[發明專利]基于深度學習的腦膠質瘤熒光圖像分析方法、系統及設備

有效

• 申請號: 202110229903.7
• 申請日: 2021-03-02
• 公開（公告）號: CN112950587B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 田捷;胡振華;沈碧螺;史小靜;曹財廣
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06N3/0464;G06N3/082;G06N3/084
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于深度學習的腦膠質瘤熒光圖像分析系統，其特征在于，所述系統包括：圖像獲取模塊、圖像識別模塊和目標分析模塊；

所述圖像獲取模塊，配置為獲取標本熒光圖像，作為待測圖像；

所述圖像識別模塊，配置為基于所述待測圖像，通過訓練好的基于深度學習的腦膠質瘤熒光圖像識別網絡，獲得待測圖像類別；其中，待測圖像類別包括正常組織和腫瘤組織；

所述目標分析模塊，配置為基于類別為腫瘤組織的待測圖像，通過訓練好的基于深度學習的腫瘤分級網絡獲得待測圖像的腫瘤等級；通過訓練好的基于深度學習的Ki-67表達水平識別網絡獲得待測圖像的Ki-67表達水平；

所述基于深度學習的腦膠質瘤熒光圖像識別網絡、基于深度學習的腫瘤分級網絡和基于深度學習的Ki-67表達水平識別網絡，基于EfficientNet卷積神經網絡構建；所述EfficientNet卷積神經網絡包括順次連接的輸入層、特征提取層和預測層；其中，特征提取層包括順次連接的1個Stem模塊和n個結構相同特征數不同的MBConv模塊；所述Stem模塊為1個卷積核為3×3的卷積層；所述MBConv模塊為逆瓶頸結構，包括順次連接的卷積核為1×1的卷積層、包含注意力模塊的卷積核為3×3的卷積和1個卷積核為1×1的卷積；

所述基于深度學習的腦膠質瘤熒光圖像識別網絡，其訓練方法包括：

步驟A100，獲取訓練圖像；

步驟A200，基于所述訓練圖像進行灰度映射生成灰度訓練圖像；

步驟A300，基于所述灰度訓練圖像，通過所述基于深度學習的腦膠質瘤熒光圖像識別網絡的特征提取層獲取訓練圖像特征；特征提取層的深度d、寬度w、輸入分辨率r為：

s.t.α·β²·γ²≈2，α≥1，β≥1，γ≥1

其中，為放縮系數，α表示深度常數，β表示寬度常數，γ表示分辨率常數；深度d指MBConv模塊的重復次數，寬度w指MBConv中卷積的特征數；

特征提取層中所述MBConv的注意力模塊的注意力函數為：

其中，SE表示注意力函數，X表示模塊的輸入，x表示空間橫坐標，y表示空間縱坐標，H表示圖像高度，W表示圖像寬度，w₁表示注意力模塊中第一個全連接層的權重，w₂表示注意力模塊中第二個全連接層的權重，f表示注意力權重函數，g表示全局平均池化函數；

步驟A400，基于所述訓練圖像特征，通過預測層獲得訓練圖像類別；并計算加權二分類交叉熵損失L_BCE：

其中，y_t表示樣本標簽，表示第i個樣本的標簽，y_p表示網絡輸出的概率，表示第i個樣本輸出的概率，P表示正樣本類別，N表示負樣本類別，α_P表示正樣本的權重，α_N表示負樣本的權重；

步驟A500，重復步驟A100-步驟A400，通過反向傳播得到梯度，通過隨機梯度下降算法對網絡參數進行優化，獲得訓練好的基于深度學習的腦膠質瘤熒光圖像識別網絡。

2.根據權利要求1所述的基于深度學習的腦膠質瘤熒光圖像分析系統，其特征在于，所述通過隨機梯度下降算法對網絡參數進行優化，還包括：

通過余弦退火策略調整優化器的學習率η為：

其中，T表示總輪數，T_cur表示當前輪數，η_max表示最大學習率，η_min表示最小學習率，η_t表示當前學習率。