一种肿瘤淋巴结自动分期系统

摘要

本发明涉及一种肿瘤淋巴结自动分期系统，针对传统依靠影像科医生凭经验判断肿瘤淋巴结分期分重复性低、准确度不高等问题，提出一种肿瘤淋巴结自动分期系统，直接利用病理报告信息，自动分析转移淋巴结与非转移淋巴结在影像上的特征差异，不仅实现了将病理报告上的信息用于深度学习的模型训练，还通过3个通路里面的函数将对象的多个淋巴结图像的预测值整合，从而与对象的病报告上的标签分别对应，从而建立基于影像的淋巴结自动分期系统，准确度较高。

说明书

技术领域

本发明涉及一种基于影像学的肿瘤淋巴结影像标记物识别方法，属于影像标记物领域。

背景技术

恶性肿瘤严重影响人民健康和社会发展。其中，男性癌症发病率最高的部位分别为肺、胃和结直肠，女性为乳腺、肺和结直肠。大量研究已经证实，正确识别肿瘤TNM分期基础上的个体化精准治疗，能够有效降低多种癌症的死亡率。针对不同部位的癌症，术前精确的肿瘤TNM分期是实现个体化精准治疗的前提，其中，肿瘤淋巴结分期(N分期)的依据是有无淋巴结转移(Lymph Node Metastasis,LNM)以及淋巴结转移的位置与数量，淋巴结转移的金标准是术后病理组织学评估。以直肠癌为例，根据国际抗癌联盟(UICC)和美国肿瘤联合会(AJCC)联合制定的分期法，淋巴结分期(N分期)具体为：

N0：无淋巴结转移；

N1：1～3个淋巴结转移；

N2：≥4个淋巴结转移。

在术前通过影像学检查(如超声、CT、MRI等)判断肿瘤淋巴结分期是关系治疗方案选择和患者预后的决定性因素之一，正确识别对于彻底清除肿瘤、监测残留肿瘤活性和最大限度减少创伤具有重要意义。

然而，包括超声、CT、MRI在内的多种影像学人工检查所获得的淋巴结转移的总体正确诊断率仍普遍低于80％，实际临床工作中的正确率更低，对短径＜5mm的淋巴结转移临床正确诊断率尚不足40％，而后者是肿瘤复发和转移的重大隐患。通过医生人工阅片的方式开展基于影像学的淋巴结分期准确率低，其主要原因在于：(1)影像科医生的经验是准确诊断的重要影响因素；(2)肉眼观察对早期淋巴结转移的细微形态学改变常常难以识别；(3)转移性淋巴结常常与炎性淋巴结肿大、淋巴结反应性增生的形态学表现及血流灌注状态存在重叠；(4)对淋巴结转移的判断目前还缺乏统一的标准。目前对淋巴结转移的影像学人工检查效果均不理想，主要是因为转移淋巴结界定尚缺乏统一标准，医生很难同时利用多个特征做出最终的诊断。

随着计算机视觉、机器学习等人工智能技术，特别是深度学习的快速发展，利用计算机自动识别及判断有望降低人为因素对诊断结果的影响。首先，基于深度学习的模型训练需要大量样本，然而，由于淋巴结众多且尺寸大小不一，手术过程中难以靶向定位到术前影像标记淋巴结在人体组织的实际对应位置，因此难以获得模型训练所需的影像-病理一一对应的大样本数据。其次，现有技术所采用的深度学习的模型训练，所使用的标签仍然是医生主观判断的影像学诊断结果，即人工阅片标记每个淋巴结是否转移，而这一结果本身与病理报告的一致性较低，目前临床中术后病理报告已经能够给出患者整体是否淋巴结转移、淋巴结转移总数和病理分期结果，上述病理报告上的信息无法被用于深度学习的模型训练。

发明内容

本发明针对传统依靠影像科医生凭经验判断肿瘤淋巴结分期分重复性低、准确度不高等问题，提出一种肿瘤淋巴结自动分期系统，直接利用病理报告信息，自动分析转移淋巴结与非转移淋巴结在影像上的特征差异，实现肿瘤淋巴结分期中转移淋巴结的智能识别和自动分期。

一种肿瘤淋巴结自动分期系统包括：设计新型神经网络架构，构建损失函数，训练卷积神经网络模型自动挖掘淋巴结影像特征并综合比对，自动识别转移淋巴结。

优选地，包括以下步骤：

步骤一，在每个代表不同对象的影像上分别检测淋巴结位置，提取淋巴结区域的影像；

步骤二，设计淋巴结诊断的多通路网络架构，对淋巴结区域的影像进行特征提取，以病理报告数据库中记录的每一个对象是否淋巴结转移、淋巴结转移数目及淋巴结分期数据为标签，建立一个新型损失函数，使用最优化算法对该损失函数进行最小化计算，实现卷积神经网络模型训练，从而构建淋巴结自动分期系统。

优选地，步骤一包括：获得M个对象(person)的病理报告数据，形成病理报告数据库，针对每个对象PT

优选地，步骤二包括：以淋巴结图像为网络输入，采用卷积神经网络(CNN)提取每个淋巴结图像x

优选地，所述通路一首先采用函数f

优选地，所述通路二首先设定一个自适应阈值T

优选地，所述通路三在计算得到淋巴结转移数目L

优选地，步骤二包括：模型训练的整体损失函数为Loss

其中，

优选地，步骤二包括：采用最优化算法，对整体损失函数Loss

与现有技术相比，本发明的有益效果是：

1)多通路网络架构：现有方法采用单通路网络，必须明确每个淋巴结图像对应的标签，而且只能构建一个标签的预测模型。本方法采用3个通路，分别指导网络同时学习对象是否淋巴结转移、淋巴结转移数目及淋巴结分期，无需明确每个淋巴结图像对应的标签，且所建模型可以同时输出3个标签的预测结果。

2)整体损失函数Loss

3)无需明确每个淋巴结图像的对应标签，该模型可以直接利用对象的病理报告信息，从而实现淋巴结图像的自动分期。是由3个通路里面的函数实现的，这些函数可以将对象的多个淋巴结图像的预测值整合，从而与对象的病报告上的标签分别对应。

4)可同时输出淋巴结分期的3个标签。整体损失函数包括的3个标签的损失函数，对整体损失函数进行优化，从而实现3个标签的同时输出。

附图说明

图1为多通路网络架构图。

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。

请参阅图1，本发明提供以下一种技术方案：本发明设计新型神经网络架构(网络结构和损失函数)，直接利用病理报告上是否淋巴结转移、淋巴结转移数目和病理分期结果为标签构建损失函数，训练卷积神经网络模型自动挖掘淋巴结影像特征并综合比对，自动识别转移淋巴结，从而建立基于影像的淋巴结自动分期系统，准确度较高。

首先，在每个代表不同对象的影像上分别检测淋巴结位置，提取淋巴结区域的影像。

然后，设计淋巴结诊断的多通路网络架构，对淋巴结区域的影像进行特征提取，以病理报告数据库中记录的每一个对象是否淋巴结转移、淋巴结转移数目及淋巴结分期数据为标签，建立一个新型损失函数，使用最优化算法对该损失函数进行最小化计算，实现卷积神经网络模型训练，从而构建淋巴结自动分期系统。

(1)淋巴结检测：获得M个对象数据，针对每个对象PT

(2)多通路网络架构设计：以淋巴结图像为网络输入，采用卷积神经网络(CNN)取每个淋巴结图像x

其中，通路一首先采用函数f

路二首先设定一个自适应阈值T

通路三在计算得到淋巴结转移数目L

3)整体损失函数Loss

其中，

4)淋巴结自动分期模型训练：采用最优化算法，对整体损失函数Loss

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。