[發明專利]一種基于深度神經網絡的直腸癌T分期自動診斷系統及其構建方法

在審

• 申請號: 202010029854.8
• 申請日: 2020-01-13
• 公開（公告）號: CN111210909A
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 盧云;劉廣偉;劉尚龍
• 申請（專利權）人: 青島大學附屬醫院
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06T7/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 張曉

1.一種基于深度神經網絡的直腸癌T分期自動診斷系統，其特征在于，包括深度神經網絡模型，所述深度神經網絡模型包括：

特征提取網絡，用于對輸入的整張圖像的圖像特征進行抽象并生成卷積特征圖；

區域生成網絡，用于根據特征提取網絡輸出的卷積特征圖進行篩選，推薦候選區域；

池化層，對所述卷積特征圖以及所述候選區域進行卷積操作，將不同大小的輸入信號轉換為固定長度的輸出信號，得到一組低維特征向量；

分類和回歸層，根據池化層輸出的低維特征向量，進行分類與回歸，輸出最終診斷結果；

所述深度神經網絡模型的學習過程包括：

首先，使用ResNet-50模型，對輸入的整張圖像的層面類型進行學習并判斷，學習判斷該圖像投照方位，建立層面識別模塊；

然后，以ResNet101模型作為基礎網絡，在每個圖像層面分別訓練一個目標檢測模型，用于勾畫出腫瘤區域，并判斷腫瘤T分期。

2.如權利要求1所述的基于深度神經網絡的直腸癌T分期自動診斷系統，其特征在于，還包括預處理模塊，將輸入的整張圖像縮放為統一像素，并對圖像進行標準化處理，經過預處理后的圖像輸入到特征提取網絡。

3.如權利要求1所述的基于深度神經網絡的直腸癌T分期自動診斷系統，其特征在于，所述圖像投照方位包括冠狀位、水平位和矢狀位。

4.如權利要求3所述的基于深度神經網絡的直腸癌T分期自動診斷系統，其特征在于，以ResNet101作為基礎網絡，在冠狀位、水平位和矢狀位圖像層面分別訓練一個目標檢測模型，用于勾畫出腫瘤區域，并判斷腫瘤T分期。

5.如權利要求1所述的基于深度神經網絡的直腸癌T分期自動診斷系統，其特征在于，所述深度神經網絡模型的學習過程還包括：采Adam優化器對ResNet-50模型進行優化。

6.一種基于深度神經網絡的直腸癌T分期自動診斷系統的構建方法，其特征在于，包括以下步驟：

步驟一，建立一個深度神經網絡模型，所述深度神經網絡包括：

特征提取網絡，用于對輸入的整張圖像的圖像特征進行抽象并生成卷積特征圖；

區域生成網絡，用于根據特征提取網絡輸出的卷積特征圖進行篩選，推薦候選區域；

池化層，對所述卷積特征圖以及所述候選區域進行卷積操作，將不同大小的輸入信號轉換為固定長度的輸出信號，得到一組低維特征向量；

分類和回歸層，根據池化層輸出的低維特征向量，進行分類與回歸，輸出最終診斷結果；

步驟二，構建學習組對深度神經網絡模型進行訓練，訓練過程包括：

首先，使用ResNet-50模型，對圖像的層面類型進行學習并判斷，學習判斷該圖像投照方位，從而建立層面識別模塊；

然后，使用以ResNet101作為基礎網絡，在每個圖像層面分別訓練一個目標檢測模型，用于勾畫出腫瘤區域，并判斷腫瘤T分期；

步驟三，構建驗證組對深度神經網絡模型的學習結果進行驗證。

7.如權利要求6所述的基于深度神經網絡的直腸癌T分期自動診斷系統的構建方法，其特征在于，還包括預處理步驟，將輸入的整張圖像縮放為統一像素，并對圖像進行標準化處理。

8.如權利要求6所述的基于深度神經網絡的直腸癌T分期自動診斷系統的構建方法，其特征在于，所述圖像投照方位包括冠狀位、水平位和矢狀位。

9.如權利要求8所述的基于深度神經網絡的直腸癌T分期自動診斷系統的構建方法，其特征在于，使用以ResNet101作為基礎網絡的Faster RCNN算法在冠狀位、水平位和矢狀位圖像層面分別訓練一個目標檢測模型，用于勾畫出腫瘤區域，并判斷腫瘤T分期。

10.如權利要求6所述的基于深度神經網絡的直腸癌T分期自動診斷系統的構建方法，其特征在于，對所述深度神經網絡模型的學習結果進行驗證的過程包括：

將驗證組圖像輸入深度神經網絡模型，根據驗證結果繪制ROC曲線，根據曲線下面積評估學習結果。