[發明專利]一種基于卷積神經網絡的骨量檢測方法

有效

• 申請號: 202010977948.8
• 申請日: 2020-09-17
• 公開（公告）號: CN112070760B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 邱劍鋒;楊萬理;張興義;儲建軍;王啟軍
• 申請（專利權）人: 安徽大學;合肥市濱湖醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于卷積神經網絡的骨量檢測方法，其特征是按照如下步驟進行：

步驟1、構建卷積神經網絡，所述卷積神經網絡由卷積層、池化層、全連接層構成；

步驟1.1、獲取X光片(x,y,k)；其中x，y，k分別表示所述X光片的高度、寬度和通道數；

步驟1.2、以所述X光片(x,y,k)作為所述卷積神經網絡的輸入，所述卷積層中第一部分的初始卷積層L₀(k₀,n₀)對所述X光片(x,y,k)進行一次卷積操作，得到初始特征圖F_c(x,y,n₀)；其中，k₀表示初始卷積核大小，n₀表示初始卷積層的卷積核個數；

步驟1.3、對初始特征圖F_c(x,y,n₀)進行一次激活操作，得到激活后的特征圖F_r(x,y,n₀)，將激活后的特征圖Fr(x,y,n₀)送入初始池化層L₀(k_p0,s)中進行無重疊采樣后得到初始采樣特征圖Fv(x’,y’,n₀)；

定義操作次數為t，并初始化t=1；

定義變量并初始化a=0，β=0；

步驟1.4、將初始采樣特征圖Fv(x’,y’,n₀)送入第二部分的第t個卷積層L_t(k_st,n_βt)中進行第t次卷積操作，得到第t個卷積層的特征圖F_t(x,y,n_βt)，對所述第t個卷積層的特征圖F_t(x,y,n_βt)進行線性激活操作得到第t次線性激活操作后的特征圖F_r(x,y,n_βt)；k_s,t表示第t個卷積核大小，n_βt表示第t個卷積層的卷積核個數；

步驟1.5、令t+1賦值給t后，判斷t≤β+3是否成立，若成立，則重復步驟1.4，否則令β=4，將a+1賦值給a后，判斷a≤2是否成立，若成立，則重復執行步驟1.4，否則執行步驟1.6；

步驟1.6、將激活后的特征圖F_r(x,y,n_t)送入第t個卷積層L_t(k_st,n_βt)中進行第t次卷積操作，得到第t個卷積層的特征圖F_t(x,y,n_βt)，對所述第t個卷積層的特征圖F_t(x,y,n_βt)進行線性激活操作得到第t次線性激活操作后的特征圖F_r(x,y,n_βt)；

步驟1.7、令t+1賦值給t后，判斷t≤β+10是否成立，若成立，則重復步驟1.6，否則將令β=6，將a+1賦值給a后，判斷a≤4是否成立，若成立，則重復執行步驟1.6，否則執行步驟1.8；

步驟1.8、將所述第t次線性激活操作后的特征圖F_r(x,y,n_βt)分別送入第三部分的三個并行的卷積層L₁(k₁,n₁)、L₂(k₂,n₂)、L₃(k_3,n₃)中進行卷積操作，得到相應的三個特征圖F_c(x,y,n₁)、F_c(x,y,n₂)、F_c(x,y,n₃)，對三個特征圖F_c(x,y,n₁)、F_c(x,y,n₂)、F_c(x,y,n₃)分別進行線性激活操作，得到線性激活后的三個特征圖F_r(x,y,n₁)、F_r(x,y,n₂)、F_r(x,y,n₃)；k_i表示第三部分中第i個卷積核大小，n_i表示第三部分中第i個卷積層的卷積核個數；i=1,2,3；

步驟1.9、對線性激活后的兩個特征圖F_r(x,y,n₂)、F_r(x,y,n₃)在通道上進行拼接得到拼接后的特征圖F_c(x,y,n₄)，對拼接后的特征圖F_c(x,y,n₄)進行線性激活操作，得到激活后的特征圖F_r(x,y,n₄)，其中n₄=n₂+n₃；

步驟1.10、將激活后的特征圖F_r(x,y,n₁)送入第一池化層L₁(k_p1,s)中進行無重疊采樣后得到第一采樣特征圖F_v(x’,y’,n₁)；將所述拼接后的特征圖F_c(x,y,n₄)送入第二池化層L₂(k_p2,s)中進行無重疊采樣后得到第二采樣特征圖F_v(x’,y’,n₄)，其中，k_pi表示第i池化層采樣的范圍大小，s表示滑動步長；i=1,2;

步驟1.11、對第一采樣特征圖F_v(x’,y’,n₁)和第二采樣特征圖F_v(x’,y’,n₄)在通道上進行拼接得到第三采樣特征圖F_v(x,y,n₅)，其中n₅=n₁+n₄；

步驟1.12、將第三采樣特征圖F_v(x,y,n₅)和第t次線性激活操作后的特征圖F_r(x,y,n_β,t)分別送入第一全連接層L_f1和第二全連接層L_f2，得到X光片(x,y,k)對應類別的兩個概率，將兩個概率進行加權集成，得到網絡最終的分類概率記為C(x,y,p_j)，其中p_j表示第j個類別的概率，j?[1,N]，N為分類類別的數量；

步驟2、通過醫學數據dicom處理方法將X光片的dicom格式轉化為網絡模型可處理的數據格式，再基于骨密度儀對轉換格式后的X光片進行標注并得到訓練數據集D_tr1和測試數據集D_te1；對所述訓練數據集D_tr1中所有X光片分別進行左右翻轉、上下翻轉、隨機1至359度旋轉、高斯噪聲處理，得到處理后的訓練數據集D’_tr1；

步驟3、對所述卷積神經網絡進行訓練并測試：

將所述訓練數據集D’_tr1和測試數據集D_te1轉化為數據類型TFRecords后分別作為所述卷積神經網絡的輸入數據和測試數據，以所述X光片訓練數據集D_tr1和測試數據集D_te1中所有標注圖像分別作為輸入數據和測試數據的標簽；再利用adadelta算法對所述卷積神經網絡進行訓練，并利用式(1)所示的損失函數來更新訓練過程中的參數，從而得到網絡模型，再以所述測試數據集D_te1對網絡模型進行測試，以實現骨量的檢測；

(1)

式(1)中，z表示網絡模型預測的標簽，z_hat表示真實標簽，λ_i表示使用InceptionV3、Vgg16和Resnet50三種不同類型卷積神經網絡所測試的各類別的最大精度，令λ₀表示骨量正常在測試數據集D_te1的最大精度，λ₁表示骨量異常在測試數據集D_te1的最大精度，λ₂表示骨量減少在測試數據集D_te1的最大精度，μ_i表示訓練數據集D’_tr1中各個類別的數據量，令μ₀表示骨量正常的數據量，μ₁表示骨量異常的數據量，μ₂表示骨量減少的數據量，θ_i表示網絡模型在當前代訓練時各個類別的訓練精度，令θ₀表示骨量正常的精度，θ₁表示骨量異常的精度，θ₂表示骨量減少的精度，s表示Softmax函數值，i=0,1,2。