[发明专利]一种基于细粒度网络毫微米级别影像精细解剖结构量化分析工具

说明书

本发明提供了一种基于细粒度网络的毫米‑微米级别影像精细解剖结构分析工具，其通过构建标准化影像精细解剖结构数据库，基于细粒度图像量化分析网络，开发适配于不同专科的毫米‑微米级精细解剖结构人工智能分析模式，整合为医学影像毫米‑微米级别精细影像结构结构智能分析系统，本发明通过深度学习技术无需消耗大量人力时间成本进行数据集注释，可以实现对影像精细解剖结构的高效、自动化、量化分析，解决人工智能难以定位影像学中精细解剖结构、充分提取微小区域内的图像特征和量化分析图像特征的问题，有效减轻临床医生工作负担，提高医疗工作效率。

【技术领域】

本专利涉及一种基于深度学习网络的医学影像分析领域，具体是指一种基于细粒度网络的毫米-微米级别影像精细解剖结构分析工具。

【背景技术】

医学影像能为疾病的临床诊断与疾病筛查、诊疗设计和预后判断提供不可或缺的重要信息。随着精准医学时代的到来，医学影像中诸多毫米-微米级别的精细解剖结构的临床意义被不断挖掘，例如动脉瘤的大小、小支气管的数量、肺部结节的尺寸、上前牙唇侧骨壁的分类等，上述各专科精细解剖结构的尺寸往往小于10mm，但是其数量、尺寸、分类、形态、位置等定量及半定量特征具有重要的临床指导意义：在临床中，根据CT影像中的肺结节直径是否超过6mm，可预判其良恶性的概率；根据血管造影中脑动脉瘤大小选择相应的干预手段，直径小于7mm的动脉瘤破裂风险小，趋于保守治疗；肺部CT中直径小于2mm的小支气管的数量与生理性肺功能损失、特发性肺纤维等生理病理变化有关；恶性肿瘤的脑转移细微病灶在早期发现及治疗，将提高患者的生存率及生活质量；口腔上前牙唇侧骨壁的厚薄分类与即刻种植的决策及预后有紧密联系。因此，精细解剖结构的定量及半定量分析日渐成为临床上各专科关注的重点。

目前的毫米-微米级影像解剖结构主要通过医生人工量化分析，受到诸多因素影响，包括医生因素（阅片经验、专业背景知识、视觉分辨力等），影像设备因素（图像分辨率及对比度、伪影及噪声、影像预处理等），患者因素（解剖结构变异或缺失、拍摄体位等）。与大尺寸解剖结构的量化分析相比，精细解剖结构的量化分析依然是当前临床的难点问题。首先，毫米-微米级影像解剖结构量化分析受到上述诸多因素影响，人工分析具有主观误差，难以形成标准化分析流程及可重复性结果，限制精准医学的进一步优化及发展；其次，毫米-微米级影像解剖结构存在较大的个体差异，人工量化分析耗费大量时间及人力成本，不利于充分利用医疗资源、提高医疗效率；此外，精细解剖结构在影像中所占区域相对较小，受图像分辨率、伪影等因素影响，经验缺乏的医生往往难以排除冗杂的干扰信息，进行精准定位与分析目标结构，导致较大的误诊漏诊率。

随着深度学习的发展，目前已有研究尝试使用人工智能方法来实现精细解剖结构的智能化量化分析，例如采用U-net在二维MRI图形上分割并测量脑动脉瘤的大小；采用Resnet在SD-OCT图像上预测视网膜神经纤维层厚度以判断患者是否患有青光眼。然而此类人工智能分析工具还存在诸多不足之处：首先，微米-毫米级影像精细解剖结构在医学图像中表现为像素-亚像素级别的特征，模型难以精准提取此类特征并进行量化分析；其次，此类工具需要人工手动分割感兴趣区域用于机器训练，在数据标注上对人力和时间成本要求高；此外，工具诊断精度参差不齐，大部分精度尚无法令人满意。目前缺乏可推广的精细解剖结构人工智能量化分析的范式，不符合医疗数字化、精准化的发展趋势。

细粒度网络是一种针对二维图像精细对象分析的神经网络，相比与利用全局信息的常规深度学习模型，细粒度网络更加关注具有区分意义的局部信息，因而其区域定位和特征提取能力远优于常规模型，在精细解剖结构的分析判别上展现出巨大潜力。细粒度图像识别是在区分出基本类别的基础上，实现更精细的子类划分，其实质是定位到目标具有区分性的局部区域，对局部区域进行特征提取，来完成分类器的训练和学习。然而，目前的细粒度图像识别方法仅用于精细对象的识别和分类，目前仍缺乏精细解剖结构量化分析的方法。

【发明内容】