[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

说明书

本发明涉及图像识别技术领域，公开了一种基于深度卷积神经网络的直肠癌T分期自动诊断方法及设备，首先对采集的直肠图片进行预处理，然后针对数据集不足的问题进行数据增强，最后利用数据集训练深度卷积神经网络，可以达到辅助医生自动诊断的目的，为临床的诊断和治疗提供了新的有效的方法，大大提高了诊断的效率及准确率。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于深度卷积神经网络的直肠癌T分期自动诊断方法及设备。

背景技术

直肠癌是世界范围内常见的消化道恶性肿瘤之一，其发病率居于所有恶性肿瘤发病率的第三位，其导致的死亡率位列癌症死亡率的第四位，其严重影响着人类的平均生存寿命和生活质量。

目前多数运用超声内镜及MRI对直肠癌T分期进行诊断，超声内镜对于部分直肠癌肿瘤的术前T分期诊断准确率最高可达到91％，但MRI检查相比于超声内镜对于检查人员技术性要求较低，且可以在肿瘤造成梗阻及肿瘤位置较高的状况下仍能得到较准确的分期，使用限制条件少。相较于CT检查结果，MRI具有组织分辨率高、术前诊断准确性高等特点。因此MRI成为世界范围内公认的用于直肠癌术前肿瘤分期的最有价值的手段，高分辨磁共振成像技术使得软组织及肿瘤的成像更加清晰。

随着成像技术及影像科医师诊断水平的不断进步，术前诊断的准确性大大提高。但由于我国人口众多，影像资料庞大，影像科医师短缺，造成了不同地区、不同医院的影像科医生工作负荷高、压力大、诊断水平的参差不齐，对于同一份MRI影像资料，不同影像科医师的诊断结果差异巨大，甚至误判，使得MRI检查无法充分发挥其在术前诊断中的作用，因此，如何运用人工智能获得具有像影像科医师一样的阅片及作出诊断的能力，是目前亟待解决的问题。

发明内容

为了解决现有技术对MRI影像资料作出判断结果具有巨大差异或误判的现象，本发明提供了一种基于深度卷积神经网络的直肠癌T分期自动诊断方法及设备。

本发明技术内容如下：

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，

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；

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。

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；

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。

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，然后进入到S4。

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；