[發明專利]一種基于深度學習的手部腫瘤智能檢測方法

在審

• 申請號: 201910946643.8
• 申請日: 2019-10-06
• 公開（公告）號: CN110717907A
• 公開（公告）日: 2020-01-21
• 發明（設計）人: 盧薈;方建勇;劉宗鈺;胡賢良;應俊;秦林;周海英
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;G16H50/20
• 代理公司: 33304 杭州永航聯科專利代理有限公司
• 代理人: 侯蘭玉

1.一種基于深度學習的手部腫瘤智能檢測方法，其特征在于該方法包括以下步驟：

(1)對手部腫瘤磁共振影像進行標注；

(2)對標注數據進行預處理，并對數據集進行增強；

(3)構建全卷積神經網絡模型，確定全卷積神經網絡模型的參數，將數據集輸入全卷積神經網絡模型中，利用損失函數

進行訓練；其中l(x)為像素點x的標注類別，W_l(x)對應類別l(x)的權重；

(4)將待預測影像輸入到智能檢測模型中，得到預測結果。

2.根據權利要求1所述的手部腫瘤智能檢測方法，其特征在于：步驟(1)是對不同類型的手部腫瘤標注不同顏色的分割掩膜。

3.根據權利要求1所述的手部腫瘤智能檢測方法，其特征在于：步驟(2)包括：

①對標注數據進行預處理：由標注文件批量生成彩色標注圖，隨后對彩色標注圖進行轉碼，得到灰度標注圖；

②對數據集進行增強：對數據集中影像與標注圖進行翻轉和裁剪。

4.根據權利要求1所述的手部腫瘤智能檢測方法，其特征在于：步驟(3)包括：

①構建一個全卷積神經網絡模型，整個全卷積神經網絡模型為Encoder-Decoder架構；

取標注的數據集進行劃分，一部分為訓練集，一部分為測試集，其中測試集中包括驗證集；

將訓練集中的數據隨機載入特征提取網絡，經過卷積層提取圖像特征，形成低層編碼特征圖；

②將提取的底層編碼特征圖輸入到ASPP模塊中得到高層編碼特征圖；

③對高層編碼特征圖進行上采樣，與底層編碼特征圖連接，得到底層解碼特征圖；

④使用3*3卷積層對底層解碼特征圖進行解碼，得到高層解碼特征圖；

⑤對高層解碼特征圖進行4倍雙線性上采樣，得到預測結果；

⑥由預測結果與標注結果，利用損失函數優化網絡參數；

經過多次迭代后，得到智能檢測模型。

5.根據權利要求4所述的手部腫瘤智能檢測方法，其特征在于：步驟(3)①的具體過程如下：

Encoder模塊使用特征提取網絡提取特征，特征提取網絡由Entry flow、Middle flow、Exit flow三個部分構成：

(1)Entry flow部分首先對輸入圖像進行2次3*3的卷積操作，隨后進行9次3*3的深度分離卷積操作與三次1*1卷積操作分支，每次深度分離卷積操作附加BN層與ReLU激活函數；

(2)Middle flow部分包含3次3*3的深度分離卷積操作，整個部分在網絡中重復16次；

(3)Exit flow部分包含6次3*3的深度分離卷積操作，與一個1*1卷積操作分支。

6.根據權利要求4所述的手部腫瘤智能檢測方法，其特征在于：(3)④的具體過程是：平行使用四個3*3的空洞卷積層對底層編碼特征圖提取特征，在保持計算量的同時擴大感受野，同時聚合多尺度的上下文信息，獲取更好的分割結果。

7.根據權利要求4所述的手部腫瘤智能檢測方法，其特征在于：步驟(3)⑤的具體過程是：

(1)根據步驟3所述提取底層解碼特征圖，對高層編碼特征圖進行4倍雙線性上采樣；

(2)使用1*1卷積來降低底層編碼特征圖的通道數。

8.根據權利要求1所述的手部腫瘤智能檢測方法，其特征在于：步驟(3)中所述的卷積層的卷積運算在二維情況下可由如下述公式表示：

上式中，表示l層的第n張特征圖，O表示前一層輸入的特征圖的數量，(x，y)表示特征圖上的指定位置，w表示卷積核，即卷積神經網絡中的權重參數，c表示的是[1，O]的下標變量，p、q表示卷積核的高和寬，i表示[O，p]的下標變量、j表示[O，q]的下標變量，表示l-1層的第n個通道的的偏置值，f是局部線性的rectify函數，其函數形式表示如下：

9.根據權利要求1所述的手部腫瘤智能檢測方法，其特征在于：步驟(3)中所述的空洞卷積層的卷積運算在二維情況下可由如下述公式表示：

y[i]＝∑_kx[i+r*k]w[k]，

上式中，i表示特征圖上的指定位置，w表示卷積核，即卷積神經網絡中的權重參數，y表示輸出的特征圖，x表示輸入的特征圖，其中空洞率r決定了我們對輸入信號采樣的步幅大小。