基于长时程CT影像的肺部病灶生长演变规律建模及早期肺癌智能诊断研究

The study on long-term lung cancer image data (complete progression of development of disease over time) is the key to early diagnosis of lung cancer. At present, the reveal of characteristics and laws of lung Cancer evolution over time is not comprehensive and the related course of disease of image data and evolution mechanism over time is not ambiguous, which cannot play a guiding role on early diagnosis of lung cancer. Aiming at this problem, the project intends to implement the following researches: the study on tracking and extraction of cross-period sequences of pulmonary lesions in long-term CT images, and to explore a deep learning method for lung cancer staging in which spatial multivariate features (deep and non-deep features) are combined under the key attributes of medical records; the study on the dependent relationship of the 3D feature of lesions on the time dimension, and to explore the method of accurately tracing early sequence images of lung cancer in middle and late stage sequence images and the modeling mechanism of early lesion characteristics over time; the study on the relationship between long-term CT sequence image data and diagnostic information features including time series and disease stages, and to explore the effectiveness of LSTM depth framework under time-incomplete data. On this basis, a model of lesion growth and evolution based on long-term CT sequence images was proposed to reveal the underlying mechanism for early identification of lung cancer. This study is expected to provide new technologies for large-scale early stage screening of lung cancer, which has important academic value and clinical value.

长时程（疾病随时间发展的完整过程）肺癌影像数据的研究是实现肺癌早期诊断的关键。目前，对肺癌随时间演变特征和规律的揭示不全面，影像数据关联病程和时间序列的演变机理不明确，难以对肺癌早期筛查诊断起到关键指导作用。针对此问题，本项目拟研究长时程CT影像下跨时期肺部病灶序列的跟踪和提取，探索病历关键属性约束下空间多元特征（深度和非深度特征）融合的肺癌分期深度学习方法；研究病灶三维特征在时间维度上的依赖关系，探索肺癌中晚期序列影像精准回溯早期序列影像的方法和早期病灶特征随时间演变的建模机制；研究长时程CT序列影像数据与包含时间序列和病程分期的诊断信息特征域之间的关系，探索长短时记忆深度框架在时间不完整数据下的有效性。在此基础上，提出基于长时程CT序列影像的病灶生长演变模型，以此揭示早期肺癌不易被识别的隐含机理。本研究有望为肺癌的大规模早期影像筛查提供新技术，具有重要的学术价值和临床价值。

长时程（疾病随时间发展的完整过程）肺癌影像数据的研究是实现肺癌早期诊断的关键。本项目通过对CT图像肺结节的研究，具体包括图像特征提取、肺结节分割、多模态肺结节图像重建、肺结节恶性程度分类、肺癌亚型分类诊断、肺结节分期诊断、长时程肺癌演变预测以及病程和时间约束下缺失阶段性肺癌序列图像建模，最终搭建出基于长时程CT影像的肺部病灶生长演变规律建模及早期肺癌智能诊断模型。在图像特征提取跟踪中，设计了一种改进距离计算检索相似肺结节的哈希方法，使用深度学习方法将肺部图像的深度特征映射为相应的哈希码，然后对概率值分布一致的训练肺部图像类中的每一副肺部图像和待查询的肺部图像进行图像特征关联表示，提升特征提取效率；在肺腺癌分期研究中，项目组提出了一种多加权gcForest算法，首先为不同的随机森林分配不同的权重，之后根据不同扫描粒度下生成的特征向量对最终分类结果的影响不同，提出的排序优化算法对特征向量赋予权重，分期准确率高于传统分类方法；在长时程肺癌演变预测研究中，项目组提出了一种新的多分支时空残差网络用于疾病特别生存率预测，该网络综合了不同时间的纵向CT图像和临床数据提取深度特征，选择最相关的特征子集，最后将深度特征和特征子集进行集成，构建的模型预测准确率可达86.78%；在搭建了病程和时间约束下缺失阶段性肺癌序列图像模型研究中，项目组提出了一种利用存在的数据估计缺失时期数据的方法，将图像数据估算任务转为了图像域间转换的任务，最终通过对照实验证明了提出的方法生成的图像具有更高的视觉质量的方法，大大提升了图像质量。本研究为肺癌的大规模早期影像筛查提供新技术，揭示了早期肺癌不易被识别的隐含机理，对长时程CT影像的肺部病灶生长演变规律建模及早期肺癌智能诊断具有一定的理论意义和学术价值。