一种基于深度学习的口腔癌拉曼光谱多分类方法及系统技术方案

本发明专利技术涉及一种基于深度学习的口腔癌拉曼光谱多分类方法及系统，所述口腔癌拉曼光谱多分类方法采用多尺度特征融合深度残差神经网络模型对采集到的口腔拉曼光谱数据进行口腔癌分类，所述多尺度特征融合深度残差神经网络模型包括依次连接的数据映射层

【技术实现步骤摘要】
一种基于深度学习的口腔癌拉曼光谱多分类方法及系统


[0001]本专利技术涉及口腔肿瘤智能检测领域，特别是一种基于深度学习的口腔癌拉曼光谱多分类方法及系统
。

技术介绍

[0002]根据
AJCC(The American Joint Committee on Cancer)
和
NCCN(National Comprehensive Cancer Network)
指南，当前针对口腔癌的治疗方式是以手术切除癌组织为主的综合治疗，而患者的切缘术区原发灶
(
癌组织
)
切除的彻底性将直接影响其生存率
。
目前对原发灶切除的彻底性评估常依赖于术者
(
医生
)
在手术中对肿物的目测与触诊
、
以及对切缘组织样本
(
切片
)
冰冻病理分析结果
。
其中，目测和触诊方式与术者经验有直接关系，主观判断失误造成患者切缘术区癌组织残留；切缘组织样本病理分析依赖于术者在切缘区域取样癌组织的位置，其具有主观性，且术中冰冻病理检测时间大约为
15
～
30
分钟，延长手术时间，增加病人的手术风险，有相关文献统计术中冰冻病理检查假阴性可达
23
％
。
这类患者被称为切缘阳性患者，术后需要放疗
、
化疗或二次手术，最终导致预后不佳，影响生存率
。
[0003]因此当前亟需一种方法实现客观的口腔癌检测
。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于深度学习的口腔癌拉曼光谱多分类方法及系统，实现口腔癌多分类任务，为辅助医生在体口腔癌检测提供技术支持，特别是为辅助医生在口腔癌手术中精确地检测切缘术区中残留的癌组织提供技术支持
。
[0005]本专利技术的目的是通过以下技术方案来实现的：
[0006]一种基于深度学习的口腔癌拉曼光谱多分类方法，所述口腔癌拉曼光谱多分类方法采用多尺度特征融合深度残差神经网络模型对采集到的口腔拉曼光谱数据进行口腔癌分类，所述多尺度特征融合深度残差神经网络模型包括依次连接的数据映射层
、
主干特征网络
、
特征融合网络与分类网络；
[0007]所述数据映射层将所述口腔拉曼光谱数据映射为经映射数据，所述主干特征网络对所述经映射数据进行特征提取得到输出特征图，所述特征融合网络对所述输出特征图进行融合得到经融合的输出特征图，所述分类网络对所述经融合的输出特征图进行特征提取并计算得到口腔癌多分类结果
。
[0008]进一步，所述主干特征网络为
ResNet50
网络，所述输出特征图为主干特征网络后3层输出的特征图，所述输出特征图包括
R3
特征图
、R4
特征图以及
R5
特征图
。
[0009]进一步，所述
ResNet50
网络包括
Conv1
隐藏层模块
、Conv2
隐藏层模块
、Conv3
隐藏层模块
、Conv4
隐藏层模块以及
Conv5
隐藏层模块；
[0010]所述
Conv1
隐藏层模块包括依次连接的1个第一零填充层
、1
个卷积层
、1
个批量归一化层
、1
个激活函数
、1
个第二零填充层和1个最大池化层；
[0011]所述
Conv2
隐藏层模块包括依次连接的1个卷积残差块
、2
个恒等残差块和1个零填
充层；
[0012]所述
Conv3
隐藏层模块包括依次连接的1个卷积残差块与3个恒等残差块；
[0013]所述
Conv4
隐藏层模块包括依次连接的1个卷积残差块与5个恒等残差块；
[0014]所述
Conv5
隐藏层模块包括依次连接的1个卷积残差块与2个恒等残差块
。
[0015]进一步，所述
Conv1
隐藏层模块的卷积层有
64
个尺度为
7、
步长为2卷积核；
[0016]所述
Conv1
隐藏层模块的最大池化层尺度为
3、
步长为2；
[0017]所述第一零填充层参数为3，所述第二零填充层参数为
1。
[0018]进一步，所述
Conv2
隐藏层模块的卷积残差块包括残差单元以及映射单元；
[0019]所述
Conv2
隐藏层模块的卷积残差块的残差单元包括3个卷积层，所述
Conv2
隐藏层模块的卷积残差块的残差单元中，第1个卷积层包括
64
个大小为
1、
步长为1的卷积核；第2个卷积层包括
64
个大小为
3、
步长为1的卷积核；第3个卷积层包括
256
个大小为
1、
步长为1的卷积核；
[0020]所述
Conv2
隐藏层模块的卷积残差块的映射单元包括
256
个尺度为
1、
步长为1的卷积核；
[0021]所述
Conv2
隐藏层模块的2个恒等残差块具有相同配置，所述2个恒等残差块的残差单元均包括3个卷积层；恒等残差块的残差单元中，第1个卷积层含有
64
个尺度为
1、
步长为1的卷积核；第2个卷积层含有
64
个尺度为
3、
步长为1的卷积核；第3个卷积层含有
256
个尺度为
1、
步长为1的卷积核；
[0022]所述
Conv2
隐藏层模块的零填充层的参数为
1。
[0023]进一步，所述特征融合网络先对所述
R5
特征图通过一次卷积后得到了第一个特征融合层的
F5
输出特征图；
[0024]所述特征融合网络之后对
F5
输出特征图经过一次上采样后与经过一次卷积的
R4
特征图相加得到第二个特征融合层的
F4
输出特征图；
[0025]所述特征融合网络最后对经过卷积的
R3
特征图与经过一次上采样的
F4
输出特征图相加后进行卷积得到第三个特征融合层的
F3
输出特征图，所述
F3
输出特征图为经融合的输出特征图
。
[0026]进一步，所述第一个特征融合层在卷积过程中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的口腔癌拉曼光谱多分类方法，其特征在于：所述口腔癌拉曼光谱多分类方法采用多尺度特征融合深度残差神经网络模型对采集到的口腔拉曼光谱数据进行口腔癌分类，所述多尺度特征融合深度残差神经网络模型包括依次连接的数据映射层
、
主干特征网络
、
特征融合网络与分类网络；所述数据映射层将所述口腔拉曼光谱数据映射为经映射数据，所述主干特征网络对所述经映射数据进行特征提取得到输出特征图，所述特征融合网络对所述输出特征图进行融合得到经融合的输出特征图，所述分类网络对所述经融合的输出特征图进行特征提取并计算得到口腔癌多分类结果
。2.
根据权利要求1所述的一种基于深度学习的口腔癌拉曼光谱多分类方法，其特征在于：所述主干特征网络为
ResNet50
网络，所述输出特征图为主干特征网络后3层输出的特征图，所述输出特征图包括
R3
特征图
、R4
特征图以及
R5
特征图
。3.
根据权利要求2所述的一种基于深度学习的口腔癌拉曼光谱多分类方法，其特征在于：所述
ResNet50
网络包括
Conv1
隐藏层模块
、Conv2
隐藏层模块
、Conv3
隐藏层模块
、Conv4
隐藏层模块以及
Conv5
隐藏层模块；所述
Conv1
隐藏层模块包括依次连接的1个第一零填充层
、1
个卷积层
、1
个批量归一化层
、1
个激活函数
、1
个第二零填充层和1个最大池化层；所述
Conv2
隐藏层模块包括依次连接的1个卷积残差块
、2
个恒等残差块和1个零填充层；所述
Conv3
隐藏层模块包括依次连接的1个卷积残差块与3个恒等残差块；所述
Conv4
隐藏层模块包括依次连接的1个卷积残差块与5个恒等残差块；所述
Conv5
隐藏层模块包括依次连接的1个卷积残差块与2个恒等残差块
。4.
根据权利要求3所述的一种基于深度学习的口腔癌拉曼光谱多分类方法，其特征在于：所述
Conv1
隐藏层模块的卷积层有
64
个尺度为
7、
步长为2卷积核；所述
Conv1
隐藏层模块的最大池化层尺度为
3、
步长为2；所述第一零填充层参数为3，所述第二零填充层参数为
1。5.
根据权利要求3所述的一种基于深度学习的口腔癌拉曼光谱多分类方法，其特征在于：所述
Conv2
隐藏层模块的卷积残差块包括残差单元以及映射单元；所述
Conv2
隐藏层模块的卷积残差块的残差单元包括3个卷积层，所述
Conv2
隐藏层模块的卷积残差块的残差单元中，第1个卷积层包括
64
个大小为
1、
步长为1的卷积核；第2个卷积层包括
64
个大小为
3、
步长为1的卷积核；第3个卷积层包括
256

【专利技术属性】
技术研发人员：张韬，朱智慧，李星，于明鑫，孙晴，
申请(专利权)人：中国医学科学院北京协和医院，
类型：发明
国别省市：