一种基于MaskRcnn的膀胱肿瘤检测方法技术

本发明专利技术提出一种基于MaskRcnn的膀胱肿瘤检测方法，该方法至少包括：采集少许医学膀胱图片作为训练样本，利用图像处理的方式解决医学膀胱训练图片不足从而产生样本数据不均衡导致过拟合的问题，该图片具体矩形识别框，所述矩形识别框包含了膀胱位置标记或肿瘤位置标记或同时具有膀胱和肿瘤位置标记；利用针对本发明专利技术调试好的全新参数ResNet对医学图片进行特征提取，并生成预测的ROI区域；所述预测的ROI区域表示了膀胱和肿瘤可能存在的位置；利用给ResNet加权操作有效的提高了训练速度和测试速度，利用边框回边对利用感兴趣区域进行坐标的平移和尺度缩放；利用非极大值抵制得到目标矩形框。本发明专利技术使用人工智能方法即深度学习，大量的减少了传统方法重复的人工操作，提高了速度和效率；达到实时的目的。

【技术实现步骤摘要】
一种基于MaskRcnn的膀胱肿瘤检测方法
本专利技术涉及一种人工智能检测
的方法，具体涉及一种基于MaskRcnn的膀胱肿瘤检测方法。
技术介绍
近年来，随着人工智能的快速发展，越来越多的专家投入到深度学习的研究中，在计算机识别领域，每年都会有先进和优秀的成果引起了世界广大学者和科学家的重视，同时，斯坦福大学、谷歌、微软、facebook等世界各地顶级Ai研究实验室每年都会参与计算机大规模识别挑战赛，一些数据集如ImageNet、PascalVoc、MicrosoftCoco等大型数据集成为众多研究者的挑战目标，因此诞生了很多优秀的文章和先进的算法网络供广大学者的借鉴。这些大型数据集，都是日常生活中拍摄的图片，如动物，人，生活物品，交通工具等，它们的特征区别很明显，放入神经网络中很容易被识别和区分。在医学治疗领域，但如果把数据集换成医学图像，那么此任务的难度会大大增加。因为医学图像大多都是灰度图，比如细胞、膀胱、肿瘤等，在一张医学图片中，它们的形状相似度高，特征相似度也高。如果直接使用识别人与交通工具的神经网络用于识别膀胱和肿瘤，那么会造成一张医学图像上每个相似的区域都会被就计算机大量的错误识别为同一类。医学技术用于治疗，不能出现检测错误。为此，要想用深度学习准确的检测出膀胱和肿瘤是该技术的难点。此外，有些医院都已经引入了人工智能阅片系统，用于肺癌、乳腺癌、儿童生长发育异常等疾病的辅助诊断。膀胱肿瘤是泌尿系统中最常见的肿瘤。多数为移行上皮细胞癌。在膀胱侧壁及后壁最多，其次为三角区和顶部，其发生可为多中心。膀胱肿瘤可先后或同时伴有肾盂、输尿管、尿道肿瘤。在国外，膀胱肿瘤的发病率在男性泌尿生殖器肿瘤中仅次于前列腺癌，居第2位；在国内则占首位。男性发病率为女性的3～4倍,年龄以50～70岁为多。本病组织类型上皮性肿瘤占95％,其中超过90％系移行上皮细胞癌。目前，在医学上，判定膀胱肿瘤的方法需结合多项指标进行综合判定，且当遇到复杂情况时，不能很好的就行判断，因此如根据肿瘤的特点，并将其与人工智能的思想相结合，综合判断，便能达到更好的效果。但是膀胱肿瘤识别和标识是一个数据高度不平衡的问题，在整幅医学图像中，绝大多数都是非肿瘤块区域，只有少数部分才是肿瘤块区域，但是目前尚未有好的检测方法。从以上分析可以看出，深度学习来让计算机对膀胱和肿瘤的检测是一个难题，现有的人工智能技术对膀胱和肿瘤的检测效果并不理想，因此，对人体医学图像膀胱和肿瘤的检测技术的研究很有必要，是很有价值的
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于MaskRcnn的膀胱肿瘤检测方法，以解决现有技术中重复的人工操作。为实现上述目的及其他相关目的，本专利技术提供一种基于MaskRcnn的膀胱肿瘤检测方法，该方法至少包括：采集医学膀胱图片作为训练样本，对训练样本进行数据增强以解决在测试过程中会遇到过拟合的问题，该图片具体矩形识别框，所述矩形识别框包含了膀胱位置标记或肿瘤位置标记或同时具有膀胱和肿瘤位置标记；利用ResNet对医学图片进行特征提取，并生成预测的ROI区域；所述预测的ROI区域表示了膀胱和肿瘤可能存在的位置；利用给ResNet加权重的方法；所述权重为固定值a、b，该方法可以有效的提升训练和测试速度；利用边框回归对感兴趣区域进行坐标的平移和尺度缩放；利用非极大值抵制得到目标矩形框。可选地，该方法还包括对训练样本进行数据增强。可选地，所述对采集的训练图片进行数据扩充具体包括：对采集到的训练图片进行旋转、加噪声、镜像处理。可选地，在利用ResNet对医学图片进行特征提取步骤中，仅采用ResNet-18作为特征提取网络，该特征提取网络所有参数均重新设定，所述特征提网络至少包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层。可选地，在利用ResNet对医学图片进行特征提取步骤中，采用RPN生成预测的ROI区域。可选地，在利用ResNet进行特征提取的步骤中，分别在Conv2至Conv5每个残差部分的输出位置和跳层阶段加入权重a和b，所述新加的权重a和b可以加快网络收敛，提高训练和测试速度。可选地，在利用ResNet对医学图片进行特征提取步骤中，在第四层卷积层采用FPN进行多尺度的特征融合。可选地，在第四卷积层与第五卷积层之间添加一ROIAlign层，所述ROIAlign层还用于对预测的ROI区域进行对齐处理。可选地，在利用ResNet对医学图片进行特征提取步骤后，在第五层卷积层添加一个Mask分支进行图像分割。可选地，利用定位精度评价函数IOU对所述生成预测的ROI区域进行筛选，筛选的方法具体为：当IOU＞阈值H时，将预测的ROI区域全部为正样本；当IOU＜阈值H时，将预测的ROI区域全部作为负样本。如上所述，本专利技术的一种基于MaskRcnn的膀胱肿瘤检测方法，具有以下有益效果：(1)本专利技术使用自己设定的参数的ResNet-18网络针对少样本任务进行训练，提高了模型的鲁棒性的同时有效的解决了过拟合的问题。(2)本专利技术对现有的特征提取ResNet网络进行优化，通过加权的手段，加快了网络的收敛速度，从而提高训练和测试的速度。(3)本专利技术所有参数都可以调节，在训练的时候，根据计算机的性能，可以调节参数的设置让模型的效果更好。(4)本专利技术所有步骤都在GPU中处理，这样使整个训练过程加快。附图说明为了进一步阐述本专利技术所描述的内容，下面结合附图对本专利技术的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本专利技术的范围的限定。图1为本专利技术的总体神经网络结构图；图2为RPN结合FPN神经网络图；图3为ResNet各层参数的设定以及加权操作的示意图；图4为本专利技术在测试中一个过拟合的图；图5为膀胱或肿瘤的原图和对应膀胱和肿瘤的Mask图；图6为训练时其中一张膀胱的验证图；图7为没有肿瘤的膀胱的标签图；图8为有肿瘤的膀胱的标签图；图9为本专利技术最终测试图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本专利技术提供一种基于深度学习对医学图像膀胱图像以及肿瘤图像的识别和分割，在传统的识别与分割的方法中，比如用SIFT或HOG来提取特征然后再用SVM分类，这种传统的方法不仅步骤繁琐而且准确率低，达不到实时的要求。如图1所示，本专利技术所述的方法具体包括以下步骤：采集少量(2000张)医学膀胱图片作为训练样本，对训练样本进行数据增强，该图片具体矩形识别框，所述矩形识别框包含了膀胱位置标记或肿瘤位置标记或同时具有膀胱和肿瘤位置标记；利用图像增强手段对采集的2000张训练图片进行数据的扩本文档来自技高网...

【技术保护点】
1.一种基于MaskRcnn的膀胱肿瘤检测方法，其特征在于，该方法至少包括：采集医学膀胱图片作为训练样本，该图片具体矩形识别框，所述矩形识别框包含了膀胱位置标记或肿瘤位置标记或同时具有膀胱和肿瘤位置标记；利用ResNet对医学图片进行特征提取，并生成预测的ROI区域；所述预测的ROI区域表示了膀胱和肿瘤可能存在的位置；利用边框回归对感兴趣区域进行坐标的平移和尺度缩放；利用非极大值抵制得到目标矩形框。

【技术特征摘要】
1.一种基于MaskRcnn的膀胱肿瘤检测方法，其特征在于，该方法至少包括：采集医学膀胱图片作为训练样本，该图片具体矩形识别框，所述矩形识别框包含了膀胱位置标记或肿瘤位置标记或同时具有膀胱和肿瘤位置标记；利用ResNet对医学图片进行特征提取，并生成预测的ROI区域；所述预测的ROI区域表示了膀胱和肿瘤可能存在的位置；利用边框回归对感兴趣区域进行坐标的平移和尺度缩放；利用非极大值抵制得到目标矩形框。2.根据权利要求1所述的一种基于MaskRcnn的膀胱肿瘤检测方法，其特征在于，该方法还包括对训练样本进行数据增强。3.根据权利要求1所述的一种基于MaskRcnn的膀胱肿瘤检测方法，其特征在于，所述对采集的训练图片进行数据扩充具体包括：对采集到的训练图片进行旋转、加噪声、镜像处理。4.根据权利要求1所述的一种基于MaskRcnn的膀胱肿瘤检测方法，其特征在于，在利用ResNet对医学图片进行特征提取步骤中，仅采用ResNet-18作为特征提取网络，该特征提取网络所有参数均重新设定，所述特征提网络至少包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层。5.根据权利要1所述的一种基于MaskRcnn的膀胱肿瘤检测方法，其特征在于，在利用ResNet对医学图...

【专利技术属性】
技术研发人员：夏海英，孙伟凡，夏伟，丁志峰，
申请(专利权)人：广西师范大学，
类型：发明
国别省市：广西,45