[發明專利]使用深度學習網絡對斷層醫學影像進行病灶分類的系統

有效

• 申請號: 201610043748.9
• 申請日: 2016-01-22
• 公開（公告）號: CN105718952B
• 公開（公告）日: 2018-10-30
• 發明（設計）人: 王興剛;羅博;王良;歐陽杰;劉濤;楊巍;賀松平
• 申請（專利權）人: 武漢科恩斯醫療科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 許美紅

本發明公開了一種使用深度學習網絡對斷層醫學影像進行病灶分類的系統，該系統用于S1、收集病例斷層醫學影像數據，對病例斷層醫學影像進行標注形成訓練集；S2、對斷層醫學影像進行預處理；S3、對訓練集中的數據進行擴充；S4、構建并訓練DCNN分類模型；S5、輸入數據與處理預測結果。本發明能夠幫助放射科醫生快速區分病灶種類，從而大幅提高醫生的工作效率。

技術領域

本發明涉及圖像處理領域，尤其涉及一種使用深度學習網絡對斷層醫學影像進行病灶分類的系統。

背景技術

斷層醫學影像包括很多種，如MRI(Magnetic Resonance Imaging)磁共振成像，是斷層成像的一種，它利用磁共振現象從人體中獲得電磁信號,并重建出人體信息。

深度學習是一種非常前沿的機器學習方法，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像、聲音和文本。深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

深度學習網絡通常需要數以萬計的訓練集數據才能將模型訓練到足夠好，以達到模型建立者期望的分類準確率。

醫學影像病灶分類如前列腺癌(PCA)與前列腺增生(BPH)疾病變由于其特殊性，即使專業的放射科閱片醫生也很難僅根據MRI影像將二者區分開來。目前，尚未有較好計算機自動分類方法。

發明內容

本發明要解決的技術問題在于針對現有技術中無法有效對斷層醫學影像進行病灶區分的缺陷，提供一種使用深度學習網絡對斷層醫學影像進行病灶分類的方法及系統。

本發明解決其技術問題所采用的技術方案是：

提供一種使用深度學習網絡對斷層醫學影像進行病灶分類的方法，包括以下步驟：

S1、對訓練集中病例的斷層醫學影像進行標注

設病例為X_i，i∈[1,……,N]，其中N為病例的總數量，每個病例有一個標注Y_i，表示病灶種類，并用下式表示病例：j∈[1,……，M_i]，其中M_i為病例X_i的斷層醫學影像數量，同時假設每張斷層影像的標注為y_ij，它表示第i個病例的第j張斷層影像的類別，y_ij的取值如下式：y_ij＝Y_i；對每個X_i都進行標注后，形成訓練集X；

S2、對斷層醫學影像進行預處理

在不影響圖片特征的情況下，對經標注后的圖片進行縮小；

S3、對訓練集中的數據進行擴充

對縮小后的圖像，按照更小的預設尺寸，以1個像素為步幅，摳取出多張圖片，同時按照步驟S1中的步驟對每張新成的影像數據進行標注，以擴充訓練集中的數據；

S4、構建并訓練DCNN分類模型

構建DCNN分類模型，并通過預設算法調整DCNN分類模型中的可訓練參數，該DCNN分類模型包括一個輸入節點和多個輸出節點，其輸入節點的輸入為經擴充后的訓練集，每個輸出節點的輸出為病例屬于某一類的概率；

S5、輸入數據與處理預測結果

將待分類病例的斷層醫學影像輸入到DCNN分類模型的輸入節點，計算每個輸出節點的輸出值的平均值，比較各個平均值，選擇最大值作為最終輸出。

本發明所述的方法中，所述斷層醫學影像為CT影像或者MRI斷層影像，M_i取值為10～30。