申请/专利权人：北京大学人民医院

申请日：2023-10-07

公开（公告）日：2024-01-16

公开（公告）号：CN117036343B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/764;G06V10/82;G16H30/40

优先权：

专利状态码：有效-授权

法律状态：2024.01.16#授权;2023.11.28#实质审查的生效;2023.11.10#公开

摘要：本发明公开了用于识别腋窝淋巴结转移癌的FFOCT图像分析方法和装置。本发明的图像分析方法包括获取和预处理FFOCT图像；目标图像块分类预测；生成FFOCT图像的二分类概率；获得识别结果。本发明采用深度学习模型对癌症患者腋窝淋巴结FFOCT图像进行深度学习并获得区分FFOCT图像为非癌转移癌的分类阈值，在此基础上将待识别的受试者的FFOCT图像裁剪成多个目标图像块，对每个目标图像块预测非癌和转移癌的概率，获得二分类概率的比值，再与非癌或转移癌的分类阈值比较，从而获得识别结果。本发明能够对腋窝淋巴结FFOCT图像中的转移癌准确识别，提升图像识别结果的准确性，实现了无创性的快速术中诊断。

主权项：1.一种用于识别腋窝淋巴结转移癌的FFOCT图像分析方法，所述方法包括以下步骤：获取和预处理FFOCT图像：获取待识别的受试者的腋窝淋巴结FFOCT图像，对所述腋窝淋巴结FFOCT图像进行裁剪以获得M个目标图像块，其中M为大于1的自然数，且所述M个目标图像块均是含有有效区域的图像块；目标图像块分类预测：将所述M个目标图像块输入到已构建的深度学习模型，预测每个目标图像块的类别是转移癌或非癌，并得到每个目标图像块的预测结果；生成FFOCT图像的二分类概率：基于每个目标图像块的分类置信度按照非癌和转移癌的预测概率分成两类目标图像块，得到所述腋窝淋巴结FFOCT图像的二分类概率；获得识别结果：将所述FFOCT图像的二分类概率与在所述深度学习模型的构建中经训练确定的非癌或转移癌的分类阈值比较从而获得所述FFOCT图像的识别结果；其中，所述目标图像块分类预测步骤包括：分别将M个所述目标图像块输入已构建的深度学习模型，得到M个对应于所述目标图像块的分类置信度，所述分类置信度表征所对应的目标图像块被预测为非癌或转移癌的概率；所述生成FFOCT图像的二分类概率步骤包括：基于每个目标图像块的分类置信度按照非癌和癌的预测概率分成被预测为非癌的目标图像块和被预测为转移癌的目标图像块，计算被预测为非癌的目标图像块的数目N与所有目标图像块的数目M的比值NM，所述NM值代表所述FFOCT图像的最终被预测为非转移癌的概率；获得识别结果步骤包括：将NM值与在所述深度学习模型的构建中经训练确定的非癌或转移癌的分类阈值比较，若NM值大于所述分类阈值，则代表所述FFOCT图像的识别结果为非转移癌，反之则为转移癌；并且其中所述深度学习模型通过以下步骤构建：1）获取目标人群的腋窝淋巴结FFOCT图像，每张FFOCT图像均标注有图像标签，其中所述图像标签是每张FFOCT图像对应的腋窝淋巴结的病理诊断信息，所述目标人群为经病理诊断确认的癌症患者，包括具有或没有腋窝淋巴结转移癌的癌症患者；2）划定所述FFOCT图像的有效区域，然后按照预定的分辨率对所述FFOCT图像进行裁剪，得到目标图像块；3）将裁剪后的目标图像块整理划分为训练集、验证集和测试集，选择深度学习模型训练网络并调整网络参数，构建深度学习模型；4）在训练集、验证集中得到网络最优参数后，在验证集的FFOCT图像上计算NM值，并结合对应的图像标签计算不同NM值针对所述图像标签的识别准确度，选择有最优区分度的值作为测试集中区分FFOCT图像为非癌转移癌的分类阈值。

全文数据：

权利要求：

百度查询： 北京大学人民医院 用于识别腋窝淋巴结转移癌的FFOCT图像分析方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD