[發明專利]一種具有可解釋性的醫學圖像深度學習方法

有效

• 申請號: 202110075543.X
• 申請日: 2021-01-20
• 公開（公告）號: CN112862089B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 王好謙;孫中治;楊芳
• 申請（專利權）人: 清華大學深圳國際研究生院
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/0464;G06T7/00;G16H50/20
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 王震宇

一種具有可解釋性的醫學圖像深度學習方法，包括如下步驟：1)獲取原始醫學圖像，對原始醫學圖像進行圖像增強并增加圖像數量，作為輸入圖像輸入到網絡之中；2)對所述輸入圖像利用VGG?16網絡提取圖像特征，得到符合中間臨床特征的醫學預測圖；3)將獲得的預測圖與標準中間臨床特征相對比，計算二者的交叉熵損失Losssubgt;x，y/subgt;，調整VGG?16網絡參數，使計算的交叉熵損失小于設定的閾值，從而完成網絡的學習，使VGG?16網絡得到的預測圖符合關于比對結果的要求。由本發明得到的網絡具有更好的檢測精度，同時具有更好的可解釋性，方便根據需求進行后續網絡優化。

技術領域

本發明涉及計算機圖像領域，特別是涉及一種具有可解釋性的醫學圖像深度學習方法。

背景技術

在腺體癌癥的診斷過程中，能夠自動識別病理區域，并將其準確地劃分出來是非常重要的一件事。在傳統醫學領域中，此過程一般由人工完成。但由于圖像切片后數量較多，且由于腺體覆蓋面積較為廣泛、由于病人生理特征的不同其表現形式多種多樣，經驗不豐富的醫生常常會發生漏診或誤診的情況。因此，能夠預先進行準確的腺體癌癥檢測和病例區域劃分十分重要。其中，準確的劃分醫學腺體圖像癌癥檢測的深度學習神經網絡以在很大程度上確定病情的當前階段，幫助醫生進行合理的診療。

然而，一方面，在局部病理組織的觀察上，各類病理情況在肉眼看來區別較小，與此同時，在整體病理情況上看，因為病人生理特征的不同，往往不同人之間差別較大，因此憑經驗的判斷往往在詳細的病理情況的診斷上存在或多或少的偏差；另一方面，腺體圖像每次呈現的圖片較多，而真正能體現病理情況的圖像卻占極少數，在能夠體現病理情況的圖像之中，能夠準確判斷病灶的不同區域的更是占極少數。因此，基于醫生經驗或是傳統模式識別方法的病理檢測對病情的判斷難以達到理想的檢測效果。

近年來，深度學習理論被廣泛應用在醫學圖像領域。但由于深度學習網絡缺乏理論知識，常常需要靠經驗來調整最終的網絡參數，導致網絡調整時間較長，且易出現調整結果最終不符合實際需求的問題。因此，能增加網絡的可解釋性，提升網絡的可調解性，使網絡運行過程中更能可視化，是當下亟需解決的一個重要問題。

在眾多深度學習算法中，U-Net、ResNet以及VGG等神經網絡在圖像分割任務中表現出色；近年來藉由三維CNN可以提取出3D圖像的高層次復雜特征，有利于應用在醫學圖像任務當中。但是，經典的ResNet網絡、CNN等網絡在數據量不足時容易出現過擬合問題，并且當供訓練的正反樣本數量差異較大時，容易導致模型過多地學習一種樣本的特征并忽略另一方的特征(即不平衡學習現象)，從而影響模型的泛化性能。而與之相比，VGG網絡通道更多、特征提取更寬，有效避免了在圖像數量過少以及高級特征對預測圖貢獻較大時產生的過擬合問題。同時，對腺體癌癥檢測與分割所能應用的圖像由于對病人隱私的保護以及發病人數的比例極小，其能夠拿來進行訓練和檢驗的數量更是極少；不同病人發病情況不同，邊界像素較為模糊，與周圍正常生理特征易發生混淆，發生病灶區域漏診或是誤診的狀況。

需要說明的是，在上述背景技術部分公開的信息僅用于對本申請的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本發明的主要目的在于克服上述背景技術存在的問題，提供一種具有可解釋性的醫學圖像深度學習方法。

為實現上述目的，本發明采用以下技術方案：

一種具有可解釋性的醫學圖像深度學習方法，包括如下步驟：

1)獲取原始醫學圖像，對原始醫學圖像進行圖像增強并增加圖像數量，作為輸入圖像輸入到網絡之中；

2)對所述輸入圖像利用VGG-16網絡提取圖像特征，得到符合中間臨床特征的醫學預測圖；