一种自动识别鼻咽癌原发肿瘤的方法及装置
专利汇可以提供一种自动识别鼻咽癌原发肿瘤的方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 涉及 图像处理 领域，提供一种自动识别鼻咽癌原发 肿瘤 的方法及装置，该方法包括将Mask RCNN深度语义分割网络中的骨干网络采用ResNeXt152网络，并将语义分割分支的预测类别定义为三类；利用预处理后的多个磁共振三维图像训练该深度语义分割网络，其输出包括：包含肿瘤区域的矩形框的四个端点的 像素 位置 信息、矩形框为肿瘤区域的概率、矩形框内每个像素属于原发肿瘤区域的概率；将待识别磁共振三维图像输入该深度语义分割网络，得到每个像素属于原发肿瘤区域的概率；该方法通过 深度学习 方法，利用Mask RCNN的网络架构并对其进行改进，能有效提高预测的准确度和模型的泛化能 力 。，下面是一种自动识别鼻咽癌原发肿瘤的方法及装置专利的具体信息内容。
1.一种自动识别鼻咽癌原发肿瘤的方法，其特征在于，包括：
将Mask RCNN深度语义分割网络中的骨干网络采用ResNeXt152网络，并将语义分割分支的预测类别定义为三类，所述预测类别分别为像素属于非肿瘤区域的概率、像素属于肿瘤区域边界的概率及像素属于肿瘤区域内部的概率；
利用预处理后的多个磁共振三维图像训练所述Mask RCNN深度语义分割网络，所述Mask RCNN深度语义分割网络的输出包括：包含肿瘤区域的矩形框的四个端点的像素位置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框内每个像素属于原发肿瘤区域的概率；
将待识别磁共振三维图像输入训练后的所述Mask RCNN深度语义分割网络，得到待识别磁共振三维图像中每个像素属于原发肿瘤区域的概率。
2.根据权利要求1所述的自动识别鼻咽癌原发肿瘤的方法，其特征在于，对多个所述磁共振三维图像均进行预处理的步骤包括：截取所述磁共振三维图像中的感兴趣区域、下采样、灰度值归一化处理和高斯平滑处理。
3.根据权利要求2所述的自动识别鼻咽癌原发肿瘤的方法，其特征在于，对多个所述磁共振三维图像均进行预处理的具体步骤如下：
以20为阈值将所述磁共振三维图像转化为二值图像，计算转化后的磁共振三维图像在z轴上的每个二维图像的所有像素的总和、并绘制曲线，取所述曲线中的第一个极小值点作为人体颈部的分割线，并取人体颈部以上的图像作为感兴趣区域；
对所述二维图像进行下采样，使所述二维图像在x方向和y方向上的相邻两像素间距离分别为1mm；
对下采样后的二维图像的灰度值进行归一化：计算所述二维图像的直方图，截取直方图的3％分位数作为新的最小值min、截取直方图的97％分位数作为新的最大值max，通过下式计算窗宽w和窗位c，
w＝max-min
c＝min+0.5*w
再通过下式把每个像素的灰度值映射至[0,255]区间内，
x＝0 if x
其中，x为像素的灰度值；
对进行归一化后的二维图像进行高斯平滑去噪处理。
4.根据权利要求2所述的自动识别鼻咽癌原发肿瘤的方法，其特征在于，在对所述磁共振三维图像进行预处理后还包括：
提取预处理后的磁共振三维图像中每个像素的SIFT特征和纹理特征，并将所述SIFT特征与所述纹理特征结合，得到每个像素总的特征；
对每个像素总的特征进行筛选，得到与肿瘤相关的特征集；
利用所述特征集计算预处理后的磁共振三维图像中每个像素的特征，并利用所述每个像素的特征训练随机森林模型；随机森林模块的输入为像素的特征、输出为像素属于原发肿瘤区域的概率；
将待识别磁共振三维图像中像素的特征输入训练后的随机森林模型，得到待识别磁共振三维图像中每个像素属于原发肿瘤区域的概率；获取所述Mask RCNN深度语义分割网络得到的待识别磁共振三维图像中每个像素属于原发肿瘤区域的概率，与所述随机森林模型得到的待识别磁共振三维图像中每个像素属于原发肿瘤区域的概率的平均值，将所述平均值作为每个像素属于原发肿瘤区域的新概率，以得到概率图。
5.根据权利要求4所述的自动识别鼻咽癌原发肿瘤的方法，其特征在于，还包括：
利用所述特征集对待识别磁共振三维图像进行初分割，生成不同的像素块；
将每个所述像素块内所有像素的特征的平均值作为所述像素块的特征，并采用Graph Cut算法对所述待识别磁共振三维图像进行分割，以识别每个所述像素块是否属于原发肿瘤区域；
对于所述概率图中处于原发肿瘤区域边界处的像素，若所述像素所属的像素块被识别为原发肿瘤区域，则将所述像素所属的像素块内所有的像素标记为肿瘤区域；反之，则将所述像素所属的像素块内所有的像素标记为非肿瘤区域。
6.根据权利要求4所述的自动识别鼻咽癌原发肿瘤的方法，其特征在于，所述提取预处理后的磁共振三维图像中每个像素的SIFT特征和纹理特征的步骤包括：
利用三维SIFT特征描述子提取预处理后磁共振三维图像中每个像素的SIFT特征；
取不同的滤波尺寸和滤波方向产生的多个Gabor核函数对预处理后的磁共振三维图像在z轴上的每个二维图像进行卷积，得到每个像素的多个纹理特征，其中Gabor核函数的表达式为：
x′＝x cos(θ)+y sin(θ)
y′＝y cos(θ)-x sin(θ)
其中，x、y表示二维图像中每个像素的坐标位置；x’、y’表示每个像素以滤波方向旋转后的坐标位置；σ为滤波尺寸；θ为滤波方向；λ为余弦函数的波长；ψ为余弦函数的相位；γ为空间纵横比，表示滤波的椭圆度。
7.根据权利要求4所述的自动识别鼻咽癌原发肿瘤的方法，其特征在于，所述对每个像素总的特征进行筛选，得到与肿瘤相关的特征集的步骤包括：
计算每个特征与预测类别中像素属于肿瘤区域内部的概率的互信息IM，得到每个特征与预测类别中像素属于肿瘤区域内部的概率的相关性；
根据所述相关性对所有特征进行排序，取相关性最大的特征加入特征集；
依次取相关性次大的特征加入特征集，并用下式计算P值，
P＝D-0.1*R
其中，P为特征集与预测类别中像素属于肿瘤区域内部的概率的相关性；D为特征集与预测类别中像素属于肿瘤区域内部的概率的相关性的平均值；R为特征集中每两个特征的相关性的平均值；|N|为特征集中的特征个数；c为预测类别中像素属于肿瘤区域内部的概率；fi是第i个特征；fj是第j个特征；
直至向特征集中加入相关性次大的特征后，P值减少，则剔除所述相关性次大的特征，取目前特征构成的特征集为与肿瘤相关的特征集。
8.根据权利要求5所述的自动识别鼻咽癌原发肿瘤的方法，其特征在于，利用所述特征集对待识别磁共振三维图像进行初分割，生成不同的像素块的步骤包括：
S601，设定待识别磁共振三维图像分为k个像素块，则初始化的种子点为k个；
S602，对每个种子点在内的3×3×3区域，用下式计算所述3×3×3区域内每个像素点的梯度值，选择梯度值最小的点作为新的种子点；
G(x,y,z)＝∑x′,y′,z′∈δ(x-x′)2+(y-y′)2+(z-z′)2
其中，G为梯度值，δ为某个种子点在内的3×3×3区域，(x，y，z)是某个种子点的坐标，(x’，y’，z’)是该种子点3×3×3区域内其余的26个点。
S603，对每个种子点周围2S×2S×2S区域内的每个像素点，用下式计算每个像素点与种子点的距离度量：
其中，D为某个像素点与种子点的距离度量；dc为某个像素点与种子点的特征的平方差；
ds为某个像素点与种子点的距离； M是待识别磁共振三维图像中像素的
个数；k是特征中的第k个值；m为权重参数；(xi，yi，zi)为种子点的坐标；(xj，yj，zj)为2S×2S×2S区域内像素点i的坐标；fi,k为第i个像素的特征中的第k项；fj,k为第j个像素的特征中的第k项；
S604，由于每个像素点会被至少一个种子点计算距离度量，选择与所述像素点距离度量最小的种子点作为所述像素点的聚类中心；
S605，取同一聚类中心中所有像素点的坐标的平均值作为最新的种子点；
S606，重复进行步骤S602至S605，直到每个聚类中心不再发生变化为止，则属于同一聚类中心的所有像素为一个像素块。
9.一种自动识别鼻咽癌原发肿瘤的装置，其特征在于，包括：
构建机构，用于将Mask RCNN深度语义分割网络中的骨干网络采用ResNeXt152网络，并将语义分割分支的预测类别定义为三类，所述预测类别分别为像素属于非肿瘤区域的概率、像素属于肿瘤区域边界的概率及像素属于肿瘤区域内部的概率；
训练机构，用于利用多个磁共振三维图像训练所述Mask RCNN深度语义分割网络，所述Mask RCNN深度语义分割网络的输出包括：包含肿瘤区域的矩形框的四个端点的像素位置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框内每个像素属于原发肿瘤区域的概率；
识别机构，用于将待识别磁共振三维图像输入训练后的所述Mask RCNN深度语义分割网络，得到待识别磁共振三维图像中每个像素属于原发肿瘤区域的概率。
10.非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至8任一所述的自动识别鼻咽癌原发肿瘤的方法。
一种自动识别鼻咽癌原发肿瘤的方法及装置
技术领域
背景技术
转移，不适合手术。世卫组织将鼻咽癌分为三种类型：角化鳞状细胞癌、非角化癌、未分化
癌。为保证在有限的医疗治疗资源下，使更多的患者能够接受及时有效的放射治疗，简化放
疗医生的工作流程、提高放疗方案的制定效率至关重要。
鼻咽癌原发性肿瘤的初步研究中，可以发现人工智能作为一种强有力的方法，在正常组织
分割任务中表现出相当的优势。但是，现有的识别医疗图像中原发肿瘤的方法，大多识别准
确率较低。
发明内容
类，所述预测类别分别为像素属于非肿瘤区域的概率、像素属于肿瘤区域边界的概率及像
素属于肿瘤区域内部的概率；
置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框内每个像素属于原发肿瘤区域的
概率；
测类别定义为三类，所述预测类别分别为像素属于非肿瘤区域的概率、像素属于肿瘤区域
边界的概率及像素属于肿瘤区域内部的概率；
位置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框内每个像素属于原发肿瘤区域
的概率；
法。
框位置坐标、该矩形框为肿瘤区域的概率、该矩形框内每个像素属于原发肿瘤区域的概率，
属于多任务学习，能有效提高预测的准确度和模型的泛化能力。
附图说明
明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根
据这些附图获得其他的附图。
具体实施方式
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
在没有作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。
隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三
个等，除非另有明确具体的限定。
是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的
普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
定义为三类，所述预测类别分别为像素属于非肿瘤区域的概率、像素属于肿瘤区域边界的
概率及像素属于肿瘤区域内部的概率；利用多个磁共振三维图像训练所述Mask RCNN深度
语义分割网络，所述Mask RCNN深度语义分割网络的输出包括：包含肿瘤区域的矩形框的四
个端点的像素位置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框内每个像素属于
原发肿瘤区域的概率；将待识别磁共振三维图像输入训练后的所述Mask RCNN深度语义分
割网络，得到待识别磁共振三维图像中每个像素属于原发肿瘤区域的概率。
类别改为三类，即预测类别分别为：像素属于非肿瘤区域的概率、像素属于肿瘤区域边界的
概率及像素肿瘤区域内部的概率；此步骤对应图1中的步骤S101。
癌患者的磁共振三维图像；该Mask RCNN深度语义分割网络的输出可以包括：包含肿瘤区域
的矩形框的四个端点的像素位置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框内
每个像素属于原发肿瘤区域的概率。可以只将包含肿瘤区域的矩形框内每个像素属于原发
肿瘤区域的概率作为最终的输出结果，即输出与磁共振三维图像尺寸相同的概率图。
瘤区域的矩形框内每个像素属于原发肿瘤区域的概率。此步骤对应图1中的步骤S103，步骤
S101-步骤S103可以归纳为：S1，构建并训练Mask RCNN深度语义分割网络，并将待识别的磁
共振三维图像输入训练后的Mask RCNN深度语义分割网络，得到待识别磁共振三维图像中
包含肿瘤区域的矩形框内每个像素属于原发肿瘤区域的概率。
形框内每个像素属于原发肿瘤区域的概率，属于多任务学习，能有效提高预测的准确度和
模型的泛化能力。
率和提高Mask RCNN深度语义分割网络的预测效果。这里的预处理可以包括：截取磁共振三
维图像中的感兴趣区域、下采样、灰度值归一化处理和高斯平滑处理；见图2所示，该步骤为
S0。然后，将经过预处理后的磁共振三维图像训练Mask RCNN深度语义分割网络，使得训练
后的Mask RCNN深度语义分割网络可以输出：包含肿瘤区域的矩形框的四个端点的像素位
置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框内每个像素属于原发肿瘤区域的
概率。则在对患者的磁共振三维图像中鼻咽癌原发肿瘤进行识别时，只需将患者的磁共振
三维图像输入该训练后的Mask RCNN深度语义分割网络，则可得到该患者的磁共振三维图
像中包含肿瘤区域的矩形框内每个像素属于原发肿瘤区域的概率。
的第一个极小值点作为人体颈部的分割线，取该该人体颈部以上的图像作为感兴趣区域
(即，可能储存在肿瘤的区域)；
实的物理坐标)；
分位数作为新的最大值max，通过下式计算窗宽w和窗位c，
度语义分割网络的训练效率和输出准确性。
得到每个像素总的特征；对每个像素总的特征进行筛选，得到与肿瘤相关的特征集；利用所
述特征集计算预处理后的磁共振三维图像中每个像素的特征，并利用所述每个像素的特征
训练随机森林模型；随机森林模块的输入为像素的特征、输出为像素属于原发肿瘤区域的
概率；将待识别磁共振三维图像中像素的特征输入训练后的随机森林模型，得到待识别磁
共振三维图像中每个像素属于原发肿瘤区域的概率。
行，但是两个训练过程本身在进行中没有先后之分；在本实施例中以先训练Mask RCNN深度
语义分割网络、后训练随机森林模型为例进行说明，但并不用于限制本发明的保护范围。如
图2所示，在S1之后为：
发肿瘤区域的概率；
三维图像尺寸相同的概率图；然后，获取Mask RCNN深度语义分割网络得到的待识别磁共振
三维图像中每个像素属于原发肿瘤区域的概率，与随机森林模型得到的待识别磁共振三维
图像中每个像素属于原发肿瘤区域的概率的平均值，将该平均值作为每个像素属于原发肿
瘤区域的新概率，以得到概率图。
像素属于原发肿瘤区域的概率的平均值作为每个像素属于原发肿瘤区域的新概率，可以进
一步提高识别的准确性。
素属于原发肿瘤区域的概率、与采用Graph Cut算法对待识别磁共振三维图像进行分割以
识别原发肿瘤区域进行集成，形成最终的识别结果(即，待识别磁共振三维图像中每个像素
属于原发肿瘤区域的概率)。
S4和采用Graph Cut算法对待识别磁共振三维图像进行分割以识别原发肿瘤区域同时进
行；当然也可以将上述三个步骤先后进行，但是上述该三个步骤在进行过程中本身没有先
后之分。在本实施例中，以步骤S102、步骤S4和采用Graph Cut算法对待识别磁共振三维图
像进行分割以识别原发肿瘤区域依次进行为例进行说明，但并不用于限制本发明的保护范
围。如图2所示，在S5之后为：
进行该步骤S7时，需要先统计每个像素块内所有像素的特征，然后再计算每个像素块的特
征，之后，再用Graph Cut算法对待识别磁共振三维图像进行分割，进而识别出每个像素块
是否属于原发肿瘤区域，从而得到整个待识别磁共振三维图像的原发肿瘤区域；
像素所属的像素块内所有的像素标记为非肿瘤区域。
更加平稳，即使得概率图更加平滑。
准确度和模型的泛化能力。
特征，其中Gabor核函数的表达式为：
γ为空间纵横比，表示滤波的椭圆度；
征的相关性的平均值；|N|为特征集中的特征个数；c为预测类别中像素属于肿瘤区域内部
的概率，即预测类别c；fi是第i个特征；fj是第j个特征；
子点落在轮廓边界上或噪声点上；
的个数；k是特征中的第k个值；m为权重参数；(xi，yi，zi)为种子点的坐标；(xj，yj，zj)为2S×
2S×2S区域内像素点j的坐标；fi,k为第i个像素的特征中的第k项；fj,k为第j个像素的特征
中的第k项；
骤S602至S605，知道误差收敛，即每个聚类中心不再发生变化为止。
定义为三类，所述预测类别分别为像素属于非肿瘤区域的概率、像素属于肿瘤区域边界的
概率及像素属于肿瘤区域内部的概率；训练机构，用于利用多个磁共振三维图像训练所述
Mask RCNN深度语义分割网络，所述Mask RCNN深度语义分割网络的输出包括：包含肿瘤区
域的矩形框的四个端点的像素位置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框
内每个像素属于原发肿瘤区域的概率；识别机构，用于将待识别磁共振三维图像输入训练
后的所述Mask RCNN深度语义分割网络，得到待识别磁共振三维图像中每个像素属于原发
肿瘤区域的概率。
法。
类，所述预测类别分别为像素属于非肿瘤区域的概率、像素属于肿瘤区域边界的概率及像
素属于肿瘤区域内部的概率；S102，利用预处理后的多个磁共振三维图像训练所述Mask
RCNN深度语义分割网络，所述Mask RCNN深度语义分割网络的输出包括：包含肿瘤区域的矩
形框的四个端点的像素位置信息、所述矩形框为肿瘤区域的概率、以及所述矩形框内每个
像素属于原发肿瘤区域的概率；S103，将待识别磁共振三维图像输入训练后的所述Mask
RCNN深度语义分割网络，得到待识别磁共振三维图像中包含肿瘤区域的矩形框内每个像素
属于原发肿瘤区域的概率。
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；
而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和
范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于多层次方法和赋权超图的层次式FPGA布局布线方法 | 2020-10-05 | 2 |
| 一种自动识别鼻咽癌原发肿瘤的方法及装置 | 2020-10-15 | 1 |
| 一种高衍射效率、低散斑噪声的衍射光学元件的设计方法 | 2020-08-02 | 2 |
| 一种基于群组密码体制的电子邮件认证方法与系统 | 2020-10-02 | 0 |
| 本征图像分解方法、装置、设备及可读存储介质 | 2021-01-30 | 2 |
| 一种混合储能式有轨电车系统的配置优化方法 | 2021-05-13 | 1 |
| 一种混合液制备的控制方法、装置以及系统 | 2023-02-26 | 0 |
| 一种基于随机数映射的区块链共识方法 | 2020-06-04 | 2 |
| 图像处理方法、装置和存储介质 | 2020-06-29 | 3 |
| 一种高速移动列车下行链路的功率分配方法及系统 | 2022-01-14 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
