一种基于深度学习的手部肿瘤智能检测方法技术

本发明专利技术涉及一种肿瘤检测方法，特别涉及一种基于深度学习的手部肿瘤智能检测方法，属于医学影像智能识别技术领域。一种基于深度学习的手部肿瘤智能检测方法，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

An intelligent detection method of hand tumor based on deep learning

【技术实现步骤摘要】
一种基于深度学习的手部肿瘤智能检测方法
本专利技术涉及一种肿瘤检测方法，特别涉及一种基于深度学习的手部肿瘤智能检测方法，属于医学影像智能识别

技术介绍
基于磁共振影像的肿瘤检测技术是智能医学影像中的重要方法。基于卷积神经网络的深度学习方法是十分有效的方法，如肺结节CT检测,脑肿瘤磁共振检测,甲状腺肿瘤超声检测等。手部肿瘤类型繁多，临床诊断较难，检查手段繁多(超声，CT，磁共振等)，影像诊断医师往往很难作出正确诊断，与最终病理诊断会有差别。手部虽然良性肿瘤居多，据统计95％的不累及皮肤的肿瘤为良性肿瘤，但是恶性肿瘤也不少见，这就容易造成误诊和延误治疗机会。目前手术治疗不规范(切除范围等)，首先来自术前诊断的不明确，所以提高诊断率非常关键。手部肿瘤具有容易复发的特点。手不仅是劳动的工具,还是人的仪表的重要组成部分。手部肿瘤复发后残留手术畸形，影响神经肌腱，甚至最终导致截肢。这不仅给人的生活与工作造成不便,而且还影响到人的形象和社交活动。诊断后的治疗建议的推送：是否穿刺活检；若恶性则生存率，放化疗；对罕见肿瘤是否需要基因检测；整个治本文档来自技高网...

【技术保护点】
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：/n(1)对手部肿瘤磁共振影像进行标注；/n(2)对标注数据进行预处理，并对数据集进行增强；/n(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/n

【技术特征摘要】
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，Wl(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Entryflow...

【专利技术属性】
技术研发人员：卢荟，方建勇，刘宗钰，胡贤良，应俊，秦林，周海英，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33