本發(fā)明涉及計算機神經(jīng)網(wǎng)絡技術領域，具體是一種基于深度學習算法的惡性腫瘤計算機輔助早期診斷方法。

背景技術：

前列腺癌是影響老年男性健康的主要問題之一。早期診斷、早期治療是提高前列腺癌患者生存率和降低病死率的關鍵，而對于病變組織的分割是對前列腺癌診斷不可或缺的一環(huán)。針對前列腺病變的檢測與治療規(guī)劃，醫(yī)生首先需要勾勒出前列腺組織輪廓，區(qū)分前列腺與周圍器官，然后決定采取相對應的治療手段。但是，這一過程目前主要依賴于醫(yī)師手工完成，這是一個十分耗時的過程，并且分割的結果好壞也因人而異。同時由于前列腺圖像的多種強度分布以及變形程度不同，導致其在不同的掃描儀中呈現(xiàn)出很寬泛的邊界范圍。除此之外，由于磁場的不均勻性，mri圖像會出現(xiàn)偽影和失真。前列腺圖像的分割對于臨床診斷來說是一件非常重要的任務，在計劃治療時，前列腺結構的邊界應該越精確越好。

基于深度學習的前列腺組織分割技術，是指通過訓練反卷積深度神經(jīng)網(wǎng)絡模型，應用到前列腺圖像的自動分割中，這種技術相比于人工分割，精度更高，耗時更少，大大提高了分割效率。

技術實現(xiàn)要素：

本發(fā)明的目的是提供一種基于深度學習算法的惡性腫瘤計算機輔助早期診斷方法，以解決現(xiàn)有技術前列腺組織分割方法精度低、耗時高的問題。

為了達到上述目的，本發(fā)明所采用的技術方案為：

基于深度學習算法的惡性腫瘤計算機輔助早期診斷方法，其特征在于：包括以下步驟：

(1)、選取一系列病人的前列腺mri圖像作為原始數(shù)據(jù)樣本，首先去除原始數(shù)據(jù)樣本中不包含前列腺圖像信息的圖片，減小負樣本所占比例，然后通過對比度調節(jié)方法，增強磁共振組織的邊緣的差異，最后通過裁剪和尺度變換方式擴展得到數(shù)據(jù)集；

(2)、將步驟(1)的數(shù)據(jù)集圖像統(tǒng)一裁剪尺寸后輸入到卷積神經(jīng)網(wǎng)絡中，卷積神經(jīng)網(wǎng)絡由卷積層和下采樣層組成，首先通過卷積層，將預設好大小的卷積核按照預設的滑動步長在特征圖上進行滑動，每次將卷積核與其大小對應的特征圖子區(qū)域進行卷積運算，卷積結果通過relu激活函數(shù)計算得到相應的特征圖輸出，并作為下一層的輸入，在網(wǎng)絡模型中，卷積層的第一層輸入是原始訓練圖像；

第l層卷積特征圖h^l的計算方法如下：

式中mx和my分別表示卷積核m的長和寬，wjk是卷積核中學習的權值，h^l-1表示卷積層l的輸入，*是2維卷積，b^l表示第l層卷積核的偏置，f(·)是激活函數(shù)，relu激活函數(shù)的數(shù)學表達式為：

f(x)＝max(0,x)(2)

卷積層操作完之后通過下采樣層，下采樣層采用池化操作，即設置一個小尺寸的池化窗口，按照預設好的滑動步長進行窗口滑動，對窗口內的特征圖子區(qū)域取最大值，同時記錄下該最大值所處的位置坐標，稱之為位置索引；通常池化窗口大小為s×s且不重疊，對特征圖取最大值之后，特征圖的分辨率縮小為原來的1/s，從而逐步提取出圖像的高級特征，特征圖的尺寸逐步縮小，在每一層處理后得到特征圖，前一層輸出的特征圖作為下一層的輸入；

(3)、卷積操作根據(jù)不同大小的卷積核和滑動步長可以實現(xiàn)對特征圖尺寸的放大與縮小，卷積神經(jīng)網(wǎng)絡中的卷積層實現(xiàn)對特征圖尺寸的縮小，相應的使用反卷積層擴展特征圖尺寸，下采樣層進行池化操作，上采樣層與其相比則進行反池化操作，將反池化窗口對應的每個子區(qū)域的最大值放回到原位置索引處，其余位置均置零，即擴展了特征圖尺寸，將尺寸縮小了的特征圖擴大；將步驟(2)中卷積神經(jīng)網(wǎng)絡輸出的特征圖輸入到反卷積神經(jīng)網(wǎng)絡中，反卷積神經(jīng)網(wǎng)絡采用卷積神經(jīng)網(wǎng)絡的鏡像結構，由反卷積層和上采樣層組成，目的在于擴展特征圖尺寸重建輸入目標的形狀；特征圖首先輸入到反卷積層進行反卷積操作，利用卷積過程中卷積核的轉置版本即水平和豎直方向上的數(shù)值旋轉180度來計算卷積前的每一塊特征圖子區(qū)域，relu函數(shù)是用于保證每層輸出的激活值都是正數(shù)，因此對于反向過程，同樣需要保證每層的特征圖為正值，也就是說這個反激活過程和激活過程沒有什么差別，都是直接采用relu函數(shù)；反卷積結果通過relu激活函數(shù)計算得到相應尺寸擴大的特征圖，并作為下一層的輸入；接著將特征圖輸入到上采樣層進行反池化操作，此時的反池化層除了接收來自反卷積層的輸出特征圖之外，同時接收來自卷積神經(jīng)網(wǎng)絡中鏡像位置的下采樣層記錄下的位置索引；每一個位置索引對應著一個特征圖子區(qū)域，此時將來自反卷積層的輸出特征圖中每個子區(qū)域的最大值放回到相應的位置索引處，其余位置均置零，即完成上采樣操作，得到尺寸逐步擴大的特征圖；接著將特征圖輸入到反卷積層中，進行反卷積操作，對特征圖中置零位置處進行信息補充，再次得到尺寸擴大的特征圖并輸入到上采樣層進行反池化操作，得到的特征圖作為下一層的輸入，最終經(jīng)過卷積神經(jīng)網(wǎng)絡輸出與原始圖像尺寸相同的特征圖；最后在反卷積神經(jīng)網(wǎng)絡后面連接sofmax分類器和dice相似性損失函數(shù)層得到前列腺圖像的分割概率預測圖，對此分割概率預測圖進行二值化處理，得到最終的分割結果，把分割的結果和正常影像學形態(tài)進行對比，給出輔助診斷信息，應用到醫(yī)學的前列腺癌的診斷中；

所述的基于深度學習算法的惡性腫瘤計算機輔助早期診斷方法，其特征在于：為了得到與輸入圖像尺寸匹配的分割概率預測圖，在步驟(2)中卷積網(wǎng)絡后面連接反卷積網(wǎng)絡，通過反卷積網(wǎng)絡中的上采樣和卷積層來拓展特征圖尺寸。

所述的基于深度學習算法的惡性腫瘤計算機輔助早期診斷方法，其特征在于：在下采樣層中，將前一層特征圖中相鄰若干個高級特征合并，減小特征的分辨率。

所述的基于深度學習算法的惡性腫瘤計算機輔助早期診斷方法，其特征在于：在softmax分類器后添加dice相似性損失函數(shù)，解決訓練圖像中，前列腺和背景區(qū)域比例區(qū)別過大的問題，提高分割的精度。

本發(fā)明通過對預處理的前列腺mri圖像進行分割，得到相應的前列腺組織區(qū)域，使用反卷積深度神經(jīng)網(wǎng)絡實現(xiàn)自動分割前列腺組織區(qū)域，提高了分割精度和效率，大大減少分割時間，依據(jù)分割結果輔助醫(yī)生對前列腺癌進行診斷，達到提高診斷準確率和診斷效率的目標，有效減少醫(yī)生工作量，提高診斷效果，可用于對前列腺癌的輔助診斷。

本發(fā)明的有益效果是：通過海量的醫(yī)學圖像數(shù)據(jù)對深度卷積神經(jīng)網(wǎng)絡進行訓練，得到穩(wěn)定的深度網(wǎng)絡模型，從而實現(xiàn)自動的高精度的前列腺組織區(qū)域的分割，大大縮短了分割時間，有效提高了分割精度

附圖說明

圖1是本發(fā)明的實現(xiàn)流程框架圖。

圖2中的(a)為原始的待分割前列腺圖像；(b)為(a)對應的手動分割真實結果；(c)為用本發(fā)明的方法對(a)處理得到的概率預測圖。(c)中白色輪廓及其包裹的區(qū)域為預測可能的前列腺區(qū)域，和(b)作比較，說明本發(fā)明提出的方法生成的前列腺概率預測圖中，前列腺組織與非前列腺組織具有較高的區(qū)分度。

圖3為兩例前列腺分割的結果對比。第一列和第二列的前列腺圖像分別來自兩個不同個體。每一列的三張圖為取自兩個人前列腺不同形態(tài)下的核磁共振圖像，灰色線表示手動分割真實結果，白色線表示本發(fā)明的分割結果。經(jīng)過比較，本發(fā)明提出的分割方法非常接近手動真實分割結果。

具體實施方式

如圖1所示，基于深度學習算法的惡性腫瘤計算機輔助早期診斷方法，包括以下步驟：

(1)、選取一系列病人的前列腺mri圖像作為原始數(shù)據(jù)樣本，首先去除原始數(shù)據(jù)樣本中不包含前列腺圖像信息的圖片，減小負樣本所占比例，然后通過對比度調節(jié)方法，增強磁共振組織的邊緣的差異，最后通過裁剪和尺度變換方式擴展得到數(shù)據(jù)集；

(2)、將步驟(1)的數(shù)據(jù)集圖像統(tǒng)一裁剪尺寸后輸入到卷積神經(jīng)網(wǎng)絡中，卷積神經(jīng)網(wǎng)絡由卷積層和下采樣層組成。首先通過卷積層，將預設好大小的卷積核按照預設的滑動步長在特征圖上進行滑動，每次將卷積核與其大小對應的特征圖子區(qū)域進行卷積運算。卷積結果通過relu激活函數(shù)計算得到相應的特征圖輸出，并作為下一層的輸入。在網(wǎng)絡模型中，卷積層的第一層輸入是原始訓練圖像。

第l層卷積特征圖h^l的計算方法如下：

式中mx和my分別表示卷積核m的長和寬，wjk是卷積核中學習的權值，h^l-1表示卷積層l的輸入，*是2維卷積，b^l表示第l層卷積核的偏置，f(·)是激活函數(shù)。relu激活函數(shù)的數(shù)學表達式為：

f(x)＝max(0,x)(2)

卷積層操作完之后通過下采樣層，下采樣層采用池化操作，即設置一個小尺寸的池化窗口，按照預設好的滑動步長進行窗口滑動，對窗口內的特征圖子區(qū)域取最大值，同時記錄下該最大值所處的位置坐標，稱之為位置索引。通常池化窗口(大小為s×s)不重疊，對特征圖取最大值之后，特征圖的分辨率縮小為原來的1/s。從而逐步提取出圖像的高級特征，特征圖的尺寸逐步縮小，在每一層處理后得到特征圖，前一層輸出的特征圖作為下一層的輸入。

(3)、卷積操作根據(jù)不同大小的卷積核和滑動步長可以實現(xiàn)對特征圖尺寸的放大與縮小。卷積神經(jīng)網(wǎng)絡中的卷積層實現(xiàn)對特征圖尺寸的縮小，相應的使用反卷積層擴展特征圖尺寸。下采樣層進行池化操作，上采樣層與其相比則進行反池化操作，將反池化窗口對應的每個子區(qū)域的最大值放回到原位置索引處，其余位置均置零，即擴展了特征圖尺寸，將尺寸縮小了的特征圖擴大。將(2)中卷積神經(jīng)網(wǎng)絡輸出的特征圖輸入到反卷積神經(jīng)網(wǎng)絡中。反卷積神經(jīng)網(wǎng)絡采用卷積神經(jīng)網(wǎng)絡的鏡像結構，由反卷積層和上采樣層組成，目的在于擴展特征圖尺寸重建輸入目標的形狀。特征圖首先輸入到反卷積層進行反卷積操作，利用卷積過程中卷積核的轉置(水平和豎直方向上的數(shù)值旋轉180度)版本來計算卷積前的每一塊特征圖子區(qū)域，relu函數(shù)是用于保證每層輸出的激活值都是正數(shù)，因此對于反向過程，本發(fā)明同樣需要保證每層的特征圖為正值，也就是說這個反激活過程和激活過程沒有什么差別，都是直接采用relu函數(shù)。反卷積結果通過relu激活函數(shù)計算得到相應尺寸擴大的特征圖，并作為下一層的輸入。接著將特征圖輸入到上采樣層進行反池化操作，此時的反池化層除了接收來自反卷積層的輸出特征圖之外，同時接收來自卷積神經(jīng)網(wǎng)絡中鏡像位置的下采樣層記錄下的位置索引。每一個位置索引對應著一個特征圖子區(qū)域，此時將來自反卷積層的輸出特征圖中每個子區(qū)域的最大值放回到相應的位置索引處，其余位置均置零，即完成上采樣操作，得到尺寸逐步擴大的特征圖。接著將特征圖輸入到反卷積層中，進行反卷積操作，對特征圖中置零位置處進行信息補充，再次得到尺寸擴大的特征圖并輸入到上采樣層進行反池化操作，得到的特征圖作為下一層的輸入。最終經(jīng)過卷積神經(jīng)網(wǎng)絡輸出與原始圖像尺寸相同的特征圖。最后在反卷積神經(jīng)網(wǎng)絡后面連接sofmax分類器和dice相似性損失函數(shù)層得到前列腺圖像的分割概率預測圖(見附圖2(c))，對此分割概率預測圖進行二值化處理，得到最終的分割結果，把分割的結果和正常影像學形態(tài)(見附圖2(b))進行對比(見附圖3)，給出輔助診斷信息，應用到醫(yī)學的前列腺癌的診斷中。

本發(fā)明中，深度學習作為機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡，深度學習的實質是通過構建具有很多隱層的神經(jīng)網(wǎng)絡模型和海量的訓練數(shù)據(jù)，組合低層特征形成更加抽象的高層表示屬性類別或特征，從而最終提升分類或預測的準確性。

典型的深度卷積網(wǎng)絡通常包含一個輸入層，若干個卷積層和下采樣層，最后訓練一個分類器，由分類器輸出相應的類別概率預測。卷積層用來學習圖像的特征，利用局部連接和權值共享的特性，減少網(wǎng)絡所需要學習的參數(shù)數(shù)量，降低計算復雜度。隨著網(wǎng)絡的不斷加深，卷積層逐層提取更加抽象的高層次圖像特征。

本發(fā)明中，反卷積網(wǎng)絡采用卷積網(wǎng)絡的鏡像結構，目的在于重建目標圖像的尺寸。一般的深度卷積網(wǎng)絡會逐層減小特征層的維度大小，導致最終的輸出預測圖尺寸與輸入圖像尺寸不匹配。為了解決這一難題，本發(fā)明基于深度卷積神經(jīng)網(wǎng)絡的特性，將其應用到醫(yī)學圖像分割中，在卷積神經(jīng)網(wǎng)絡階段逐層提取圖像抽象的高級特征，這些高級特征包含更多的目標細節(jié)信息，同時得到維度不斷減小的特征圖。在反卷積神經(jīng)網(wǎng)絡階段，逐層擴展特征圖尺寸，使輸出預測圖與目標圖像尺寸相匹配，最后將圖片數(shù)據(jù)輸入到softmax等分類器，通過后向反饋微調整個網(wǎng)絡的參數(shù)，達到分割目的。softmax是一個廣義線性模型，通常用來進行模式識別、分類、以及回歸分析，其主要解決多分類問題。在softmax分類器后添加dice相似性損失函數(shù)，解決訓練圖像中，前列腺和背景區(qū)域比例區(qū)別過大的問題，提高分割的精度。

具體實施例：

在圖1中，該深度學習算法的惡性腫瘤計算機輔助早期診斷技術主要分為訓練和測試兩個階段。其步驟包括：

(1)、選取50個病人的600張前列腺mri圖像，并將其擴充至8000張作為訓練數(shù)據(jù)集，其中包括每個病人前列腺組織的手動分割真實圖像，并且病人磁共振組織的邊緣各有差異。

(2)、將訓練集圖像輸入卷積神經(jīng)網(wǎng)絡進行訓練，卷積層提取富含目標細節(jié)信息的圖像高級特征。

(3)、在下采樣層中，將前一層特征圖中相鄰若干個特征合并，減小特征的分辨率。

(4)、通過反卷積網(wǎng)絡實現(xiàn)重建輸入目標尺寸，最終通過一個softmax層生成一個與原始輸入分辨率大小相同的分類概率圖，通過計算分類概率圖與真實標簽的誤差，優(yōu)化損失函數(shù)，獲得最終的卷積網(wǎng)絡模型權重，從而得到訓練好的網(wǎng)絡模型。

(5)、將測試圖像輸入訓練好的網(wǎng)絡模型，得到前列腺的分割概率預測圖，通過二值化分割預測圖，獲得最后的前列腺分割結果，應用到醫(yī)學的前列腺癌的診斷中。