一种感染性肾结石的网络评估方法技术

本发明专利技术涉及一种感染性肾结石的网络评估方法，包括以下步骤：S1.构建结石数据集；S2.构建网络模型；S3.训练优化网络模型；S4.评估模型。本发明专利技术通过对retinanet网络进行改进，克服了原始retinanet网络针对小目标预测准确度较低的问题。通过在改进的retinanet网络中使用QueryDet方法以及引进CA注意力机制，可先在低分辨率特征上预测小目标的粗略位置，然后利用由这些粗略位置稀疏引导的高分辨率特征计算，增强了网络对小目标的感知能力；通过引入CA注意力机制可以加强特征提取能力，进一步提高了主干网络的感受野，加强了对小目标的预测。本发明专利技术有利于对感染性肾结石在术前做出预判，帮助青年医生更好地做出判断。助青年医生更好地做出判断。助青年医生更好地做出判断。

【技术实现步骤摘要】
一种感染性肾结石的网络评估方法


[0001]本专利技术涉及一种利用人工智能的预测方法，具体地说是一种感染性肾结石的网络评估方法。

技术介绍

[0002]感染性肾结石又称为鸟粪石，是指由可产生脲酶的微生物感染所引起的结石，该结石主要由磷酸镁铵和碳酸磷灰石组成，约占尿路结石总体的15％。感染性肾结石具有生长速度极快，复发率较高的特点，如果不积极治疗，还易发展为慢性肾盂肾炎，严重者会导致肾功能衰竭和尿源性败血症。目前，对感染性肾结石的各种治疗方案普遍存在的问题是，无法预防术后感染，病情严重者甚至会出现感染性休克。因此，在制定治疗方案时，需要对结石是否具有感染性进行预判，从而根据病情和患者意愿选择相应的治疗方案。
[0003]由于针对肾结石的医学检查图像比较复杂，对比度较低，医生需要经过长期的知识培训和多年的经验积累，才可能做出较为准确的观察和诊断。近年来，深度学习CNN技术已在图像处理方面显示出较大的优势，但由于肾结石的体积较小，特征反映不是十分明显，因此，即使借助深度学习CNN技术，也难以在术前对感染性肾结石做出很好的评估和预判。

技术实现思路

[0004]本专利技术的目的就是提供一种感染性肾结石的网络评估方法，以解决深度学习CNN技术对于感染性肾结石在术前不能做出很好的评估和预判的问题。
[0005]本专利技术的目的是这样实现的：
[0006]一种感染性肾结石的网络评估方法，包括以下步骤：
[0007]S1.构建结石数据集：采集肾结石和感染性肾结石的PetCT样本图像数据，对样本图像数据进行包括匿名化、数据清洗、数据集标注和数据增强在内的预处理操作，经预处理操作后即构建成结石数据集；
[0008]S2.构建网络模型：所述网络模型是以一个能够输出多尺度特征图且带有FPN的retinanet网络为基础，带有一个用于分类的检测头和一个用于回归的检测头；在retinanet网络中引入QueryDet方法和CA注意力机制，并在small object query查询头中添加CA注意力机制；
[0009]S3.训练优化网络模型：采用迁移学习加载深度学习模型，在预训练权重后，对网络模型进行迭代训练，相应的网络参数包括：迭代周期为200个，mini
‑
batch size为16，初始化学习率为0.01，并每隔30个迭代周期衰减为原来的1/10，损失函数采用focalloss，优化器采用随机梯度下降法；如此得到改进后的网络模型；
[0010]S4.评估模型：在测试集上对改进后的网络模型的性能进行内部评估及优化，在测试集上对改进后的网络模型使用包括精确率P、召回率R、平均精确率AP和平均精度均值mAP在内的指标对模型性能进行评估，并对网络参数进行优化调整。
[0011]进一步地，步骤S2中的在retinanet网络中引入QueryDet方法的具体方式包括以
下子步骤：
[0012]S2
‑
11在网络模型中添加一个与分类和回归头并行的查询头，将步幅为2
l
的特征图P
l
输入该查询头，查询头输出一个热图用以表示网格(i,j)包含一个小目标的概率；
[0013]S2
‑
12训练期间，每个级别上的小目标设定为规模小于预定义阈值s
l
设置为P
l
上的最小锚定尺度；
[0014]S2
‑
13对于一个小目标o，通过计算其中心位置(x
o
,y
o
)与特征图上每个位置之间的距离来编码Query Head的目标图，并将距离小于预定义阈值s
l
的位置设置为1，否则，设为0；
[0015]S2
‑
14使用FocalLoss对查询头进行训练，在训练过程中，选择预测分数大于阈值σ的位置作为查询，然后，l层针对小目标o的查询头将被映射到其在特征金字塔l
‑
1层P
l
‑1上的四个最近邻，作为关键位置
[0016][0017]其中，(x,y)为l层针对小目标o的位置坐标；
[0018]S2
‑
15收集特征金字塔l
‑
1层P
l
‑1上的所有关键位置以形成关键位置集{k
l
‑1}；
[0019]S2
‑
16随后三个头将只处理这些位置，以检测目标并计算下一层的查询，即使用关键位置集{k1‑1}作为索引，从特征金字塔l
‑
1层P
l
‑1中提取特征，以构建值特征value features的稀疏张量
[0020]S2
‑
17使用4
‑
conv dense heads的权重，构建稀疏卷积(spconv)内核，以计算特征金字塔l
‑
1层P
l
‑1的结果。
[0021]进一步地，步骤S2中在retinanet网络中引入CA注意力机制的具体方式包括以下子步骤：
[0022]S2
‑
21对输入特征图从宽度(W)和高度(H)两个方向上分别进行全局平均池化，以获得宽度方向的特征图z
w
和高度方向的特征图z
h
；
[0023]S2
‑
22将宽度方向的特征图z
w
和高度方向的特征图z
h
拼接(Concat)在一起，送入1
×
1卷积核进行卷积处理，以将其维度降低为原来的C/r，形成批量归一化处理的特征图F1；
[0024]S2
‑
23将批量归一化处理后的特征图F1送入Sigmoid激活函数，得到形如1
×
(W+H)
×
C/r的特征图f，将特征图f按照原来的宽度(W)和高度(H)送入1
×
1卷积核进行卷积处理，得到通道数与原来一样的特征图F
w
、F
h
；
[0025]S2
‑
24在特征图F
h
、F
w
经过Sigmoid激活函数处理后，即得到特征图在高度(H)方向上的注意力权重g
h
以及在宽度(W)方向的注意力权重g
w
：
[0026]g
h
＝σ(F
h
(f
h
))
[0027]g
w
＝σ(F
w
(f
w
))
[0028]S2
‑
25在原始特征图上通过乘法加权计算，得到最终在宽度和高度方向上均带有注意力权重的特征图：
[0029][0030]其中，网络中的任意中间特征张量：X＝[x1,x2,
…
,x
c
]∈R<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种感染性肾结石的网络评估方法，其特征是，包括以下步骤：S1.构建结石数据集：采集肾结石和感染性肾结石的PetCT样本图像数据，对样本图像数据进行包括匿名化、数据清洗、数据集标注和数据增强在内的预处理操作，经预处理操作后即构建成结石数据集；S2.构建网络模型：所述网络模型是以一个能够输出多尺度特征图且带有FPN的retinanet网络为基础，带有一个用于分类的检测头和一个用于回归的检测头；在retinanet网络中引入QueryDet方法和CA注意力机制，并在small object query查询头中添加CA注意力机制；S3.训练优化网络模型：采用迁移学习加载深度学习模型，在预训练权重后，对网络模型进行迭代训练，相应的网络参数包括：迭代周期为200个，mini
‑
batch size为16，初始化学习率为0.01，并每隔30个迭代周期衰减为原来的1/10，损失函数采用focalloss，优化器采用随机梯度下降法；如此得到改进后的网络模型；S4.评估模型：在测试集上对改进后的网络模型使用包括精确率P、召回率R、平均精确率AP和平均精度均值mAP在内的指标对模型性能进行评估，并对网络参数进行优化调整。2.根据权利要求1所述的感染性肾结石的网络评估方法，其特征是，步骤S2中的在retinanet网络中引入QueryDet方法的具体方式包括以下子步骤：S2
‑
11在网络模型中添加一个与分类和回归头并行的查询头，将步幅为2
l
的特征图P
l
输入该查询头，查询头输出一个热图用以表示网格(i,j)中包含一个小目标的概率；S2
‑
12在训练期间，每个级别上的小目标设定为规模小于预定义阈值s
l
设置为P
l
上的最小锚定尺度；S2
‑
13对于一个小目标o，通过计算其中心位置(x
o
,y
o
)与特征图上每个位置之间的距离来编码Query Head的目标图，并将距离小于预定义阈值s
l
的位置设置为1，否则，设为0；S2
‑
14使用FocalLoss对查询头进行训练，在训练过程中，选择预测分数大于阈值σ的位置作为查询，然后，l层针对小目标o的查询头将被映射到其在特征金字塔l
‑
1层P
l
‑1上的四个最近邻，作为关键位置近邻，作为关键位置其中，(x,y)为l层针对小目标o的位置坐标；S2
‑
15收集特征金字塔l
‑
1层P
l
‑1上的所有关键位置以形成关键位置集{k
l
‑1}；S2
‑
16使用关键位置集{k
l
‑1}作为索引，从特征金字塔l
‑
1层P
l
‑1中提取特征，以构建值特征value features的稀疏张量S2
‑
17使用4

【专利技术属性】
技术研发人员：杨昆，魏韵珂，刘琨，刘爽，薛林雁，李乐华，于海韵，
申请(专利权)人：河北大学，
类型：发明
国别省市：