一种受临床决策过程启发的鼻咽癌病灶分割方法

1.本发明涉及鼻咽癌病灶分割的技术领域，特别涉及一种受临床决策过程启发的鼻咽癌病灶分割方法。


背景技术：

2.鼻咽癌是一种上皮性恶性肿瘤，多发于鼻咽腔顶部和侧壁，是我国常见的恶性肿瘤之一。在鼻咽癌诊断和治疗过程中，病人往往需要接受鼻咽腔至颈部的磁共振影像扫描，以便发现病灶的准确范围并进行靶区勾画，即病灶分割。病灶分割往往是整个鼻咽癌病情分析流程的中间部分，不准确的分割结果会使得后续病情分析产生偏差，从而影响最终诊断结果。鼻咽癌分期取决于原发灶和转移淋巴结的位置、数量和大小等特征，准确的病灶分割对于鼻咽癌的临床分期和治疗至关重要。
3.现有文献中公开了一种鼻咽癌肿瘤区域分割方法，首先利用改进的召回率损失函数来进行鼻咽癌肿瘤区域病灶分割模型预训练，以获取肿瘤区域的大致位置，再利用dice损失函数进一步训练残差u-net，并对影像上的多重区域进行预测，最后组合所有区域的预测结果，得到完整的肿瘤靶区勾画，但该方法存在两方面不足，一方面，该方法只关注从癌变切片中勾画出鼻咽癌病灶，临床医生需要事先对每个三维mri影像中的切片进行逐一分类，将含有癌细胞的切片挑选出，再输入到相应的算法进行病灶分割，这种做法分割效率较低，而且对医生的临床经验要求较高；另一方面，该鼻咽癌肿瘤区域病灶分割模型所采用的u-net框架仅通过简单的跳跃连接操作来拼接跨尺度特征，整个语义分割过程只输出一个二维分割结果，这种“黑匣子”模型的不可解释性会让临床医生对其决策过程产生怀疑，从而阻碍了模型的临床应用。


技术实现要素：

4.为解决在当前鼻咽癌肿瘤区域分割方法中，鼻咽癌病灶分割效率低和鼻咽癌病灶分割结果的不可解释性的问题，本发明提出一种受临床决策过程启发的鼻咽癌病灶分割方法，有效地提高了鼻咽癌病灶分割效率，保证了鼻咽癌病灶结果的可解释性。
5.为了达到上述技术效果，本发明的技术方案如下：
6.一种受临床决策过程启发的鼻咽癌病灶分割方法，包括以下步骤：
7.s1.获取一定数量的鼻咽癌病人的三维mri影像，组成三维mri影像数据集；
8.s2.对三维mri影像数据集中的三维mri影像进行预处理；
9.s3.构建用于诊断癌变的三维mri影像的癌变诊断模型；
10.s4.将三维mri影像数据集划分为训练集和测试集，利用训练集对癌变诊断模型进行训练，并利用测试集测试癌变诊断模型的有效性，得到训练好的癌变诊断模型；
11.s5.将s2预处理后的三维mri影像输入训练好的癌变诊断模型，输出癌变的三维mri影像；
12.s6.构建用于对癌变的三维mri影像进行多尺度分割的病灶分割模型；
13.s7.利用癌变的三维mri影像训练病灶分割模型，得到训练好的病灶分割模型；
14.s8.采集待预测mri影像，将待预测mri影像输入训练好的癌变诊断模型，输出癌变的待预测mri影像，将诊断为癌变的待预测mri影像输入训练好的病灶分割模型，输出癌变的待预测mri影像的病灶分割结果。
15.优选地，步骤s1所述鼻咽癌病人的三维mri影像包括头部扫描的核磁t1加权像或t1加权对比增强像、颈部扫描的t2加权像。
16.优选地，步骤s2对三维mri影像数据集中的三维mri影像进行预处理的具体步骤为：利用最值归一化操作，将三维mri影像的像素值缩放到[0,1]之间。
[0017]
优选地，s3所述癌变诊断模型由依次相连的特征提取子模块、包含1x1卷积核的卷积层、sigmoid函数激活层和癌变概率诊断子模块构成，所述特征提取子模块由不含全连接层的残差网络组成，所述癌变概率诊断子模块由并行的分布对齐层和自适应池化层构成。
[0018]
优选地，癌变诊断模型对三维mri影像的处理过程为：
[0019]
s31.设三维mri影像高为h、宽为w，将三维mri影像输入癌变诊断模型的特征提取子模块，利用特征提取子模块提取三维mri影像的深度特征，输出三维mri影像的第一深度特征图，利用卷积层对第一深度特征图进行1x1卷积操作，输出第二深度特征图，通过sigmoid函数激活层对第二深度特征图进行sigmoid变换，将第二深度特征图转化为显著图；
[0020]
s32.利用分布对齐层对显著图进行专家先验分布对齐，并利用自适应池化层自适应地选取显著图中k个重要的像素点，计算k个重要的像素点均值，将像素点均值记为三维mri影像对应的癌变概率，即三维mri影像的图像级标签预测结果
[0021]
s33.判断图像级标签预测结果是否大于诊断阈值，若是，则将记为1，表示该图像级标签预测结果对应的三维mri影像为癌变的三维mri影像，输出癌变的三维mri影像；否则，将记为0，表示该图像级标签预测结果对应的三维mri影像为正常的三维mri影像。
[0022]
优选地，s32中分布对齐层对显著图进行专家先验分布对齐的具体过程为：
[0023]
s321.明确批次为n的三维mri影像对应的显著图；
[0024]
s322.计算s321所述显著图的概率质量分布pm，pm的计算表达式为：
[0025][0026]
其中，m(i)表示第n批次的三维mri影像对应的显著图，ψ(.)正则化操作表示将整个矩阵的l1范数放缩至1；
[0027]
s322.明确鼻咽癌在解剖横断面上的专家先验分布pe，将鼻咽癌在解剖横断面上的专家先验分布pe量化为高斯混合分布，pe的量化表达式为：
[0028][0029]
其中，表示第i个高斯分布，πi表示成分权重且∑πi＝1，c表示成分个数，均值μi由鼻咽癌高发部位解剖位置决定，协方差σi表示个体差异导致的位置扰动；
[0030]
s323.使显著图概率质量分布pm与专家先验分布pe之间的分布距离最小。
[0031]
优选地，s4训练集中的任一个三维mri影像匹配有图像级标签y和像素级标签g，当y＝0，表示该三维mri影像属于正常的三维mri影像；当y＝1时，表示该三维mri影像属于癌
变的三维mri影像；当g＝0时，表示该三维mri影像的像素点为正常的像素点；当g＝1时，表示该三维mri影像的像素点为癌变的像素点。
[0032]
优选地，s6所述病灶分割模型由相连的全卷积编码器和解码器构成，病灶分割模型对输入的癌变的三维mri影像的具体处理过程为：
[0033]
s61.利用全卷积编码器对癌变的三维mri影像进行多尺度深度特征提取，输出癌变的三维mri影像的多尺度深度特征信息至解码器；
[0034]
s62.解码器以逐步精细化的方式对多尺度深度特征信息进行解码，得到多尺度深度特征信息的像素级标签预测结果pk；
[0035]
s63.判断像素级标签预测结果pk是否大于分割阈值，若是，则将像素级标签预测结果记为1，表示该像素级标签预测结果对应癌变的三维mri影像的像素点为癌变的像素点；否则，将该像素级标签预测结果记为0，表示该像素级标签预测结果对应癌变的三维mri影像的像素点为正常的像素点；
[0036]
s64.基于步骤s63像素级标签预测结果pk的判断结果，输出癌变的三维mri影像的病灶分割结果。
[0037]
优选地，在训练癌变诊断模型时，训练过程使用第一损失函数作为总损失函数，的表达式为：
[0038][0039]
其中，表示交叉熵，λ表示非负超参数，表示对齐损失；
[0040]
在训练病灶分割模型时，训练过程分别使用第二损失函数和第三损失函数作为总损失函数，第二损失函数的表达式为：
[0041][0042]
其中，表示均方差误差损失；
[0043]
第三损失函数的表达式为：
[0044][0045]
其中，表示交叉熵，gk由g下采样2k倍所得。
[0046]
本发明还提出了一种受临床决策过程启发的鼻咽癌病灶分割系统，所述系统基于权利要求1所述的方法实现，所述系统包括：
[0047]
获取模块，用于获取一定数量的鼻咽癌病人的三维mri影像，组成三维mri影像数据集；
[0048]
预处理模块，用于对三维mri影像数据集中的三维mri影像进行预处理；
[0049]
癌变诊断模型构建模块，用于构建诊断癌变的三维mri影像的癌变诊断模型；
[0050]
癌变诊断模型训练模块，用于将三维mri影像数据集划分为训练集和测试集，利用训练集对癌变诊断模型进行训练，并利用测试集测试癌变诊断模型的有效性，得到训练好的癌变诊断模型；
[0051]
输出模块，用于将获取模块中的三维mri影像输入训练好的癌变诊断模型，输出癌变的三维mri影像；
[0052]
病灶分割模型构建模块，用于构建对癌变的三维mri影像进行多尺度分割的病灶分割模型；
[0053]
病灶分割模型训练模块，用于利用癌变的三维mri影像训练病灶分割模型，得到训练好的病灶分割模型；
[0054]
预测模块，用于采集待预测mri影像，将待预测mri影像输入训练好的癌变诊断模型，输出癌变的待预测mri影像，将癌变的待预测mri影像输入训练好的病灶分割模型，输出癌变的待预测mri影像的病灶分割结果。
[0055]
与现有技术相比，本发明技术方案的有益效果是：
[0056]
本发明提出一种受临床决策过程启发的鼻咽癌病灶分割方法，建立了一个由癌变诊断模型诊断到病灶分割模型分割的深度学习框架，首先利用诊断模型对预处理的三维mri影像进行诊断，诊断出癌变的三维mri影像，诊断过程模拟临床医生从鼻咽癌好发部位出发寻找可疑病灶，并从局部可疑区域作出最终结论的过程，然后利用病灶分割模型对癌变的三维mri影像进行多尺度分割，逐步精细化得到癌变的三维mri影像的病灶分割结果，分割过程模拟临床医生对切片上分割对象选取不同视野后的多尺度分割过程，三维mri影像从诊断过程到分割过程均为全自动化，不依赖于放射肿瘤医师事先诊断，有效地提高了鼻咽癌病灶分割效率，保证了鼻咽癌病灶结果的可解释性。
附图说明
[0057]
图1表示本发明实施例中提出的一种受临床决策过程启发的鼻咽癌病灶分割方法的流程示意图；
[0058]
图2表示本发明实施例中提出的诊断阶段的显著图可视化示意图；
[0059]
图3表示本发明实施例中提出的病灶分割阶段的多尺度分割过程示意图；
[0060]
图4表示本发明实施例中提出的癌变诊断模型的结构示意图；
[0061]
图5表示本发明实施例中提出的病灶分割模型的结构示意图；
[0062]
图6表示本发明实施例中提出的一种受临床决策过程启发的鼻咽癌病灶系统的结构示意图。
具体实施方式
[0063]
附图仅用于示例性说明，不能理解为对本专利的限制；
[0064]
为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸，“上”“下”等部位方向的描述非对本专利的限制；
[0065]
对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的；
[0066]
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
[0067]
下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0068]
实施例1
[0069]
如图1所示，本实施例提出了一种受临床决策过程启发的鼻咽癌病灶分割方法，包括以下步骤：
[0070]
s1.获取一定数量的鼻咽癌病人的三维mri影像，组成三维mri影像数据集；
[0071]
在s1中，所述鼻咽癌病人的三维mri影像包括头部扫描的核磁t1加权像或t1加权
对比增强像、颈部扫描的t2加权像。
[0072]
s2.对三维mri影像数据集中的三维mri影像进行预处理；
[0073]
在s2中，对三维mri影像数据集中的三维mri影像进行预处理的具体步骤为：利用最值归一化操作，将三维mri影像的像素值缩放到[0,1]之间。
[0074]
s3.构建用于诊断癌变的三维mri影像的癌变诊断模型；
[0075]
s4.将三维mri影像数据集划分为训练集和测试集，利用训练集对癌变诊断模型进行训练，并利用测试集测试癌变诊断模型的有效性，得到训练好的癌变诊断模型；
[0076]
在s4中，训练集中的任一个三维mri影像匹配有图像级标签y和像素级标签g，当y＝0，表示该三维mri影像属于正常的三维mri影像；当y＝1时，表示该三维mri影像属于癌变的三维mri影像；当g＝0时，表示该三维mri影像的像素点为正常的像素点；当g＝1时，表示该三维mri影像的像素点为癌变的像素点。
[0077]
s5.将s2预处理后的三维mri影像输入训练好的癌变诊断模型，输出癌变的三维mri影像；
[0078]
s6.构建用于对癌变的三维mri影像进行多尺度分割的病灶分割模型；
[0079]
s7.利用癌变的三维mri影像训练病灶分割模型，得到训练好的病灶分割模型；
[0080]
s8.采集待预测mri影像，将待预测mri影像输入训练好的癌变诊断模型，输出癌变的待预测mri影像，将诊断为癌变的待预测mri影像输入训练好的病灶分割模型，输出癌变的待预测mri影像的病灶分割结果。
[0081]
本实施例还从三个医院站点获取鼻咽癌病人的三维mri影像，三个医院站点分别为医院a、医院b和医院c，医院a获取的三维mri影像划分为训练集、验证集和内部测试集，医院b获取的的三维mri影像划分为外部验证集1，医院c获取的的三维mri影像划分为外部验证集2，分别利用本实施例提出的受临床决策过程启发的鼻咽癌病灶分割方法和传统深度分类方法对医院a、医院b和医院c的三维mri影像进行癌变诊断，癌变诊断结果参见表1和图2，表1中数字为auc指标(％)，数值越大表明相应的方法实施结果越好；
[0082]
表1不同方法在鼻咽癌癌变诊断任务中的癌变诊断结果
[0083][0084]
还分别利用本实施例提出的受临床决策过程启发的鼻咽癌病灶分割方法和其他最近公开的鼻咽癌病灶分割方法对医院a、医院b和医院c的三维mri影像进行病灶分割，病灶分割结果参见表2和图3，表2中数字为dsc指标(％)，数值越大表明相应的方法实施结果越好；
[0085]
表2不同方法在癌病灶分割任务中的病灶分割结果
[0086][0087]
通过表1和表2可以得到如下结论：
[0088]
(1)相比与传统深度分类网络和传统深度分割网络，本实施例提出的受临床决策过程启发的鼻咽癌病灶分割方法无论在诊断阶段与分割阶段都取得了优良的性能，验证了本发明能够自动地完成高精度的诊断与分割；
[0089]
(2)相比于在原发灶处的表现，所有方法在淋巴结处的诊断与分割性能均有不同程度的下降，这是由于淋巴结的分布位置更散且边缘模糊问题所致，然而实施例提出的受临床决策过程启发的鼻咽癌病灶分割方法依旧取得了96.4％的auc和82.3％的dsc，说明了癌变诊断模型和病灶分割模型的优越性；
[0090]
(3)相比于densenet、ghostnet、npc-seg、alignseg、npcnet所采用的更深度、更复杂的网络结构，本发明仅采用一个轻量级的resnet-14主干网络就取得了准确的效果，验证癌变诊断模型和病灶分割模型的有效性。
[0091]
实施例2
[0092]
参见图1及图4，s3所述癌变诊断模型由依次相连的特征提取子模块、包含1x1卷积核的卷积层、sigmoid函数激活层和癌变概率诊断子模块构成，所述特征提取子模块由不含全连接层的残差网络组成，所述癌变概率诊断子模块由并行的分布对齐层和自适应池化层构成。
[0093]
参见图4，三维mri影像输入癌变诊断模型的具体处理过程为：
[0094]
s31.设三维mri影像高为h、宽为w，将三维mri影像的输入癌变诊断模型的特征提取子模块，利用特征提取子模块提取三维mri影像的深度特征，输出三维mri影像的第一深度特征图，利用卷积层对第一深度特征图进行1x1卷积操作，输出第二深度特征图，通过sigmoid函数激活层对第二深度特征图进行sigmoid变换，将第二深度特征图转化为显著图m，满足以预测三维mri影像中各区域可能发生癌变的概率；
[0095]
s32.利用分布对齐层对显著图进行专家先验分布对齐，并利用自适应池化层自适应地选取显著图中k个重要的像素点，计算k个重要的像素点均值，将像素点均值记为三维mri影像对应的癌变概率，即三维mri影像的图像级标签预测结果
[0096]
在步骤s32中，分布对齐层对显著图进行专家先验分布对齐的具体过程为：
[0097]
s321.明确批次为n的三维mri影像对应的显著图；
[0098]
在步骤s321中，对于批次为n的一批三维mri影像重复步骤s31，可得一批显著图
[0099]
s322.计算s321所述显著图的概率质量分布pm，pm的计算表达式为：
[0100][0101]
其中，m(i)表示第n批次的三维mri影像对应的显著图，ψ(.)正则化操作表示将整个矩阵的l1范数放缩至1；
[0102]
s322.明确鼻咽癌在解剖横断面上的专家先验分布pe，将鼻咽癌在解剖横断面上的专家先验分布pe量化为高斯混合分布，pe的量化表达式为：
[0103][0104]
其中，表示第i个高斯分布，πi表示成分权重且∑πi＝1，c表示成分个数，均值μi由鼻咽癌高发部位解剖位置决定，协方差σi表示个体差异导致的位置扰动；根据《中国肿瘤整合诊治指南》，鼻咽癌原发灶好发于鼻咽顶壁、顶后壁及双侧咽隐窝，淋巴扩散主要出现在咽后双侧和颈部淋巴结，因此定义原发灶处为四成分混合分布，淋巴结处为两成分混合分布，查阅高发部位在横断面上的位置并在验证集数据上微调可得到各个分布的参数。
[0105]
s323.使显著图概率质量分布pm与专家先验分布pe之间的分布距离最小；
[0106]
在步骤s323中，常见的分布距离度量有kl散度、js散度、最优传输距离等，本步骤采用最优传输距离，具体计算如下：
[0107][0108]
使得t1＝vec(pm)，t
t
1＝vec(pe)，t≥0，
[0109]
其中，表示对齐损失，t表示传输矩阵，c为成本矩阵，《
·
,
·
》表示矩阵点积。
[0110]
对于通过步骤s31处理得到的任一三维mri影像的显著图m，计算其中最重要的区域大小，将重要像素点的个数记为k，k计算公式为
[0111]
k＝card({m
i,j
:m
i,j
≥δmax(m
i,j
)})，
[0112]
其中，m
i,j
表示m的第(i,j)个像素，δ∈[0,1]表示超参数；
[0113]
将像素点均值记为三维mri影像对应的癌变概率，即三维mri影像的图像级标签预测结果测结果的计算表达式如下：
[0114][0115]
s33.判断图像级标签预测结果是否大于诊断阈值，若是，则将记为1，表示该图像级标签预测结果对应的三维mri影像为癌变的三维mri影像，输出癌变的三维mri影像；否则，将记为0，表示该图像级标签预测结果对应的三维mri影像为正常的三维mri影像。
[0116]
实施例3
[0117]
参见图1及图5，s6所述病灶分割模型由相连的全卷积编码器和解码器构成，全卷积编码器设有不含全连接层的残差神经网络构成，解码器设有并行的第一卷积分支和第二
卷积分支，病灶分割模型对输入的癌变的三维mri影像的具体处理过程为：
[0118]
s61.利用全卷积编码器对癌变的三维mri影像进行多尺度深度特征提取，其中第k层特征fk的空间维度为这里的残差神经网络采用与特征提取子模块相同的残差网络，并将步骤s31训练后的网络参数作为初始化；输出癌变的三维mri影像的多尺度深度特征信息至解码器；
[0119]
s62.解码器以逐步精细化的方式对多尺度深度特征信息进行解码，得到多尺度深度特征信息的像素级标签预测结果pk；
[0120]
在步骤s62中，具体解码过程为：
[0121]
s621.将第k层特征fk分布输入到解码器的第一卷积分支和第二卷积分支中，第一卷积分支和第二卷积分支均采用两层3x3卷积与一层1x1卷积级联的网络结构；第一卷积分支输出单通道的预测结果第二卷积分支经sigmoid变换之后输出置信得分图置信得分图ck中的每一个像素点捕获预测结果ok中对应像素点的预测准确率；在训练阶段，给定预测结果ok和像素级标签gk，其中，gk表示g的第k个元素，计算置信得分图ck的均值误差损失的均值误差损失的计算表达式为：
[0122][0123]
其中，σ(
·
)表示sigmoid变换，表示哈达玛(hadamard)积，gk由g下采样2k倍所得；
[0124]
s622.将预测结果ok与置信得分图ck的哈达玛积与上一层的预测结果u
k+1
融合，得到第k层融合特征o'k，o'k的计算表达式为：
[0125][0126]
其中，u(
·
)表示2倍上采样操作，u
k+1
表示全零矩阵；
[0127]
s623.融合特征o'k经s622的跨尺度解码后，输出两个解码结果，其中一个解码结果为将融合特征o'k经2倍上采样操作后输出用于下一层融合操作的uk，另一个解码结果为将融合特征o'k经sigmoid变换后输出该层的分割预测概率，将分割预测概率记为像素级标签预测结果pk，pk的计算表达式为：
[0128][0129]
s63.判断像素级标签预测结果pk是否大于分割阈值，若是，则将像素级标签预测结果记为1，表示该像素级标签预测结果对应癌变的三维mri影像的像素点为癌变的像素点；否则，将该像素级标签预测结果记为0，表示该像素级标签预测结果对应癌变的三维mri影像的像素点为正常的像素点；
[0130]
s64.基于步骤s63像素级标签预测结果pk的判断结果，输出癌变的三维mri影像的病灶分割结果。
[0131]
实施例4
[0132]
在训练癌变诊断模型时，训练过程使用第一损失函数作为总损失函数，的
表达式为：
[0133][0134]
其中，表示交叉熵，λ表示非负超参数，表示对齐损失；
[0135]
在训练病灶分割模型时，训练过程分别使用第二损失函数和第三损失函数作为总损失函数，第二损失函数的表达式为：
[0136][0137]
其中，表示均方差误差损失；
[0138]
第三损失函数的表达式为：
[0139][0140]
其中，表示交叉熵，gk由g下采样2k倍所得。
[0141]
癌变诊断模型和病灶分割模型均选取不含最后一个残差模块的resnet-18作为主干网络，将所有的三维mri影像的尺寸放缩到512x512，设置λ＝0.1，δ＝0.45，癌变诊断模型的批次大小为36，学习率为0.0001，病灶分割模型的批次大小为4，学习率为0.001，β1＝0.9、β2＝0.999的ams-grad优化器，利用pytorch等机器学习库，对训练的癌变诊断模型和训练的病灶分割模型进行梯度优化，完成反向传播过程，分别更新训练的癌变诊断模型和训练的病灶分割模型的网络参数。
[0142]
实施例5
[0143]
参见图6，本实施例还提出了一种受临床决策过程启发的鼻咽癌病灶分割系统，所述系统包括：
[0144]
获取模块，用于获取一定数量的鼻咽癌病人的三维mri影像，组成三维mri影像数据集；
[0145]
预处理模块，用于对三维mri影像数据集中的三维mri影像进行预处理；
[0146]
癌变诊断模型构建模块，用于构建诊断癌变的三维mri影像的癌变诊断模型；
[0147]
癌变诊断模型训练模块，用于将三维mri影像数据集划分为训练集和测试集，利用训练集对癌变诊断模型进行训练，并利用测试集测试癌变诊断模型的有效性，得到训练好的癌变诊断模型；
[0148]
输出模块，用于将获取模块中的三维mri影像输入训练好的癌变诊断模型，输出癌变的三维mri影像；
[0149]
病灶分割模型构建模块，用于构建对癌变的三维mri影像进行多尺度分割的病灶分割模型；
[0150]
病灶分割模型训练模块，用于利用癌变的三维mri影像训练病灶分割模型，得到训练好的病灶分割模型；
[0151]
预测模块，用于采集待预测mri影像，将待预测mri影像输入训练好的癌变诊断模型，输出癌变的待预测mri影像，将癌变的待预测mri影像输入训练好的病灶分割模型，输出癌变的待预测mri影像的病灶分割结果。
[0152]
在本实施例中，首先建立了一个由癌变诊断模型诊断到病灶分割模型分割的深度
学习框架，首先利用诊断模型对预处理的三维mri影像进行诊断，诊断出癌变的三维mri影像，诊断过程模拟临床医生从鼻咽癌好发部位出发寻找可疑病灶，并从局部可疑区域作出最终结论的过程，然后利用病灶分割模型对癌变的三维mri影像进行多尺度分割，逐步精细化得到癌变的三维mri影像的病灶分割结果，分割过程模拟临床医生对切片上分割对象选取不同视野后的多尺度分割过程，三维mri影像从诊断过程到分割过程均为全自动化，不依赖于放射肿瘤医师事先诊断，有效地提高了鼻咽癌病灶分割效率，保证了鼻咽癌病灶结果的可解释性。
[0153]
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

技术特征：
1.一种受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，包括以下步骤：s1.获取一定数量的鼻咽癌病人的三维mri影像，组成三维mri影像数据集；s2.对三维mri影像数据集中的三维mri影像进行预处理；s3.构建用于诊断癌变的三维mri影像的癌变诊断模型；s4.将三维mri影像数据集划分为训练集和测试集，利用训练集对癌变诊断模型进行训练，并利用测试集测试癌变诊断模型的有效性，得到训练好的癌变诊断模型；s5.将s2预处理后的三维mri影像输入训练好的癌变诊断模型，输出癌变的三维mri影像；s6.构建用于对癌变的三维mri影像进行多尺度分割的病灶分割模型；s7.利用癌变的三维mri影像训练病灶分割模型，得到训练好的病灶分割模型；s8.采集待预测mri影像，将待预测mri影像输入训练好的癌变诊断模型，输出癌变的待预测mri影像，将诊断为癌变的待预测mri影像输入训练好的病灶分割模型，输出癌变的待预测mri影像的病灶分割结果。2.根据权利要求1所述的受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，步骤s1所述鼻咽癌病人的三维mri影像包括头部扫描的核磁t1加权像或t1加权对比增强像、颈部扫描的t2加权像。3.根据权利要求1所述的受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，步骤s2对三维mri影像数据集中的三维mri影像进行预处理的具体步骤为：利用最值归一化操作，将三维mri影像的像素值缩放到[0,1]之间。4.根据权利要求3所述的受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，s3所述癌变诊断模型由依次相连的特征提取子模块、包含1x1卷积核的卷积层、sigmoid函数激活层和癌变概率诊断子模块构成，所述特征提取子模块由不含全连接层的残差网络组成，所述癌变概率诊断子模块由并行的分布对齐层和自适应池化层构成。5.根据权利要求4所述的受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，癌变诊断模型对三维mri影像的处理过程为：s31.设三维mri影像高为h、宽为w，将三维mri影像输入癌变诊断模型的特征提取子模块，利用特征提取子模块提取三维mri影像的深度特征，输出三维mri影像的第一深度特征图，利用卷积层对第一深度特征图进行1x1卷积操作，输出第二深度特征图，通过sigmoid函数激活层对第二深度特征图进行sigmoid变换，将第二深度特征图转化为显著图；s32.利用分布对齐层对显著图进行专家先验分布对齐，并利用自适应池化层自适应地选取显著图中k个重要的像素点，计算k个重要的像素点均值，将像素点均值记为三维mri影像对应的癌变概率，即三维mri影像的图像级标签预测结果s33.判断图像级标签预测结果是否大于诊断阈值，若是，则将记为1，表示该图像级标签预测结果对应的三维mri影像为癌变的三维mri影像，输出癌变的三维mri影像；否则，将记为0，表示该图像级标签预测结果对应的三维mri影像为正常的三维mri影像。6.根据权利要求5所述的受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，s32中分布对齐层对显著图进行专家先验分布对齐的具体过程为：s321.明确批次为n的三维mri影像对应的显著图；
s322.计算s321所述显著图的概率质量分布p
m
，p
m
的计算表达式为：其中，m
(i)
表示第n批次的三维mri影像对应的显著图，ψ(.)正则化操作表示将整个矩阵的l1范数放缩至1；s322.明确鼻咽癌在解剖横断面上的专家先验分布p
e
，将鼻咽癌在解剖横断面上的专家先验分布p
e
量化为高斯混合分布，p
e
的量化表达式为：其中，表示第i个高斯分布，π
i
表示成分权重且∑π
i
＝1，c表示成分个数，均值μ
i
由鼻咽癌高发部位解剖位置决定，协方差σ
i
表示个体差异导致的位置扰动；s323.使显著图概率质量分布p
m
与专家先验分布p
e
之间的分布距离最小。7.根据权利要求6所述的受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，s4训练集中的任一个三维mri影像匹配有图像级标签y和像素级标签g，当y＝0，表示该三维mri影像属于正常的三维mri影像；当y＝1时，表示该三维mri影像属于癌变的三维mri影像；当g＝0时，表示该三维mri影像的像素点为正常的像素点；当g＝1时，表示该三维mri影像的像素点为癌变的像素点。8.根据权利要求7所述的受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，s6所述病灶分割模型由相连的全卷积编码器和解码器构成，病灶分割模型对输入的癌变的三维mri影像的具体处理过程为：s61.利用全卷积编码器对癌变的三维mri影像进行多尺度深度特征提取，输出癌变的三维mri影像的多尺度深度特征信息至解码器；s62.解码器以逐步精细化的方式对多尺度深度特征信息进行解码，得到多尺度深度特征信息的像素级标签预测结果p
k
；s63.判断像素级标签预测结果p
k
是否大于分割阈值，若是，则将像素级标签预测结果记为1，表示该像素级标签预测结果对应癌变的三维mri影像的像素点为癌变的像素点；否则，将该像素级标签预测结果记为0，表示该像素级标签预测结果对应癌变的三维mri影像的像素点为正常的像素点；s64.基于步骤s63像素级标签预测结果p
k
的判断结果，输出癌变的三维mri影像的病灶分割结果。9.根据权利要求8所述的受临床决策过程启发的鼻咽癌病灶分割方法，其特征在于，在训练癌变诊断模型时，训练过程使用第一损失函数作为总损失函数，的表达式为：其中，表示交叉熵，λ表示非负超参数，表示对齐损失；在训练病灶分割模型时，训练过程分别使用第二损失函数和第三损失函数作为总损失函数，第二损失函数的表达式为：其中，表示均方差误差损失；
第三损失函数的表达式为：其中，表示交叉熵，g
k
由g下采样2
k
倍所得。10.一种受临床决策过程启发的鼻咽癌病灶分割系统，所述系统基于权利要求1所述的方法实现，其特征在于，所述系统包括：获取模块，用于获取一定数量的鼻咽癌病人的三维mri影像，组成三维mri影像数据集；预处理模块，用于对三维mri影像数据集中的三维mri影像进行预处理；癌变诊断模型构建模块，用于构建诊断癌变的三维mri影像的癌变诊断模型；癌变诊断模型训练模块，用于将三维mri影像数据集划分为训练集和测试集，利用训练集对癌变诊断模型进行训练，并利用测试集测试癌变诊断模型的有效性，得到训练好的癌变诊断模型；输出模块，用于将获取模块中的三维mri影像输入训练好的癌变诊断模型，输出癌变的三维mri影像；病灶分割模型构建模块，用于构建对癌变的三维mri影像进行多尺度分割的病灶分割模型；病灶分割模型训练模块，用于利用癌变的三维mri影像训练病灶分割模型，得到训练好的病灶分割模型；预测模块，用于采集待预测mri影像，将待预测mri影像输入训练好的癌变诊断模型，输出癌变的待预测mri影像，将癌变的待预测mri影像输入训练好的病灶分割模型，输出癌变的待预测mri影像的病灶分割结果。

技术总结
本发明提出一种受临床决策过程启发的鼻咽癌病灶分割方法，涉及鼻咽癌病灶分割的技术领域，解决了在当前鼻咽癌肿瘤区域分割方法中，鼻咽癌病灶分割效率低和鼻咽癌病灶分割结果的不可解释性的问题的问题，首先利用诊断模型对预处理的三维MRI影像进行诊断，诊断出癌变的三维MRI影像，然后利用病灶分割模型对癌变的三维MRI影像进行多尺度分割，逐步精细化得到癌变的三维MRI影像的病灶分割结果，有效地提高了鼻咽癌病灶分割效率，保证了鼻咽癌病灶结果的可解释性。灶结果的可解释性。灶结果的可解释性。


技术研发人员：任传贤 许耿鑫
受保护的技术使用者：中山大学
技术研发日：2023.02.10
技术公布日：2023/8/16