确定肾脏囊性肿块良恶性的方法和装置
本申请涉及人工智能领域,特别涉及确定肾脏囊性肿块良恶性的方法、装置、介质、电子设备、计算机程序产品。
背景技术:
1、肾脏囊性肿块是泌尿外科常见疾病。目前临床诊断主要依赖bosniak分级系统,但该分级系统存在显著局限性:
2、1.过度依赖增强ct:传统诊断必须依赖多期增强扫描来观察囊壁和分隔的强化情况,不仅增加了检查成本和辐射剂量,且造影剂对肾功能不全或过敏患者存在禁忌。
3、2.主观性导致的过度治疗:bosniak分级是分类变量,缺乏连续的风险评估。由于观察者间的一致性较差,导致大量良性病变被归类为手术对象,良性切除率(benignintervention rate)居高不下。
4、3.现有ai模型的“黑盒”与单一性:现有的辅助诊断模型多为单一任务,缺乏对病理亚型(肾透明细胞癌ccrcc)和肿瘤侵袭性(核分级)的综合评估,且缺乏处理不确定性的机制,难以融入实际临床工作流。
技术实现思路
1、本申请实施例提供了一种用于确定肾脏囊性肿块良恶性的方法、装置、介质、电子设备、计算机程序产品。
2、第一方面,本申请实施例提供了一种用于确定肾脏囊性肿块良恶性的方法,用于电子设备,所述方法包括:
3、获取步骤,获取并预处理患者腹部平扫的ct图像;
4、第一分割步骤,利用分割模型对所述ct图像进行肾脏分割,生成肾脏掩码;
5、第二分割步骤,从所述肾脏掩码中分割出囊性肿块掩码;
6、多任务分析步骤,利用特征金字塔网络fpn对所述囊性肿块掩码进行多任务分析,其中,所述fpn从所述囊性肿块掩码提取深层抽象特征、中层和深层融合特征、以及浅层纹理特征,从而确定所述囊性肿块的良性或恶性的概率、组织学亚型及侵袭性分级;
7、输出步骤,基于所述良性或恶性的概率、所述组织学亚型及所述侵袭性分级,输出决策结果或根据预设灰区判定逻辑触发灰区提示。
8、第二方面,本发明提供了一种用于确定肾脏囊性肿块良恶性的装置,所述分类装置包括:
9、获取单元,获取并预处理患者腹部的平扫ct图像;
10、第一分割单元,利用分割模型对所述平扫ct图像进行肾脏分割,生成肾脏掩码;
11、第二分割单元,从所述肾脏掩码中分割出囊性肿块掩码;
12、多任务分析单元,利用特征金字塔网络fpn对所述囊性肿块掩码进行多任务分析,其中,所述fpn从所述囊性肿块掩码提取深层抽象特征、中层和深层融合特征、以及浅层纹理特征,从而确定所述囊性肿块的良性或恶性的概率、组织学亚型及侵袭性分级;
13、输出单元,基于所述良性或恶性的概率、所述组织学亚型及所述侵袭性分级,输出决策结果或根据预设灰区判定逻辑触发灰区提示。
14、第三方面,本发明实施例提供了一种计算机可读存储介质,所述存储介质上存储有指令,所述指令在计算机上执行时使所述计算机执行第一方面任一项所述的用于确定肾脏囊性肿块良恶性的方法。
15、第四方面,本发明实施例提供了一种电子设备,包括:一个或多个处理器;一个或多个存储器;所述一个或多个存储器存储有一个或多个程序,当所述一个或者多个程序被所述一个或多个处理器执行时,使得所述电子设备执行第一方面所述的用于确定肾脏囊性肿块良恶性的方法。
16、第五方面,本申请实施例提供了一种计算机程序产品,包括计算机可执行指令,所述指令被处理器执行以实施第一方面所述的用于确定肾脏囊性肿块良恶性的方法。
17、本发明中,在肾脏分割阶段采用引入状态空间模型(ssm/mamba)的3d mamba u-net,并在分类阶段(即,多任务分析阶段)采用“特征金字塔网络”的多任务结构。这种结构组合是解决平扫图像特征微弱、病灶类型复杂的关键。因此,本发明可以提高确定肾脏囊性肿块良恶性的准确率和效率。
18、本发明可以解决平扫ct特征提取困难的问题,传统观点认为平扫ct无法有效诊断囊性肾癌。而本发明通过引入具有长程依赖建模能力的3d mamba u-net和特征金字塔网络(fpn),在缺乏造影剂增强的情况下,挖掘平扫图像中人眼无法识别的微观纹理和体素分布特征,实现高精度诊断。也就是说,本发明仅利用平扫ct(non-contrast ct)数据,通过深度学习挖掘隐式特征,实现肾脏囊性肿块的良恶性鉴别、组织学亚型预测及侵袭性分级的综合诊断的方法。这突破了行业内“必须依赖增强ct”的技术偏见。
19、本发明解决ai系统临床应用安全性不足的问题,即,针对深度学习模型的“过度自信”问题,本发明引入了预设的“灰区判定逻辑”和“弃权机制”,对不确定病例进行自动分流,避免误诊。也就是说,本发明集成了灰区策略与弃权机制,即,一种集成了不确定性量化的诊断流程。如此,本发明不仅输出概率,还根据预设的中间区间自动判定“灰区”并触发灰区提示,并且可以根据影像质量触发“弃权”信号。
1.一种用于确定肾脏囊性肿块良恶性的方法,用于电子设备,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述第二分割步骤中,利用二分类网络检测所述肾脏掩码中是否存在异常,当检测出存在异常时,利用预训练分类器,识别出所述囊性肿块掩码。
3.根据权利要求1所述的方法,其特征在于,所述多任务分析包括良恶性鉴别、组织学亚型预测、侵袭性分级,其中所述多任务分析步骤进一步包括:
4.根据权利要求1所述的方法,其特征在于,所述深层抽象特征表征所述囊性肿块的整体形态、轮廓规则性以及与周围组织的解剖关系,所述中层和深层融合特征表征所述囊性肿块的形态学特征,所述浅层纹理特征表征所述囊性肿块的纹理特征。
5.根据权利要求3所述的方法,其特征在于,在所述输出步骤中,
6.一种用于确定肾脏囊性肿块良恶性的装置,其特征在于,所述装置包括:
7.一种计算机可读存储介质,其特征在于,所述存储介质上存储有指令,所述指令在计算机上执行时使所述计算机执行权利要求1至5中任一项所述的用于确定肾脏囊性肿块良恶性的方法。
8.一种电子设备,其特征在于,包括:一个或多个处理器;一个或多个存储器;所述一个或多个存储器存储有一个或多个程序,当所述一个或者多个程序被所述一个或多个处理器执行时,使得所述电子设备执行权利要求1至5中任一项所述的用于确定肾脏囊性肿块良恶性的方法。
9.一种计算机程序产品,包括计算机可执行的指令,其特征在于,所述指令被处理器执行以实施权利要求1至5中任一项所述的用于确定肾脏囊性肿块良恶性的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com