基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法技术

本发明专利技术公开了一种基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法，包括图像预处理、读取数据集并定义常量、构建鼻咽癌病变组织自动识别和勾画网络模型、训练并验证网络模型、输入测试集并得到模型训练结果。分类可以对鼻咽癌数据集实现高精度分类，而分割是否运行是基于分类模型对数据集的判断，无需手动的进行二次操作，本发明专利技术可以体现该系统高精度、自适应的特点。本发明专利技术解决了鼻咽癌病变组织自动识别和勾画任务中图像构造复杂、组织形状不规则且大小不一、与周围组织边缘模糊难以识别所导致的识别和分割精度不足等问题，一定程度上提升了鼻咽癌病变组织自动识别和勾画模型的精度。了鼻咽癌病变组织自动识别和勾画模型的精度。了鼻咽癌病变组织自动识别和勾画模型的精度。

【技术实现步骤摘要】
基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法


[0001]本专利技术涉及一种基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法。

技术介绍

[0002]根据国际癌症研究机构(International Agency for Research on Cancer，IARC)发布的数据显示，2020年全球约有133354例新的鼻咽癌患者与鼻咽癌相关的死亡病例高达80008起。医学影像为专家提供有关鼻咽癌的详细信息，但鼻咽癌病变组织的形状、大小、位置各异。病变甚至可能只占整个图像系列的很小一部分。传统的医学图像分割标注一直由放射科医师在临床进行，需要专业的经验和大量的时间，因此传统的医学图像处理成本高且效率低。
[0003]人工智能(Artificial Intelligence,AI)在医学图像处理领域中，已经取得了成功的应用，如图像分类、图像分割、物体检测、图像生成和图像变换。图像识别分类和自动分割是人工智能辅助诊断技术中两种最热门的应用，它可以自动将医学图像分为良性和恶性或者区分疾病的阶段，自动分割可以辅助医生对病变组织做出精准的定位。2021年黄伦明等人基于卷积神经网络在鼻咽癌中的应用，其网络模型能达到的自动识别准确率为0.91，而邓一术等人在基于MR图像的鼻咽癌识别及肿瘤分割方法及系统中使用的训练网络模型自动勾画的精度仅为0.768。
[0004]基于现有的结果发现，鼻咽癌的识别与自动勾画是分开进行的，没有一整套的自动化的识别方法。并且在自动识别任务的精度上还可以有所提升。尤其是而自动勾画精度关系到手术过程中肿瘤组织的定位、切割与放疗，不精确的定位难以达到理想的治疗效果。因此，目前的模型难以达到辅助医疗诊断的病变组织定精准定位要求，其模型的性能还有很大的提升空间。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的问题而提供一种基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法。本专利技术针对鼻咽癌MRI图像数据集的自动识别和勾画任务。其中，选用了医生常用的T1增强序列(T1WIC)图像作为最终的数据集，通过对网络模型的优化，可以进一步的提升模型的鲁棒性和泛化能力，在适用对象方面，可以适用于鼻咽癌MRI的T1增强序列图像。通过提出的自适应判别方法，可以实现对鼻咽癌MRI图像识别与分割的智能化，减少了操作步骤，提升了工作效率。
[0006]本专利技术所采用的技术方案有：
[0007]基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法，包括如下步骤：
[0008]1)图像预处理；
[0009]对医学图像的数据集进行脱敏处理，用以保护病患隐私信息，在脱敏处理完成后对数据集进行格式转换；
[0010]对于不同部位的医学图像数据，按照相同部位的分类规则对医学图像数据集进行分类，然后对每个相同部位的所有的原本数据格式dcm，通过脚本转化为png格式的图像，随后对转化后的图像进行数据集划分；
[0011]对于同一部位不同诊断类型的医学图像数据，对所在同一部位所有不同诊断类型医学图像数据的原本数据格式dcm，通过脚本转化dcm格式的图像转化为nii格式的图像，随后对nii格式的图像进行标注并保存生成nii.gz格式的图像，再用脚本对标注的图像进行格式转换生成png格式，最后对转化后的图像进行数据集划分；
[0012]2)读取数据集并定义常量；
[0013]将划分后的数据集输入到构建的鼻咽癌病变组织自动识别网络模型与鼻咽癌病变组织自动勾画网络模型中并设置两个网络模型训练时的常量，所述常量为image_shape、batch_size、epoch；
[0014]3)鼻咽癌病变组织自动识别网络模型的构建；
[0015]选用由5个残差模块构成的卷积神经网络模型作为基础，在所述卷积神经网络模型中加入CBAM注意力机制与预训练权重，由此构建成鼻咽癌病变组织自动识别网络模型，所述预训练权重在鼻咽癌病变组织自动识别网络模型训练时加入，通过函数式API方式连接CBAM注意力机制；所述鼻咽癌病变组织自动识别网络模型中每个残差模块中设置两个卷积层，在残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数；
[0016]4)鼻咽癌病变组织自动勾画网络模型的构建；
[0017]所述鼻咽癌病变组织自动勾画网络模型以Unet网络模型作为基础，其包括七个残差模块和3个上采样层，其中三个残差模块组成下采样部分，其余三个残差模块与3个上采样层交错布置形成上采样部分，剩余一个残差模块连接在下采样部分输出端与上上采样部分的输入端之间；在上采样部分的输出端还设置一个卷积层，在卷积层的后侧加入sigmoid激活函数；在所有七个残差模块每个残差模块内设置两个卷积层，残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数；
[0018]5)网络模型的训练；
[0019]分别对鼻咽癌病变组织自动识别网络模型与鼻咽癌病变组织自动勾画网络模型进行网络模型训练。
[0020]进一步地，针对鼻咽癌病变组织自动识别网络模型的图像数据集划分是通过使用K折交叉验证法进行数据集划分，对应得到三个数据集，分别为：训练集、验证集、测试集；训练集、验证集、测试集的划分比例设置为7：2：1。
[0021]进一步地，鼻咽癌病变组织自动识别网络模型的网络模型训练是通过采用K折交叉验证法以及加入CBAM注意力机制后，自动实现对鼻咽癌病变组织自动识别网络模型的训练。
[0022]进一步地，针对鼻咽癌病变组织自动勾画网络模型的图像数据集划分是通过设置随机种子进行数据集划分。
[0023]进一步地，采用戴斯系数损失函数对鼻咽癌病变组织自动勾画网络模型进行训练。
[0024]本专利技术公开了分为两个部分：一个部分为分类(即鼻咽癌病变组织自动识别网络模型)，另一个部分为分割(即鼻咽癌病变组织自动勾画网络模型)，自适应异构网络模型的技术流程包括图像预处理、读取数据集并定义常量、构建鼻咽癌病变组织自动识别和勾画网络模型、训练并验证网络模型、输入测试集并得到模型训练结果。分类可以对鼻咽癌数据集实现高精度分类，而分割是否运行是基于分类模型对数据集的判断，无需手动的进行二次操作，本专利技术可以体现该系统高精度、自适应的特点。本专利技术解决了鼻咽癌病变组织自动识别和勾画任务中图像构造复杂、组织形状不规则且大小不一、与周围组织边缘模糊难以识别所导致的识别和分割精度不足等问题，一定程度上提升了鼻咽癌病变组织自动识别和勾画模型的精度。
附图说明
[0025]图1为本专利技术流程示意图。
[0026]图2为鼻咽癌病变组织自动勾画网络模型的示意图。
[0027]图3为本专利技术的评价指标的柱状图。
[0028]图4为本专利技术的不同图层的病变组织自动勾画效果图。
具体实施方式...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络模型的鼻咽癌病变组织的自动识别网络模型和自动勾画网络模型的搭建方法，其特征在于：包括如下步骤：1）图像预处理；对医学图像的数据集进行脱敏处理，用以保护病患隐私信息，在脱敏处理完成后对数据集进行格式转换；对于不同部位的医学图像数据，按照相同部位的分类规则对医学图像数据集进行分类，然后对每个相同部位的所有的原本数据格式dcm，通过脚本转化为png格式的图像，随后对转化后的图像进行数据集划分；对于同一部位不同诊断类型的医学图像数据，对所在同一部位所有不同诊断类型医学图像数据的原本数据格式为dcm，通过脚本将dcm格式的图像转化为nii格式的图像，随后对nii格式的图像进行标注并保存生成nii.gz格式的图像，再用脚本对标注的图像进行格式转换生成png格式，最后对转化后的图像进行数据集划分；2）读取数据集并定义常量；将划分后的数据集输入到构建的鼻咽癌病变组织自动识别网络模型与鼻咽癌病变组织自动勾画网络模型中并设置两个网络模型训练时的常量，所述常量为image_shape、batch_size、epoch；3）鼻咽癌病变组织自动识别网络模型的构建；选用由5个残差模块构成的卷积神经网络模型作为基础，在所述卷积神经网络模型中加入CBAM注意力机制和预训练权重，由此构建成鼻咽癌病变组织自动识别网络模型，所述预训练权重在鼻咽癌病变组织自动识别网络模型训练时加入，通过函数式API方式连接CBAM注意力机制；所述鼻咽癌病变组织自动识别网络模型中每个残差模块中设置两个卷积层，在残差模块的每个卷积层后加入Batch Normalization和ReLU激活函数；4）鼻咽癌病变组织自动勾画网络模型的构建；所述鼻咽癌病变组织自动勾画网络模型以Unet网络模型作为基础，其...

【专利技术属性】
技术研发人员：谢良旭，茅荣智，张春，毕卉，许晓军，常珊，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：