[發明專利]一種基于視覺特征識別口腔鱗狀細胞癌的深度學習方法

有效

• 申請號: 202010112955.1
• 申請日: 2020-02-24
• 公開（公告）號: CN111369501B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 熊學鵬;趙怡芳;傅秋云;李凱雄
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/25;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08;A61B5/00
• 代理公司: 武漢宇晨專利事務所(普通合伙) 42001
• 代理人: 王敏鋒

1.一種基于視覺特征識別口腔鱗狀細胞癌的深度學習方法，其特征在于，包括以下步驟：

步驟1.拍攝獲取規格一致并且清晰的口腔照片，所述照片采集了口腔鱗狀細胞癌病變區域和口腔正常區域，包括：開發集，用于模型訓練和調參；

測試集，用于結果測評；

步驟2.從開發集中抽取照片構建數據訓練樣本：挑選若干張開發集中的照片，該照片帶有病變區域，并用矩形選框完整框選可見的病變區域標記類別作為真實框，排除口腔內被周邊組織遮擋的病變組織，和部分曝光不清晰的區域，并保存矩形選框在所述照片的二維平面坐標中的四個角點位置信息；

步驟3.訓練目標檢測網絡模型：構建SSD框架模型，采用VGG16作為SSD框架的基礎網絡結構；真實數據樣本輸入訓練SSD框架模型，引入遷移學習方法對SSD框架模型進行訓練，得到訓練好的SSD框架模型；

步驟4.將步驟1獲取的開發集照片輸入訓練好的SSD框架模型，輸出所述照片的病變區域的位置及類型，類型包括：

陰陽類型：陽性數據，標記為1，即檢測所得與真實框的病變區域相似的輸入照片；

陰性數據，正?？谇徽掌?，標記為0；

拍攝設備類型：

數碼單反拍攝的照片，標記為1，其他設備拍攝的照片，標記為0；

病變區域的位置及類型作為分類網絡數據樣本保存；

步驟5.將步驟4輸出的分類網絡數據樣本，進行預處理擴充樣本數量；

預處理包括：使分類網絡數據樣本的照片順時針旋轉45度角；調整分類網絡數據樣本的照片對比度；對分類網絡數據樣本進行大小縮放；使分類網絡數據樣本鏡像翻轉；

將擴充的開發集數據按照9：1的比例劃分到步驟1的訓練集和驗證集；

步驟6.改進分類網絡與預訓練：

步驟6.1.將深度跨連接網絡DenseNet作為基礎網絡，使用遷移學習方法，以在ImageNet數據集DenseNet預訓練模型來進行模型訓練；

步驟6.2.對DenseNet網絡結構進行改進：損失函數為焦點損失FL，FL(p_t)＝-α(1-p_t)^γlog(p_t)

其中焦點因子γ≥0，類別不平衡因子α，p為模型的預測概率，y為Ground Truth；

在DenseNet網絡中添加新的分類層Classification Layer，使輸入照片經過分類器判斷照片類別是否為口腔鱗狀細胞癌和拍攝設備后，再計算得到分類loss值L1，使模型更加集中于困難的錯誤分類的樣本，p∈[0，1]

L1＝0.1×FL(f_c(x)，y_c)+0.6×FL(f_o(x)，y_o)

其中x是輸入照片，fc(x)與fo(x)是相機類別與口腔鱗狀細胞癌分類器，yc與yo是標定的真實標簽；

使用深度監督學習deep supervised learning方法，在Dense Net中的前三個密集連接塊dense block的輸出特征向量上分別加入分類層Classification Layer，針對是否為口腔鱗狀細胞癌分類，之后計算各密集連接塊的loss值：L2、L3、L4，使L1、L2、L3、L4按照loss比例1:0.1:0.1:0.1進行相加作為總損失函數L_toal；

步驟6.3.使用后向傳播算法調整Dense Net網絡權重，降低L_toal，以提高模型精度；

步驟7.將步驟5得到的擴充樣本輸入步驟6改進后的DenseNet網絡進行訓練，得到口腔鱗狀細胞癌分類網絡的權重文件，保存備用；

步驟8.分類網絡模型的測試與優化：用步驟7中所得的口腔鱗狀細胞癌分類網絡對驗證集數據樣本進行檢測，根據測試集的測試結果：利用測試數據樣本中的圖片經口腔鱗狀細胞癌分類網絡進行一系列卷積、歸一化、池化、殘差連接得到圖片類別，直至得到的圖片類別與測試集數據的病理分類準確率不小于98％，若準確率沒達到標準，進行重新訓練，重新訓練前調整步驟6.2以及步驟7中焦點損失函數參數包括：平衡因子α和焦點因子γ以及loss比例；

步驟9.步驟8訓練好的模型對按步驟1的方法新采集的口腔照片進行分類預測，判斷口腔照片是否存在病變區域。