[发明专利]一种基于深度学习的手部肿瘤智能检测方法

说明书

本发明涉及一种肿瘤检测方法，特别涉及一种基于深度学习的手部肿瘤智能检测方法，属于医学影像智能识别技术领域。一种基于深度学习的手部肿瘤智能检测方法，该方法包括以下步骤：(1)对手部肿瘤磁共振影像进行标注；(2)对标注数据进行预处理，并对数据集进行增强；(3)构建全卷积神经网络模型，确定全卷积神经网络模型的参数，将数据集输入全卷积神经网络模型中，利用损失函数进行训练；其中l(x)为像素点x的标注类别，W_l(x)对应类别l(x)的权重。利用深度学习方法从数据集上进行特征学习，得到训练好的全卷积神经网络；(4)将待预测影像输入到智能检测模型中，得到预测结果。

技术领域

本发明涉及一种肿瘤检测方法，特别涉及一种基于深度学习的手部肿瘤智能检测方法，属于医学影像智能识别技术领域。

背景技术

基于磁共振影像的肿瘤检测技术是智能医学影像中的重要方法。基于卷积神经网络的深度学习方法是十分有效的方法，如肺结节CT检测,脑肿瘤磁共振检测,甲状腺肿瘤超声检测等。手部肿瘤类型繁多，临床诊断较难，检查手段繁多(超声，CT，磁共振等)，影像诊断医师往往很难作出正确诊断，与最终病理诊断会有差别。手部虽然良性肿瘤居多，据统计95％的不累及皮肤的肿瘤为良性肿瘤，但是恶性肿瘤也不少见，这就容易造成误诊和延误治疗机会。目前手术治疗不规范(切除范围等)，首先来自术前诊断的不明确，所以提高诊断率非常关键。手部肿瘤具有容易复发的特点。

手不仅是劳动的工具,还是人的仪表的重要组成部分。手部肿瘤复发后残留手术畸形，影响神经肌腱，甚至最终导致截肢。这不仅给人的生活与工作造成不便,而且还影响到人的形象和社交活动。诊断后的治疗建议的推送：是否穿刺活检；若恶性则生存率，放化疗；对罕见肿瘤是否需要基因检测；整个治疗的费用选择等等，能为临床医生提供参考。对复发或怀疑复发的肿瘤病人的预警，可以在不影响肌腱神经等重要结构的情况下再次完整切除肿瘤或的临床资料，有利于患者的整体治疗，减少了国家医疗费用开支，减轻了病人的经济负担，最重要的是获得了良好的预后功能。

基于深度卷积神经网络的肿瘤检测方法的流程包括：图像标注、数据预处理和模型的训练。肿瘤检测方法主要用到了图像分割技术，而医学图像分割是决定医学影像在临床诊疗能否提供可靠辅助的关键。从医学图像自动分割出目标是个艰巨的任务，因为医学图像具有较高的复杂性且缺少简单的线性特征。相较于传统的图像处理方法，近年来，基于深度学习的方法在图像分割领域取得了显著的成就。深度学习的主要任务是构建深层神经网络模型，通过训练发掘输入数据的内在特征与联系，借助网络模型完成对未知数据的标记，分类和预测。现在的主流图像分割模型都是基于卷积神经网络。卷积神经网络最早由LeCun提出，该网络被用于手写体识别任务。卷积神经网络最核心的操作就是卷积操作。卷积操作是一种提取图像特征非常有效的技术手段。因此，卷积神经网络被大量应用于图像识别、分类和分割等领域。

当前，在图像分割领域，最常见的模型包括FCN、U-Net、Deeplab等等。FCN与传统的CNN模型最大的不同之处在于FCN将CNN中的全连接层转化为一个个的卷积层，可适应任意尺寸的输入，同时借助反卷积层增大数据尺寸，输出更加精细的结果，最后结合不同深度结果的跳跃结构，增强了模型的鲁棒性和准确性。U-Net的网络结构类似，但是U-Net在上采样与下采样阶段采用了相同数量层次的卷积操作，且使用跳跃连接将下采样与上采样层相连，使得下采样层提取到的特征可以直接传递到上采样层，这使得U-Net网络的像素定位更加准确，分割精度更高。DeepLab算法结合了深度卷积网络和概率图模型，并且创新性的将空洞卷积算法应用到了深度卷积神经网络上，在现代GPU上运行速度达到了8FPS。并且在DeepLab v1的基础之上，Google团队又先后推出了DeepLab v2,DeepLab v3版本。

上述的主流模型效果很好，但是FCN并没有充分考虑全局上下文信息，且效率也不够及时；U-Net直接融合了浅层特征与深层特征，可能会造成语义缺失问题；最后，DeepLab系列虽然在图像分割领域取得了显著的成就，但是其复杂的网络结构可能并不适用于数据量较小的医学图像分割问题。除此以外，神经网络模型的训练也是很耗费时间和计算力。