CN111833321A - 一种调窗优化增强的颅内出血检测模型及其构建方法 - Google Patents
一种调窗优化增强的颅内出血检测模型及其构建方法 Download PDFInfo
- Publication number
- CN111833321A CN111833321A CN202010646778.5A CN202010646778A CN111833321A CN 111833321 A CN111833321 A CN 111833321A CN 202010646778 A CN202010646778 A CN 202010646778A CN 111833321 A CN111833321 A CN 111833321A
- Authority
- CN
- China
- Prior art keywords
- window
- network
- intracranial hemorrhage
- detection model
- hemorrhage detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 206010018985 Haemorrhage intracranial Diseases 0.000 title claims abstract description 58
- 208000008574 Intracranial Hemorrhages Diseases 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000010276 construction Methods 0.000 title abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 230000004913 activation Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims 2
- 208000032843 Hemorrhage Diseases 0.000 abstract description 25
- 230000000740 bleeding effect Effects 0.000 abstract description 20
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 18
- 238000007917 intracranial administration Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 206010073681 Epidural haemorrhage Diseases 0.000 description 3
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 3
- 208000002667 Subdural Hematoma Diseases 0.000 description 3
- 206010042364 Subdural haemorrhage Diseases 0.000 description 3
- 238000000185 intracerebroventricular administration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种调窗优化增强的颅内出血检测模型及其构建方法。本发明的一方面提供了一种颅内出血检测模型，它包括调窗优化增强模块和RetinaNet网络。调窗优化增强模块由1*1卷积层和窗激活函数层构建，网络包括基础特征提取网络、FPN特征金字塔、分类与回归子网络。另一方面还提供了一种调窗优化增强的颅内出血检测模型的构建方法，包括以下步骤：步骤1、颅脑CT检查数据集准备及数据预处理；步骤2、构建颅内出血检测模型；步骤3、颅内出血检测模型训练；步骤4、颅内出血检测模型验证。本发明通过调窗优化模块增强了出血区域与正常组织之间的对比度，结合ResNet的特征提取和网络的设置，极大提升了模型检测的精确度。
Description
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种调窗优化增强的颅内出血检测模型及其构建方法。
背景技术
颅内出血(Intracranial Hemorrhage,ICH)是急性脑卒中的症状之一，如果不及时诊断和治疗，可能会导致患者残疾或死亡。根据解剖位置和潜在原因可以将颅内出血分为五种亚类型：实质内出血(IPH)、脑室内出血(IVH)、硬膜外出血(EDH)、硬膜下出血(SDH)和蛛网膜下腔出血(SAH)。
当前临床诊断颅内出血一般通过放射科医生人工阅读颅脑CT扫描，判断扫描是否存在ICH及其出血类型并定位到出血区域。但是，此过程在很大程度上依赖于放射科医生的临床经验丰富程度；如果是在基层医院，特别是卫生院往往存在读片医生缺乏，医生技能培训不足的情况，从而导致颅脑CT扫描片不能及时得到解读，延误救治。另外，资深放射科医生不是每时每刻都在岗，一些颅内出血疑难病例不能被当值医生及时发现，从而延误治疗时机，导致预后不好。
传统的颅内出血检测方法主要包括：利用图像处理技术提取出血区域的形态学、纹理、局部等特征，之后利用贝叶斯分类算法、人工神经网络等分类器实现颅内出血检测，但是这些方法属浅层结构模型，通常需要较强的先验知识或者需要通过不同的特征尝试和参数选择才能得到满意的特征，导致颅内出血检测速度较慢、假阳性较高。目前，深度学习方法对颅内出血检测的研究往往通过预设的窗口将CT图像转换为灰度图像，以致于丢失一些图像特征，检测精确度低。
发明内容
本发明的目的在于针对传统深度学习方法检测精确度低问题，提供一种调窗优化增强的颅内出血检测模型及其构建方法，能够快速且准确的定位到出血区域。
本发明的一方面提供了一种颅内出血检测模型，它包括调窗优化增强模块和RetinaNet网络。
所述的调窗优化增强模块由1*1卷积层和窗激活函数层构建，所述的窗激活函数层选用窗激活函数，定义如下：
其中，
WW为窗宽，WL为窗位，U为激活函数映射后的灰度级上限；ε为余量。
所述的RetinaNet网络包括基础特征提取网络、FPN特征金字塔、分类与回归子网络。
所述的基础特征提取网络用于提取调窗优化增强模块输出特征图的特征。
所述的FPN特征金字塔用于融合基础特征提取网络的输出。
所述的分类与回归子网络对FPN特征金字塔生成的有效特征层进行识别，输出分类与定位结果。
进一步说，所述的基础特征提取网络采用ResNet作为主干网络，其中ResNet结构由多个相似的残差块串联构成。
进一步说，所述的FPN特征金字塔通过自顶向下、横向连接的方式融合不同层的特征图。具体是从最顶层C5开始，先通过一个1×1×n的卷积层调整通道数，再通过2x上采样层调整特征图的尺寸，与次顶层特征图融合，融合后再使用3*3的卷积核对融合结果进行卷积，消除上采样的混叠效应，得到新的特征图。以此类推，得到特征图[P3、P4、P5、P6、P7]定义为有效特征层。
本发明的另一方面还提供了一种调窗优化增强的颅内出血检测模型的构建方法，包括以下步骤：
步骤1、颅脑CT检查数据集准备及数据预处理
收集颅脑CT检查数据组成数据集，并随机划分为训练集和测试集，同时利用训练集组建验证集。
数据预处理操作主要包含训练集图像的数据增强和标准化。
所述数据增强操作包括旋转、平移、缩放、水平翻转和随机添加噪声。
所述图像标准化用于保证数据的分布符合标准正态分布；最后将图片统一缩放到相同尺寸。
步骤2、构建颅内出血检测模型，包括构建融合调窗优化增强模块和RetinaNet网络，所述的RetinaNet网络包括基础特征提取网络、FPN特征金字塔和FCN分类和回归子网络；
步骤2.1构建调窗优化增强模块
所述的调窗优化增强模块由1*1卷积层和自定义窗激活函数层构建。
所述的窗激活函数层选用窗激活函数，定义如下：
其中，
WW为窗宽，WL为窗位，U为激活函数映射后的灰度级上限；ε为余量。
步骤2.2、构建基础特征提取网络
基础特征提取网络采用ResNet作为主干网络，用于提取调窗优化增强模块输出特征图的特征。其中ResNet结构由多个相似残差块串联构成；取经过了第3个、第4个、第5个残差块的最后一层输出[C3、C4、C5]作为基础特征提取网络的输出。
步骤2.3、构建FPN特征金字塔
FPN特征金字塔通过自顶向下、横向连接的方式融合上述基础特征提取网络的输出。具体从最顶层C5开始，先通过一个1×1×n的卷积层调整通道数，再通过2x上采样层调整特征图的尺寸，与次顶层特征图融合，融合后再使用3*3的卷积核对融合结果进行卷积，消除上采样的混叠效应，得到新的特征图。以此类推，得到特征图[P3、P4、P5、P6、P7]定义为有效特征层。对于[P3、P4、P5、P6、P7]这些层，定义anchor的大小为32*32、64*64、128*128、256*256、512*512，另外每个scale上的anchor对应3个宽高比：1:2、1:1、2:1。
步骤2.4、构建FCN分类和回归子网络
将FPN特征金字塔生成的有效特征层分别输入到分类和回归子网络进行识别，输出分类与定位结果。
步骤3、颅内出血检测模型训练
使用步骤1划分好的训练集和验证集，训练步骤2构建的颅内出血检测模型，分别采用ResNet50和ResNet101网络结构作为步骤2.2基础特征提取网络的主干网络，训练得到不同基础特征提取网络的颅内出血检测模型。
步骤4、颅内出血检测模型验证
根据颅内出血检测模型在验证集上的loss表现，选择步骤3训练得到的不同基础特征提取网络的颅内出血检测模型，之后利用所述测试集中的CT图像验证所选颅内出血检测模型是否存在欠拟合或是过拟合的问题，采用平均精度均值作为评估指标。若颅内出血检测模型的平均精度均值大于阈值T，则保存颅内出血检测模型；否则，调节训练参数，返回步骤3重新训练模型。
本发明具有以下有益效果：本发明通过调窗优化模块增强了出血区域与正常组织之间的对比度，结合ResNet的特征提取和RetinaNet网络的设置，极大提升了模型检测的精确度。本发明不仅可以快速检测出颅内出血及其出血类型，而且还可以对出血区域进行定位。
附图说明
图1为本发明方法颅内出血检测模型结构；
图2为本发明方法流程图；
图3为本发明实例不同窗下的颅内出血图像；
图4为本发明实例调窗优化模块sigmoid窗激活函数；
图5为本发明实施例颅脑CT检查的检测结果图。
具体实施方式
为快速且准确的定位到颅脑CT图像的出血区域，本发明提供了一种颅内出血检测模型，它包括调窗优化增强模块和RetinaNet网络。其具体模型结构如图1所示：
图1所示的调窗优化增强模块由1*1卷积层和窗激活函数层构建。这使其能够融合RetinaNet网络同步训练，并通过反向传播方法以特定于分类和回归任务的方式更新优化调窗模块的参数。其中窗激活函数层构建考虑图像灰度域反应病变程度的累计分布函数，对sigmoid函数进行变换，定义窗激活函数如下：
其中，
WW为窗宽，WL为窗位，U为激活函数映射后的灰度级上限；ε为余量。
图1所示的RetinaNet网络包括基础特征提取网络、FPN特征金字塔、分类与回归子网络。
所述的基础特征提取网络用于提取调窗优化增强模块输出特征图的特征。
所述的FPN特征金字塔用于融合基础特征提取网络的输出。
所述的分类与回归子网络采用全卷积网络(FCN)，用于识别FPN特征金字塔生成的有效特征层，输出分类与定位结果。
进一步说，所述的基础特征提取网络采用ResNet作为主干网络，其中ResNet结构由多个相似的残差块串联构成，这使其网络深度更深，从而提取图像更深层次的语义特征，提升模型分类与定位的性能。
进一步说，所述的FPN特征金字塔通过自顶向下、横向连接将不同层的特征图进行融合。具体是从最顶层C5开始，先通过一个1×1×n的卷积层调整通道数，再通过2x上采样层调整特征图的尺寸，与次顶层特征图融合，融合后再使用3*3的卷积核对融合结果进行卷积，消除上采样的混叠效应，得到新的特征图。以此类推，得到特征图[P3、P4、P5、P6、P7]定义为有效特征层。对于[P3、P4、P5、P6、P7]这些层，定义anchor的大小为32*32、64*64、128*128、256*256、512*512，另外每个scale上的anchor对应3个宽高比：1:2、1:1、2:1。
进一步说，所述的分类子网络和回归子网络分别使用focal loss和L1 loss作为损失函数。
其中focal loss损失函数的定义如下：
式中pt为不同类别的分类概率，γ∈[0，5]，αt∈[0，1]，αt用于平衡训练过程中存在的正负样本分布不均，(1-pt)γ用于降低易分样本在计算损失时的权重，使损失函数关注于对难分样本的训练。
下面结合附图2和颅脑CT图像CQ500数据集实例，详细阐述颅内出血检测模型的构建方法，步骤如下：
步骤1、颅脑CT检查数据集准备及数据预处理
随机取CQ500数据集中的42109张DICOM格式的颅脑CT图像分为训练集(40112张)和测试集(1997张)，取训练集图像的5％(2017张)组成验证集。后随机取训练集中的含出血标签图像进行可视化，验证数据集所给标签的准确性。图3为DICOM图像分别在“脑窗”、“硬膜下窗”、“软组织窗”下的可视化结果，其中黑色箭头所指为出血区域。
另通过旋转、平移、缩放、水平翻转和随机添加噪声操作实现训练数据集数据增强，提升模型的鲁棒性；之后对训练数据集中图像做标准化处理，保证数据的分布符合标准正态分布；最后将颅脑CT数据集中的DICOM图像统一resize到224*224。
步骤2、融合调窗优化增强模块和RetinaNet网络的颅内出血检测模型构建步骤2.1调窗优化增强模块构建
此实施例使用3个1*1的卷积层和窗激活函数层构建调窗优化增强模块。其中窗激活函数层选用的窗激活函数如图4所示，用于将卷积后的特征图激活映射到预设窗图像。具体过程是：1)根据预设窗类型的窗宽窗位值对调窗优化增强模块卷积层的权重W和偏置b初始化，其中，设U＝255，ε＝1，W和b根据公式1计算得到；2)使用3个1*1的卷积层对输入的全HU动态范围的DICOM图像(224*224)做步长为1的卷积操作，得到224*224*3的特征图；3)对224*224*3的特征图应用窗激活函数，得到224*224*3的特征图，此时的3个特征图就对应预设的3窗图像。使用如下表1所示的脑窗、硬膜下窗和软组织窗作为此次实施例的预设窗。
表1预设窗窗宽窗位值
步骤2.2、基础特征提取网络构建
分别采用ResNet50和ResNet101作为基础特征提取网络的主干网络，用于提取步骤2.1输出的224*224*3特征图的特征。
步骤2.3、FPN特征金字塔构建
FPN特征金字塔能够从单张图像中有效地构建多尺度的特征图，使金字塔的每一层均可被用于不同尺寸的颅内出血病变检测，具体实现如发明方法所述。
步骤2.4、FCN分类和回归子网络构建
设置分类子网络损失函数的两个参数γ＝2，αt＝025。
步骤3、颅内出血检测模型训练
使用步骤1划分好的训练集和验证集训练步骤2.2构建的两个不同基础特征提取网络的颅内出血检测模型，其中ResNet50和ResNet101使用ImageNet预训练的模型初始化。训练使用随机梯度下降方法，设置epoch＝25、batch_size＝8、learning rate＝0.01、momentum＝0.9、decay＝0.0001。每个epoch计算模型在验证集上的敏感度和特异性等指标，并保存模型。
步骤4、颅内出血检测模型验证
根据步骤3得到不同epoch上的颅内出血检测训练模型，选择在验证集上loss最低的两个不同基础特征提取网络的模型作为预测模型。利用步骤1所述测试集中的CT图像验证所选颅内出血检测模型。此实施例使用mAP(mean Average Precision)作为模型评估指标，若模型的评估指标mAP大于阈值T，则保存模型；否则，调节训练参数，返回步骤3重新训练模型。
其中mAP的计算过程如下：
采用IoU(Intersection over Union)作为评价边界框正确性的度量指标，定义图像中各个类别的正确检测数值为TP、错误检测数值为FP以及漏检数值为FN，计算查全率Recall和精度Precision如下：
进一步计算类别C的精度值Precisionc为类别C的正确检测数量N(TP)c与类别C的总数量N(Total)c之比：
最终得到mAP为所有类别平均精度值的均值，计算如下：
式中，APc表示类别C的平均精度值，∑Precisionc表示类别C的平均精度值之和，N(TotalObjects)c表示所有图像中含类别C的数量，∑APc表示所有类别的平均精度之和，N(classes)表示类别的数量。
根据以上公式计算得到所选模型在测试集上AP值：APIPH＝0.41,APSAH＝0.35,APIVH＝0.12,APSDH＝0.48,APEDH＝0,mAP＝0.272，满足mAP阈值条件T＝0.25，保存该模型。
分析发现，训练集和测试集中硬膜外出血(EDH)和脑室内出血(IVH)的样本较少，导致相应AP值极低。随着硬膜外出血和脑室内出血样本的持续更新和模型再训练，将会进一步提升模型的性能。
通过本发明所构建的模型，其可以应用如下：
CT检查颅内出血检测：
获取CT颅脑检查图像，采用上述步骤3、4获得的两个不同基础特征提取网络的颅内出血检测模型，对新获取的颅脑CT检查进行检测，得到两组颅内出血的初步分类结果及位置信息。
对上述检测结果使用非极大值抑制(NMS)方法，消除结果中的重叠框，其中NMS方法的阈值取IoU＝0.5。后对两个模型预测结果中存在重叠的框使用其对应的score作为权重实现加权平均，而对不重叠的框设置score阈值threshold＝0.75做进一步的筛选。融合两个模型的检测结果，得到最终的分类结果和出血区域位置信息，如图5所示。具体的，图5为颅内出血检测模型对颅脑CT检查图像进行检测得到的分类结果和出血位置信息，其中SAH、IVH、SDH、IPH为模型检测得到的分类结果，另图示黑色框为模型检测得到的出血区域位置信息。
Claims (4)
1.一种调窗优化增强的颅内出血检测模型，包括调窗优化增强模块和RetinaNet网络，其特征在于：
所述的调窗优化增强模块由1*1卷积层和窗激活函数层构建，所述的窗激活函数层选用窗激活函数，定义如下：
其中，
WW为窗宽，WL为窗位，U为激活函数映射后的灰度级上限；ε为余量；
所述的RetinaNet网络包括基础特征提取网络、FPN特征金字塔、分类与回归子网络；
所述的基础特征提取网络用于提取调窗优化增强模块输出特征图的特征；
所述的FPN特征金字塔用于融合基础特征提取网络的输出；
所述的分类与回归子网络对FPN特征金字塔生成的有效特征层进行识别，输出分类与定位结果。
2.根据权利要求1所述的一种调窗优化增强的颅内出血检测系统，其特征在于：所述的基础特征提取网络采用ResNet作为主干网络，其中ResNet结构由多个相似的残差块串联构成。
3.根据权利要求1所述的一种调窗优化增强的颅内出血检测模型，其特征在于：所述的FPN特征金字塔通过自顶向下、横向连接的方式融合不同层的特征图；具体是从最顶层C5开始，先通过一个1×1×n的卷积层调整通道数，再通过2x上采样层调整特征图的尺寸，与次顶层特征图融合，融合后再使用3*3的卷积核对融合结果进行卷积，消除上采样的混叠效应，最终得到新的特征图；以此类推，得到特征图[P3、P4、P5、P6、P7]定义为有效特征层。
4.一种调窗优化增强的颅内出血检测模型的构建方法，其特征在于该方法包括以下步骤：
步骤1、颅脑CT检查数据集准备及数据预处理
收集颅脑CT检查数据组成数据集，并随机划分为训练集和测试集，同时利用训练集组建验证集；
数据预处理操作主要包含训练集图像的数据增强和标准化；
所述数据增强操作包括旋转、平移、缩放、水平翻转和随机添加噪声；
所述图像标准化用于保证数据的分布符合标准正态分布；最后将图片统一缩放到相同尺寸；
步骤2、构建颅内出血检测模型，包括构建融合调窗优化增强模块和RetinaNet网络，所述的RetinaNet网络包括基础特征提取网络、FPN特征金字塔和FCN分类和回归子网络；
步骤2.1构建调窗优化增强模块
所述的调窗优化增强模块由1*1卷积层和自定义窗激活函数层构建；
所述的窗激活函数层选用窗激活函数，定义如下：
其中，
WW为窗宽，WL为窗位，U为激活函数映射后的灰度级上限；ε为余量；
步骤2.2、构建基础特征提取网络
基础特征提取网络采用ResNet作为主干网络，用于提取调窗优化增强模块输出特征图的特征；其中ResNet结构由多个相似残差块串联构成；取经过了第3个、第4个、第5个残差块的最后一层输出[C3、C4、C5]作为基础特征提取网络的输出；
步骤2.3、构建FPN特征金字塔
FPN特征金字塔通过自顶向下、横向连接的方式融合上述基础特征提取网络的输出；具体从最顶层C5开始，先通过一个1×1×n的卷积层调整通道数，再通过2x上采样层调整特征图的尺寸，与次顶层特征图融合，融合后再使用3*3的卷积核对融合结果进行卷积，消除上采样的混叠效应，最终得到新的特征图；以此类推，得到特征图[P3、P4、P5、P6、P7]定义为有效特征层；
对于[P3、P4、P5、P6、P7]这些层，定义anchor的大小为32*32、64*64、128*128、256*256、512*512，另外每个scale上的anchor对应3个宽高比：1:2、1:1、2:1；
步骤2.4、构建FCN分类和回归子网络
将FPN特征金字塔生成的有效特征层分别输入到分类和回归子网络进行识别，输出分类与定位结果；
步骤3、颅内出血检测模型训练
使用步骤1划分好的训练集和验证集，训练步骤2构建的颅内出血检测模型，分别采用ResNet50和ResNet101网络结构作为步骤2.2基础特征提取网络的主干网络，训练得到不同基础特征提取网络的颅内出血检测模型；
步骤4、颅内出血检测模型验证
根据颅内出血检测模型在验证集上的loss表现，选择步骤3训练得到的不同基础特征提取网络的颅内出血检测模型，之后利用所述测试集中的CT图像验证所选颅内出血检测模型是否存在欠拟合或是过拟合的问题，采用平均精度均值作为评估指标；若颅内出血检测模型的平均精度均值大于阈值T，则保存颅内出血检测模型；否则，调节训练参数，返回步骤3重新训练模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646778.5A CN111833321B (zh) | 2020-07-07 | 2020-07-07 | 一种调窗优化增强的颅内出血检测模型及其构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646778.5A CN111833321B (zh) | 2020-07-07 | 2020-07-07 | 一种调窗优化增强的颅内出血检测模型及其构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111833321A true CN111833321A (zh) | 2020-10-27 |
| CN111833321B CN111833321B (zh) | 2023-10-20 |
Family
ID=72900419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010646778.5A Active CN111833321B (zh) | 2020-07-07 | 2020-07-07 | 一种调窗优化增强的颅内出血检测模型及其构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833321B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700445A (zh) * | 2021-03-23 | 2021-04-23 | 上海市东方医院（同济大学附属东方医院） | 图像处理方法、装置及系统 |
| CN113299369A (zh) * | 2021-05-14 | 2021-08-24 | 杭州电子科技大学 | 一种医学图像调窗优化方法 |
| CN113362360A (zh) * | 2021-05-28 | 2021-09-07 | 上海大学 | 基于流体速度场的超声颈动脉斑块分割方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287927A (zh) * | 2019-07-01 | 2019-09-27 | 西安电子科技大学 | 基于深度多尺度和上下文学习的遥感影像目标检测方法 |
| US20190347828A1 (en) * | 2018-05-09 | 2019-11-14 | Beijing Kuangshi Technology Co., Ltd. | Target detection method, system, and non-volatile storage medium |
-
2020
- 2020-07-07 CN CN202010646778.5A patent/CN111833321B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190347828A1 (en) * | 2018-05-09 | 2019-11-14 | Beijing Kuangshi Technology Co., Ltd. | Target detection method, system, and non-volatile storage medium |
| CN110287927A (zh) * | 2019-07-01 | 2019-09-27 | 西安电子科技大学 | 基于深度多尺度和上下文学习的遥感影像目标检测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700445A (zh) * | 2021-03-23 | 2021-04-23 | 上海市东方医院（同济大学附属东方医院） | 图像处理方法、装置及系统 |
| CN112700445B (zh) * | 2021-03-23 | 2021-06-29 | 上海市东方医院（同济大学附属东方医院） | 图像处理方法、装置及系统 |
| CN113299369A (zh) * | 2021-05-14 | 2021-08-24 | 杭州电子科技大学 | 一种医学图像调窗优化方法 |
| CN113299369B (zh) * | 2021-05-14 | 2022-06-10 | 杭州电子科技大学 | 一种医学图像调窗优化方法 |
| CN113362360A (zh) * | 2021-05-28 | 2021-09-07 | 上海大学 | 基于流体速度场的超声颈动脉斑块分割方法 |
| CN113362360B (zh) * | 2021-05-28 | 2022-08-30 | 上海大学 | 基于流体速度场的超声颈动脉斑块分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111833321B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110197493B (zh) | 眼底图像血管分割方法 | |
| US11842556B2 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
| CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
| CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 | |
| CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
| KR102125127B1 (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
| CN111243042A (zh) | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 | |
| CN110766051A (zh) | 一种基于神经网络的肺结节形态学分类方法 | |
| CN111833321B (zh) | 一种调窗优化增强的颅内出血检测模型及其构建方法 | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| CN109191476A (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
| CN112365464B (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
| CN109919254B (zh) | 乳腺密度分类方法、系统、可读存储介质和计算机设备 | |
| CN112241948A (zh) | 一种自适应层厚的肺结节检测分析方法及系统 | |
| CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
| CN110991254B (zh) | 超声图像视频分类预测方法及系统 | |
| CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
| CN112396591A (zh) | 一种基于腰椎x线图像的骨质疏松智能评估方法 | |
| CN111062953A (zh) | 一种超声图像中甲状旁腺增生的识别方法 | |
| CN113012163A (zh) | 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质 | |
| CN111028940B (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| CN113052227A (zh) | 一种基于SE-ResNet的肺结核识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |