[发明专利]一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法

权利要求书

1.一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法，其特征在于，包括以下步骤：

步骤1.拍摄获取规格一致并且清晰的口腔照片，所述照片采集了口腔鳞状细胞癌病变区域和口腔正常区域，包括：开发集，用于模型训练和调参；

测试集，用于结果测评；

步骤2.从开发集中抽取照片构建数据训练样本：挑选若干张开发集中的照片，该照片带有病变区域，并用矩形选框完整框选可见的病变区域标记类别作为真实框，排除口腔内被周边组织遮挡的病变组织，和部分曝光不清晰的区域，并保存矩形选框在所述照片的二维平面坐标中的四个角点位置信息；

步骤3.训练目标检测网络模型：构建SSD框架模型，采用VGG16作为SSD框架的基础网络结构；真实数据样本输入训练SSD框架模型，引入迁移学习方法对SSD框架模型进行训练，得到训练好的SSD框架模型；

步骤4.将步骤1获取的开发集照片输入训练好的SSD框架模型，输出所述照片的病变区域的位置及类型，类型包括：

阴阳类型：阳性数据，标记为1，即检测所得与真实框的病变区域相似的输入照片；

阴性数据，正常口腔照片，标记为0；

拍摄设备类型：

数码单反拍摄的照片，标记为1，其他设备拍摄的照片，标记为0；

病变区域的位置及类型作为分类网络数据样本保存；

步骤5.将步骤4输出的分类网络数据样本，进行预处理扩充样本数量；

预处理包括：使分类网络数据样本的照片顺时针旋转45度角；调整分类网络数据样本的照片对比度；对分类网络数据样本进行大小缩放；使分类网络数据样本镜像翻转；

将扩充的开发集数据按照9：1的比例划分到步骤1的训练集和验证集；

步骤6.改进分类网络与预训练：

步骤6.1.将深度跨连接网络DenseNet作为基础网络，使用迁移学习方法，以在ImageNet数据集DenseNet预训练模型来进行模型训练；

步骤6.2.对DenseNet网络结构进行改进：损失函数为焦点损失FL，FL(p_t)＝-α(1-p_t)^γlog(p_t)

其中焦点因子γ≥0，类别不平衡因子α，p为模型的预测概率，y为Ground Truth；

在DenseNet网络中添加新的分类层Classification Layer，使输入照片经过分类器判断照片类别是否为口腔鳞状细胞癌和拍摄设备后，再计算得到分类loss值L1，使模型更加集中于困难的错误分类的样本，p∈[0，1]

L1＝0.1×FL(f_c(x)，y_c)+0.6×FL(f_o(x)，y_o)

其中x是输入照片，fc(x)与fo(x)是相机类别与口腔鳞状细胞癌分类器，yc与yo是标定的真实标签；

使用深度监督学习deep supervised learning方法，在Dense Net中的前三个密集连接块dense block的输出特征向量上分别加入分类层Classification Layer，针对是否为口腔鳞状细胞癌分类，之后计算各密集连接块的loss值：L2、L3、L4，使L1、L2、L3、L4按照loss比例1:0.1:0.1:0.1进行相加作为总损失函数L_toal；

步骤6.3.使用后向传播算法调整Dense Net网络权重，降低L_toal，以提高模型精度；

步骤7.将步骤5得到的扩充样本输入步骤6改进后的DenseNet网络进行训练，得到口腔鳞状细胞癌分类网络的权重文件，保存备用；

步骤8.分类网络模型的测试与优化：用步骤7中所得的口腔鳞状细胞癌分类网络对验证集数据样本进行检测，根据测试集的测试结果：利用测试数据样本中的图片经口腔鳞状细胞癌分类网络进行一系列卷积、归一化、池化、残差连接得到图片类别，直至得到的图片类别与测试集数据的病理分类准确率不小于98％，若准确率没达到标准，进行重新训练，重新训练前调整步骤6.2以及步骤7中焦点损失函数参数包括：平衡因子α和焦点因子γ以及loss比例；

步骤9.步骤8训练好的模型对按步骤1的方法新采集的口腔照片进行分类预测，判断口腔照片是否存在病变区域。