[发明专利]基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法

摘要

本发明公开了一种基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法术，使用深度卷积神经网络逐层提取图像的高层次特征，得到的特征图维度在不断减小。为了实现输出概率预测图和预分割图像的尺寸匹配，本发明使用反卷积网络拓展特征图尺寸，得到尺寸一致的概率预测图。网络生成的概率预测图通过训练一个softmax分类器，对预测图像取二值化，获得最终的前列腺组织的分割结果。在一定程度上有效提高了医生对前列腺疾病诊断的准确性和效率。

主权项

基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法，其特征在于：包括以下步骤：(1)、选取一系列病人的前列腺MRI图像作为原始数据样本，首先去除原始数据样本中不包含前列腺图像信息的图片，减小负样本所占比例，然后通过对比度调节方法，增强磁共振组织的边缘的差异，最后通过裁剪和尺度变换方式扩展得到数据集；(2)、将步骤(1)的数据集图像统一裁剪尺寸后输入到卷积神经网络中，卷积神经网络由卷积层和下采样层组成，首先通过卷积层，将预设好大小的卷积核按照预设的滑动步长在特征图上进行滑动，每次将卷积核与其大小对应的特征图子区域进行卷积运算，卷积结果通过ReLU激活函数计算得到相应的特征图输出，并作为下一层的输入，在网络模型中，卷积层的第一层输入是原始训练图像；第l层卷积特征图hl的计算方法如下：hl=f(Σj=1MxΣk=1Mywjk*hl-1(j,k)+bl)---(1),]]>式中Mx和My分别表示卷积核M的长和宽，wjk是卷积核中学习的权值，hl‑1表示卷积层l的输入，*是2维卷积，bl表示第l层卷积核的偏置，f(·)是激活函数，ReLU激活函数的数学表达式为：f(x)＝max(0,x)  (2)卷积层操作完之后通过下采样层，下采样层采用池化操作，即设置一个小尺寸的池化窗口，按照预设好的滑动步长进行窗口滑动，对窗口内的特征图子区域取最大值，同时记录下该最大值所处的位置坐标，称之为位置索引；通常池化窗口大小为s×s且不重叠，对特征图取最大值之后，特征图的分辨率缩小为原来的1/s，从而逐步提取出图像的高级特征，特征图的尺寸逐步缩小，在每一层处理后得到特征图，前一层输出的特征图作为下一层的输入；(3)、卷积操作根据不同大小的卷积核和滑动步长可以实现对特征图尺寸的放大与缩小，卷积神经网络中的卷积层实现对特征图尺寸的缩小，相应的使用反卷积层扩展特征图尺寸，下采样层进行池化操作，上采样层与其相比则进行反池化操作，将反池化窗口对应的每个子区域的最大值放回到原位置索引处，其余位置均置零，即扩展了特征图尺寸，将尺寸缩小了的特征图扩大；将步骤(2)中卷积神经网络输出的特征图输入到反卷积神经网络中，反卷积神经网络采用卷积神经网络的镜像结构，由反卷积层和上采样层组成，目的在于扩展特征图尺寸重建输入目标的形状；特征图首先输入到反卷积层进行反卷积操作，利用卷积过程中卷积核的转置版本即水平和竖直方向上的数值旋转180度来计算卷积前的每一块特征图子区域，ReLU函数是用于保证每层输出的激活值都是正数，因此对于反向过程，同样需要保证每层的特征图为正值，也就是说这个反激活过程和激活过程没有什么差别，都是直接采用ReLU函数；反卷积结果通过ReLU激活函数计算得到相应尺寸扩大的特征图，并作为下一层的输入；接着将特征图输入到上采样层进行反池化操作，此时的反池化层除了接收来自反卷积层的输出特征图之外，同时接收来自卷积神经网络中镜像位置的下采样层记录下的位置索引；每一个位置索引对应着一个特征图子区域，此时将来自反卷积层的输出特征图中每个子区域的最大值放回到相应的位置索引处，其余位置均置零，即完成上采样操作，得到尺寸逐步扩大的特征图；接着将特征图输入到反卷积层中，进行反卷积操作，对特征图中置零位置处进行信息补充，再次得到尺寸扩大的特征图并输入到上采样层进行反池化操作，得到的特征图作为下一层的输入，最终经过卷积神经网络输出与原始图像尺寸相同的特征图；最后在反卷积神经网络后面连接sofmax分类器和dice相似性损失函数层得到前列腺图像的分割概率预测图，对此分割概率预测图进行二值化处理，得到最终的分割结果，把分割的结果和正常影像学形态进行对比，给出辅助诊断信息，应用到医学的前列腺癌的诊断中。