【技术实现步骤摘要】
一种基于内镜图像深度卷积网络模型的训练方法，应用及装置
[0001]本专利技术设计图像处理领域，更具体地，涉及一种基于内镜图像深度卷积网络模型的训练方法，应用及装置。
技术介绍
[0002]结直肠癌(Colorectalcancer:CRC)是全球发病率第三高(6.1％)和死亡率第二高(9.2％)的癌症。在中国，结直肠癌是仅次于肺癌和胃癌的第三大高发癌症。根据统计数据显示，每年新发病例42.92万人，死亡病例28.14万人，防控形势严峻。
[0003]结直肠癌患者一般具有dMMR和MSI，dMMR(mismatchrepairdeficiency)是指错配修复功能缺陷，MSI(microsatelliteinstability)是指微卫星不稳定。MMR(mismatchrepair)是指错配修复功能，这是一种DNA修复途径，其缺陷(即dMMR)会导致细胞内大量的基因发生变异，并且无法修复。在结直肠癌患者中15％是错配修复缺陷肿瘤。错配修复缺陷导致人体无法修复某些类别的突变，进而导致变负荷和微卫星不稳定(MSI>‑
H)。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于内镜图像深度卷积网络模型的训练方法，用于训练包含MMR内镜分类器的学习模型，其特征在于，包括：S1：收集结直肠癌患者的带有结直肠镜图像的结肠镜检查程序报告，病理报告和IHC测试报告，根据报告给图像标记结直肠癌dMMR或pMMR类型状态；S2：将收集的结肠镜图像，删除黑色背景，裁剪边框以保留中心图像；S3：将中心图像馈送到结直肠肿瘤分类器中进行预分析，提取符合标准的结直肠肿瘤图像；S4：将提取的结直肠肿瘤图像进行预处理；S5：将图像分为dMMR及pMMR平衡的训练数据集，验证数据集和测试数据集，并对其进行数据增强操作；S6：将训练数据集的dMMR和pMMR信息输入到resnet50模型中进行数据增强和模型训练，并使用迁移学习和渐进式调整大小的方式提高训练效率，获得结直肠癌MMR分类器；S7：基于验证数据集和测试数据集验证和测试结直肠癌MMR分类器，并根据结果更新结直肠癌MMR分类器的精度，获取训练好的MMR
‑
Scopy模型，用于对输入的结直肠癌图像dMMR和pMMR的概率进行预测。2.根据权利要求1所述的一种基于内镜图像深度卷积网络模型的训练方法，其特征在于，所述预处理包括：随机剪裁图像的不同部分，然后采用挤压方法将剪裁出来的图像压缩为460x460像素，剪裁面积占图像面积的65％～80％。3.根据权利要求1所述的一种基于内镜图像深度卷积网络模型的训练方法，其特征在于，所述数据增强的操作包括：将图像转换为大小224
×
224的新图像；将图像水平或垂直翻转；将图像进行随机放大，随机放大的倍率为0.9～1；将图像进行随机缩小，随机缩小的倍率1～1.2；将图像进行随机旋转，随机旋转的最大角度为30度；随机调整图像的亮度变化，最大变化为20％，亮度和对比度的调整概率为0.75的随机仿射变换；将图像进行随机翘曲变换。4.根据权利要求1所述的一种基于内镜图像深度卷积网络模型的训练方法，其特征在于，步骤S6中所述对于训练数据集的数据增强包括：基于cutmix策略对训练数据集中的图像进行数据增强，所述cutmix策略的alpha参数介于0.5
‑
1之间。5.根据权利要求1所述的一种基于内镜图像深度卷积网络模型的训练方法，其特征在于，所述渐进式调整大小训练分为九个阶段，具体为：S601：输入图像的大小调整为64
×
64像素，然后在应用随机变换以进行增强后调整为224x224像素，所述resnet50在这个输入集上微调了10个epochs，Cutmix的alpha参数设置为0.5并开始训练，用于重叠区域；S602：输入图像的大小调整为128
×
128像素，然后在应用随机变换以进行增强后调整
为224x224像素，上一步的模型在此输入集上微调11个epochs，cutmix的alpha参数设置为0.5；S603:输入图像的大小调整为224
×
224像素，然后在应用随机变换以进行增强后调整为224x224像素，上一步的模型在此输入集上微调12个epochs，cutmix的alpha参数设置为0.5；S604：输入图像的大小调整为224
×
224像素，然后在应用随机变换进行增强后调整为448x448像素，上一步的模型在这个输入集上微调了13个epochs，cutmix的alph...
【专利技术属性】
技术研发人员：廖刚，韩明，胡健聪，张树人，胡浩，
申请(专利权)人：广州艾普凌智技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。