一种确定胰腺癌的方法及装置与流程

1.本发明涉及医疗技术领域，特别涉及一种确定胰腺癌的方法及装置、计算机设备及计算机可读存储介质。


背景技术：

2.胰腺癌是实体肿瘤中恶性程度和致死率最高的肿瘤之一，5年生存率仅为10％，主要原因是80～85％患者确诊时已出现扩散和转移，而早期(ia 期，肿块＜2cm)得到及时诊断获根治性手术切除患者的生存率可超过80％。因此，胰腺癌的早期诊断至关重要。目前，超声内镜引导的细针穿刺活检术(endoscopic ultrasound-guided fine needle aspiration,eus-fna)是胰腺癌诊断的金标准。然而，基于eus的诊断准确性受操作者技术经验及主观因素影响较大；其可用性在社区医院受到很大限制；其有创检查方式也给受检者带来很大不适，因此不建议将其作为胰腺癌早期诊断的常规方法。
3.腹部计算机断层扫描(ct，computed tomography)能显示肿瘤大小、位置、密度及血供情况等，是初步评估疑似胰腺癌最常用的诊断方式，其检测灵敏度范围为76％-96％。腹部磁共振成像(mri，magnetic resonance imaging)可清楚地显示胰腺轮廓异常，是诊断存疑患者的进一步评估方式。根据t1加权像的信号高低，mri可以判断早期局部侵犯和转移，对判断胰腺癌尤其是局限在胰腺内的小肿瘤，以及判断有无胰周扩散和血管侵犯方面优于ct。目前，胰腺癌的ct/mri诊断均需要经验丰富的影像科医生进行视觉诊断，根据影像科严格的诊断和报告审核制度，每一份影像报告都需要至少两名专业医生审核签字后才能发出，以避免发生漏诊、误诊事件。然而，现阶段我国影像科医生面临着巨大缺口，年增长率仅为4％，而医学影像数据年增长率超过30％，因此，仅依靠传统的人工阅片方式将难以满足日益增长的胰腺癌诊疗需求。
4.近年来，以深度学习为代表的人工智能(ai，artificial intelligence)影像分析技术为许多恶性肿瘤(如肺癌、乳腺癌等)的早期诊断和分期提供了全面的辅助支持。然而，由于胰腺的特殊性，影像ai在胰腺癌诊断方面极具挑战，这是因为：(1)胰腺在个体之间的大小、形状和位置差异很大，且胰腺仅占整个ct/mri图像的很小一部分(1.3％左右)。(2)肿瘤与周围组织表现出高度相似性，难以分辨。(3)同一类型的肿块在不同的ct/mri时可能出现不同的纹理、形状、对比度和增强模式。因此，如何从医学影像中快速、准确、有效的识别胰腺区域，进而对胰腺区域进行分类以确定受检者是否患有胰腺癌，成为目前亟待解决的问题。


技术实现要素：

5.本发明提供一种确定胰腺癌的方法及装置、计算机设备及计算机可读存储介质，以解决现有技术中基于人工方式对胰腺病理切片进行现场评估准确率低的技术问题。
6.本发明提供一种确定胰腺癌的方法，包括：
7.获取医学影像，所述医学影像包括多帧横断面影像；
8.在横断面影像中分割出胰腺及与胰腺关联的器官以获得第一影像；
9.叠加横断面影像和与其对应的第一影像以获得第二影像；
10.分割所述第二影像以在所述医学影像中确定胰腺区域；
11.确定所述胰腺区域的质心或者中心；
12.获取以所述胰腺区域的质心或者中心为中心的至少两个感兴趣区域，所述感兴趣区域包含于所述胰腺区域内；
13.将至少两个感兴趣区域输入至分类模型以获取发生在胰腺的癌症的置信度；
14.基于所述发生在胰腺的癌症的置信度和预设阈值确定胰腺癌。
15.可选的，所述分类模型包括特征提取网络和分类网络，所述将至少两个感兴趣区域输入至分类模型以获取发生在胰腺的癌症的置信度包括：
16.将第一感兴趣区域、第二感兴趣区域以及第三感兴趣区域输入至特征提取网络以获得与所述第一感兴趣区域对应的第一特征图，与所述第二感兴趣区域对应的第二特征图，与所述第三感兴趣区域对应的第三特征图；
17.拼接所述第一特征图、第二特征图以及第三特征图以获得特征图；
18.将所述特征图输入至分类网络以获取发生在胰腺的癌症的置信度。
19.可选的，所述获取医学影像包括：
20.获取多帧冠状面影像，其中，每一帧冠状面影像包括胰腺；
21.确定每一帧冠状面影像中起始点和终止点的z坐标；
22.确定多帧冠状面影像中z坐标最小的起始点的z坐标zs；
23.确定多帧冠状面影像中z坐标最大的终止点的z坐标ze；
24.确定位于z＝zs和z＝ze之间的影像为所述医学影像。
25.可选的，所述获取医学影像包括：
26.获取多帧矢状面影像，其中每一帧矢状面影像包括胰腺；
27.确定每一帧矢状面影像中起始点和终止点的z坐标；
28.确定多帧矢状面影像中z坐标最小的起始点的z坐标zs；
29.确定多帧矢状面影像中z坐标最大的终止点的z坐标ze；
30.确定位于z＝zs和z＝ze之间的影像为所述医学影像。
31.可选的，在横断面影像中分割出胰腺及与胰腺关联的器官包括：
32.获取以待分割横断面影像所在帧为中间帧，位于其前和其后的至少一帧；
33.将中间帧及位于其前和其后的至少一帧所组成的影像层输入至第一分割模型，以在待分割横断面影像中分割出胰腺及与胰腺关联的器官。
34.可选的，分割所述第二影像以在所述医学影像中确定胰腺区域，包括：
35.获取以待分割第二影像所在帧为中间帧，位于其前和其后的至少一帧；
36.将中间帧及位于其前和其后的至少一帧所组成的影像层输入至第二分割模型，以在第二影像中分割出胰腺区域。
37.可选的，与胰腺关联的器官包括：十二指肠、脾、肾。
38.本发明还提供一种确定胰腺癌的装置，包括：
39.第一获取单元，用于获取医学影像，所述医学影像包括多帧横断面影像；
40.第一分割单元，用于在横断面影像中分割出胰腺及与胰腺关联的器官以获得第一
影像；
41.叠加单元，用于叠加横断面影像和与其对应的第一影像以获得第二影像；
42.第二分割单元，用于分割所述第二影像以在所述医学影像中确定胰腺区域；
43.第一确定单元，用于确定所述胰腺区域的质心或者中心；
44.第二获取单元，用于获取以所述胰腺区域的质心或者中心为中心的至少两个感兴趣区域，所述感兴趣区域包含于所述胰腺区域内；
45.分类模型，用于输入感兴趣区域，输出发生在胰腺的癌症的置信度；
46.第二确定单元，用于基于所述发生在胰腺的癌症的置信度和预设阈值确定胰腺癌。
47.本发明还提供一种计算机设备，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器能够执行上述的确定胰腺癌的方法。
48.本发明还提供一种计算机可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行上述的确定胰腺癌的方法。
49.与现有技术相比，本发明的技术方案具有如下有益效果：
50.首先，通过获取医学影像，所述医学影像包括多帧横断面影像，分割横断面影像中的胰腺及与胰腺关联的器官以获得第一影像。叠加横断面影像和与其对应的第一影像以获得第二影像。分割第二影像以在医学影像中确定胰腺区域。然后，确定胰腺区域的质心或者中心，获取以所述胰腺区域的质心或者中心为中心的至少两个感兴趣区域，所述感兴趣区域包含于所述胰腺区域内。最后，将至少两个感兴趣区域输入至分类模型以获取发生在胰腺的癌症的置信度，基于所述发生在胰腺的癌症的置信度和预设阈值确定胰腺癌。由于在确定医学影像中的胰腺时，并未直接将在横断面影像中首次分割出的胰腺作为最终确定的胰腺，而是将在横断面影像中分割出胰腺和与胰腺关联的器官的第一影像与横断面影像进行叠加获得第二影像，最终将在第二影像中分割出的胰腺区域作为医学影像中的胰腺。在叠加了第一影像的横断面影像中分割胰腺，使得再进行分割时，可以更加注意力于待分割的胰腺，因此在很大程度上提高胰腺分割的准确度。进而再基于分割获得的较为准确的胰腺区域来确定其质心或中心获取多个感兴趣区域后，将多个感兴趣区域输入至分类模型以获取发生在胰腺的癌症的置信度。一方面由于获取的胰腺区域较为准确，进而获得了较为准确的属于胰腺区域的多个感兴趣区域；另一方面由于将较为准确的属于胰腺区域的多个感兴趣区域输入至分类模型来获取发生在胰腺的癌症的置信度，而不是将单一的感兴趣区域输入至分类模型来获取发生在胰腺的癌症的置信度，将多个感兴趣区域作为分类模型的输入可以提取胰腺图像的全局和局部特征，进而在很大程度上提高了分类的准确度，也即提高了分类模型输出的发生在胰腺的癌症的置信度，进而基于该置信度和预设阈值确定胰腺癌时，也在很大程度上提高了胰腺癌判定的准确度。另外，由于无需再通过人工的方式来判断受检者是否患有胰腺癌，因此，也避免了因医生主观判断导致的误判，提高了确定受检者是否患有胰腺癌的速度和准确度，也即在一定程度上也提高了医生对胰腺癌的诊断效率和诊断的准确度。此外，由于无需再通过穿刺活检的方式来确定胰腺癌，进而也避免了因为穿刺给受检者带来的不适。
51.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变
得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
52.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
53.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
54.图1是本发明实施例的标准解剖学中人体基本面和基本轴的示意图；
55.图2是本发明实施例的确定胰腺癌的方法的流程示意图。
具体实施方式
56.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
57.正如现有技术中描述的，目前医生在确定受检者是否患有胰腺癌时，通常通过人工的方式来对采样得到的胰腺病理切片进行病理学诊断。然而采用人工方式进行判断，一方面受限于医生的数量，另一方面采用人工方式判断受检者是否患有胰腺癌，速度慢、容易出现误判，也即采用人工方式对胰腺癌进行诊断时，诊断效率和诊断的准确度低。另外，采用对胰腺病理切片进行病理学诊断的方式来确定胰腺癌，也在一定程度上给受检者带来了不适。
58.为了更好的说明本发明的技术方案，本实施例中先对标准解剖学中人体基本面和基本轴进行相应的说明。参见图1，图1为本发明实施例的标准解剖学中人体基本面和基本轴的示意图。如图1所示：人体基本面包括冠状面(额状面)、矢状面(正中面)和横切面(横断面、水平面)。人体基本轴包括垂直轴(z轴，为上自头侧下至尾侧，并与地平面相垂直的轴，头侧为正向尾侧为负向)、矢状轴(y轴，为从前至后，同时与垂直轴成直角交叉的轴，前侧为正向、后侧为负向)和冠状轴(x轴，也叫额状轴，为左右方向与水平相平行，与前两个轴相垂直的轴，左侧为负向、右侧为正向)。人体的立体方位中包括前侧(靠近腹部)、后侧(靠近背部)、上侧(靠近头部)和下侧(靠近脚部)。本实施例中所有的面、轴、方位均适用于图1。
59.图2是本发明实施例的确定胰腺癌的方法的流程示意图。如图2所示，本实施例的确定胰腺癌的方法包括：
60.s11：获取医学影像，所述医学影像包括多帧横断面影像。
61.s12：在横断面影像中分割出胰腺及与胰腺关联的器官以获得第一影像。
62.s13：叠加横断面影像和与其对应的第一影像以获得第二影像。
63.s14：分割所述第二影像以在所述医学影像中确定胰腺区域。
64.s15：确定所述胰腺区域的质心或者中心。
65.s16：获取以所述胰腺区域的质心或者中心为中心的至少两个感兴趣区域，所述感兴趣区域包含于所述胰腺区域内。
66.s17：将至少两个感兴趣区域输入至分类模型以获取发生在胰腺的癌症的置信度。
67.s18：基于所述发生在胰腺的癌症的置信度和预设阈值确定胰腺癌。
68.执行s11，本实施例中，所述医学影像为包括了胰腺的多帧横断面影像。所述医学影像可以是ct影像也可以是mri影像等。本实施例中以ct影像为例进行说明。通常拍摄ct时，采集到的腹部影像中除了包含胰腺区域以外还包括了其他的区域，为了从采集到的腹部影像中快速定位出胰腺区域所在的横断面影像，本实施例中可以先定位出胰腺区域所在的范围，即胰腺区域在z轴的位置。具体地，通过如下方式获得胰腺区域在z轴的位置：
69.获取多帧冠状面影像，其中，每一帧冠状面影像包括胰腺。
70.确定每一帧冠状面影像中起始点和终止点的z坐标。
71.确定多帧冠状面影像中z坐标最小的起始点的z坐标zs。
72.确定多帧冠状面影像中z坐标最大的终止点的z坐标ze。
73.确定位于z＝zs和z＝ze之间的影像为所述医学影像。
74.获取多帧冠状面影像，本实施例中多帧冠状面影像可以通过采集到的腹部ct影像获取，在其他实施例中，也可以通过采集到的腹部mri影像获取。拍摄ct时，采集到的腹部的冠状面影像中除了包括胰腺区域外，还包括了其他区域。为了定位出胰腺区域在z方向上的位置，需要确定冠状面影像中包括胰腺区域的区域起始点(远离胸部的点)和终止点(靠近胸部的点)的z坐标。所述起始点和终止点也可以是胰腺区域的起始点和终止点，可根据实际需求而定。本实施例中，起始点的z坐标z1和终止点的z坐标z2可以是胰腺区域的起始点的z坐标和该胰腺区域的终止点的z坐标。
75.本实施例中，可以通过神经网络，具体地，如2d回归网络来获取每一帧冠状面影像中起始点和终止点的z坐标。所述2d回归网络包括特征提取模块和全连接回归模块，特征提取模块的输出为全连接回归模块的输入。其中，特征提取模块包括n个卷积模块和n个最大池化层，卷积模块的输出与最大池化层的输入相连，也即卷积模块和最大池化层交替连接。每一个卷积模块则包括多个卷积块，其中每一个卷积块包括：一个卷积层(conv2d)，一个批归一化层(bn，batch normalization)和一个激活层，激活函数可以为线性整流函数(relu，recified linear unit)。全连接回归模块包括m个依次连续的全连接层，全连接层和全连接层之间可以为通过率为0.5的dropout层。全连接回归模块最终输出起始点和终止点的z坐标，起始点和终止点的z坐标可以是像素点坐标，如起始点或者终止点的z坐标可以是在一预设坐标系下对应的第几个像素点。
76.本实施例中，可以以多张冠状面影像(腹部)为训练样本，由标注人员在每张冠状面影像上标注起始点和终止点的z坐标，起始点和终止点可以为胰腺区域的起始点和终止点。然后对训练样本进行数据增强(如：随机旋转一定角度，随机上下左右平移0～30像素，随机缩放0.85～1.15倍，对图像对比度和亮度进行少量抖动等)，将数据量增强至原来数据量的10倍。最后再将训练样本输入2d回归网络进行训练。训练时根据标注的起始点和终止点的z坐标和2d回归网络预测的起始点和终止点的z坐标计算loss函数，通过反向传播的方法训练，训练的优化算法可以采用带有动量和阶梯衰减的sgd算法。通过训练获得2d回归网络后，则可以将每一帧冠状面影像输入至2d回归网络以获得每一帧冠状面影像中起始点和终止点的z坐标。
77.至此通过上述的2d回归网络获得了每一帧冠状面影像中的起始点和终止点的z坐标，然后在获得的多帧冠状面影像的起始点的z坐标中，确定z坐标最小的起始点的z坐标zs
，在获得的多帧冠状面影像的终止点的z坐标中，确定z坐标最大的终止点的z坐标ze。举例来说，若获取了5帧冠状面影像，5帧冠状面影像中起始点的z坐标分别为z1，z3，z5，z7，z9，终止点的z坐标分别为z2，z4，z6，z8，z
10
，若起始点的z坐标中z5最小，则zs＝z5，若终止点的z坐标中z6最大，则ze＝z6。确定了z坐标最小的起始点的z坐标zs和z坐标最大的终止点的z坐标ze后，位于z＝zs和z＝ze之间的影像则为要获取的医学影像，该医学影像包括了多帧横断面影像。
78.在其他实施例中，也可以获取多帧矢状面影像，其中，每一帧矢状面影像包括胰腺，确定每一帧矢状面影像中起始点和终止点的z坐标。确定多帧矢状面影像中z坐标最小的起始点的z坐标zs。确定多帧矢状面影像中z坐标最大的终止点的z坐标ze。确定位于z＝zs和z＝ze之间的影像为所述医学影像。该实施例中，起始点和终止点的定义与上述类似，确定医学影像的方式也与上述类似，不同的是将上述的冠状面替换为矢状面，故，此处不再赘述。
79.通过s11获取了包括多帧横断面影像的医学影像后，执行s12，在横断面影像中分割出胰腺及与胰腺关联的器官以获得第一影像。本实施例中，与胰腺关联的器官可以包括：十二指肠、脾、肾等。为了提高分割的精确度可以尽可能多的分割出位于胰腺周围的器官，如还可以分割出肝、分割出腹主动脉、下腔静脉等，实际应用时可以根据分割的精确度和分割速度来确定具体分割哪些与胰腺关联的器官。本实施例中，可以通过传统的图像分割算法如：基于阈值的图像分割方法、基于区域的图像分割方法、分水岭算法等分割横断面影像中的胰腺和与胰腺关联的器官，也可以通过第一分割模型来对横断面影像中的胰腺和与胰腺关联的器官进行分割，具体地，可以采用以vgg作为backbone的u-net神经网络模型来对横断面影像中的胰腺和与胰腺关联的器官进行分割，也可采用全卷积神经网络(fcn，fully convolutional network)模型等来进行分割。第一分割模型可以是对胰腺和胰腺关联的器官同时进行分割的分割模型，为了提高分割的精确度，也可以针对不同的器官训练与其对应的分割模型，如第一分割模型可以包括：胰腺分割模型、十二指肠分割模型、脾分割模型、肾分割模型等。本实施例中以第一分割模型可以是对胰腺和胰腺关联的器官同时进行分割的分割模型为例进行说明。然而第一分割模型是可以对胰腺和胰腺关联的器官同时进行分割的分割模型还是包括了不同器官的器官分割模型不应作为对本发明技术方案的限定。
80.本实施例中，不论是可以将胰腺和与其关联的器官同时分割出的第一模型，还是包括了各个器官分割模型的第一分割模型，第一分割模型和各个器官分割模型都可以包括依次连接的特征提取模块、下采样模块和上采样模块。其中，特征提取模块可以包括连续的第一卷积单元和第二卷积单元，第一卷积单元可以包括一个2d卷积层、一个批量归一化(bn，batch narmalization)层和一个激励函数层，第二卷积单元也可以包括一个2d卷积层、一个批量归一化层和一个激励函数层。本实施例中的激励函数可以为多种类型的激励函数，如，可以为线性整流函数(relu，rectified linear unit)。
81.本实施例中，上采样模块和下采样模块的数量可以由本领域技术人员根据实际经验设定，如可以包括一个上采样模块和一个下采样模块，也可以包括多个(两个或两个以上)上采样模块和下采样模块。其中，每个下采样模块可以包括一个2d下采样层以及一个卷积特征提取模块，2d下采样层的尺寸可以为2
╳
2。相应地，每个上采样模块可以包括一个2d反卷积上采样层、一个拼接层以及一个卷积特征提取模块，2d反卷积上采样层的尺寸可以
为2
╳
2。本发明实施例中，上采样模块的拼接层可以与下采样模块的下采样层的输出结果相对应，从而可以拼接下采样层的输出结果得到特征图。最后对特征图进行卷积可以得到分割的结果。本实施例中，输入为横断面影像时，输出为横断面影像中每一个像素点为胰腺的置信度、每一个像素点为十二指肠的置信度、每一个像素点为脾的置信度、每一个像素点为肾的置信度。
82.本实施例中，在采用第一分割模型分割横断面影像中的胰腺和与胰腺关联的器官时，为了提高分割胰腺及与其关联的器官的准确度，在通过第一分割模型进行分割时，不是直接将待分割的横断面影像直接输入至第一分割模型，而是以待分割横断面影像作为中间帧横断面影像，获取位于其前和其后的至少一帧横断面影像，将中间帧横断面影像，位于其前和其后的至少一帧横断面影像所组成的影像层输入至第一分割模型。同样地，训练初始第一分割模型时也是将中间帧横断面影像，位于其前和其后的至少一帧横断面影像中标记了胰腺的至少三帧横断面影像作为训练样本训练初始第一分割模型以获得第一分割模型。举例来说，若中间帧横断面影像为第7帧横断面影像，位于其前的至少一帧可以为第6帧横断面影像，位于其后的至少一帧可以为第8帧横断面影像。位于其前的至少两帧可以为第6帧横断面影像和第5帧横断面影像，位于其后的至少两帧可以为第8帧横断面影像和第9帧横断面影像。本实施例中，将由中间帧横断面影像和位于其前和其后的各一帧横断面影像组成的3帧横断面影像的影像层输入至第一分割模型以分割出中间帧横断面影像中的胰腺和与胰腺关联的器官。如将第6帧横断面影像、第7帧横断面影像和第8帧横断面影像输入至第一分割模型以分割出第7帧横断面影像中的胰腺及与其关联的器官。本实施例中，采用将影像层输入至第一分割模型的方式，使得分割出的中间帧横断面影像中的胰腺的信息结合了其前一帧和后一帧的胰腺信息，进而可以提高对每一帧横断面影像中胰腺分割的准确度。同样地，对于和胰腺关联的其他器官而言，如脾，分割出的中间帧横断面影像中的脾的信息结合了其前一帧和后一帧的脾的信息，因此也提高了对每一帧横断面影像中脾的分割的准确度。
83.执行s13，叠加横断面影像和与其对应的第一影像以获得第二影像。本实施例中，具体地，就是将获取的每一帧横断面影像和对该帧横断面影像进行了胰腺及与其关联的器官进行分割后的获得的第一影像，沿着z轴方向进行叠加，举例来说若横断面影像大小为512
╳
512
╳
1，与其对应的第一影像大小为512
╳
512
╳
1，则将横断面影像和与其对应的第一影像叠加后获得的第二影像的大小为512
╳
512
╳
2。将横断面影像和与其对应的第一影像进行叠加后再进行分割，使得在后续分割时可以更加关注于待分割的器官，如胰腺，进而可以在很大程度上提高分割的精度。
84.执行s14，分割所述第二影像以在所述医学影像中确定胰腺区域。本实施例中，可以直接对第二影像进行分割，如可以采用传统的图像分割算法：基于区域的图像分割方法、分水岭算法、基于阈值的图像分割方法等来分割第二影像中的胰腺区域。也可以采用神经网络来分割第二影像中的胰腺区域，具体地，可以采用以vgg作为backbone的u-net神经网络模型来分割第二影像中的胰腺，在其他实施例中，也可采用全卷积神经网络(fcn，fully convolutional network)模型等来进行分割。本实施例中，第二分割模型的结构与第一分割模型的结构类似，此处不再赘述。不同的是，第二分割模型是以横断面影像及叠加了与其对应的第一影像为训练样本进行训练获得的。
85.为了进一步的提高最终分割的精度，本实施例中，在对第二影像进行分割时，也可以以待分割的第二影像所在帧为中间帧，获取位于其前和其后的至少一帧，如获取位于其前的一帧和获取位于其后的一帧，或者获取位于其前的两帧和位于其后的两帧。具体获取位于其前和其后的几帧，可以根据实际需求而定。以获取位于中间帧第二影像之前的一帧第二影像和位于中间帧第二影像之后的一帧第二影像为例，则是将三帧第二影像组成的影像层输入至第二分割模型，以在中间帧第二影像中分割出胰腺。采用将影像层输入至第二分割模型以在中间帧第二影像中分割出胰腺的方式，可以使得分割出的中间帧第二影像中的胰腺信息结合了其前一帧和后一帧的胰腺信息，进而提高了每一帧第二影像中胰腺分割的准确度。
86.至此，通过上述的方式确定了横断面影像中胰腺所在的区域，通过先定位胰腺所在区域的范围确定了所要获取的多帧横断面影像在z轴所在的范围，有利于提高分割的速度和精度，对位于胰腺所在区域范围内的多帧横断面影像中的胰腺和与其关联的器官进行分割以获得第一影像，再将第一影像和与其对应的横断面影像叠加以获得第二影像，由于在原始的横断面影像中叠加了已经分割的第一影像，因此再对第二影像的进行分割时，可以更加关注于待分割的胰腺，因此在很大程度上提高了胰腺分割的精度，进而在对多帧第二影像分割后最终获得了准确的胰腺区域。
87.执行s15，确定所述胰腺区域的质心或者中心。本实施例中胰腺区域的质心可以是胰腺的质量中心，胰腺区域的中心则可以是位于三维空间的胰腺体的中心。
88.执行s16，获取以所述胰腺区域的质心或者中心为中心的至少两个感兴趣区域，所述感兴趣区域包含于所述胰腺区域内。本实施例中，可以以胰腺区域的质心为中心，切分获得至少两个感兴趣区域，如切分获得三个感兴趣区域，感兴趣区域的形状可以是立方体、长方体、球体等，各个感兴趣区域的形状可以相同也可以不同，本实施例中各个感兴趣区域的形状相同，感兴趣区域的大小则可以根据实际需求而定。具体地，可以是以质心为中心的，尺寸分别为：64
╳
64
╳
64，128
╳
128
╳
128，192
╳
192
╳
192的三维立方体。
89.执行s17，将至少两个感兴趣区域输入至分类模型以获取发生在胰腺的癌症的置信度。本实施例中，为了尽可能快且提高分类的精度，感兴趣区域的个数可以为3，实际应用中可以根据分类的精度和速度来确定感兴趣区域的个数。本实施例中，分类模型可以为3d卷积神经网络模型，可以包括特征提取网络和分类网络。以感兴趣区域的个数为3为例，则可以是将第一感兴趣区域、第二感兴趣区域以及第三感兴趣区域输入至特征提取网络，分别获得与所述第一感兴趣区域对应的第一特征图，与所述第二感兴趣区域对应的第二特征图，与所述第三感兴趣区域对应的第三特征图，然后将第一特征图、第二特征图以及第三特征图进行拼接以获得特征图。最后将拼接获得的特征图输入至分类网络以获得发生在胰腺的癌症的置信度。
90.本实施例中，特征提取网络可以包括n个连续的卷积模块，每个卷积模块可以包括一个m
×m×
m的3d卷积层、一个批量归一化(bn，batch normalization)层、一个激活函数层和一个y
×y×
y的池化(max pooling)层。其中，n可以小于或等于第一阈值，m可以小于或等于第二阈值，y可以小于或等于第三阈值，如n＝3，m＝3，y＝2。本领域技术人员可以根据经验和实际情况来设定第一阈值、第二阈值和第三阈值的具体数值，此处不做限定。以特征提取网络包括三个连续的卷积模块为例，三个连续的卷积模块依次相连，即第一个卷积模块
的输出为第二个卷积模块的输入，第二个卷积模块的输出为第三个卷积模块的输入。每一个卷积模块则包括了一个3
×3×
3的3d卷积层、与3
×3×
3的3d卷积层连接的bn层、与bn层连接的激活函数层、以及与激活函数层连接的2
×2×
2的max pooling层。本实施例中，激活函数可以为多种类型的激活函数，如，可以为线性整流函数(relu，rectified linear unit)，此处具体不做限定。各卷积模块中的各卷积层的卷积核大小、max pooling层的卷积核大小、每个卷积模块提取的特征通道数值可由本领域技术人员根据经验和实际情况设定并调整得到，此处具体不做限定。
91.本实施例中，分类网络可以包括第一全连接层、第二全连接层，连接在第一全连接层和第二全连接层之间通过率为0.5的dropout层，以及softmax层。由第一特征图、第二特征图和第三特征图拼接获得特征图可以依次通过第一全连接层、dropout层、第二全连接层进行计算，并由softmax函数来保持置信度之和为1，最后输出各类别的置信度，也即发生在胰腺的癌症的置信度和未发生在胰腺的癌症的置信度。
92.本实施例中，分类模型可以通过对以已标记了分类的多个不同尺寸的感兴趣区域作为训练样本对初始分类模型进行训练学习得到。而感兴趣区域除了通过上述方式切分到的感兴趣区域以外，还可以对切分获得的感兴趣区域进行数据增强，从而扩大训练样本的数量，进而也可以提高最终获得的分类模型的准确度。本实施例中，可以对感兴趣区域采用随机水平镜像的方式进行数据增强；也可以对感兴趣区域采用随机上、下、左、右平移的方式进行数据增强；也可以对感兴趣区域采用随机旋转的方式进行数据增强；还可以对感兴趣区域采用随机缩放的方式进行数据增强，此处不做具体限定。
93.执行s18：基于所述发生在胰腺的癌症的置信度和预设阈值确定胰腺癌。将发生在胰腺的癌症的置信度与预设阈值相比较，若大于预设阈值，则可以确定受检者患有胰腺癌。本实施例中，预设阈值可以根据实际经验而定，如可以为0.5。
94.至此，通过将多个感兴趣区域输入至分类模型得到了发生在胰腺的癌症的置信度，由于对获得的准确的胰腺区域进行了切分获得了不同尺寸的感兴趣区域，而基于多个感兴趣区域对胰腺区域进行分类时，可以提取更为全面的胰腺的特征，因此在很大程度上提高了分类的准确度，也即可以获得较为准确的发生在胰腺的癌症的置信度，进而基于该置信度和预设阈值确定胰腺癌时，也大大的提高了胰腺癌判定的准确度。上述对胰腺癌进行判定的过程中，无需再通过人工的方式来判断受检者是否患有胰腺癌，避免了因医生主观判断导致的误判，提高了确定受检者是否患有胰腺癌的速度和准确度，也即在一定程度上提高了医生对胰腺癌的诊断效率和诊断的准确度。另外，在对胰腺癌进行确定的过程中，无需再通过穿刺活检的方式进行确定，也可以避免因穿刺给受检者带来的不适。
95.基于相同的技术构思，本发明实施例提供一种确定胰腺癌的装置，包括：
96.第一获取单元，用于获取医学影像，所述医学影像包括多帧横断面影像。
97.第一分割单元，用于在横断面影像中分割出胰腺及与胰腺关联的器官以获得第一影像。
98.叠加单元，用于叠加横断面影像和与其对应的第一影像以获得第二影像。
99.第二分割单元，用于分割所述第二影像以在所述医学影像中确定胰腺区域。
100.第一确定单元，用于确定所述胰腺区域的质心或者中心。
101.第二获取单元，用于获取以所述胰腺区域的质心或者中心为中心的至少两个感兴
趣区域，所述感兴趣区域包含于所述胰腺区域内。
102.分类模型，用于输入至少两个感兴趣区域，输出发生在胰腺的癌症的置信度。
103.第二确定单元，用于基于所述发生在胰腺的癌症的置信度和预设阈值确定胰腺癌。
104.本实施例的确定胰腺癌的装置的实施可以参见上述的确定胰腺癌的方法的实施，此处不再赘述。
105.基于相同的技术构思，本发明实施例提供一种计算机设备，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器能够执行上述的确定胰腺癌的方法。
106.基于相同的技术构思，本发明实施例提供一种计算机可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行上述的确定胰腺癌的方法。
107.本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
108.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
109.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
110.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
111.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
112.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。