[发明专利]一种基于深度学习的手部肿瘤智能检测方法

权利要求书

1.一种基于深度学习的手部肿瘤智能检测方法，其特征在于该方法包括以下步骤：

(1)对手部肿瘤磁共振影像进行标注；

(2)对标注数据进行预处理，并对数据集进行增强；

(3)构建全卷积神经网络模型，确定全卷积神经网络模型的参数，将数据集输入全卷积神经网络模型中，利用损失函数

进行训练；其中l(x)为像素点x的标注类别，W_l(x)对应类别l(x)的权重；

(4)将待预测影像输入到智能检测模型中，得到预测结果。

2.根据权利要求1所述的手部肿瘤智能检测方法，其特征在于：步骤(1)是对不同类型的手部肿瘤标注不同颜色的分割掩膜。

3.根据权利要求1所述的手部肿瘤智能检测方法，其特征在于：步骤(2)包括：

①对标注数据进行预处理：由标注文件批量生成彩色标注图，随后对彩色标注图进行转码，得到灰度标注图；

②对数据集进行增强：对数据集中影像与标注图进行翻转和裁剪。

4.根据权利要求1所述的手部肿瘤智能检测方法，其特征在于：步骤(3)包括：

①构建一个全卷积神经网络模型，整个全卷积神经网络模型为Encoder-Decoder架构；

取标注的数据集进行划分，一部分为训练集，一部分为测试集，其中测试集中包括验证集；

将训练集中的数据随机载入特征提取网络，经过卷积层提取图像特征，形成低层编码特征图；

②将提取的底层编码特征图输入到ASPP模块中得到高层编码特征图；

③对高层编码特征图进行上采样，与底层编码特征图连接，得到底层解码特征图；

④使用3*3卷积层对底层解码特征图进行解码，得到高层解码特征图；

⑤对高层解码特征图进行4倍双线性上采样，得到预测结果；

⑥由预测结果与标注结果，利用损失函数优化网络参数；

经过多次迭代后，得到智能检测模型。

5.根据权利要求4所述的手部肿瘤智能检测方法，其特征在于：步骤(3)①的具体过程如下：

Encoder模块使用特征提取网络提取特征，特征提取网络由Entry flow、Middle flow、Exit flow三个部分构成：

(1)Entry flow部分首先对输入图像进行2次3*3的卷积操作，随后进行9次3*3的深度分离卷积操作与三次1*1卷积操作分支，每次深度分离卷积操作附加BN层与ReLU激活函数；

(2)Middle flow部分包含3次3*3的深度分离卷积操作，整个部分在网络中重复16次；

(3)Exit flow部分包含6次3*3的深度分离卷积操作，与一个1*1卷积操作分支。

6.根据权利要求4所述的手部肿瘤智能检测方法，其特征在于：(3)④的具体过程是：平行使用四个3*3的空洞卷积层对底层编码特征图提取特征，在保持计算量的同时扩大感受野，同时聚合多尺度的上下文信息，获取更好的分割结果。

7.根据权利要求4所述的手部肿瘤智能检测方法，其特征在于：步骤(3)⑤的具体过程是：

(1)根据步骤3所述提取底层解码特征图，对高层编码特征图进行4倍双线性上采样；

(2)使用1*1卷积来降低底层编码特征图的通道数。

8.根据权利要求1所述的手部肿瘤智能检测方法，其特征在于：步骤(3)中所述的卷积层的卷积运算在二维情况下可由如下述公式表示：

上式中，表示l层的第n张特征图，O表示前一层输入的特征图的数量，(x，y)表示特征图上的指定位置，w表示卷积核，即卷积神经网络中的权重参数，c表示的是[1，O]的下标变量，p、q表示卷积核的高和宽，i表示[O，p]的下标变量、j表示[O，q]的下标变量，表示l-1层的第n个通道的的偏置值，f是局部线性的rectify函数，其函数形式表示如下：

9.根据权利要求1所述的手部肿瘤智能检测方法，其特征在于：步骤(3)中所述的空洞卷积层的卷积运算在二维情况下可由如下述公式表示：

y[i]＝∑_kx[i+r*k]w[k]，

上式中，i表示特征图上的指定位置，w表示卷积核，即卷积神经网络中的权重参数，y表示输出的特征图，x表示输入的特征图，其中空洞率r决定了我们对输入信号采样的步幅大小。