1.基于深度学习的计算机断层扫描主动脉瘤的辅助诊断方法,其特征在于,包括如下步骤:
步骤一:数据采集,首先从医院的院区中回顾性的收集了多份带有主动脉的普通CT扫描,数据是连续采集的,包括影像诊断报告和检查,所有采集的图像均为DICOM格式,包括患者的年龄、性别和多个CT参数信息,在临床工作流程中,主动脉支架的术后情况将由接诊科室进行特别标记,首先,对所有数据采用相同的纳入和排除标准,纳入标准如下:(A)检查项目为CT/CTA;
(B)包括胸主动脉或腹主动脉;
(C)出具明确诊断报告;
除此之外,排除标准如下:
(A)主动脉手术后;
(B)低信噪比和不清晰的图像;
(C)同一患者在不同时间的检查;
(D)CTA或其他增强CT;
步骤二:数据处理,将其分为三个数据集:训练集,内部测试集和外部测试集,其中,内部测试集由来自吉林大学第二医院的数据组成,外部测试集包括来自各个院区的亚组和基于不同制造商的亚组,内部测试集用于测试单中心环境下工具的稳定性,而外部测试集用于测试多中心环境下工具的性能,所有扫描分为三个风险等级:阴性,即未发现风险;诊断灰色区,即发现风险,建议定期复查;阳性,符合主动脉瘤诊断标准,建议临床科室介入联合判断检查;
步骤三:建立模型,然后利用Attention‑Unet卷积神经网络构建辅助诊断模型,使用其评估测试集中主动脉瘤风险,检测敏感度、特异度和准确度;
1)图像预处理
在预处理中,将所有得到的扫描图像厚度统一;在训练中不考虑体外部分,所有数据减去平均值除以标准差,在训练过程中对数据进行随机增强,增强操作包括在[‑15,15]的范围内随机旋转、左右翻转,以及弹性变形,在训练过程中每个EPOCH给每个CT加上一个符合期望为20,标准差为10的正态分布的随机数;
2)AGs
使用带有AGs的CNN模型可以用FCN模型训练的标准方法从零开始训练;在测试时,这些AGs会自动生成软区域建议,并突出对特定任务有用的显著特征;此外,它们不会引入大量的计算开销,也不像多模型框架那样需要大量的模型参数;提出的AGs通过抑制不相关区域的特征激活,提高了模型对密集标签预测的敏感性和准确性,AGs用于CNN的标准图像分析模型,以及密集标签预测;输入特征通过在AGs中计算的注意系数进行缩放;通过分析门控信号是从一个粗的尺度收集的;利用三线性插值对注意系数进行网格重采样;AGs被合并到标准U‑Net架构中,以突出通过跳跃连接的特征,在连接操作之前,为合并激活单元,要从粗尺度提取相关的信息用于门控,以消除跳跃连接中不相关和噪音产生的响应歧义;AGs在向前传递和向后传递过程中会过滤神经元的激活,在逆向传递过程中,会降低来自背景区域的渐变的权重,使浅层的模型参数主要基于与给定任务相关的空间区域进行更新;在没有任何空间支持的情况下进行线性变换,并将输入特征映射降采样到选通信号的分辨率,相应的线性变换对特征映射进行解耦,并将其映射到低维空间进行选通操作,低级特征映射,即 第一跳连接,不用于选通功能,不代表高维空间中的输入数据;Oktay使用深度监督来强制的使中间特征映射在每个图像尺度上具有语义上的区分;
3)CNN训练
训练阶段的输入是3层连续扫描数据和人体mask输出是中间层的分割结果,loss是系数和二元交叉熵的加权总和,忽略了人体外所有位置产生的损失,梯度下降法选择Adam,每
100批调整一次学习速率,降低到之前的0.99倍,在CPU核心数为4,内存大小32G,GPU为TeslaV100的环境上进行训练,该环境batchsize为160,共进行了40次迭代;
4)检测血管直径
利用上述训练好的网络权值进行计算,得到各层的分割结果,将上述分割结果融合到三维空间中,得到分割标签,去除主动脉外的假阳性,只保留分割标签中最大的连通块作为分割结果;在三维空间中重建扫描标签,并在三维空间中测量管道直径,具体方法是对分段标签中的连接块进行扫描,得到标签中最大的连接块,去除小的假阳性块;利用Canny边缘检测算法得到所有连通块的边缘,并利用所有边缘像素进行三维重建;选取每张断层扫描片上血管处随机的一点,然后制作一个水平面,并使用梯度下降法来调整水平面的法向量,即调整水平面的方向,使水平面与血管相交形成的多边形面积最小,把这个水平面作为血管的切面,计算出相交后形成的多边形面积的直径;
步骤四;表现评估,测试辅助诊断方法得到的结果和放射科医生的诊断结果的一致性,首先,全部的测试集用于测试辅助诊疗系统的性能表现,将上述测试集,根据“不同中心”和“不同制造商”划分为不同的子集来测试所构建的辅助诊疗系统的表现,从外部测试集中随机抽取100次检查,使用本系统对进行评估,最后通过判断本系统和医师诊断的一致性来考察系统表现。