[發(fā)明專利]基于深度卷積神經(jīng)網(wǎng)絡(luò)的直腸癌T分期自動診斷方法及設(shè)備

在審

• 申請?zhí)枺?/td>: 202110341354.2
• 申請日: 2021-03-30
• 公開（公告）號: CN112950624A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計）人: 李燈熬;趙菊敏;李尚哲
• 申請（專利權(quán)）人: 太原理工大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京一品慧誠知識產(chǎn)權(quán)代理有限公司 11762
• 代理人: 張宇

本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，公開了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的直腸癌T分期自動診斷方法及設(shè)備，首先對采集的直腸圖片進行預(yù)處理，然后針對數(shù)據(jù)集不足的問題進行數(shù)據(jù)增強，最后利用數(shù)據(jù)集訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，可以達到輔助醫(yī)生自動診斷的目的，為臨床的診斷和治療提供了新的有效的方法，大大提高了診斷的效率及準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，特別涉及一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的直腸癌T分期自動診斷方法及設(shè)備。

背景技術(shù)

直腸癌是世界范圍內(nèi)常見的消化道惡性腫瘤之一，其發(fā)病率居于所有惡性腫瘤發(fā)病率的第三位，其導(dǎo)致的死亡率位列癌癥死亡率的第四位，其嚴(yán)重影響著人類的平均生存壽命和生活質(zhì)量。

目前多數(shù)運用超聲內(nèi)鏡及MRI對直腸癌T分期進行診斷，超聲內(nèi)鏡對于部分直腸癌腫瘤的術(shù)前T分期診斷準(zhǔn)確率最高可達到91％，但MRI檢查相比于超聲內(nèi)鏡對于檢查人員技術(shù)性要求較低，且可以在腫瘤造成梗阻及腫瘤位置較高的狀況下仍能得到較準(zhǔn)確的分期，使用限制條件少。相較于CT檢查結(jié)果，MRI具有組織分辨率高、術(shù)前診斷準(zhǔn)確性高等特點。因此MRI成為世界范圍內(nèi)公認(rèn)的用于直腸癌術(shù)前腫瘤分期的最有價值的手段，高分辨磁共振成像技術(shù)使得軟組織及腫瘤的成像更加清晰。

隨著成像技術(shù)及影像科醫(yī)師診斷水平的不斷進步，術(shù)前診斷的準(zhǔn)確性大大提高。但由于我國人口眾多，影像資料龐大，影像科醫(yī)師短缺，造成了不同地區(qū)、不同醫(yī)院的影像科醫(yī)生工作負(fù)荷高、壓力大、診斷水平的參差不齊，對于同一份MRI影像資料，不同影像科醫(yī)師的診斷結(jié)果差異巨大，甚至誤判，使得MRI檢查無法充分發(fā)揮其在術(shù)前診斷中的作用，因此，如何運用人工智能獲得具有像影像科醫(yī)師一樣的閱片及作出診斷的能力，是目前亟待解決的問題。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)對MRI影像資料作出判斷結(jié)果具有巨大差異或誤判的現(xiàn)象，本發(fā)明提供了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的直腸癌T分期自動診斷方法及設(shè)備。

本發(fā)明技術(shù)內(nèi)容如下：

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的直腸癌T分期自動診斷方法，采用深度卷積神經(jīng)網(wǎng)絡(luò)模型，

所述自動診斷方法包括以下步驟：

S1：輸入原始圖像且對圖像進行預(yù)處理，對背景樣本進行樣本平衡過采樣，將輸入的圖像統(tǒng)一調(diào)整為大小一致的格式；

所述S1的預(yù)處理為圖像增強和數(shù)據(jù)擴充，所述圖像增強和數(shù)據(jù)擴充包括隨機剪裁、尺寸縮放、角度變換、放射變換、隨機噪聲添加、濾波處理、或亮度改變的數(shù)據(jù)處理方式中的一種或幾種組合。

S2：將預(yù)處理之后得到的數(shù)據(jù)集作為網(wǎng)絡(luò)模型訓(xùn)練的數(shù)據(jù)，按7:2:1的比例分配為訓(xùn)練集：驗證集：測試集；

S3：將訓(xùn)練集上的圖像輸入到所述深度卷積神經(jīng)網(wǎng)絡(luò)模型中，提取圖像中的特征信息；

所述S3包括：

S31：通過在深度卷積神經(jīng)網(wǎng)絡(luò)模型左側(cè)上設(shè)置的一系列稠密卷積塊，對輸入的圖像進行下采樣，以提取圖像中的特征信息；

S32：再通過在深度卷積神經(jīng)網(wǎng)絡(luò)模型右側(cè)上設(shè)置的一系列稠密卷積塊進行上采樣，以提取圖像中的特征信息。

所述S31包括：

S311：通過在稠密卷積塊后使用批歸一化層和瓶頸層來進行網(wǎng)絡(luò)優(yōu)化；

S312：再通過在稠密卷積塊之后進行隨機失活處理，然后進入到S4。

所述S32包括：

S321：通過在稠密卷積塊后使用批歸一化層和瓶頸層來進行網(wǎng)絡(luò)優(yōu)化；

S322：接著通過在稠密卷積塊之后進行隨機失活處理；