[發(fā)明專(zhuān)利]一種基于多尺度紋理特征融合宮頸OCT圖像分類(lèi)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011343939.X
• 申請(qǐng)日: 2020-11-25
• 公開(kāi)（公告）號(hào): CN112418329B
• 公開(kāi)（公告）日: 2022-08-05
• 發(fā)明（設(shè)計(jì)）人: 馬于濤;豆宛榮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 武漢大學(xué)
• 主分類(lèi)號(hào): G06V10/80
• 分類(lèi)號(hào): G06V10/80;G06V10/82;G06V10/774;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 湖北武漢永嘉專(zhuān)利代理有限公司 42102
• 代理人: 王丹

本發(fā)明提供一種基于多尺度紋理特征融合宮頸OCT圖像深度監(jiān)督分類(lèi)方法及系統(tǒng)，將獲取的宮頸組織3D OCT影像劃分為訓(xùn)練集和測(cè)試集；采用卷積神經(jīng)網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，構(gòu)建OCT圖像分類(lèi)模型，然后融合多尺度特征編碼模塊和特征融合模塊，最后通過(guò)全連接層和SoftMax層分類(lèi)輸出；采用深度監(jiān)督機(jī)制對(duì)所述多尺度特征編碼模塊中的每個(gè)分支均添加分支分類(lèi)器，并設(shè)置相應(yīng)的損失函數(shù)，調(diào)整訓(xùn)練集中2D OCT圖像的大小后輸入OCT圖像分類(lèi)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的OCT圖像分類(lèi)模型；測(cè)試OCT圖像分類(lèi)模型，統(tǒng)計(jì)預(yù)測(cè)結(jié)果。本發(fā)明引入多尺度特征編碼機(jī)制和多尺度特征融合機(jī)制來(lái)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)模型進(jìn)行優(yōu)化，能更好地提取宮頸OCT圖像的特征，提升宮頸OCT圖像分類(lèi)效果。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)影像分析領(lǐng)域，具體涉及一種基于多尺度紋理特征融合宮頸OCT圖像分類(lèi)方法及系統(tǒng)。

背景技術(shù)

深層的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)在癌癥或罕見(jiàn)疾病的圖像(如電子計(jì)算機(jī)斷層掃描、核磁共振、超聲等)檢測(cè)、分割等任務(wù)中，獲得了不低于人類(lèi)專(zhuān)家水平的結(jié)果。在眼科、呼吸科、骨科等醫(yī)學(xué)領(lǐng)域，基于上述技術(shù)的計(jì)算機(jī)輔助診斷方法有助于減少醫(yī)生繁重的重復(fù)性工作，降低人為錯(cuò)誤，從而提高工作效率。但是，這種基于深度學(xué)習(xí)的醫(yī)學(xué)影像分類(lèi)方法往往被認(rèn)為是一種“黑箱”操作，難以為醫(yī)生提供相應(yīng)的診斷依據(jù)(或醫(yī)學(xué)證據(jù))，如病理的組織形態(tài)特征或影像學(xué)的紋理特征等，因而限制了其在臨床中的應(yīng)用。

具體而言，有研究人員嘗試使用CNN構(gòu)建宮頸組織OCT圖像分類(lèi)模型，用于執(zhí)行宮頸病變篩查和診斷的任務(wù)，并在驗(yàn)證集上取得了不錯(cuò)的分類(lèi)效果。但是，上述方法還存在如下的問(wèn)題：現(xiàn)有的分類(lèi)模型主要是利用深層卷積層的輸出(特征圖)做分類(lèi)，其中深層卷積的“感受野”(receptive field)較大，主要包含高度抽象的語(yǔ)義信息，使得空間幾何特征細(xì)節(jié)缺乏，導(dǎo)致分類(lèi)效果和可解釋性難以滿(mǎn)足臨床醫(yī)生的要求。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是：提供一種基于多尺度紋理特征融合宮頸OCT圖像分類(lèi)方法及系統(tǒng)，提高宮頸OCT圖像分類(lèi)效果。

本發(fā)明為解決上述技術(shù)問(wèn)題所采取的技術(shù)方案為：一種基于多尺度紋理特征融合宮頸OCT圖像分類(lèi)方法，本方法包括以下步驟：

S1、數(shù)據(jù)集劃分：

將獲取的宮頸組織3D OCT影像劃分為訓(xùn)練集和測(cè)試集；其中，宮頸組織3D OCT影像根據(jù)所屬對(duì)象分為不同的組，每組3D OCT影像屬于同一個(gè)對(duì)象，每組3D OCT影像具有對(duì)應(yīng)的2D OCT圖像，并且同一組3D OCT影像中的所有2D OCT圖像只存在于訓(xùn)練集或測(cè)試集的一個(gè)集合中；

S2、構(gòu)建OCT圖像分類(lèi)模型：

采用卷積神經(jīng)網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，構(gòu)建OCT圖像分類(lèi)模型，然后融合多尺度特征編碼模塊和特征融合模塊，最后通過(guò)全連接層分類(lèi)和SoftMax層輸出；其中，卷積神經(jīng)網(wǎng)絡(luò)從訓(xùn)練集的2DOCT圖像中提取若干尺度卷積層的特征圖；多尺度特征編碼模塊用于對(duì)每個(gè)尺度對(duì)應(yīng)一個(gè)分支進(jìn)行處理，每個(gè)分支使用可學(xué)習(xí)殘差編碼層對(duì)所述特征圖進(jìn)行編碼，并獲得對(duì)應(yīng)尺度的紋理特征；特征融合模塊用于計(jì)算每個(gè)尺度的紋理特征中紋理基元的權(quán)重，將權(quán)重融合對(duì)應(yīng)尺度的紋理特征，獲得相應(yīng)更新后的紋理特征；

S3、訓(xùn)練OCT圖像分類(lèi)模型：

采用深度監(jiān)督機(jī)制對(duì)所述多尺度特征編碼模塊中的每個(gè)分支均添加分支分類(lèi)器，并設(shè)置相應(yīng)的損失函數(shù)，調(diào)整訓(xùn)練集中2D OCT圖像的大小后輸入OCT圖像分類(lèi)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的OCT圖像分類(lèi)模型；

S4、測(cè)試OCT圖像分類(lèi)模型：

利用訓(xùn)練好的OCT圖像分類(lèi)模型，對(duì)測(cè)試集中的2D OCT圖像進(jìn)行分類(lèi)預(yù)測(cè)，得到分類(lèi)結(jié)果；

S5、統(tǒng)計(jì)預(yù)測(cè)結(jié)果：