特征提取能力强的小肠间质瘤检测方法技术

本发明专利技术公开了特征提取能力强的小肠间质瘤检测方法，通过模型的Backbone及Neck部分采用了3DMFNet，能够利用影像序列中存在的空间关联和约束信息，进一步丰富特征信息，增强了网络对于多尺度病灶目标的特征提取能力，明显提高了模型对小肠间质瘤检测的灵敏度，且为了降低模型的假阳率，在模型中添加了一条分割分支作为对等网络，利用精确的像素级标注给小肠间质瘤检测提供良好的辅助监督信号，语义分割分支使用框级标注初始化伪掩码并在迭代过程中通过图模型进行优化，在保证灵敏度的同时，大大降低了模型的假阳率，总的来说，小肠间质瘤检测模型能够在低假阳率的条件下，实现对小肠间质瘤的有效检测。肠间质瘤的有效检测。肠间质瘤的有效检测。

【技术实现步骤摘要】
特征提取能力强的小肠间质瘤检测方法


[0001]本专利技术涉及小肠间质瘤检测方法
，具体为特征提取能力强的小肠间质瘤检测方法。

技术介绍

[0002]小肠间质瘤(SIST)、SIST是原发于人体小肠部位的一种潜在恶性肿瘤，缺乏特异性临床表现，目前，在影像学中对SIST的诊断主要取决于医生丰富的临床经验，该方式效率低且受主观因素影响大，近年来，深度学习技术在医疗辅助诊断领域中发挥着重要作用，有效提升了病灶筛查的效率和准确率，然而，现有方法在SIST检测任务中的应用仍存在特征提取弱及融合不充分、假阳率高问题。

技术实现思路

[0003]本专利技术的目的在于提供特征提取能力强的小肠间质瘤检测方法，以解决上述
技术介绍
中提出的特征提取弱及融合不充分、假阳率高的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：特征提取能力强的小肠间质瘤检测方法，包括如下步骤：
[0005]A、首先随机选取200例患者中的2900张切片作为训练集，30例患者中的412张切片作为验证集，30例患者中的424张切片作为测试集，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.特征提取能力强的小肠间质瘤检测方法，其特征在于：包括如下步骤：A、首先随机选取200例患者中的2900张切片作为训练集，30例患者中的412张切片作为验证集，30例患者中的424张切片作为测试集，并将训练集、验证集以及测试集汇总成样本数据集，然后经过3DMFNET处理成检测分支和弱监督分割辅助分支；B、样本数据集经过3DMF Net处理时，使用的3DMF Net作为Backbone和Neck部分，且使用Faster RCNN作为Head部分，并添加了一个额外的语义分割分支作为对等网络，为检测任务提供互补信息，在语义分割辅助分支中，3DMF Net输出大小为1024
×
16
×
16的2D特征图，经过如FCN中相同的反卷积操作完成上采样，得到和输入切片相同尺寸的特征图，再通过Softmax层进行处理得到网络预测的二分类结果，Softmax层能够输出每个像素属于病灶和背景的概率，进而实现图像分割效果；C、然后将分割结果和检测结果进行融合成最终检测结果，且在早期阶段，维度是的3D特征图通过堆叠操作生成的2D特征图，为了在特征融合前对特征图中的通道和空间进行关注，优先考虑任务相关信息并减弱无关信号，3D上下文特征融合模块引入了SimAM方法作为通道
‑
空间注意力机制，且SimAM基于神经科学理论，以不增加额外参数的方式，直接从当前神经元中估计出通道和空间的完整三维权重，对原有特征图进行加权生成加权特征图，随后，3DFB和3DFN以不同的方式对其进行处理；D、接着3DFB主要关注Backbone特征提取过程中的3D上下文特征融合。为了不影响主干网络后续阶段的特征提取，3DFB在融合上下文信息时，不改变特征的原始维度，再通过MC通道的1
×
1逐通道卷积操作，之后又通过组转换模块group transform module、GTM生成M个特征图，然后3DFN再通过C通道的1
×
1卷积改变加权特征图通道维度，压缩并融合特征图为C*H
丿
*W
丿
，接着GTM将2D特征以M组通道为C的卷积层进行1
×
1逐点卷积，融合所有相邻特征，最终得到的3D特征图，以适用于后续主干网络的特征提取任务；E、再使用SLIC算法来生成超像素，超像素可以将原始图像中具有相似纹理、灰度的相邻像素聚合为有一定视觉意义的不规则像素块，随后，再联合这些具有低水平外观线索的原子性区域和当前掩模概率，使用边界框信息作为约束，在迭代过程中逐步细化伪掩码，即可建立小肠间质瘤的检测模型；F、最后实施三项实验对小肠间质瘤的检测模型中的3DMF Net作为病灶特征提取网络和特征融合网络在相关模型方法中的有效性进行探究、3DFB和3DFN在3D上下文特征融合方式上的优越性进行验证以及小肠环境中假阳性检测结果产生的影响进行探究。2.根据权利要求1所述的特征提取能力强的小肠间质瘤检测方法，其特征在于：所述在步骤A中，将样本数据集以50％的概率对切片进行水平翻转或左右翻转，同时将切片边缘的黑色背景进行裁剪，且每个批次包含8个训练样本，每个样本由3张三通道图像进行3D上下文融合，再使用SGD优化器对模型进行12个epoch的迭代训练，且基础学习率为0.001，学习动量为0.9，权重衰减为0.0001，使用warm up线性学习策略调整学习率，在第8个epoch和第11个epoch后分别缩减为原来的1/10。模型采用PyTorch实现，在两张型号为NVIDIA TITAN RTX的显卡上进行，每张为24GB显存。3.根据权利要求1所述的特征提取能力强的小肠间质瘤检测方法，其特征在于：所述在步骤A中，检测分支和弱监督分割辅助分支进...

【专利技术属性】
技术研发人员：卢伟，谢飞，郜刚，
申请(专利权)人：上海艺冉医疗科技股份有限公司，
类型：发明
国别省市：