[发明专利]多视角信息协作的肾脏良恶性肿瘤分类方法

说明书

多视角信息协作的肾脏良恶性肿瘤分类方法，包括如下步骤：步骤1)医学图像预处理，将肾脏CT三个视角的图像进行数据增强处理；步骤2)针对每个视角的图像构建多视角卷积网络子模型；步骤3)构建多视角信息协作卷积神经网络模型，将三个视角的子模型的输出统一到同一神经元分类层，最终输入Sigmoid函数得到分类结果。并针对假阳性的病例加入惩罚函数，给予更大的惩罚减少假阳性情况的出现；步骤4)肾脏肿瘤良恶性分类：向步骤3)中构建好的多视角信息协作卷积神经网络模型，输入待检测的肾脏CT图像，网络输出得到肿瘤的良恶性结果。本发明结合并充分利用了不同肾脏肿瘤的多视角图像信息，能够提高肾脏肿瘤良恶性分类的准确率，同时避免了因病例图像数据匮乏，导致神经网络训练数据不足而出现的模型泛化能力太差的问题。

技术领域

本发明涉及一种肾脏良恶性肿瘤分类方法。

技术背景

肾脏肿瘤是人类常见的十大恶性肿瘤之一，约占肿瘤发病率的3％～5％。近年来全世界肾脏肿瘤发病率均呈上升趋势，尤以肾细胞癌为著，以每10年2％～3％的速度增加。根据美国癌症协会近年来的统计结果，2017年－2019年美国新增肾脏肿瘤患者分别为63990例、65340例及73820例；新增死亡患者分别为14400例、14970例及14770例。而根据最新中国肿瘤登记中心记载，我国2015年新増肾脏肿瘤患者66800例，新增死亡患者234000例，且多项研宄均记载我国肾癌发病率及病死率近年来呈上升趋势，严重危害人民群众生命健康。

根据2016年世界卫生组织分类标准，肾脏肿瘤根据组织学类型及表现出的侵袭性不同，可分为肾恶性肿瘤及肾良性肿瘤。目前己知，不同的肾脏肿瘤类型有不同的临床预后，基因表达模式及治疗方法。良性肾脏肿瘤更推荐保留肾单位的手术或积极监测的方法，而对于肾恶性肿瘤，多采用根治性肾切除的手术方式或射频消融的方法。故为避免肾脏良性肿瘤患者因误诊为肾恶性肿瘤患者，过度治疗错失了保留肾脏的机会，提高肾脏肿瘤早期诊断准确度，具有十分重要的临床价值。

目前影像学检查是肾脏肿瘤早期发现并早期诊断的重要手段之一，超声检查较为简单易操作，但诊断的准确性常与临床医师经验及手法有密切相关，且对肾癌病理类型的诊断缺乏特异性。MRI检查对软组织分辨率较高，但由于费用较高且扫描成像时间长，故不作为肾癌患者首选检查，故本发明基于术前常规CT检查。

深度学习的方法被运用到医学图像分割领域，帮助医生更加精确地、省时、省力地去诊断各种疾病，成为了一种新型的计算机辅助诊断方法。肾脏良恶性肿瘤分类需要通过深度学习的方法，准确地分割目标的病灶信息，并根据病灶信息对肿瘤进行分类。但目前在该领域，缺乏大量的训练数据集，对肾脏肿瘤的识别仍存在巨大的困难。因此，本发明提出了一种多视角信息协作的肾脏良恶性肿瘤分类方法，利用有限的肾部CT图像数据来利用深度学习对肾脏良恶性肿瘤进行分类。使用本发明对一例肾部CT图像的三个视角的图像进行学习，可以有效减少对庞大数据量的依赖，并且提高肾脏良恶性肿瘤分类的准确度。

发明内容

为现有技术的上述不足，本发明提出一种多视角信息协作的肾脏良恶性肿瘤分类方法。

本发明方法将每例肾脏CT图像的三个视角的图像，分别构建了一个信息协作子模型。每个子模型中存在一个微调预训练好的DenseNet网络分别从该视角的肾脏CT图像中分割病灶信息。最后，三个信息协作模型同时在误差反向转播过程中，使用自适应加权方案对肾脏肿瘤进行分割，并根据病灶信息对肾脏肿瘤进行分类。此外，本发明还引入了惩罚函数来减少假阳性率和假阴性率。经过测试表明，本发明能够有效地分类出肾脏良恶性肿瘤，应用于常规的医院临床检测工作。

为使本发明的目的、技术方案和优点更加清晰，下面就对本发明的技术方案作进一步描述，多视角信息协作的肾脏良恶性肿瘤分类方法，具体步骤如下：

步骤1)医学图像预处理；