[发明专利]一种针对肿瘤影像数据的智能读片系统

摘要

本发明公开了一种针对肿瘤影像数据的智能读片系统，本系统实现一键式的读片报告书写，由计算机自动完成影像数据的预处理、病灶识别、定量参数测量、诊断评分和可视化等步骤，简化了操作步骤和诊断流程，最大限度地发挥医生和计算机各自的优势，显著提高了了目前影像读片的工作效率，且读片结果客观、准确，可重复性高。

主权项

1.一种针对肿瘤影像数据的智能读片系统，其特征在于，包括以下步骤：(1)数据加载：加载病人的当前影像检查数据，包括超声数据，多参数磁共振数据，具体包括冠状位、轴位、矢状位的T1加权图像、T2加权图像、DWI图像、DCE图像和MRS图像；本系统安装在医院影像科工作站上，连入医院信息系统(HIS)和影像传输与存储系统(PACS)，可实现对检查病人的所有信息做自动搜索和匹配，通过输入病人的姓名和编号信息，系统自动从临床数据库中提取包括患者的性别、年龄、常规血检指标、尿检指标、病理穿刺结果等信息，调出该病人的历史检查数据，并依次录入报告单，进一步调出其他相关病史记录，包括手术、药物治疗或放疗等治疗史，以备读片医生参照；(2)数据预处理：通过读取影像数据头文件信息对影像数据按照扫描类型分类，通过与标准扫描序列比较检查是否有漏扫、错扫现象，如存在以上现象就停止读片并以对话框形式报告错误；使用图像信噪比来评价扫描质量，若扫描质量较差、信噪比过低，则停止读片并以对话框形式报告错误；对原始图像数据进行图像信号均匀化和标准化处理，改善图像的质量，为下一步图像特征提取和分析做准备，通过预处理，矫正成像过程中由于脉冲序列和线圈不完善、操作环境及MRI设备自身原因所致的图像信号灰度均值和方差的偏差，避免图像灰度值的不均匀性对后期图像分割和病灶识别的影响，对所有的影像数据层面匹配、图像配准等步骤，消除被检者体位改变造成的位置变动，纠正不同成像序列的图像变形，解决不同序列之间显示野不一致的问题；在DWI和T2加权图像中同时分割感兴趣区域，采用结合边缘检测和区域生长的方法作为初始分割方法，在找到大致感兴趣区域轮廓后使用主动轮廓法修正分割边缘；对照不同组织的分区标准，对检查部位进行精细分区，并自动标记不同分区，为下一步信号检测和评分做准备；(3)病灶识别：使用机器学习的方法，对所有影像的特征进行分析，完成对疑似肿瘤病灶的自动识别和标记，为下一步的测量和评分做准备，具体是采用3层结构的前馈性人工神经网络作为分类器，该分类器提前在数据库中完成训练，并在每个月完成一次重训练，更新分类器的参数，将进行了均匀化矫正和标准化处理的MRI图像特征和临床信息作为输入参数，输入节点数为3～300，经过分类器输出为肿瘤的预测结果，其中2分类为疑似肿瘤和正常组织，5分类为不同恶性程度的肿瘤，在计算机输出疑似病灶区域轮廓后，医生可以根据自己的经验手动调整区域位置和大小，以保证病灶的位置准确；(4)信号测量：在冠状位、轴位、矢状位的T1加权图像、T2加权图像中提取疑似病灶的几何参数，包括病灶的三维尺寸、体积、分区位置等；在所有图像中提取信号的平均强度、中位数、标准差、最小值、最大值、偏态、丰度、复杂度等信息；提取DCE曲线的流入斜率、流出斜率、达峰时间、峰下面积、峰高等指标，并设置阈值自动判断曲线类型，以不同曲线类型判断DCE图像中病灶的局灶、弥散百分比；所有测量结果以数值显示在报告中，并同时以百分位图的形式展现在数值之后，该百分位图代表测量值在同类肿瘤患者中的分布位置，不同的颜色代表风险程度，红色代表该测量值高于风险阈值，蓝色代表该测量值接近风险阈值，绿色代表该测量值低于风险阈值；(5)影像评分：依据临床影像诊断指南对疑似病灶进行打分，判断依据为：5分，影像表现典型，异常信号显著；4分，影像表现近似典型，异常信号较显著；3分，介于2分和4分之间；2分，影像上表现模糊，但信号特征倾向于正常；1分，影像上无异常表现，评分时，计算机会根据提前录入的不同检查部位的指南标准进行信号比对，对当前测量结果做分类，并综合利用多参数的定量信息，给出不同序列的打分结果和所有成像序列的整体评分结果，并生成报告的结论文字，影像科医生如果对自动评分结果存在疑虑，可根据经验修改打分结果并作为最终报告生成的结果，同时该结果会自动反馈到后台数据库中，用于下次的迭代学习；(6)数据可视化：在确定了肿瘤病灶位置和形状后，使用移动立方体法对病灶轮廓做三维表面重建，并与结构图像进行图像融合显示，显示透明度可以手动调节，该可视化结果可以CAD软件支持的数据格式保存，或保存为pdf格式，用于病理穿刺的参照；(7)扩展功能：在对肿瘤完成诊断结论后，根据不同肿瘤的特点扩展报告的文字，对肿瘤的包膜侵犯情况、周围组织受累情况等进行影像学定性描述，根据临床工作中执行的其它诊断标准对肿瘤的进行客观评价，在完成并确认了所有报告内容后，所有的当前分析结果均自动录入到数据库中，并与历史数据一同作为之后的系统迭代数据，用于更新机器学习的训练样本。