Contact Me: [email protected]

本研究为医工结合项目，通过采集患者的肾上腺CT和生化指标等临床资料，构建数据库，开展大规模更细致的肾上腺CT图像诊断技术的研发，利用深度学习建立肾上腺肿瘤预测模型，并根据临床指南作出临床决策，完成人工智能系统的研发，实现智能化肾上腺肿瘤的诊疗。辅助临床医生对肾上腺肿瘤做出精准诊断以及超早期预警，并有效提升医生的工作效率，降低经验诊疗的误诊、漏诊率，提高诊断的准确性，进一步提升临床诊疗水平。

基于图像的医学诊断任务可以细化为图像分类任务和图像分割任务。

输入为大小不一的增强CT图像，输出为对应的类别标签。

使用Focal Loss作为损失函数，多分类任务中的Focal Loss表达如下：

• 皮质腺瘤213例
• 皮质增生32例
• 嗜铬细胞瘤38例
• 健康100例

每个样本为一个病患的增强CT图像（nii格式），标签包括患病类型和分割标注。数据集存在样本不均衡问题。使用以下命令行对数据集进行预处理，包括解压缩，复制等操作：

python dataset_prepare.py

使用Micron查看nii格式的原始数据，展示如下：

出于隐私性考虑，实验数据集不予公开。

环境：

• Windows10
• CPU/GPU
• Torch

使用pip安装运行程序所需要的依赖项：

pip install requirements.txt

训练模型：

• 图像分类

  python classification.py

• 图像分割

  python segmentation.py