[發明專利]一種基于AmoebaNet的MRI前列腺癌檢測方法

有效

• 申請號: 202110301547.5
• 申請日: 2021-03-22
• 公開（公告）號: CN113052812B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 潘曉光;張娜;王小華;李娟;陳智嬌
• 申請（專利權）人: 山西三友和智慧信息技術股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06T3/40;G06T3/00;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 太原榮信德知識產權代理事務所(特殊普通合伙) 14119
• 代理人: 楊凱;連慧敏

1.一種基于AmoebaNet的MRI前列腺癌檢測方法，其特征在于：包括下列步驟：

S100、數據集構建：讀取PROSTATEx數據集的圖片數據與其對應標簽，將其以矩陣形式保存；

S200、數據預處理：對數據進行增強與縮放處理；

S300、數據集劃分：以K折交叉驗證方法將數據集重組為多個訓練集與測試集組合；

S400、模型構建：以AmoebaNet為基礎構建模型，建立多尺度非線性的深度學習網絡，同時加入1*1卷積對數據維度進行提升，并使用全連接對特征進行最終分類；

所述S400模型構建中，基于AmoebaNet-A進行模型構建，首先對數據進行2次1*1卷積，將數據提升到8通道，之后使用AmoebaNet模塊對特征進行提取，每個AmoebaNet-A模塊由5個計算模塊構成，其中第一個計算模塊由一個3*3大小的平均池化層與一個3*3的最大池化層構成，計算完成后，將二者得到的特征進行ADD處理，得到feature map1，該計算模塊的輸入為上一層網絡的輸入；第二個計算模塊進行一次3*3的平均池化，池化的輸入為本層網絡的輸入，計算完畢后將池化結果與上一層的輸入進行ADD，得到feature map2；第三個計算模塊進行一次5*5的卷積與一次3*3的卷積，5*5卷積的輸入為feature map1，3*3卷積的輸入為本層的輸入，之后將二者的結果進行ADD，得到feature map3；第四個計算模塊進行一次3*3的卷積運算，其輸入為feature map1，將計算得到的結果與本層網絡的輸入進行ADD，得到feature map4；第五個計算模塊進行一次3*3的平均池化了一次3*3的卷積運算，池化的輸入為feature map3，卷積運算的輸入為上一層的輸入，完成計算后將二者的計算結果進行ADD，得到feature map5；待全部計算完成后，將feature map2、feature map4、featuremap5進行concate，得到本層網絡提取的特征，經過5個AmoebaNet模塊的特征提取后，使用全連接層完成最后的分類任務；

S500、模型訓練：采用指定參數對網絡進行訓練，使用K折交叉驗證所得的多個組合對模型進行訓練；

S600、模型評價：采用準確率、召回率與F1-Score對模型識別效果進行評價。

2.根據權利要求1所述的一種基于AmoebaNet的MRI前列腺癌檢測方法，其特征在于：所述S100數據集構建中，使用PROSTATEx競賽數據集，共包含前列腺癌病灶特征的圖像84張，良性病例的圖像280張，讀取所有圖片數據，將其以矩陣方式保存為npy格式，將其標簽也同樣以矩陣方式保存為npy格式，數據矩陣格式為(n,x,y)，其中n為數據編號，x與y為數據的二維像素矩陣，標簽矩陣的格式為(n,l)，其中n為標簽編號，l為數據標簽，1代表前列腺癌癥圖片，0代表正常圖片，標簽與數據一一對應。

3.根據權利要求1所述的一種基于AmoebaNet的MRI前列腺癌檢測方法，其特征在于：所述S200數據預處理中，采用鏡像變換與對比度變換兩種方式對數據進行增強，鏡像對換方式為將數據基于中心軸，將其兩端對應像素點進行對調，達到鏡像變換的目的，對比度的變換方式為，首先對灰度數據進行歸一化處理，歸一化方式為其中x′_i為歸一化后得到的結果，x_i為待處理像素點，X為該條數據全部數值的集合，再對歸一化之后的數據分別乘以0.8、0.9、1.1、1.2的系數，計算完成后再次對數據進行歸一化，之后再對數據乘以255，還原圖像，將數據增強后的數據與原始數據混合并隨機打亂，將全部數據縮放到400*400大小。

4.根據權利要求1所述的一種基于AmoebaNet的MRI前列腺癌檢測方法，其特征在于：所述S300數據集劃分中，采用K折交叉驗證方式進行數據集的劃分，將數據集劃分為訓練集、驗證集與測試集，取K＝5，集將全部數據平均分為5個數據集，將其編號為數據集a/b/c/d/e，在進行模型訓練時，選取4個數據集作為訓練集進行模型參數訓練，1個數據集作為測試集對模型識別效果進行評估。