[发明专利]基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统

说明书

本发明属于医学影像分析技术领域，特别是涉及基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统。所述系统执行以下步骤：S1，获取卵巢图像及相应的肿瘤标志物；S2，将所述卵巢图像及相应的肿瘤标志物输入训练好的卵巢肿瘤良恶性预测模型，输出肿瘤判断结果，所述判断结果为良性肿瘤或恶性肿瘤；其中，所述卵巢肿瘤良恶性预测模型包括基于图像的肿瘤分割模型、基于图像的肿瘤分类模型和病灶分类融合预测模型。该系统得到的预测模型准确率高，对于特殊病例有更好的鉴别能力。

技术领域

本发明属于医学影像分析技术领域，特别是涉及基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统。

背景技术

卵巢癌是一种极为常见的妇科恶性肿瘤，其致死率在女性恶性肿瘤中位列第10位，在生殖系统恶性肿瘤中位列第2位，仅次于子宫颈癌。卵巢位于盆腔深部，生理学位置特殊，且发病隐匿，在形成盆腔包块时早期无特异性症状。此外，卵巢癌缺少可靠的筛查方法，造成早期诊断困难。约有70%的卵巢癌患者出现明显临床症状时，肿瘤已进入中晚期或已转移至远处器官。并且，卵巢癌患者的预后恢复较差，5年生存率仅为20%至30%。

随着影像诊断技术的发展，卵巢肿瘤可在没有任何症状时得以发现，包括了从功能性滤泡囊肿到卵巢癌所有的可能性，治疗策略差别很大，其中一些生理性囊肿并不需要治疗。因此，发现卵巢肿瘤后进一步鉴别其良恶性已是临床亟待解决的问题。临床工作中卵巢肿瘤的分流评估是主要基于妇科肿瘤医师丰富的临床经验进行查体、肿瘤标志物检验及影像学图像辅助检查，对临床经验和判别能力都有极高的要求。一方面，肿瘤标志物糖类抗原125(CA125)是最早用于卵巢癌检测的肿瘤标志物，但其特异性差。卵巢癌风险预测模型(Risk of Ovarian Malignancy Algorithm, ROMA)将患者的绝经因素与CA125、人附睾蛋白4(HE4)结果经过计算得出绝经前后妇女卵巢癌高低风险百分比，在一定程度上提高了卵巢癌诊断的灵敏性和特异性，但单一依靠其诊断或排除卵巢癌，其准确度是远远不够的。另一方面，对于低年资医生、基层偏远地区医院医师而言，由于缺乏熟练的影像学阅片基础，无法准确分辨病灶与周围正常组织，很大程度需要依靠影像科医生的报告进行诊断，导致了诊断水平的参差不齐。因此，准确且可靠的自动分割与良恶性分类方法对于临床和研究都具有非常高的价值，对社会也有着重大的意义。

现有的卵巢肿瘤计算机辅助诊疗方案大多基于图像数据或肿瘤标志物特征信息，进行图像分割和肿瘤良恶性的判断，这些传统的方法都有着一些固有的缺陷，例如肿瘤标志物特征是对肿瘤的代谢产物进行检测，而肿瘤代谢的具体情况是因人而异，因病而异的，这些特征信息在检测肿瘤是否存在时效果极佳，但在判断肿瘤的良恶性时，统计出的特征信息却并不能较好地覆盖所有情况，存在着因病人体质等因素导致的特殊数据；而只通过图像进行判断也有着难以消除噪声干扰、遇到体积较小的包块和形状特殊的包块难以正确做出判断等问题。

发明内容

本发明的目的在于针对上述提到的基于图像数据或基于肿瘤标志物特征进行诊断分别具有缺陷的问题，将多种神经网络和逻辑回归模型进行融合，构建了融合后的卵巢肿瘤良恶性预测模型，通过该模型可以综合运用图像数据和肿瘤标志物数据对卵巢肿瘤的良恶性进行判断，提出了基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统。

为了实现上述发明目的，本发明提供了以下技术方案：

基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统，所述系统执行以下步骤：

S1，获取卵巢图像及相应的肿瘤标志物；

S2，将所述卵巢图像及相应的肿瘤标志物输入训练好的卵巢肿瘤良恶性预测模型，输出肿瘤判断结果，所述判断结果为良性肿瘤或恶性肿瘤；

其中，所述卵巢肿瘤良恶性预测模型包括基于图像的肿瘤分割模型、基于图像的肿瘤分类模型和病灶分类融合预测模型；