1.患者病情跟踪方法,其特征在于,包括:
采集患者病灶图像数据,通过仿射变换对病灶图像数据进行刚性配准;
基于深度卷积神经网络预测病灶概率分布,基于条件随机场CRF进行病灶分割和标记;
使用B-spline基函数描述局部的位移对病灶区域图像数据进行非刚性配准,生成最终影像;
选取病灶区域进行体积计算,使用非线性微分方程确定病灶体积增长率和变化率,所述采集患者病灶图像数据,包括:
根据患者的具体病情需求进行图像数据采集;
基于医生经验,确定图像数据采集频率;
基于图像数据进行预处理,包括对图像数据去噪和灰度标准化以及图像裁剪处理,所述通过仿射变换对病灶图像数据进行刚性配准,包括:基于预处理图像数据,通过仿射变换对多时间点的影像数据进行初步对齐,定义仿射变换矩阵,通过矩阵乘法和向量加法操作,计算每个像素的新位置进行刚性配准,表示为:;
其中表示像素坐标点的变化后坐标,表示原始图像的像素点坐标,和分别为仿射变换矩阵和位移向量;
基于训练集确定参考影像,选择均方误差MSE作为相似性度量函数,目标是最小化目标影像与参考影像之间的差异,通过Adam优化器并通过梯度下降法进行迭代优化,当在连续迭代过程中计算的损失不再明显下降则停止迭代,确定为最优的A和b,并输出最优仿射变换矩阵;
通过刚性配准,将每个像素点的坐标变换至新的位置坐标,生成对齐影像,所述基于深度卷积神经网络预测病灶概率分布,基于条件随机场CRF进行病灶分割和标记,包括:基于深度卷积神经网络构建病灶区域模型,包括输入层、卷积层、最大池化层、全连接层和输出层;
使用训练集训练模型,并选择交叉熵损失函数计算病灶区域模型预测结果与实际标签之间的差异,使用Adam优化器进行梯度下降优化,更新模型的参数,在连续迭代过程中模型的损失不再明显下降则停止迭代输出模型;
基于病灶区域模型输出的病灶区域分割预测结果得到基于对齐影像的病灶概率分布图;
基于条件随机场CRF,将每个像素属于病灶区域的概率作为单点项,将像素点之间的相似性定义为双点项,基于单点项和双点项定义能量函数,表示为:;
;
;
其中表示第i个像素属于病灶的代价,表示第i个像素点属于病灶区域的概率,表示相邻的第i个像素和第j个像素的相似性代价,和分别表示第i个像素和第j个像素的空间坐标,表示权重系数,和分别表示第i个像素和第j个像素的灰度值,和分别表示空间尺度参数和颜色尺度参数,表示总能量函数值,N表示像素点总数,表示第i个像素的相邻像素领域;
使用训练集并选择交叉熵损失函数计算条件随机场CRF的病灶预测结果与实际标签之间的损失,使用Adam优化器进行梯度下降优化,更新条件随机场CRF参数,包括、和,在连续迭代过程中计算损失不再明显下降则停止迭代,输出模型参数,更新模型;
使用Mean-Field Approximation均值场近似法进行能量函数的优化,确定优化公式,表示为:;
其中表示归一化因子,表示分类概率,表示相邻像素的分类概率;
将病灶区域模型的预测概率图作为初始的,确定;
基于的概率分布,更新每个像素的分类概率,当在连续迭代过程中的变化量不再明显下降则停止迭代,输出模型最终的;
基于最终的生成对应的病灶区域概率图,基于历史平均值作为分割阈值,对概率图的像素值进行分割,并对病灶区域进行标记,所述使用B-spline基函数描述局部的位移对病灶区域图像数据进行非刚性配准,生成最终影像,包括:基于影像图像数据的病灶区域生成网格,并定义网格节点为控制点,进行非刚性配准;
基于每个控制点使用B-spline基函数描述局部的位移,表示为:;
;
其中表示像素点x的位移量,n表示与像素点相邻控制点的数量,表示控制点i的位移向量,表示B-spline基函数,表示第i个控制点的坐标,表示三阶B-spline基函数;
基于训练集确定参考影像,选择均方误差MSE作为相似性度量函数,目标是最小化目标影像与参考影像之间的差异,表示为:;
其中表示非刚性配准计算误差,表示像素点总数,表示第i个像素点的坐标,为参考影像中对应的像素点坐标,M表示控制点总数,表示平滑性正则化参数,其基于历史数据确定,表示控制点j的位移向量梯度,表示像素点的位移量;
使用Levenberg-Marquardt优化算法根据当前控制点的位移,计算非刚性配准计算误差的值,计算目标函数对每个控制点位移的梯度,然后更新控制点位移,当在连续优化过程中计算的误差不再明显下降则停止迭代,优化控制点的位移;
通过非刚性配准,基于控制点位移计算像素点位移,并基于对齐影像对像素点进行进一步位置调整,生成最终影像,所述选取病灶区域进行体积计算,包括:
基于影像扫描设备,通过多层影像数据的堆叠形成三维影像数据,基于经过了非刚性配准生成的最终影像,确定病灶变化区域并选取病灶变化区域的体素进行体积计算,所述使用非线性微分方程确定病灶体积增长率和变化率,包括:使用非线性微分方程拟合病灶的体积变化数据,表示为:;
其中表示时间t的病灶体积,表示病灶体积的增长率,表示病灶体积的最大限制值;
使用历史数据并使用平方误差作为损失函数,计算最小化观测体积与预测体积之间的差异;
使用非线性最小二乘法迭代计算损失,在连续迭代过程中模型的损失不再明显下降则停止迭代,输出最终的K和;
基于不同时间病灶体积增长率的变化确定增长率的变化率,根据医生经验进行变化率评估。
2.一种基于权利要求1所述的患者病情跟踪方法的系统,其特征在于,包括:图像数据处理模块,用于采集患者的病灶图像数据,进行图像预处理;
刚性配准模块,用于通过仿射变换进行刚性配准;
病灶识别与分割模块,用于基于深度卷积神经网络预测病灶区域的概率分布,使用条件随机场进行病灶分割和标记;
非刚性配准模块,用于通过B-spline基函数描述局部的位移,进行非刚性配准;
病灶体积计算模块,用于基于非刚性配准后的影像数据,选取病灶区域进行体积计算;
体积变化分析模块,用于使用非线性微分方程确定病灶的体积增长率和变化率。
3.一种计算机设备,包括:存储器和处理器;所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1所述的患者病情跟踪方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1所述的患者病情跟踪方法的步骤。