【技術實現步驟摘要】
本專利技術涉及計算機輔助醫學影像處理，具體而言，涉及一種基于深度學習的宮頸癌診斷報告生成方法、裝置和設備。
技術介紹
1、宮頸癌(cc)是女性第四大在最常見的癌癥。宮頸癌(cc)是一種可預防的疾病。如果及早發現并進行適當治療，宮頸癌(cc)可以治愈。通過疫苗接種、篩查和治療可以大大減少宮頸癌新病例相關死亡。
2、目前放射科醫生大多采用磁共振成像(mri)作為給出醫學診斷的首選影像方式，它具有高組織分辨率和高對比度的特性，可以很好的表征出患者的腫瘤信息。但目前反應患者病灶信息的醫學影像通常由放射科醫生根據他們的臨床經驗做出解釋，而這種解釋容易受到人的主觀性影響，低效且誤差高，兩個放射科醫生可能會對同一張醫學影像做出不同的解釋。
3、在對宮頸癌的磁共振成像(mri)診斷中，放射科醫生通常使用彌散加權成像(dwi)圖像和t2加權成像(t2wi)圖像中的信息作為診斷基礎。其中彌散加權成像(dwi)圖像清晰度不高，具有腫瘤高亮，但形態結構模糊的特點，其優勢在于可以快速定位腫瘤的位置。而t2加權成像(t2wi)圖像清晰度高，具有腫瘤不高亮，但形態結構清晰可見的特點，其優勢在于可以在圖像中看到更詳細腫瘤的形態結構信息，幫助給出診斷結論。
4、目前，一些計算機輔助診斷(cad)方法可以幫助放射科醫生更好的對醫學影像做出分析，并隨著ai算法的突破，計算機輔助診斷(cad)的性能也在不斷提高，逐漸參與到更加復雜的診斷任務中，但目前主流的計算機輔助診斷(cad)都無法做到基于mri圖像對cc進行精確高效的自動診斷。
5、有鑒于此，申請人在研究了現有的技術后特提出本申請。
技術實現思路
1、本專利技術提供了一種基于深度學習的宮頸癌診斷報告生成方法、裝置和設備，以改善上述技術問題中的至少一個。
2、第一方面、本專利技術實施例提供了一種基于深度學習的宮頸癌診斷報告生成方法，其包含步驟s1至步驟s5。
3、s1、獲取mri圖像序列。其中，mri圖像序列包括dwi圖像序列和t2wi圖像序列。
4、s2、根據dwi圖像序列進行目標檢測，以識別腫瘤區域獲取腫瘤的dw?i圖像塊序列。
5、s3、根據腫瘤的dwi圖像塊序列和t2wi圖像序列進行圖像相似度比對，獲取腫瘤的t2wi圖像序列。
6、s4、分別將腫瘤的t2wi圖像序列中的各張圖像進行編碼，并將編碼接合成一個蘊含連續圖像的動態信息的特征向量。
7、s5、將蘊含連續圖像的動態信息的特征向量輸入預先訓練好的lstm文本生成模型進行解碼，獲取宮頸癌診斷報告文本。
8、第二方面、本專利技術實施例提供了一種基于深度學習的宮頸癌診斷報告生成裝置，其包含：
9、初始圖像獲取模塊，用于獲取mri圖像序列。其中，mri圖像序列包括dwi圖像序列和t2wi圖像序列。
10、目標檢測模塊，用于根據dwi圖像序列進行目標檢測，以識別腫瘤區域獲取腫瘤的dwi圖像塊序列。
11、相似識別模塊，用于根據腫瘤的dwi圖像塊序列和t2wi圖像序列進行圖像相似度比對，獲取腫瘤的t2wi圖像序列。
12、編碼模塊，用于分別將腫瘤的t2wi圖像序列中的各張圖像進行編碼，并將編碼接合成一個蘊含連續圖像的動態信息的特征向量。
13、解碼模塊，用于將蘊含連續圖像的動態信息的特征向量輸入預先訓練好的lstm文本生成模型進行解碼，獲取宮頸癌診斷報告文本。
14、第三方面、本專利技術實施例提供了一種基于深度學習的宮頸癌診斷報告生成設備，其包括處理器、存儲器，以及存儲在存儲器內的計算機程序。計算機程序能夠被處理器執行，以實現如第一方面任意一段的基于深度學習的宮頸癌診斷報告生成方法。
15、第四方面、本專利技術實施例提供了一種計算機可讀存儲介質。計算機可讀存儲介質包括存儲的計算機程序，其中，在計算機程序運行時控制計算機可讀存儲介質所在設備執行如第一方面任意一段的基于深度學習的宮頸癌診斷報告生成方法。
16、通過采用上述技術方案，本專利技術可以取得以下技術效果：
17、本專利技術實施例的宮頸癌診斷報告生成方法通過腫瘤定位算法模擬放射科醫生的思維方式，自動挑選出腫瘤形態清晰可見的t2wi圖像序列，并根據腫瘤形態清晰可見的t2wi圖像序列通過lstm文本生成模型生成宮頸癌診斷報告。通過兩階段的處理和預測，可以準確的做到端到端的自動生成宮頸癌診斷報告，且每次生成報告的標準統一，準確率高，效率高，無需放射科醫師干預。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的宮頸癌診斷報告生成方法，其特征在于，包含：
2.根據權利要求1所述的基于深度學習的宮頸癌診斷報告生成方法，其特征在于，所述根據所述DWI圖像序列進行目標檢測，以識別腫瘤區域獲取腫瘤的DWI圖像塊序列，具體包括：
3.根據權利要求1所述的基于深度學習的宮頸癌診斷報告生成方法，其特征在于，根據所述腫瘤的DWI圖像塊序列和所述T2WI圖像序列進行圖像相似度比對，獲取腫瘤的T2WI圖像序列，具體包括：
4.根據權利要求3所述的基于深度學習的宮頸癌診斷報告生成方法，其特征在于，所述圖像比對模型先通過卷積層提取到圖像塊中的不同特征，然后通過ReLU層保留部分特征值和將特征小于0的值舍去，然后通過最大池化層對特征進行降維，最后使用結構相似性衡量指標來計算圖像間的相似度分數；其中，相識度相似度分數大于預設值的認定為對應圖像。
5.根據權利要求1所述的基于深度學習的宮頸癌診斷報告生成方法，其特征在于，分別將腫瘤的T2WI圖像序列中的各張圖像進行編碼，并將編碼接合成一個蘊含連續圖像的動態信息的特征向量，具體包括：
6.
7.一種基于深度學習的宮頸癌診斷報告生成裝置，其特征在于，包含：
8.一種基于深度學習的宮頸癌診斷報告生成設備，其特征在于，包括處理器、存儲器，以及存儲在所述存儲器內的計算機程序；所述計算機程序能夠被所述處理器執行，以實現如權利要求1至6任意一項所述的基于深度學習的宮頸癌診斷報告生成方法。
...【技術特征摘要】
1.一種基于深度學習的宮頸癌診斷報告生成方法，其特征在于，包含：
2.根據權利要求1所述的基于深度學習的宮頸癌診斷報告生成方法，其特征在于，所述根據所述dwi圖像序列進行目標檢測，以識別腫瘤區域獲取腫瘤的dwi圖像塊序列，具體包括：
3.根據權利要求1所述的基于深度學習的宮頸癌診斷報告生成方法，其特征在于，根據所述腫瘤的dwi圖像塊序列和所述t2wi圖像序列進行圖像相似度比對，獲取腫瘤的t2wi圖像序列，具體包括：
4.根據權利要求3所述的基于深度學習的宮頸癌診斷報告生成方法，其特征在于，所述圖像比對模型先通過卷積層提取到圖像塊中的不同特征，然后通過relu層保留部分特征值和將特征小于0的值舍去，然后通過最大池化層對特征進行降維，最后使用結構相似性衡量指標來計算圖像間的...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。