[发明专利]一种基于ResNet模型的多序列膀胱癌核磁图像分级方法

说明书

本发明涉及基于ResNet模型的多序列膀胱癌核磁图像的分级方法。本发明针对T2WI和DCE两个序列的核磁数据，从每例患者的两个核磁序列中选取包含肿瘤的图像，将病变部位通过中心裁剪出来，并通过数据增广将图片质量及数量达到可训练度及维持相对平衡；利用ResNet50模型，引入迁移学习解决医学图像数据量少的普遍问题；在网络中加入MF多尺度特征提取模块，在同一层网络中使用不同尺度的卷积核；最后在多序列特征融合后加入一个scSE注意力模块，利用空间注意力和通道注意力对病变特征更有权重的学习，全局获取病变特征联系。本发明达到了在T2WI和DCE两个序列的核磁数据上对膀胱癌图像进行分级鉴别的目的。

技术领域

本发明提供一种基于ResNet模型的多序列核磁图像的高级别乳头状尿路上皮癌和低级别乳头状尿路上皮癌图像分类方法，属于深度学习对医学图像分类领域。

背景技术

膀胱癌是泌尿系统最常见的恶性肿瘤，多发于老年男性，膀胱癌位居我国男性恶性肿瘤发病率第7位，致死率第12位。按照2016年版世界卫生组织(World HealthOrganization,WHO)膀胱癌尿路上皮癌恶性分级系统，膀胱癌被分为高级别乳头状尿路上皮癌(High-grade urothelial carcinoma,HGUC)和低级别乳头状尿路上皮癌(Low-gradeurothelial carcinoma,HGUC),HGUC具有较高的复发率和病死率。准确的分级是描述肿瘤生物学活性，进而预测患者预后和辅助临床决策的重要指标。因此，准确的判断膀胱肿瘤组织病例分级对制定手术策略，预测预后以及指定合理随访策略具有重要指导意义。

技术方面，深度学习属于机器学习的研究方向，对于样本数据的内在规律及表示层次进行学习，并自动从简单特征中提取更加复杂的特征，深度学习最具代表性的一类方法是深度神经网络，神经网络试图模拟大脑神经元层的活动，以学习如何识别数据中的复杂模式。随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段，深度学习(Deep learning,DL)，特别是深度卷积神经网络(Convolutional neural networks,CNNs)已经迅速发展成为医学图像分析的研究热点，它能够从医学图像数据中自动提取隐含的疾病诊断特征。

近年来，在膀胱癌图像分类方面取得了重大进展，但是尽管对于膀胱癌的相关工作有了一定进展，对于HGUC和LGUC图像的分类方法还是相对较少，并且方法集中在处理CT图像分类和单个核磁图像序列分类上，事实上，不同核磁图像序列之间存在着共同信息和互补信息，联合使用不同核磁序列可以提升膀胱癌分级的准确率。因此，本发明着眼于融合膀胱癌T2WI和DCE两个不同MRI序列特征在深度学习领域进行HGUC和LGUC图像分类。

发明内容

鉴于现有技术中的上述缺陷或不足，并针对以上关于HGUC及LGUC研究缺口，本发明提出了基于ResNet模型的多序列膀胱癌核磁图像分类方法，在T2WI和DCE两个序列的核磁数据上对膀胱癌图像进行分级鉴别的目的，在深度学习领域达到了很好的区分HGUC与LGUC影像的效果。

本发明的技术方案是：一种基于ResNet模型的多序列膀胱癌核磁图像分类方法，包括如下：

Step1、首先针对预处理过程，通过3D Slicer从每例患者的T2WI和DCE两个序列核磁图像中选取包含肿瘤的图像；通过中心裁剪的方法，将带病灶的膀胱器官裁剪出来；最后对数据进行扩增，使用keras内置的ImageDataGenerator实现图像增广，具体操作包括随机旋转、随机垂直翻转、随机水平翻转、亮度调整以及错切变换扩增数据，缓解过拟合，使模型得到更好训练；