CN115760900A - 基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法 - Google Patents
基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法 Download PDFInfo
- Publication number
- CN115760900A CN115760900A CN202211353549.XA CN202211353549A CN115760900A CN 115760900 A CN115760900 A CN 115760900A CN 202211353549 A CN202211353549 A CN 202211353549A CN 115760900 A CN115760900 A CN 115760900A
- Authority
- CN
- China
- Prior art keywords
- resnet
- gcn
- data
- network model
- model
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于ResNet‑GCN网络模型的脑胶质瘤恶性程度分级方法,包括以下步骤:S1、数据集构建与数据预处理,获取MRI图像构建数据集,并将数据转换至所需格式,对数据进行预处理;S2、构建ResNet‑GCN网络模型,以ResNet模型为基础,修改特征提取器的输出,得到不同层次的特征向量集合,利用特征向量集合构建出邻接矩阵后,将邻接矩阵作为输入连接到GCN模型;S3、设置模型训练参数,指定使用的损失函数形式,训练ResNet‑GCN网络模型;S4、对ResNet‑GCN网络模型进行评估,最终将训练好的模型用于实际脑胶质瘤恶性程度分级。本发明提出的ResNet‑GCN模型能够综合分析不同层次的特征向量,具有更好的分类性能,实现更好的辅助诊断。
Description
技术领域
本发明属于深度学习技术领域,具体涉及一种基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法。
背景技术
脑胶质瘤是一种源自大脑和脊髓的癌变胶质细胞的肿瘤,占所有脑和中枢神经系统肿瘤的30%,以及所有恶性脑肿瘤的80%,是最常见、致死率最高的颅内原发性恶性肿瘤。由于脑胶质瘤的临床治疗方法和预后评价与其恶性程度分级密切相关,脑胶质瘤的恶性程度分级意义重大。
目前,脑胶质瘤的术前分级主要依据患者的临床表现和MRI影像特征。资深放射科医师通过MRI能够较为准确地识别肿瘤,但是对于年轻以及未接受过相关系统训练的放射科医师,误诊率和漏诊率则相对较高。此外,随着大数据时代的到来,放射科医师通常需要面对大量的MRI影像,高负荷工作下容易出现疲劳,降低诊断的准确性。因此,将放射科医师从传统阅片中解放出来,也成为了一个备受关注的问题。
如今,利用人工智能和深度学习技术来模拟人类思维、高效挖掘影像大数据中的图像信息,从而辅助医生实现精确的鉴别和诊断已然成为具有广阔前景的技术手段。近几年来,接连有研究人员从2D和3D、MRI的单模态和多模态、MRI和CT的多模态图像角度,以及各种CNN变体的多模型融合角度来设计用于脑胶质瘤恶性程度分级的模型,并取得了一定成效。然而上述研究中提出的模型多数是依据提取出来的最高层次图像特征来进行脑胶质瘤的分级诊断,并未有效利用不同层次的图像特征之间的上下文逻辑关系。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提出一种基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,通过分析不同层次的图像特征之间的上下文逻辑关系来得出脑胶质瘤恶性程度分级结果。
为了达到上述目的,本发明采用以下技术方案:
基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,包括以下步骤:
S1、数据集构建与数据预处理,获取MRI图像构建数据集,并将数据转换至所需格式,对数据进行预处理;
S2、构建ResNet-GCN网络模型,以ResNet模型为基础,修改特征提取器的输出,得到不同层次的特征向量集合,利用特征向量集合构建出邻接矩阵后,将邻接矩阵作为输入连接到GCN模型;
S3、设置模型训练参数,指定使用的损失函数形式,训练ResNet-GCN网络模型;
S4、对ResNet-GCN网络模型进行评估,最终将训练好的模型用于实际脑胶质瘤恶性程度分级。
进一步的,数据集中每一数据样本均为一组2D切片图像的空间连续分布序列。
进一步的,步骤S1中,对数据进行预处理具体为:
S11、对不同切片规格的MRI数据样本进行图像重采样,使所有数据样本保持统一的分辨率以及体素间距;
S12、对于不同设备采集的MRI数据样本进行背景噪声滤除,清除数据样本中大脑外部背景区域存在的低灰度值噪声;
S13、对不同设备采集的MRI数据样本进行偏置场校正,平滑部分数据样本中同一脑组织区域内较大的图像灰度值差异;
S14、对不同设备采集的MRI数据样本进行头骨剥离,使所有数据样本的最终成像状态下仅包含脑组织成像图。
进一步的,步骤S12包括:
OSTU阈值分割、形态学运算以及孔洞填充,具体为:
根据OSTU算法计算单个样本的最大类间方差阈值,并完成大脑与背景的粗分割;使用形态学运算的开运算和闭运算,断开大脑与背景之间的弱粘连,并填充大脑和背景内部可能存在的小尺寸孔洞;
对于形态学运算后的Mask图像,增加对轮廓数量以及轮廓边界点数量的统计,通过设定阈值来滤除形态学运算后可能存在的小尺寸孔洞。
进一步的,ResNet-GCN网络模型具体为:
以ResNet18网络模型为基础框架,模型结构分为5层:
第一层包括一个7×7卷积操作、批量标准化、ReLU激活以及最大池化操作;
第二层到第五层,每层包括两个残差块,每个残差块包括两次重复操作序列,一次操作序列为3×3卷积操作、批量标准化、ReLU激活;
对于跨层连接的残差块,额外增加一个1×1卷积操作以及批量标准化来进行下采样;
GCN由两个图卷积网络层以及一层全连接层构成;第一个图卷积网络层的输入维度为512、输出维度为128;第二个图卷积网络层的输入维度为128,输出维度为64;全连接层的输入维度为64,输出维度为3。
进一步的,从ResNet18网络的第一层到第五层,将每一层输出的特征向量引出,并通过下采样使每一层输出的特征向量的维度与最高层次特征向量的维度相同,得到ResNet18网络中不同层次的特征向量集合;将特征向量集合视作具有层次逻辑关系的节点集合,作为输入参数传递给GCN;假设各个节点的权重服从均匀分布,完成初始化。
进一步的,基于特征矩阵构建邻接矩阵,作为两个图卷积网络层的输入,具体地:
对于从ResNet18网络得到的512×5特征向量集合,将其视作特征矩阵X;
将X与其转置矩阵相乘得到具有自相关性质的5×5邻接矩阵,随后将邻接矩阵元素以一维的形式降序排序,选择前20%位置的特征值作为阈值,将邻接矩阵中的特征值二值化,最后将5×5的单位对角矩阵与二值化邻接矩阵叠加,执行拉普拉斯正则化,得到5×5的拉普拉斯矩阵;使用第一个图卷积网络层输出的维度为128×5的特征矩阵来构建邻接矩阵,作为第二个图卷积网络层的输入;对于第二个图卷积网络层输出的64×5特征矩阵,通过加权求和的方式计算得到维度为64的加权特征向量,再使用全连接层获取最终的分类结果。
进一步的,步骤S3具体包括:
S31、设置全局随机数种子,将预处理好的数据集以k折方式划分,每次取其中k-1折作为训练集,剩下的1折作为验证集;
S32、采用Kaiming法进行参数初始化,采用SGD优化器进行参数优化;
S33、设置单次训练样本批量BatchSize、训练总轮次epoch、初始学习率及学习率衰减系数;
S34、ResNet-GCN网络模型训练过程中采用交叉熵损失函数计算损失,并通过误差反向传播算法更新模型中的权重和偏置。
进一步的,步骤S3中,损失函数具体包括两部分:
ResNet基于最高层次特征向量生成的分级结果和参考分级结果之间的交叉熵损失,即一级诊断损失;
GCN基于不同层次的特征向量集合生成的分级结果和参考分级结果之间的交叉熵损失,即二级诊断损失;
ResNet-GCN网络模型损失函数最终表示为:
L=αLCE1+βLCE2
其中,LCE1为一级诊断损失,LCE2为二级诊断损失,α和β分别为一级诊断损失和二级诊断损失对应的加权系数。
进一步的,对ResNet-GCN网络模型进行评估具体采用查准率Precision、查全率Recall、精确率Accuracy以及F1-Score作为网络模型性能的评估指标,各指标含义及计算公式为:
查准率,表示在所有被判定为正样本的数据中,实际为正样本的数据所占比例:
查全率,表示在所有实际为正样本的数据中,被判定为正样本的数据所占比例:
精确率,表示在所有的样本数据中,被正确判定的样本数据所占比例:
F1-Score,查准率和查全率的调和平均数,是综合一级评价指标计算获得的二级评价指标:
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明提出的ResNet-GCN网络模型能够综合考量不同层次的图像特征,得到精度更高、更具参考价值的诊断结果;其中ResNet作为特征提取器来提取输入的不同层次图像特征,实际能够根据具体需求,用其余的特征提取器方便地替换,灵活性较高;GCN作为分类器来根据不同层次图像特征得出诊断结果,能够以简单的结构和较少的参数数量换取模型辅助诊断性能的有效提升。
2、本发明中使用的线性加权损失函数同时考虑了传统分类结果可能导致的损失以及GCN分类结果可能导致的损失,在一定程度上能够提高模型诊断结果的稳定性。
附图说明
图1是本发明方法的流程图;
图2是本发明方法数据预处理的流程图;
图3是本发明方法的网络模型图;
图4a是本发明ResNet-GCN模型与VGG16模型在训练期间的Accuracy性能指标变化情况示意图;
图4b是本发明ResNet-GCN模型与ResNet18模型在训练期间的Accuracy性能指标变化情况示意图;
图4c是本发明ResNet-GCN模型与ResNet50模型在训练期间的Accuracy性能指标变化情况示意图;
图4d是本发明ResNet-GCN模型与ResNeXt50模型在训练期间的Accuracy性能指标变化情况示意图;
图4e是本发明ResNet-GCN模型与ConvNeXt-Tiny模型在训练期间的Accuracy性能指标变化情况示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明,基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,包括以下步骤:
S1、数据集构建与数据预处理,获取MRI图像构建数据集,并将数据转换至所需格式,对数据进行预处理;数据集中每一数据样本均为一组2D切片图像的空间连续分布序列。
在本实施例中,采用国际上公开的BraTS-2018数据集以及IXI数据集来训练和验证所提出的ResNet-GCN网络模型。
BraTS-2018数据集包含285个脑胶质瘤病例的MRI数据,其中有210例为高级别胶质瘤,75例为低级别胶质瘤。每个病例都有T1、T2、Flair和T1ce四个模态的图像数据,并对应一个病例级的脑胶质瘤恶性程度标签。BraTS-2018中的所有样本已经由医生完成了基本的预处理工作,每个模态的图像规格均为155×240×240的2D切片空间序列。
IXI数据集提供了578例健康人员的MRI数据,包括T1、T2以及PD-加权三种模态的图像。IXI数据集中的样本来自于不同医院的不同型号MR成像设备,且是没有经过任何预处理的原始MRI数据,不同样例的不同模态图像规格均存在明显差异:如T1模态的切片在x轴和z轴维度上均为256张,在y轴维度上则为100~150张不等;T2模态的切片在y轴和z轴维度上均为256张,在x轴维度上则为100~150张不等。
在本实施例中,如图2所示,对数据进行预处理具体为:
S11、对不同切片规格的MRI数据样本进行图像重采样,使所有数据样本保持统一的分辨率以及体素间距;
S12、对于不同设备采集的MRI数据样本进行背景噪声滤除,清除数据样本中大脑外部背景区域存在的低灰度值噪声;包括:
OSTU阈值分割、形态学运算以及孔洞填充,具体为:
根据OSTU算法计算单个样本的最大类间方差阈值,并完成大脑与背景的粗分割;使用形态学运算的开运算和闭运算,断开大脑与背景之间的弱粘连,并填充大脑和背景内部可能存在的小尺寸孔洞;
对于形态学运算后的Mask图像,增加对轮廓数量以及轮廓边界点数量的统计,通过设定阈值来滤除形态学运算后可能存在的小尺寸孔洞。
S13、对不同设备采集的MRI数据样本进行偏置场校正,平滑部分数据样本中同一脑组织区域内较大的图像灰度值差异;
S14、对不同设备采集的MRI数据样本进行头骨剥离,使所有数据样本的最终成像状态下仅包含脑组织成像图。
在本实施例中,为同时使用两种数据集中的样本数据,需要对样本数据进行预处理,将所有样本的图像规格统一。以BraTS-2018数据集中的样本图像规格为基准,对IXI数据集中的样本图像依次执行图像重采样、背景去噪、偏置场校正以及头骨剥离的操作,最终得到分辨率为155×240×240、体素间距为1×1×1且去颅骨的样本图像。
由于IXI数据集中的样本总数为578,数据量超过BraTS-2018数据集的样本总数,为最大程度保证构建的新数据集中各类样本数量的平衡性,从IXI数据集中随机选择210例样本的T1模态数据与BraTS-2018数据集全部样本的T1ce模态数据进行混合,得到BraTS-IXI数据集。随机选择BraTS-IXI数据集中的部分数据样本进行图像翻转、旋转和改变亮度等数据增强操作,并对所有数据样本进行归一化处理。
S2、构建ResNet-GCN网络模型,以ResNet模型为基础,修改特征提取器的输出,得到不同层次的特征向量集合,利用特征向量集合构建出邻接矩阵后,将邻接矩阵作为输入连接到GCN(GraphConvolutionalNetwork,图卷积神经网络)模型;
ResNet-GCN网络模型具体为:
以ResNet18网络模型为基础框架,模型结构分为5层:
第一层包括一个7×7卷积操作、批量标准化、ReLU激活以及最大池化操作;
第二层到第五层,每层包括两个残差块,每个残差块包括两次重复操作序列,一次操作序列为3×3卷积操作、批量标准化、ReLU激活;
对于跨层连接的残差块,额外增加一个1×1卷积操作以及批量标准化来进行下采样;
GCN由两个图卷积网络层以及一层全连接层构成;第一个图卷积网络层的输入维度为512、输出维度为128;第二个图卷积网络层的输入维度为128,输出维度为64;全连接层的输入维度为64,输出维度为3。
从ResNet18网络的第一层到第五层,将每一层输出的特征向量引出,并通过下采样使每一层输出的特征向量的维度与最高层次特征向量的维度相同,得到ResNet18网络中不同层次的特征向量集合;将特征向量集合视作具有层次逻辑关系的节点集合,作为输入参数传递给GCN;假设各个节点的权重服从均匀分布,完成初始化。
基于特征矩阵构建邻接矩阵,作为两个图卷积网络层的输入;
对于从ResNet18网络得到的512×5特征向量集合,将其视作特征矩阵X;
将X与其转置矩阵相乘得到具有自相关性质的5×5邻接矩阵,随后将邻接矩阵元素以一维的形式降序排序,选择前20%位置的特征值作为阈值,将邻接矩阵中的特征值二值化,最后将5×5的单位对角矩阵与二值化邻接矩阵叠加,执行拉普拉斯正则化,得到5×5的拉普拉斯矩阵;使用第一个图卷积网络层输出的维度为128×5的特征矩阵来构建邻接矩阵,作为第二个图卷积网络层的输入;对于第二个图卷积网络层输出的64×5特征矩阵,通过加权求和的方式计算得到维度为64的加权特征向量,再使用全连接层获取最终的分类结果。
如图3所示,为ResNet-GCN网络模型结构图。
S3、设置模型训练参数,指定使用的损失函数形式,训练ResNet-GCN网络模型,具体包括:
S31、设置全局随机数种子,将预处理好的数据集以k折方式划分,每次取其中k-1折作为训练集,剩下的1折作为验证集;
S32、采用Kaiming法进行参数初始化,采用SGD优化器进行参数优化;
S33、设置单次训练样本批量BatchSize、训练总轮次epoch、初始学习率及学习率衰减系数;
在本实施例中,随机数种子被预设为42,并基于此种子对数据集进行3折划分,取其中2折作为训练集,剩下1折作为验证集;权重衰减指数设置为1e-5;BatchSize设置为16;总epoch设置为150;初始学习率设置为0.001,每运行50个epoch衰减到0.5倍。
S34、ResNet-GCN网络模型训练过程中采用交叉熵损失函数计算损失,并通过误差反向传播算法更新模型中的权重和偏置。
在本实施例中,损失函数具体包括两部分:
ResNet基于最高层次特征向量生成的分级结果和参考分级结果之间的交叉熵损失,即一级诊断损失;
GCN基于不同层次的特征向量集合生成的分级结果和参考分级结果之间的交叉熵损失,即二级诊断损失;
ResNet-GCN网络模型损失函数最终表示为:
L=αLCE1+βLCE2
其中,LCE1为一级诊断损失,LCE2为二级诊断损失,α和β分别为一级诊断损失和二级诊断损失对应的加权系数,在本实施例中,均设置为0.5。
S4、对ResNet-GCN网络模型进行评估,最终将训练好的模型用于实际脑胶质瘤恶性程度分级。
对ResNet-GCN网络模型进行评估具体采用查准率Precision、查全率Recall、精确率Accuracy以及F1-Score作为网络模型性能的评估指标,各指标含义及计算公式为:
查准率,表示在所有被判定为正样本的数据中,实际为正样本的数据所占比例:
查全率,表示在所有实际为正样本的数据中,被判定为正样本的数据所占比例:
精确率,表示在所有的样本数据中,被正确判定的样本数据所占比例:
F1-Score,查准率和查全率的调和平均数,是综合一级评价指标计算获得的二级评价指标:
在本实施例中,基于上述性能指标,在BraTS-IXI数据集上的测试效果如下表1所示。从表1的实验结果可以看出:与一系列经典架构模型相比,本发明提出的ResNet-GCN网络模型能够综合分析不同层次的特征向量,在各项模型评价指标上均有一定程度的提升,具有更好的分类性能。各模型在训练过程中的Accuracy指标变化情况如图4a、图4b、图4c、图4d以及图4e所示。
Net-Name | Accuracy(%) | Precision(%) | Recall(%) | F1-Score |
VGG16 | 90.60 | 86.12 | 86.80 | 86.61 |
ResNet18 | 92.85 | 89.10 | 90.13 | 89.61 |
ResNet50 | 92.56 | 89.66 | 88.90 | 89.28 |
ResNeXt50 | 91.39 | 87.34 | 86.46 | 86.90 |
ConvNeXt-Tiny | 91.38 | 88.21 | 85.37 | 86.77 |
ResNet-GCN | 94.12 | 92.03 | 91.72 | 91.87 |
表1
最后得到训练好的ResNet-GCN网络模型,可用于对经过数据格式转换后的病例图像进行脑胶质瘤的恶性程度分级。
还需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,包括以下步骤:
S1、数据集构建与数据预处理,获取MRI图像构建数据集,并将数据转换至所需格式,对数据进行预处理;
S2、构建ResNet-GCN网络模型,以ResNet模型为基础,修改特征提取器的输出,得到不同层次的特征向量集合,利用特征向量集合构建出邻接矩阵后,将邻接矩阵作为输入连接到GCN模型;
S3、设置模型训练参数,指定使用的损失函数形式,训练ResNet-GCN网络模型;
S4、对ResNet-GCN网络模型进行评估,最终将训练好的模型用于实际脑胶质瘤恶性程度分级。
2.根据权利要求1所述的基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,数据集中每一数据样本均为一组2D切片图像的空间连续分布序列。
3.根据权利要求1所述的基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,步骤S1中,对数据进行预处理具体为:
S11、对不同切片规格的MRI数据样本进行图像重采样,使所有数据样本保持统一的分辨率以及体素间距;
S12、对于不同设备采集的MRI数据样本进行背景噪声滤除,清除数据样本中大脑外部背景区域存在的低灰度值噪声;
S13、对不同设备采集的MRI数据样本进行偏置场校正,平滑部分数据样本中同一脑组织区域内较大的图像灰度值差异;
S14、对不同设备采集的MRI数据样本进行头骨剥离,使所有数据样本的最终成像状态下仅包含脑组织成像图。
4.根据权利要求3所述的基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,步骤S12包括:
OSTU阈值分割、形态学运算以及孔洞填充,具体为:
根据OSTU算法计算单个样本的最大类间方差阈值,并完成大脑与背景的粗分割;使用形态学运算的开运算和闭运算,断开大脑与背景之间的弱粘连,并填充大脑和背景内部可能存在的小尺寸孔洞;
对于形态学运算后的Mask图像,增加对轮廓数量以及轮廓边界点数量的统计,通过设定阈值来滤除形态学运算后可能存在的小尺寸孔洞。
5.根据权利要求1所述的基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,ResNet-GCN网络模型具体为:
以ResNet18网络模型为基础框架,模型结构分为5层:
第一层包括一个7×7卷积操作、批量标准化、ReLU激活以及最大池化操作;
第二层到第五层,每层包括两个残差块,每个残差块包括两次重复操作序列,一次操作序列为3×3卷积操作、批量标准化、ReLU激活;
对于跨层连接的残差块,额外增加一个1×1卷积操作以及批量标准化来进行下采样;
GCN由两个图卷积网络层以及一层全连接层构成;第一个图卷积网络层的输入维度为512、输出维度为128;第二个图卷积网络层的输入维度为128,输出维度为64;全连接层的输入维度为64,输出维度为3。
6.根据权利要求5所述的基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,从ResNet18网络的第一层到第五层,将每一层输出的特征向量引出,并通过下采样使每一层输出的特征向量的维度与最高层次特征向量的维度相同,得到ResNet18网络中不同层次的特征向量集合;将特征向量集合视作具有层次逻辑关系的节点集合,作为输入参数传递给GCN;假设各个节点的权重服从均匀分布,完成初始化。
7.根据权利要求5所述的基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,基于特征矩阵构建邻接矩阵,作为两个图卷积网络层的输入,具体地:
对于从ResNet18网络得到的512×5特征向量集合,将其视作特征矩阵X;
将X与其转置矩阵相乘得到具有自相关性质的5×5邻接矩阵,随后将邻接矩阵元素以一维的形式降序排序,选择前20%位置的特征值作为阈值,将邻接矩阵中的特征值二值化,最后将5×5的单位对角矩阵与二值化邻接矩阵叠加,执行拉普拉斯正则化,得到5×5的拉普拉斯矩阵;使用第一个图卷积网络层输出的维度为128×5的特征矩阵来构建邻接矩阵,作为第二个图卷积网络层的输入;对于第二个图卷积网络层输出的64×5特征矩阵,通过加权求和的方式计算得到维度为64的加权特征向量,再使用全连接层获取最终的分类结果。
8.根据权利要求1所述的基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,步骤S3具体包括:
S31、设置全局随机数种子,将预处理好的数据集以k折方式划分,每次取其中k-1折作为训练集,剩下的1折作为验证集;
S32、采用Kaiming法进行参数初始化,采用SGD优化器进行参数优化;
S33、设置单次训练样本批量BatchSize、训练总轮次epoch、初始学习率及学习率衰减系数;
S34、ResNet-GCN网络模型训练过程中采用交叉熵损失函数计算损失,并通过误差反向传播算法更新模型中的权重和偏置。
9.根据权利要求1所述的基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法,其特征在于,步骤S3中,损失函数具体包括两部分:
ResNet基于最高层次特征向量生成的分级结果和参考分级结果之间的交叉熵损失,即一级诊断损失;
GCN基于不同层次的特征向量集合生成的分级结果和参考分级结果之间的交叉熵损失,即二级诊断损失;
ResNet-GCN网络模型损失函数最终表示为:
L=αLCE1+βLCE2
其中,LCE1为一级诊断损失,LCE2为二级诊断损失,α和β分别为一级诊断损失和二级诊断损失对应的加权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211353549.XA CN115760900A (zh) | 2022-11-01 | 2022-11-01 | 基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211353549.XA CN115760900A (zh) | 2022-11-01 | 2022-11-01 | 基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760900A true CN115760900A (zh) | 2023-03-07 |
Family
ID=85354880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211353549.XA Pending CN115760900A (zh) | 2022-11-01 | 2022-11-01 | 基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760900A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437493A (zh) * | 2023-12-20 | 2024-01-23 | 泰山学院 | 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统 |
-
2022
- 2022-11-01 CN CN202211353549.XA patent/CN115760900A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437493A (zh) * | 2023-12-20 | 2024-01-23 | 泰山学院 | 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统 |
CN117437493B (zh) * | 2023-12-20 | 2024-03-29 | 泰山学院 | 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203999B (zh) | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 | |
Carass et al. | Longitudinal multiple sclerosis lesion segmentation: resource and challenge | |
CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
CN107506797A (zh) | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 | |
CN112465827B (zh) | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 | |
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 | |
CN104881680A (zh) | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 | |
CN110533683B (zh) | 一种融合传统特征与深度特征的影像组学分析方法 | |
Bhatele et al. | Brain structural disorders detection and classification approaches: a review | |
CN110969626A (zh) | 基于3d神经网络的人脑核磁共振影像的海马体提取方法 | |
CN104866727A (zh) | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 | |
CN110934587A (zh) | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 | |
CN106096636A (zh) | 一种基于神经影像的进展型轻度认知功能障碍识别方法 | |
Dwivedi et al. | Multimodal fusion-based deep learning network for effective diagnosis of Alzheimer’s disease | |
CN110782427B (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
CN114864076A (zh) | 基于图注意力网络的多模态乳腺癌分类训练方法及系统 | |
CN110444294B (zh) | 一种基于感知神经网络的前列腺癌辅助分析方法及设备 | |
CN114782350A (zh) | 一种基于注意力机制的多模态特征融合的mri脑瘤图像分割方法 | |
CN111784639A (zh) | 基于深度学习的口腔全景片龋齿深度识别方法 | |
CN112330645A (zh) | 基于注意力机制的胶质瘤分级方法以及装置 | |
CN111080575A (zh) | 一种基于残差密集u形网络模型的丘脑分割方法 | |
Osadebey et al. | Three-stage segmentation of lung region from CT images using deep neural networks | |
CN115760900A (zh) | 基于ResNet-GCN网络模型的脑胶质瘤恶性程度分级方法 | |
CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 |
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 |