[发明专利]基于深度卷积神经网络的直肠癌T分期自动诊断方法及设备

权利要求书

1.一种基于深度卷积神经网络的直肠癌T分期自动诊断方法，采用深度卷积神经网络模型，其特征在于：

所述自动诊断方法包括以下步骤：

S1：输入原始图像且对图像进行预处理，对背景样本进行样本平衡过采样，将输入的图像统一调整为大小一致的格式；

S2：将预处理之后得到的数据集作为网络模型训练的数据，按7:2:1的比例分配为训练集：验证集：测试集；

S3：将训练集上的图像输入到所述深度卷积神经网络模型中，提取图像中的特征信息；

S4：通过采用代价敏感的方法，设置权重敏感向量来增大所述深度卷积神经网络模型在训练过程中对小类别的注意力，对所有的分类均加上一个权重值，每一类的权重大小与该类别占样本中的比例负相关；

S5：使用集成学习的方法，通过训练多个独立的基本深度卷积神经网络模型进行组合，集成多个基本深度卷积神经网络模型共同对图像中目标类别信息进行预测；

S6：在验证集上对训练模型评估分割效果，并对网络模型进行调整；

S7：若S6上的分割精度不达标，则重复进行S3到S6继续优化网络参数，若S6上的分割精度达标，则训练结束，得到优化好的全卷积神经网络模型。

2.根据权利要求1所述的一种基于深度卷积神经网络的直肠癌T分期自动诊断方法，其特征在于：所述S1的预处理为图像增强和数据扩充，所述图像增强和数据扩充包括随机剪裁、尺寸缩放、角度变换、放射变换、随机噪声添加、滤波处理、或亮度改变的数据处理方式中的一种或几种组合。

3.根据权利要求1所述的一种基于深度卷积神经网络的直肠癌T分期自动诊断方法，其特征在于：所述S3包括：

S31：通过在深度卷积神经网络模型左侧上设置的一系列稠密卷积块，对输入的图像进行下采样，以提取图像中的特征信息；

S32：再通过在深度卷积神经网络模型右侧上设置的一系列稠密卷积块进行上采样，以提取图像中的特征信息。

4.根据权利要求3所述的一种基于深度卷积神经网络的直肠癌T分期自动诊断方法，其特征在于：所述S31包括：

S311：通过在稠密卷积块后使用批归一化层和瓶颈层来进行网络优化；

S312：再通过在稠密卷积块之后进行随机失活处理，然后进入的S4。

5.根据权利要求3所述的一种基于深度卷积神经网络的直肠癌T分期自动诊断方法，其特征在于：所述S32包括：

S321：通过在稠密卷积块后使用批归一化层和瓶颈层来进行网络优化；

S322：接着通过在稠密卷积块之后进行随机失活处理；

S323：通过上采样将输出的图像尺寸与其输入尺寸相同，接着进行损失误差的参数更新，然后进入的S4。

6.根据权利要求3所述的一种基于深度卷积神经网络的直肠癌T分期自动诊断方法，其特征在于：不相邻的稠密卷积块上采样与稠密卷积块下采样通过跳跃连接建立连接通道。

7.根据权利要求1所述的一种基于深度卷积神经网络的直肠癌T分期自动诊断方法，其特征在于：所述S4中，通过代价敏感向量权重调整目标函数：

loss＝-1/n∑[ω*ylna+(1-y)ln(1-a)]；

其中，n为整体样本的数量，y为人工标记的真实值，a为代表网络的预测值，ω为与类别的分布负相关的权重系数。

8.一种基于深度卷积神经网络的直肠癌T分期自动诊断设备，其特征在于：所述自动诊断设备包括：

存储器、处理器，通信总线以及存储在所述存储器上的自动诊断程序，

所述通信总线用于实现处理器与存储器间的通信连接；

所述处理器用于执行所述自动诊断程序，以实现如上述权利要求中1-7任意一项所述的自动诊断方法的步骤。

9.一种计算机可读存储介质，存储有可执行指令，其特征在于：所述存储介质上存储有自动诊断程序，所述自动诊断程序被处理器执行时实现如上述权利要求中1-7任意一项所述的自动诊断方法的步骤。