一种基于CT的卵巢癌智能分型诊断系统

摘要

本发明公开了一种基于CT的卵巢癌智能分型诊断系统，具体涉及医疗疾病诊断领域，包括影像采集、病历信息处理、基于影像分型、生产对抗网络、临床验证和临床应用的步骤设定。本发明通过历史数据综合利用，整合卵巢癌影像信息和病理信息，有助于更有效的利用历史数据，节省医疗资源，辅助医生精确诊断，在卵巢癌的临床诊断中加入了人工智能的方法，利用CT影像建立卵巢癌分型模型，有助于提高诊断效率，节省医生时间，减少误诊率，减轻病患痛苦，节省就医时间，更有助于治疗和愈后，最终实现卵巢癌的非侵入、无创伤分型。

说明书

技术领域

本发明涉及医疗疾病诊断技术领域，更具体地说，本发明涉及一种基于CT的卵巢癌智能分型诊断系统。

背景技术

卵巢癌是女性恶性肿瘤中最常见的肿瘤之一，其发病率占妇科肿瘤发病率第2位，其死亡率居妇科恶性肿瘤首位。近年来，我国卵巢癌发病率逐年增高且呈年轻化趋势。由于卵巢位于盆腔深部，起病较隐匿，病变早期难以发现且病情发展迅速，加之缺乏有效地筛查及早期诊断的手段，多数患者就诊时已是晚期。诊断是治疗的前提，卵巢癌的治疗首先应确定分型。近年来，深度神经网络在智慧医疗的许多领域都取得了引人注目的成绩，智慧医疗作为解决民众看病就医的重要手段。这种以大数据为驱动的学习算法，需要大量的医疗数据支持。由此，临床上积累的大量卵巢癌历史数据为卵巢癌的智能分型诊断提供了数据基础。目前，组织病理学检查是肿瘤病理诊断的标准，通常只能在手术切除或穿刺活检等离体组织标本上进行，获取组织标本具有侵入性，易受标本取材影响。而影像组学作为量化实体肿瘤放射学表型的手段，它假设放射照相表型代表潜在的病理生理学。不同的病理类型在CT影像上存在细微特征的差异，CT影像分析对卵巢癌的定位、定性均十分有益。利用CT影像，使用人工智能的方法辅助医生进行卵巢癌分型，可实现卵巢癌的非侵入、无创伤分型，有利于提高卵巢癌诊断效率，缩短病人就医时间，减轻病人痛苦。近年来人工智能在医疗诊断上的应用范围正在不断扩大，已经在一些病症的诊断上起了很大的作用。但目前通过深度学习对卵巢癌进行分型的研究，国内外鲜有文献报道。现阶段对卵巢癌分型的方法尚处于初级阶段，效率低、不精确，但其在临床上的诊治有着不可或缺的作用，但目前，尚缺少规范统一的数据标准。病人的CT数据来源于不同的检验设备，格式不一，数据的多源异构性造成数据处理的不便，阻碍卵巢癌分型模型的建立。因此，急需一种更加快捷、高效的方式来解决此问题。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于CT的卵巢癌智能分型诊断系统，本发明所要解决的技术问题是：如何将人工智能的方法应用到卵巢癌诊断的临床应用中，并利用深度学习模型对卵巢癌的诊治及在临床上的应用。

为实现上述目的，本发明提供如下技术方案：一种基于CT的卵巢癌智能分型诊断系统，所述具体诊断步骤如下：

S1、影像采集：在具有卵巢癌治疗经验的医院调取收集卵巢癌医学影像和病理数据的病历信息；

S2、病历信息处理：

S2.1：数据处理：对步骤S1中采集的数据进行清洗，删除不完整或不合规的数据信息，利用数据质量标签和聚类方法对数据质量进行分析与评估，对不同检验设备采集数据的格式统一化处理，最大限度消除临床记录误差和数据不完整带来的影响；

S2.2：影像处理：对步骤S1中采集的图像进行分解，然后通过计算筛选确定噪声项，将噪声项去除后，将有效IMF分量进行重构，即完成图像去噪，使图像具有更加清晰的轮廓和更加丰富的纹理信息，使病灶更易发现；

S3、基于影像分型：基于步骤S2中得到的数据及影像，创建基于对抗生成网络的分型模型，并设定各类卵巢癌阶段的对应数据区域及影像图像，并在创建的对抗生成网络的分型模型中添加判别器和生成器，实现卵巢癌病理类型的智能分类；

S4、生产对抗网络：将生成问题视作判别器和生成器之间的对抗博弈，生成器从给定噪声中产生合成数据，判别器分辨生成器的的输出和真实数据；

S5、临床验证：收集未来半年临床试验病患的资料，为每个病例撰写模型诊断报告；比较分析医生诊断报告与模型诊断报告；对模型进行修正，对系统理论进一步完善，对卵巢癌分型诊断核心方法进行校核修正；

S6、临床应用：通过向步骤S3中建立的模型提交腹盆腔CT影像数据，实现卵巢癌病理类型的自动识别，并应用在临床卵巢癌诊断中。

在一个优选地实施方式中，所述步骤S1中收集的卵巢癌医学影像和病理数据份数设置为150-200份，且收集的资料需将患者个人信息对应项抹除。

在一个优选地实施方式中，所述步骤S2.2中图像去噪采用基于2D-VMD的图像去噪方法，对含有噪声信号的图像进行2D-VMD分解，然后利用信噪比与均方误差值将分解后的各IMF分量进行计算筛选。

在一个优选地实施方式中，所述步骤S3中基于对抗生成网络的分型模型的创建是采用基于大量历史数据训练得到卵巢癌分型模型。

在一个优选地实施方式中，所述步骤S4中判别器和生成器两个网络在对抗中进步，在进步后继续对抗，以提高分类模型的准确率。

在一个优选地实施方式中，所述步骤S5在临床研究中开展，并使用分型模型在未来半年诊断病例40例以上。

在一个优选地实施方式中，所述步骤S5中收集的病患的资料包括姓名、年龄、模型诊断结果和医生诊断报告。

在一个优选地实施方式中，所述步骤S6中的识别结果与以上专业判断相结合后运用于治疗方案制备。

本发明的技术效果和优点：

本发明通过历史数据综合利用，整合卵巢癌影像信息和病理信息，有助于更有效的利用历史数据，节省医疗资源，辅助医生精确诊断，在卵巢癌的临床诊断中加入了人工智能的方法，利用CT影像建立卵巢癌分型模型，有助于提高诊断效率，节省医生时间，减少误诊率，减轻病患痛苦，节省就医时间，更有助于治疗和愈后，最终实现卵巢癌的非侵入、无创伤分型。

附图说明

图1为本发明的整体流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

本发明提供了一种基于CT的卵巢癌智能分型诊断系统，所述具体诊断步骤如下：

S1、影像采集：在具有卵巢癌治疗经验的医院调取收集卵巢癌医学影像和病理数据的病历信息，收集的卵巢癌医学影像和病理数据份数设置为150-200份，且收集的资料需将患者个人信息对应项抹除；

S2、病历信息处理：

S2.1：数据处理：对步骤S1中采集的数据进行清洗，删除不完整或不合规的数据信息，利用数据质量标签和聚类方法对数据质量进行分析与评估，对不同检验设备采集数据的格式统一化处理，最大限度消除临床记录误差和数据不完整带来的影响；分析多源异构的数据的特点，对采集的数据进行清洗，删除不完整或不合规的数据信息，对不同检验设备采集数据的格式统一化处理；

S2.2：影像处理：对步骤S1中采集的图像进行分解，然后通过计算筛选确定噪声项，图像去噪采用基于2D-VMD的图像去噪方法，对含有噪声信号的图像进行2D-VMD分解，然后利用信噪比与均方误差值将分解后的各IMF分量进行计算筛选，将噪声项去除后，将有效IMF分量进行重构，即完成图像去噪，使图像具有更加清晰的轮廓和更加丰富的纹理信息，使病灶更易发现从而帮助临床医生发现病情，对疾病进行精确诊断，以便制定积极的治疗方案；

S3、基于影像分型：基于步骤S2中得到的数据及影像，创建基于对抗生成网络的分型模型，基于对抗生成网络的分型模型的创建是采用基于大量历史数据训练得到卵巢癌分型模型，并设定各类卵巢癌阶段的对应数据区域及影像图像，并在创建的对抗生成网络的分型模型中添加判别器和生成器，实现卵巢癌病理类型的智能分类；

S4、临床验证：收集未来半年临床试验病患的资料，为每个病例撰写模型诊断报告；比较分析医生诊断报告与模型诊断报告；对模型进行修正，对系统理论进一步完善，对卵巢癌分型诊断核心方法进行校核修正，临床研究中开展，并使用分型模型在未来半年诊断病例40例以上，收集的病患的资料包括姓名、年龄、模型诊断结果和医生诊断报告，通过对临床应用案例进行科学合理的分析与比较以改进分型模型，获得精准的基于CT影像的卵巢癌分型模型，最终实现卵巢癌的非侵入、无创伤分型；

S5、临床应用：通过向步骤S3中建立的模型提交腹盆腔CT影像数据，实现卵巢癌病理类型的自动识别，并应用在临床卵巢癌诊断中，识别结果与以上专业判断相结合后运用于治疗方案制备，因为卵巢肿瘤组织结构复杂，病理类型多，通过不同的病理类型之间存在CT影像细微特征的差异，CT影像分析对卵巢癌的定位、定性十分有益，辅助医生精确诊断，减少误诊率，减轻病患痛苦，节省就医时间，实现卵巢癌的非侵入、无创伤、可重复分型。

实施例2：

本发明提供了一种基于CT的卵巢癌智能分型诊断系统，所述具体诊断步骤如下：

S1、影像采集：在具有卵巢癌治疗经验的医院调取收集卵巢癌医学影像和病理数据的病历信息，收集的卵巢癌医学影像和病理数据份数设置为150-200份，且收集的资料需将患者个人信息对应项抹除；

S2、病历信息处理：

S2.1：数据处理：对步骤S1中采集的数据进行清洗，删除不完整或不合规的数据信息，利用数据质量标签和聚类方法对数据质量进行分析与评估，对不同检验设备采集数据的格式统一化处理，最大限度消除临床记录误差和数据不完整带来的影响；分析多源异构的数据的特点，对采集的数据进行清洗，删除不完整或不合规的数据信息，对不同检验设备采集数据的格式统一化处理；

S2.2：影像处理：对步骤S1中采集的图像进行分解，然后通过计算筛选确定噪声项，图像去噪采用基于2D-VMD的图像去噪方法，对含有噪声信号的图像进行2D-VMD分解，然后利用信噪比与均方误差值将分解后的各IMF分量进行计算筛选，将噪声项去除后，将有效IMF分量进行重构，即完成图像去噪，使图像具有更加清晰的轮廓和更加丰富的纹理信息，使病灶更易发现从而帮助临床医生发现病情，对疾病进行精确诊断，以便制定积极的治疗方案；

S3、基于影像分型：基于步骤S2中得到的数据及影像，创建基于对抗生成网络的分型模型，基于对抗生成网络的分型模型的创建是采用基于大量历史数据训练得到卵巢癌分型模型，并设定各类卵巢癌阶段的对应数据区域及影像图像，并在创建的对抗生成网络的分型模型中添加判别器和生成器，实现卵巢癌病理类型的智能分类；

S4、生产对抗网络：将生成问题视作判别器和生成器之间的对抗博弈，生成器从给定噪声中产生合成数据，判别器分辨生成器的的输出和真实数据，判别器和生成器两个网络在对抗中进步，在进步后继续对抗，以提高分类模型的准确率，采用生成对抗网络建立卵巢癌分型模型，基于CT影像的卵巢癌分型方法能够辅助医生精确诊断，减少误诊率，减轻病患痛苦，节省就医时间；

S5、临床验证：收集未来半年临床试验病患的资料，为每个病例撰写模型诊断报告；比较分析医生诊断报告与模型诊断报告；对模型进行修正，对系统理论进一步完善，对卵巢癌分型诊断核心方法进行校核修正，临床研究中开展，并使用分型模型在未来半年诊断病例40例以上，收集的病患的资料包括姓名、年龄、模型诊断结果和医生诊断报告，通过对临床应用案例进行科学合理的分析与比较以改进分型模型，获得精准的基于CT影像的卵巢癌分型模型，最终实现卵巢癌的非侵入、无创伤分型；

S6、临床应用：通过向步骤S3中建立的模型提交腹盆腔CT影像数据，实现卵巢癌病理类型的自动识别，并应用在临床卵巢癌诊断中，识别结果与以上专业判断相结合后运用于治疗方案制备，因为卵巢肿瘤组织结构复杂，病理类型多，通过不同的病理类型之间存在CT影像细微特征的差异，CT影像分析对卵巢癌的定位、定性十分有益，辅助医生精确诊断，减少误诊率，减轻病患痛苦，节省就医时间，实现卵巢癌的非侵入、无创伤、可重复分型。

实施例3：

本发明提供了一种基于CT的卵巢癌智能分型诊断系统，所述具体诊断步骤如下：

S1、影像采集：在具有卵巢癌治疗经验的医院调取收集卵巢癌医学影像和病理数据的病历信息，收集的卵巢癌医学影像和病理数据份数设置为150-200份，且收集的资料需将患者个人信息对应项抹除；

S2、基于影像分型：基于步骤S1中得到的数据及影像，创建基于对抗生成网络的分型模型，基于对抗生成网络的分型模型的创建是采用基于大量历史数据训练得到卵巢癌分型模型，并设定各类卵巢癌阶段的对应数据区域及影像图像，并在创建的对抗生成网络的分型模型中添加判别器和生成器，实现卵巢癌病理类型的智能分类；

S3、生产对抗网络：将生成问题视作判别器和生成器之间的对抗博弈，生成器从给定噪声中产生合成数据，判别器分辨生成器的的输出和真实数据，判别器和生成器两个网络在对抗中进步，在进步后继续对抗，以提高分类模型的准确率，采用生成对抗网络建立卵巢癌分型模型，基于CT影像的卵巢癌分型方法能够辅助医生精确诊断，减少误诊率，减轻病患痛苦，节省就医时间；

S4、临床验证：收集未来半年临床试验病患的资料，为每个病例撰写模型诊断报告；比较分析医生诊断报告与模型诊断报告；对模型进行修正，对系统理论进一步完善，对卵巢癌分型诊断核心方法进行校核修正，临床研究中开展，并使用分型模型在未来半年诊断病例40例以上，收集的病患的资料包括姓名、年龄、模型诊断结果和医生诊断报告，通过对临床应用案例进行科学合理的分析与比较以改进分型模型，获得精准的基于CT影像的卵巢癌分型模型，最终实现卵巢癌的非侵入、无创伤分型；

S5、临床应用：通过向步骤S3中建立的模型提交腹盆腔CT影像数据，实现卵巢癌病理类型的自动识别，并应用在临床卵巢癌诊断中，识别结果与以上专业判断相结合后运用于治疗方案制备，因为卵巢肿瘤组织结构复杂，病理类型多，通过不同的病理类型之间存在CT影像细微特征的差异，CT影像分析对卵巢癌的定位、定性十分有益，辅助医生精确诊断，减少误诊率，减轻病患痛苦，节省就医时间，实现卵巢癌的非侵入、无创伤、可重复分型。

实施例4：

分别取上述实施例1-3所制得的智能分型诊断系统分别给40位年龄在45-60岁卵巢癌患者检测，得到以下数据：

由上表可知，实施例2中智能分型诊断系统诊断率最高，采用该系统诊断结果与医生判断结果一致，有助于提高诊断效率，节省医生时间。

最后应说明的几点是：首先，在本申请的描述中，需要说明的是，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变，则相对位置关系可能发生改变；

其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。