[發(fā)明專利]一種具有可解釋性的醫(yī)學(xué)圖像深度學(xué)習(xí)方法

有效

• 申請?zhí)枺?/td>: 202110075543.X
• 申請日: 2021-01-20
• 公開（公告）號: CN112862089B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設(shè)計）人: 王好謙;孫中治;楊芳
• 申請（專利權(quán)）人: 清華大學(xué)深圳國際研究生院
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/0464;G06T7/00;G16H50/20
• 代理公司: 深圳新創(chuàng)友知識產(chǎn)權(quán)代理有限公司 44223
• 代理人: 王震宇

1.一種具有可解釋性的醫(yī)學(xué)圖像深度學(xué)習(xí)方法，其特征在于，包括如下步驟：

1)對獲取的原始醫(yī)學(xué)圖像進行圖像增強，增加圖像數(shù)量，作為輸入圖像輸入到網(wǎng)絡(luò)之中；

2)對所述輸入圖像利用VGG-16網(wǎng)絡(luò)提取圖像特征，得到符合中間臨床特征的醫(yī)學(xué)預(yù)測圖；對于輸入的圖像，采用VGG-16網(wǎng)絡(luò)的下采樣層，生成對應(yīng)五層卷積即五種尺寸的特征提取圖，將第一層卷積得到的特征圖舍去，取其中后四層作為上采樣利用的特征提取層，其中第二層作為邊界分割的特征提取層，后三層作為整體圖像結(jié)構(gòu)的特征提取層；

3)將獲得的預(yù)測圖與標(biāo)準(zhǔn)中間臨床特征相對比，計算二者的交叉熵?fù)p失Loss_x，y，調(diào)整VGG-16網(wǎng)絡(luò)參數(shù)，使計算的交叉熵?fù)p失小于設(shè)定的閾值，從而完成網(wǎng)絡(luò)的學(xué)習(xí)，使VGG-16網(wǎng)絡(luò)得到的預(yù)測圖符合關(guān)于比對結(jié)果的要求。

2.如權(quán)利要求1所述的醫(yī)學(xué)圖像深度學(xué)習(xí)方法，其特征在于，步驟1)中，所述進行圖像增強并增加圖像數(shù)量包括反轉(zhuǎn)、旋轉(zhuǎn)和隨機通道偏移三種方法；將輸入圖像統(tǒng)一剪裁為256*256大小，同時將每8張二維圖像設(shè)置為一組，并編號為0-7，同時將8張圖片作為一組輸入網(wǎng)絡(luò)之中，避免學(xué)習(xí)梯度的反復(fù)跳動并加快網(wǎng)絡(luò)特征學(xué)習(xí)收斂的速率。

3.如權(quán)利要求1所述的醫(yī)學(xué)圖像深度學(xué)習(xí)方法，其特征在于，步驟2)中，將輸入圖片的256尺寸，分別采樣為128、56、28、14、7。

4.如權(quán)利要求1至3任一項所述的醫(yī)學(xué)圖像深度學(xué)習(xí)方法，其特征在于，步驟2)具體包括以下步驟：

2.1)對于得到的特征圖，首先利用位置敏感特征提取結(jié)構(gòu)對感興趣目標(biāo)區(qū)域標(biāo)出目標(biāo)檢測框，并將目標(biāo)檢測框設(shè)定為各通道中檢測框最大的尺寸；

2.2)使用卷積結(jié)構(gòu)提取整體圖像特征和邊界特征；

2.3)對提取的整體圖像特征和邊界特征進行歸一化，而后將二者特征值相結(jié)合；

2.4)將通過不同尺寸的特征圖經(jīng)過上采樣得到的預(yù)測圖按照人為確定的比例concat在一起。

5.如權(quán)利要求4所述的醫(yī)學(xué)圖像深度學(xué)習(xí)方法，其特征在于，所述比例對應(yīng)于第二層至第五層分別為0.1、0.05、0.25、0.6。

6.如權(quán)利要求4所述的醫(yī)學(xué)圖像深度學(xué)習(xí)方法，其特征在于，步驟2.2)中，每一層采用如下處理：

對于整體圖像特征的提取，其loss函數(shù)取Dice?Loss，其公式定義如下：

其中|X∩Y|是X和Y之間的交集，|X|和|Y|分別表示X和Y的元素的個數(shù)，其中，分子的系數(shù)為2；i代表選取的第i層特征圖；

對邊界特征的提取采用對距離特征學(xué)習(xí)的方式，即對內(nèi)部點到邊界的距離進行學(xué)習(xí)，而后運用Hausdorff?loss函數(shù)進行優(yōu)化，其公式如下：

HausdorffLoss(i)＝d_H(X,Y)＝max{d_XY,d_YX}

其中d_H(*)指的是括號中兩集合之間的特征點差距大小，X,Y即為比較的兩集合，d_XY與d_YX分別指X中特征點到集合Y的最小距離與Y中特征點到X中的最小距離。

7.如權(quán)利要求6所述的醫(yī)學(xué)圖像深度學(xué)習(xí)方法，其特征在于，步驟2.3)中，將邊界距離特征以及整體像素特征分別進行歸一化，而后按照二者在總面積上所占的概率進行結(jié)合，其公式如下：

Loss(i)＝αDiceloss(i)+(1-α)HausdorffLoss(i)

其中，α代表非邊界像素在總體像素中所占的比例；

總體Loss函數(shù)也為二者按權(quán)重相加之和：

其中，y_-，y₊分別代表在邊界和不在邊界的像素集合；P(y_pre,j＝0)以及P(y_pre,j＝1)代表表示預(yù)測像素類別在groudtruth像素j處的概率。