[發(fā)明專利]基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法

在審

• 申請?zhí)枺?/td>: 202110593311.3
• 申請日: 2021-05-28
• 公開（公告）號: CN113362295A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計）人: 潘奇;李凱旋;杜佳憶;任芳;楊自華;李鵬;楊延延;王夢祥
• 申請（專利權(quán)）人: 西安醫(yī)學(xué)院第二附屬醫(yī)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/38;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安千沃知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61262
• 代理人: 徐選懷

1.一種基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法，其特征在于，包括以下步驟：

步驟1、根據(jù)患者的磁共振圖像，從多個交叉方向進(jìn)行切片得到切片數(shù)據(jù)集{A}；

步驟2、對切片數(shù)據(jù)集{A}進(jìn)行預(yù)處理，對切片數(shù)據(jù)集中的部分圖片進(jìn)行病灶標(biāo)注，得到有標(biāo)注數(shù)據(jù)集{X}和無標(biāo)注數(shù)據(jù)集{Y}；

步驟3、構(gòu)建Densenet網(wǎng)絡(luò)并訓(xùn)練，Densenet網(wǎng)絡(luò)包括依次連接的特征提取模塊、全連接層和Softmax函數(shù)，將切片數(shù)據(jù)集{A}中的每個圖片分割為多個圖塊，并對每個圖塊進(jìn)行序號標(biāo)注，將分割后的圖塊打亂順序輸入至Densenet網(wǎng)絡(luò)對其進(jìn)行訓(xùn)練，Densenet網(wǎng)絡(luò)輸出每個圖塊在原始圖像中的位置信息；

步驟4、構(gòu)建密集卷積神經(jīng)網(wǎng)絡(luò)，包括編碼模塊和解碼模塊，將訓(xùn)練好的DenseNet網(wǎng)絡(luò)作為編碼模塊用于特征提取，解碼模塊為Up-sampling模塊和Denseblock模塊的三次堆疊，Up-sampling模塊和Denseblock模塊與解碼模塊的特征提取部分密集連接，并在最后的Denseblock模塊上連接卷積層和Softmax函數(shù)；

步驟5、將有標(biāo)注數(shù)據(jù)集{X}中的每個圖像分割為多個圖塊后作為密集卷積神經(jīng)網(wǎng)絡(luò)的輸入，對密集卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，編碼模塊對圖塊進(jìn)行整體分類，含有病灶像素的圖塊進(jìn)行解碼模塊的計算，經(jīng)過Softmax函數(shù)進(jìn)行像素級別的二分類判斷實現(xiàn)對圖像的語義分割，得到該塊圖像的語義分割結(jié)果，不含有標(biāo)注的病灶像素的圖塊不進(jìn)行解碼計算直接輸出該塊圖像，解碼模塊最終將多塊圖像的輸出結(jié)果按分割順序還原，得到標(biāo)注有病灶位置區(qū)域的原始圖像。

2.根據(jù)權(quán)利要求1所述的一種基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法，其特征在于，步驟1中采用兩個交叉方向進(jìn)行切片，并且兩個方向相互垂直。

3.根據(jù)權(quán)利要求1所述的一種基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法，其特征在于，步驟2中對切片數(shù)據(jù)集{A}進(jìn)行預(yù)處理為圖像標(biāo)準(zhǔn)化處理處理，圖像標(biāo)準(zhǔn)化處理方法如下：

其中，表示未標(biāo)準(zhǔn)化處理前的切片數(shù)據(jù)集的所有圖像數(shù)據(jù)矩陣，下標(biāo)i和j表示圖像數(shù)據(jù)矩陣的行和列，下標(biāo)k表示不同的圖像，I和J表示矩陣在行和列的像素個數(shù)，K表示圖像的總數(shù)量，MaxP表示所有像素的最大值，MinP表示所有像素的最小值，P_i,j,k表示標(biāo)準(zhǔn)化處理后的切片數(shù)據(jù)集的所有圖像數(shù)據(jù)矩陣。

4.根據(jù)權(quán)利要求1所述的一種基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法，其特征在于，步驟3中所述特征提取模塊包括卷積層、多個交替連接的Denseblock模塊和Transition模塊，卷積層與第一個Denseblock模塊連接，最后一個Denseblock模塊上再連接一個卷積層。

5.根據(jù)權(quán)利要求4所述的一種基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法，其特征在于，步驟3中密集卷積網(wǎng)絡(luò)采用SGD梯度下降優(yōu)化算法，使用交叉熵函數(shù)計算損失函數(shù)，訓(xùn)練過程中采用自適應(yīng)更新網(wǎng)絡(luò)學(xué)習(xí)率的策略。

6.根據(jù)權(quán)利要求5所述的一種基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法，其特征在于，所述損失函數(shù)的計算方法如下：

其中，m為圖像分割后的數(shù)量，label_i,j表示圖像塊j所屬類別i，predict_i,j表示圖像塊j屬于類別i的預(yù)測概率。

7.根據(jù)權(quán)利要求1所述的一種基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法，其特征在于，所述密集卷積神經(jīng)網(wǎng)絡(luò)使用SGD梯度下降優(yōu)化算法，使用交叉熵函數(shù)計算損失函數(shù)，訓(xùn)練過程中采用自適應(yīng)更新網(wǎng)絡(luò)學(xué)習(xí)率的策略，自監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的損失函數(shù)包括整體判斷的分類損失函數(shù)L₁和像素判斷的損失函數(shù)L₂，訓(xùn)練時監(jiān)測兩者的變化。

8.根據(jù)權(quán)利要求1所述的一種基于自監(jiān)督密集卷積神經(jīng)網(wǎng)絡(luò)的肝臟腫瘤識別方法，其特征在于，所整體判斷的分類損失函數(shù)L₁的計算式如下：

L₁＝-[label·log(predict)+(1-label)·log(1-predict)]

其中，predict是預(yù)測圖像存在病灶區(qū)域標(biāo)注的概率，label是樣本標(biāo)簽；

每一圖塊的像素判斷的損失函數(shù)L₂方法為單個像素點的損失函數(shù)求和，其公式如下：

其中，n表示圖像的總像素點個數(shù)，predict_i是模型預(yù)測圖像第i個像素點屬于癌細(xì)胞的概率，label_i是第i個像素點的樣本標(biāo)簽。