一种基于VGG19的乳腺癌图像诊断方法技术

本发明专利技术公开了一种基于VGG19的乳腺癌图像诊断方法，包括以下步骤：(1)乳腺MRI图像数据预处理；(2)使用VGG19的卷积层提取图像特征；(3)使用提取的图像特征作为训练数据，利用Adam优化器训练全连接模型bottleneck；(4)对VGG19的Conv block3、Conv block4和Conv block5以及全连接层使用MBGD批量梯度下降优化器进行全局优化训练；(5)利用训练好的VGG19模型，对新的乳腺MRI图像进行诊断。本发明专利技术使用VGG19网络对乳腺癌进行检测，与传统的乳腺癌检测方法相比，可节省图像医疗诊断时间以及成本，提升诊疗准确率。提升诊疗准确率。提升诊疗准确率。

【技术实现步骤摘要】
一种基于VGG19的乳腺癌图像诊断方法


[0001]本专利技术属于医疗图像处理
，具体涉及一种基于VGG19的乳腺癌图像诊断方法。

技术介绍

[0002]随着卷积神经网络的出现和深度神经网络的完善，近些年来基于深度学习的人工智能计算机视觉飞速发展，斯坦福大学计算机系终身教授李飞飞曾表示如今人工智能的水平已经可以开始对医疗健康领域做出贡献。
[0003]医学影像是临床医学中发展最快的学科之一，它发展速度快，更新周期短，每1
‑
2年更新一项新技术。由于医学影像设备的不断发展，医学影像技术的日新月异，医学影像学的CT、MR、介入、普放，超声和核医学等学科逐渐建立，医学影像技术学科也逐渐形成。
[0004]拿放射科来说，放射科的工作由两部分完成。第一部分是患者在放射科拍摄影像片(X线片、CT、MRI等)，这一过程是由放射科技师操作各类机器完成，包括参数设定、扫描、图像处理等，有点类似摄影师拍照，只不过操作的机器更巨大。第二部分是影像判读，诊断医生在医用竖屏显示器上调阅影像图片，逐幅观察图片(一般情况，一名患者的图片在80幅
‑
320幅之间，如果是该院多次就诊患者，还需要调阅既往影像图片作出对比，图片量倍增)，寻找并发现问题；然后按照要求进行描述，哪些结构正常，哪些结构异常，如何异常；之后结合检查申请单上的临床症状(有时临床科室没有提供)作出“影像诊断”，通俗的说，就是考虑可能是什么疾病，或者倾向于什么疾病。
[0005]我国人口基数大，每年都有无数的人走进放射科，目前放射科的医生增长速度远远没有赶上检测人数的增长速度，放射医生诊断1名患者的CT扫描图像需要10～20分钟，写诊断报告需要10分钟左右，对于影像识别机构来说，缺乏足够的医生来进行影像判读的工作。所以各大医院放射科和第三方医学影像中心的医生都会不间断的诊断医学影像，长时间的高压工作会使得放射科医生有漏诊或者误诊的潜在分享，因此通过什么样的科技手段提高放射科工作效率成为了很多医院的心病。最优质医疗资源的三甲医院高度集中在一线城市。数据显示，全国省、直辖市、自治区中，北京万人均三甲医院数量最高，为6.85家，是万人均全国排名最低的贵州省的近7倍。此外，三甲医院的接诊年增速约为其他级别医院的3倍左右，这将进一步导致三甲医院和其他级别医院差距拉大，加重医疗资源分布不均，加剧看病难的问题。
[0006]即便是肿瘤科的专科医生，对X光片、CT和核磁共振成像图片的解读都不会是百分之百的准确。美国疾控中心和癌症协会的数据显示，每年美国大约有1210万人接受乳腺X光片监测，但其中差不多有一半在X光片上都有阳性结果，但实际上是假阳性。为此，又迫使大量女性为了求得安心而进一步接受乳腺活组织检查，进行这一检查的人每年有160万人左右，其中20％的女性根本就没病。这给许多女性及其家庭造成了极大经济和精神负担。
[0007]医生是一个需要经验的行业，人工智能(AI)最大的特点就是学习快，基于深度学习的人工智能模型拥有随机参数的深度神经网络医学模型，然后把经过标注的数据对模型
进行训练，出现误差后调整模型参数，再辅助以医学知识，通过大量的训练之后形成精准的医学辅助诊断模型，从而可以完成医学影像的判读。
[0008]深度学习框架核心思想：将无监督学习用于每一层网络的pre
‑
train；每次用无监督学习训练一层，将其训练结果作为其高一层的输入；用自顶而下的监督学习算法去调整所有层。
[0009]深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。在医学影像学领域，随着深度学习算法的普及，通过建立深度学习神经元数学模型，从海量医疗影像诊断数据中挖掘规律，学习和模仿医生的诊断技术，可有效辅助医生的日常诊疗工作，进而提高医生的工作效率和诊断水平。乳腺癌图像带来了一场新的变革，乳腺癌图像诊断已经被越来越多的国内外医生所接受。目前，国内已经有近千家医院影像科将乳腺癌图像辅助诊断应用到实际工作中，即能解决许多实际工作中的问题，也给医院、科室的学术和科研带来许多新方法、新方向提高医院和科室的学术水平。科室深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，是机器学习研究中的一个新的领域。其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
[0010]因此，一种基于VGG19的乳腺癌图像诊断方法亟待提出。

技术实现思路

[0011]为解决现有技术存在的缺陷，本专利技术提供一种基于VGG19的乳腺癌图像诊断方法。本专利技术在使用VGG19预训练图像的基础上，先后使用Adam优化器及MBGD优化器训练全连接层分类器，将得到的模型用于诊断乳腺癌病例的患病概率。该专利技术不仅能够快速有效的根据医学影像诊断乳腺癌的患病概率，而且能够防止一些人为因素的干扰，使诊疗更加方便有效。其中，VGG19又称为OxfordNet，是由牛津视觉几何组(Visual Geometry Group)开发的卷积神经网络结构，是经过大量图片数据预训练而得。
[0012]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0013]本专利技术提供一种基于VGG19的乳腺癌图像诊断方法，包括以下步骤：
[0014](1)乳腺MRI图像数据预处理；
[0015](2)对预处理后的乳腺MRI图像使用VGG19的卷积层，利用公开的卷积层权重提取图像特征；
[0016](3)使用提取的图像特征作为训练数据，利用Adam优化器训练全连接模型bottleneck；
[0017](4)在VGG19预训练权重与bottleneck权重的基础上，对VGG19的Conv block3、Conv block4和Conv block5以及全连接层使用MBGD优化器进行全局优化训练；
[0018](5)利用训练好的VGG19模型，对新的乳腺MRI图像进行诊断。
[0019]作为本专利技术的一种优选技术方案，所述步骤(1)中对乳腺MRI图像数据预处理具体步骤为：首先利用开源工具3DSlicer将MRI病例数据处理为2D图像，然后对所得图片数据通过翻转平移进行数据增强。
[0020]作为本专利技术的一种优选技术方案，所述步骤(2)中对预处理后的乳腺MRI图像使用VGG19的卷积层，利用公开的卷积层权重提取图像特征具体过程为：首先搭建VGG19卷积层
框架，然后用公开的预训练权重初始化卷积层，最后将步骤(1)得到的图像数据集输入网络，其卷积层输出即为自动提取的图像特征。
[0021]作为本专利技术的一种优选技术方案，所述步骤(3)中使用提取的图像特征作为训练数据，利用Adam优化器训练全连接模型bottleneck的具体过程为：首先搭建两个全连接网络框架，然后设置优化器Adam，最后使用提取的图像特征数据训练模型bottleneck，得到网络权重。
[0022]作为本专利技术的一种优选技术方案，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VGG19的乳腺癌图像诊断方法，其特征在于，包括以下步骤：(1)乳腺MRI图像数据预处理；(2)对预处理后的乳腺MRI图像使用VGG19的卷积层，利用公开的卷积层权重提取图像特征；(3)使用提取的图像特征作为训练数据，利用Adam优化器训练全连接模型bottleneck；(4)在VGG19预训练权重与bottleneck权重的基础上，对VGG19的Conv block3、Conv block4和Conv block5以及全连接层使用MBGD优化器进行全局优化训练；(5)利用训练好的VGG19模型，对新的乳腺MRI图像进行诊断。2.根据权利要求1所述的基于VGG19的乳腺癌图像诊断方法，其特征在于，所述步骤(1)中对乳腺MRI图像数据预处理具体步骤为：首先利用开源工具3DSlicer将MRI病例数据处理为2D图像，然后对所得图片数据通过翻转平移进行数据增强。3.根据权利要求1所述的基于VGG19的乳腺癌图像诊断方法，其特征在于，所述步骤(2)中对预处理后的乳腺MRI图像使用VGG19的卷积层，利用公开的卷积层权重提取图像特征具体过程为：首先搭建VGG19卷积层框架，然后用公开的预训练权重初始化卷积层，最后将步骤(1)得到的图像数据集输入网络，其卷积层输出即为自动提取的图像特征。4.根据权利要求1所述的基于VGG19的乳腺癌图像诊断方法，其...

【专利技术属性】
技术研发人员：史宇杰，
申请(专利权)人：苏州伟卓奥科三维科技有限公司，
类型：发明
国别省市：