[发明专利]基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法

说明书

一种基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法，首先采用较先进的病理分类模型在胰腺囊性肿瘤ROI进行良/恶性分类预训练，以筛选易混淆的肿瘤图像；接着，对该类图像进行基于GAN的数据增广，以提高易混淆图像的训练集样本量；最后，预训练的分类器在增广后的训练集进行多通道、多阶段的迁移学习，以逐步提高分类器对良/恶性胰腺囊性肿瘤ROI图像的分类准确性。在来自合作医院的胰腺囊性肿瘤CT数据集上的实验证明，本发明的方法的良/恶肿瘤分类性能优于现有的分类方法。

技术领域

本发明涉及医学图像的合成和分类方法。

背景技术

由于胰腺囊性良/恶性肿瘤在同模态影像学上具有较高的相似性，医生仅靠经验对医学影像中的肿瘤进行病理诊断的准确率不高。虽然，穿刺技术可被用于病理诊断，但该操作通常会对受试者造成损伤，严重的情况下会导致并发症。因此，采用计算机辅助诊断技术对胰腺囊性肿瘤的医学图像进行病理诊断，具有很大的临床意义。

与传统分类模型相比，基于深度学习的分类模型已被证明在胰腺囊性良恶性肿瘤分类任务上具有优越性。不幸的是，由于带肿瘤医学图像的数量有限，所训练的分类模型对临床表征不够突出的肿瘤图像的良恶性分类效果不尽如人意。

现有技术存在的技术缺陷为：由于该类肿瘤在同模态影像学上具有高相似性，现有增广方法无法确保合成的病理图像同时满足临床表征准确性和样本多样性；由于不同模态、部位的医学图像具有较大差异，现有的迁移学习框架难以将其他模态和其他部位的医学图像分类器性能迁移到胰腺囊性良恶性肿瘤分类任务上。

发明内容

为克服现有技术的不足，本发明提出了一种基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法，增广了带肿瘤的胰腺CT图像，供基于深度学习的分类模型在合成图数据集和真实图数据集上进行多阶段的多通道迁移学习，以提升分类器的分类性能。

本发明解决其技术问题所采用的技术方案是：

一种基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法，所述方法包括如下步骤：

1)数据预处理

对于带肿瘤边缘勾勒标签及病理标签的胰腺囊性良/恶性肿瘤CT图，根据其勾勒标签获得包含肿瘤及周边组织信息的bounding-box，在包含肿瘤区域的最小矩形框基础上，向外拓展设定个像素点，作为数据集；

采用基于深度学习的分类模型对所获数据集进行易分类和易混淆的二分类任务，用多个分类模型在该数据集上进行k-fold交叉训练、测试；若某一样本在各分类器中都能被正确分类，则该样本被归类为易分类的胰腺肿瘤样本A；若某一样本在任一分类器中被分类错误，则该样本被归类为易混淆的胰腺肿瘤样本B；

分类性能最好的分类模型，被采用为后续阶段的分类器；

2)对易混淆数据集B的增广

对数据集B，将良性肿瘤区域的前景图构成数据集X(x₁,x₂,…,x_i，i为带良性肿瘤的样本的数量)，背景图构成数据集Y(y₁,y₂,…,y_i)和Z(z₁,z₂,…,z_i)；恶性肿瘤样本的前景图构成P(p₁,p₂,…,p_j,j为带恶性肿瘤的样本的数量)，背景图构成Q(q₁,q₂,…,q_j)和R(r₁,r₂,…,r_j)，其中，Y和Q对应包含肿瘤的最小矩形框与样本边界之间的区域，即外侧背景区域)；Z和R对应该矩形框与肿瘤边界之间的区域，即内侧背景区域；