于在CT上有毛刺、分叶或胸膜压痕的患者中，术前区分孤立性肉芽肿结节和实体肺癌结节。Xiao等人提出了《Segmentation of Liver Lesions WithoutContrast Agents With Radiomics-Guided Densely UNet-Nested GAN》，提供一种放射组学引导的生成对抗网络模型，该模型将放射组学特征与图像语义特征相结合，增强了模型的自动分割识别肝脏病变能力。但最终而言，上述改进模型并没有充分利用已有数据，辅助判断准确率不高。

发明内容

本发明的目的就是为了提供一种基于跨模态特征融合的胆囊CT影像处理系统，提高胆囊CT的分类准确率。

本发明的目的可以通过以下技术方案来实现：

一种基于跨模态特征融合的胆囊CT影像处理系统，包括：

输入模块，用于获取CT影像；

基于跨模态特征融合的CT影像处理模块，训练后用于对胆囊CT图像进行图像处理，所述CT影像处理模块包括用于分割所需胆囊区域的3D U-net神经网络模块，用于筛选实验室检查数据特征和放射组学特征的基于XGBoost的特征筛选模块，以及对3D U-net神经网络模块的分割结果和特征筛选模块的筛选结果进行跨模态特征融合的融合模块；

输出模块，用于输出CT影像处理结果。

所述CT影像为由多个二维切片构成的三维影像。

所述3D U-net神经网络模块包含一个编码部分和一个解码部分，编码部分用来分析整张图像并且进行特征提取与分析，而与之相对应的解码部分是生成一张分割好的块状图。

所述3D U-net神经网络模块的卷积核为3×3×3，步长为2，网络采用最大池化，一共进行三次下采样减小特征图提取深层特征，上采样时将特征图与左侧特征图进行通道上的拼接再卷积，最终恢复到原始图像大小。