CN116416452A - 基于二阶段深度学习模型的肺腺癌浸润性智能分类系统 - Google Patents
基于二阶段深度学习模型的肺腺癌浸润性智能分类系统 Download PDFInfo
- Publication number
- CN116416452A CN116416452A CN202211553834.6A CN202211553834A CN116416452A CN 116416452 A CN116416452 A CN 116416452A CN 202211553834 A CN202211553834 A CN 202211553834A CN 116416452 A CN116416452 A CN 116416452A
- Authority
- CN
- China
- Prior art keywords
- lung adenocarcinoma
- image
- layer
- invasive
- intelligent
- 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
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 title claims abstract description 61
- 201000005249 lung adenocarcinoma Diseases 0.000 title claims abstract description 59
- 238000013136 deep learning model Methods 0.000 title claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 35
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000011218 segmentation Effects 0.000 abstract description 6
- 210000000038 chest Anatomy 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 208000009956 adenocarcinoma Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 208000018280 neoplasm of mediastinum Diseases 0.000 description 2
- 208000009458 Carcinoma in Situ Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 201000004933 in situ carcinoma Diseases 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,计算机存储器、计算机图形处理器、计算器处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序,计算机存储器中存有训练好的智能分类模型,计算机处理器执行计算机程序时实现以下步骤:将待分类的患肺腺癌的患者的胸部CT图像输入训练好的智能分类模型中,得到肺腺癌浸润性分类结果;智能分类模型包括IncepResUNet子模型和ResNet18子模型。本发明创新性地提出了一种从胸部CT图像中自动诊断肺腺癌是否具有侵润性的系统,能够实现肺腺癌区域的自动分割和侵润性的判断,可为临床医生的诊断提供辅助,能极大地提升诊断的效率。
Description
技术领域
本发明涉及医学图像处理领域,特别涉及一种基于二阶段深度学习模型的肺腺癌浸润性智能分类系统。
背景技术
肺腺癌是纵隔最常见的原发肿瘤,占纵隔肿瘤的15%。好发年龄为50~60岁,成为老年人健康的重大危险因素之一。不同的肺腺癌的诊疗方案并不一致,对于浸润性肺腺癌,通过需要立即手术进肺叶切除加淋巴结清扫;而
根据国际肺癌研究协会、美国胸科学会和欧洲呼吸学会(IASLC/ATS/ERS),将肺腺癌分为侵袭前腺癌(非典型腺瘤性增生(AAH])、原位腺癌(AIS),微创腺癌(MIA)和浸润性腺癌(IAC)。腺癌是否具有浸润性对于诊疗方案的设计十分重要。对于胸外科手术切除方式,IAC多采用肺叶切除术和淋巴结清扫术,而MIA可以选择肺亚段或楔形切除术,并且不需要纵隔和肺门淋巴结系统性清扫术。同时,MIA术后5年生存率接近100%,而Ⅰ期IAC的5年生存率为74.6%。由于MIA和IAC有明显不同的预后,这种差异会影响后续的治疗方案和治疗策略。所以术前准确鉴别诊断MIA和IAC非常重要。
然而,基于影像学的诊断存在图像质量不一致、准确性有限、诊断度低等问题,病患个体之间的差异和医生诊疗水平的差异更加大了基于影像的自动分类难度。
随着人工智能和深度学习的发展,很多研究者尝试使AI技术辅助医生诊断。深度学习网络可能是提高肺腺癌浸润性诊断的准确性和高效性的一种解决策略,但现在缺少可靠的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于二阶段深度学习模型的肺腺癌浸润性智能分类系统。
为解决上述技术问题,本发明采用的技术方案是:一种基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,计算机存储器、计算机图形处理器、计算器处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中存有训练好的智能分类模型,所述计算机处理器执行所述计算机程序时实现以下步骤:
将待分类的患肺腺癌的患者的胸部CT图像输入训练好的智能分类模型中,得到肺腺癌浸润性分类结果;
所述智能分类模型包括IncepResUNet子模型和ResNet18子模型,所述IncepResUNet子模型用以对输入的胸部CT图像进行分割,得到肺腺癌图像;所述ResNet18子模型以所述肺腺癌图像作为输入,获得肺腺癌是否浸润性的分类结果。
优选的是,所述IncepResUNet子模型包括编码器部分、第二多通道残差块以及解码器部分,所述第二多通道残差块连接于所述编码器部分和解码器部分之间;
所述编码器部分包括依次连接的四个第一多通道残差块,所述编码器部分对输入的胸部CT图像进行4次下采样,且每次下采用前通过一个所述第一多通道残差块通过三个通道对输入图像分别采用三个尺度的卷积操作提取不同大小的特征,然后将三个通道获得的特征进行拼接后得到的特征矩阵作为该多通道残差块的输出。
优选的是,所述解码器部分包括依次连接的四个第三多通道残差块,所述解码器部分对输入的图像进行4次上采用,在每次上采样之前,将上一层得到的特征矩阵与解码器部分得到的相同大小的特征矩阵进行跳跃连接,将获得的结果作为这一层解码的输入,然后通过该层的第三多通道残差块获得这一层的解码结果;在4次上采样后,得到与输入的胸部CT图像大小一致的分割图像,然后在分割图像中获得肺腺癌区域的三维中心,最后根据该三维中心从原始的胸部CT图像中分割出大小为64*64*32的图像块,即所述肺腺癌图像。
优选的是,所述第一多通道残差块中,输入的胸部CT图像同时进入三个通道,第一通道是核大小为1*1的卷积后进行核大小为5*5的卷积,第二个通道是核大小为1*1的卷积后进行核大小为3*3的卷积,第三个通道是只通过核大小为1*1的卷积,三个通道的输出相乘后再经过一个3*3的卷积后作为第一多通道残差块的输出。
优选的是,所述ResNet18子模型包括依次连接的第一卷积层、批正则层、第一最大池化层、3个残差单元、第二卷积层、第二全局平均池化层和全连接层;
所述IncepResUNet子模型输出的肺腺癌图像输入到所述ResNet18子模型后,先通过所述第一卷积层、批正则层、第一最大池化层进行尺度缩减,然后通过3个残差单元提取特征得到特征矩阵,该特征矩阵再依次通过所述第二卷积层、第二全局平均池化层和全连接层后得到最终的分类结果,判断出肺腺癌是否有浸润性。
优选的是,其中的残差单元包括两部分,第一部分依次通过核大小为3*3的卷积层、批正则层、ReLU层、3*3的卷积层、批正则层对输入图像进行深层次的特征提取,第二部分通过核大小为1*1的卷积层获得与第一部分相同通道的特征矩阵,然后将第一部分和第二部分的输出拼接,作为此残差单元的输出。
优选的是,所述智能分类模型的训练方法包括以下步骤:
1)收集患有浸润性和非浸润性肺腺癌的患者的胸部CT影像数据,对影像数据进行预处理;
2)将预处理后的影像数据划分为训练集、验证集和测试集;
3)将训练集送入到所述智能分类模型中进行训练,利用验证集对分类模型的性能进行评估,根据评估的效果对模型的超参数进行调整,通过反复训练、验证,最终得到性能达标的智能分类模型。
优选的是,步骤1)中进行预处理的方法为:对影像数据进行尺度的归一化,从而将图像质量进行统一,归一化具体操作是所有像素点的值减去平均值后除以方差,最终获得均值为0,标准差为1的图像,公式如下:
其中,X表示原图像中像素点的值,X表示原图像中所有像素点的值的平均值,σ表示原图像中所有像素点的值的平均方差,X*表示标准化后图像像素点的值。
优选的是,步骤2)中,将预处理后的影像数据按7:1:2划分为训练集、验证集和测试集。
优选的是,步骤3)中,采用监督训练方法对智能分类模型进行训练。
本发明的有益效果是:
1、本发明创新性地提出了一种从胸部CT图像中自动诊断肺腺癌是否具有侵润性的系统,能够实现肺腺癌区域的自动分割和侵润性的判断,可为临床医生的诊断提供辅助,能极大地提升诊断的效率。
2、本发明中实现肺腺癌分割的子模型采用了包含Inception理念的特征提取模块,通过不同尺度核的卷积,分别提取不同尺度的特征,然后通过类似Desnet的理念将多个特征进行拼接,从而提升了模型的学习能力,最终能够实现精准的肺腺癌分割。
附图说明
图1为本发明的智能分类系统的整体框架图;
图2为本发明的IncepResUNet子模型的网络结构示意图;
图3为本发明的第二多通道残差模块的结构示意图;
图4为本发明的ResNet18子模型的网络结构示意图;
图5为本发明的ResNet18子模型中的残差单元的结构示意图;
图6为本发明的实施例中的智能分类系统的训练流程示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
本实施例提供一种基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,计算机存储器、计算机图形处理器、计算器处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中存有训练好的智能分类模型,所述计算机处理器执行所述计算机程序时实现以下步骤:
将待分类的患肺腺癌的患者的胸部CT图像输入训练好的智能分类模型中,得到肺腺癌浸润性分类结果;
所述智能分类模型包括IncepResUNet子模型和ResNet18子模型,所述IncepResUNet子模型用以对输入的胸部CT图像进行分割,得到肺腺癌图像;所述ResNet18子模型以所述肺腺癌图像作为输入,获得肺腺癌是否浸润性的分类结果。
本实施例中,所述IncepResUNet子模型包括编码器部分、第二多通道残差块以及解码器部分,所述第二多通道残差块连接于所述编码器部分和解码器部分之间;
所述编码器部分包括依次连接的四个第一多通道残差块,所述编码器部分对输入的胸部CT图像进行4次下采样,且每次下采用前通过一个所述第一多通道残差块通过三个通道对输入图像分别采用三个尺度的卷积操作提取不同大小的特征,然后将三个通道获得的特征进行拼接后得到的特征矩阵作为该多通道残差块的输出;
所述解码器部分包括依次连接的四个第三多通道残差块,所述解码器部分对输入的图像进行4次上采用,在每次上采样之前,将上一层得到的特征矩阵与解码器部分得到的相同大小的特征矩阵进行跳跃连接,将获得的结果作为这一层解码的输入,然后通过该层的第三多通道残差块获得这一层的解码结果;在4次上采样后,得到与输入的胸部CT图像大小一致的分割图像,然后在分割图像中获得肺腺癌区域的三维中心,最后根据该三维中心从原始的胸部CT图像中分割出大小为64*64*32的图像块,即所述肺腺癌图像。
其中,参照图3,所述第一多通道残差块中,输入的胸部CT图像同时进入三个通道,第一通道是核大小为1*1的卷积后进行核大小为5*5的卷积,第二个通道是核大小为1*1的卷积后进行核大小为3*3的卷积,第三个通道是只通过核大小为1*1的卷积,三个通道的输出相乘后再经过一个3*3的卷积后作为第一多通道残差块的输出。
第二多通道残差块和第三多通道残差块的结构与第一多通道残差块相同,不再赘述。
本实施例中,所述ResNet18子模型包括依次连接的第一卷积层、批正则层、第一最大池化层、3个残差单元、第二卷积层、第二全局平均池化层和全连接层;
所述IncepResUNet子模型输出的肺腺癌图像输入到所述ResNet18子模型后,先通过所述第一卷积层、批正则层、第一最大池化层进行尺度缩减,然后通过3个残差单元提取特征得到特征矩阵,该特征矩阵再依次通过所述第二卷积层、第二全局平均池化层和全连接层后得到最终的分类结果,判断出肺腺癌是否有浸润性。
其中,残差单元包括两部分,第一部分依次通过核大小为3*3的卷积层、批正则层、ReLU层、3*3的卷积层、批正则层对输入图像进行深层次的特征提取,第二部分通过核大小为1*1的卷积层获得与第一部分相同通道的特征矩阵,然后将第一部分和第二部分的输出拼接,作为此残差单元的输出。
本实施例还提供一种所述智能分类模型的训练方法,具体包括以下步骤:
1)收集患有浸润性和非浸润性肺腺癌的患者的胸部CT影像数据;
2)对影像数据进行预处理;
预处理步骤具体为:对影像数据进行尺度的归一化,从而将图像质量进行统一,归一化具体操作是所有像素点的值减去平均值后除以方差,最终获得均值为0,标准差为1的图像,公式如下:
其中,X表示原图像中像素点的值,X表示原图像中所有像素点的值的平均值,σ表示原图像中所有像素点的值的平均方差,X*表示标准化后图像像素点的值。
3)数据分组:将所有数据按照随机的方式,分为训练集、验证集和测试集。其中训练集数据占比70%,用于模型训练;验证集数据占比10%,用于在模型每轮训练结束后评估模型性能;测试集占比20%,用于评估训练好的模型的性能。
4)将训练集送入到构建的智能分类模型中采用监督训练方法进行训练,利用验证集对分类模型的性能进行评估,根据评估的效果对模型的超参数进行调整,通过反复训练、验证,最终得到性能达标的智能分类模型。
步骤3)具体的训练方法为:将训练集的数据分成相等的若干批次,分批次送入模型进行训练,每批次训练结束后,根据模型预测结果与标注之间的差异对模型的参数进行调整,参数调整过程如下:
当模型完成一轮训练集的训练后,用模型去预测验证集的数据,用来评估当前模型的性能,如果未达到要求或最大训练轮数,则重复此过程。
其中,进行性能评估的具体方法为:
当模型在验证集上的性能达到要求或达到最大训练轮数时,表明模型训练结束。然后用测试集的数据对模型的性能进行评估。由于模型是由分割模型和分类模型构成,每一部分将采用不同的指标。对于分割模型,将采用Dice系数进行评估,公式如下:
其中,e、f分别表示肺腺癌的标注面积和实际预测的面积。
对于分类模型,将采用准确率(ACC)、精确率(Precision)、召回率(Recall)、和ROC曲线下面积AUC四个指标进行评估,ROC曲线下面积AUC是以假正率(FP_rate)和假负率(TP_rate)为轴的ROC(Receiver Operating Characteristic)曲线下面的面积。其它三个指标公式如下:
其中,TP(True Positive)表示模型将属于某类的图像正确地分为此类的数目,FP(Fasle Positive)表示模型将属于某类的图像错误地分为其它类的数目,TN(TrueNegative)表示将不属于此类的图像正确分到非本类的数目,FN(False Negative)表示模型将不属于此类的图像错误地分为此类的数目。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节。
Claims (10)
1.一种基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,计算机存储器、计算机图形处理器、计算器处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中存有训练好的智能分类模型,所述计算机处理器执行所述计算机程序时实现以下步骤:
将待分类的患肺腺癌的患者的胸部CT图像输入训练好的智能分类模型中,得到肺腺癌浸润性分类结果;
所述智能分类模型包括IncepResUNet子模型和ResNet18子模型,所述IncepResUNet子模型用以对输入的胸部CT图像进行分割,得到肺腺癌图像;所述ResNet18子模型以所述肺腺癌图像作为输入,获得肺腺癌是否浸润性的分类结果。
2.根据权利要求1所述的基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,其特征在于,所述IncepResUNet子模型包括编码器部分、第二多通道残差块以及解码器部分,所述第二多通道残差块连接于所述编码器部分和解码器部分之间;
所述编码器部分包括依次连接的四个第一多通道残差块,所述编码器部分对输入的胸部CT图像进行4次下采样,且每次下采用前通过一个所述第一多通道残差块通过三个通道对输入图像分别采用三个尺度的卷积操作提取不同大小的特征,然后将三个通道获得的特征进行拼接后得到的特征矩阵作为该多通道残差块的输出。
3.根据权利要求2所述的基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,其特征在于,所述解码器部分包括依次连接的四个第三多通道残差块,所述解码器部分对输入的图像进行4次上采用,在每次上采样之前,将上一层得到的特征矩阵与解码器部分得到的相同大小的特征矩阵进行跳跃连接,将获得的结果作为这一层解码的输入,然后通过该层的第三多通道残差块获得这一层的解码结果;在4次上采样后,得到与输入的胸部CT图像大小一致的分割图像,然后在分割图像中获得肺腺癌区域的三维中心,最后根据该三维中心从原始的胸部CT图像中分割出大小为64*64*32的图像块,即所述肺腺癌图像。
4.根据权利要求3所述的基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,其特征在于,所述第一多通道残差块中,输入的胸部CT图像同时进入三个通道,第一通道是核大小为1*1的卷积后进行核大小为5*5的卷积,第二个通道是核大小为1*1的卷积后进行核大小为3*3的卷积,第三个通道是只通过核大小为1*1的卷积,三个通道的输出相乘后再经过一个3*3的卷积后作为第一多通道残差块的输出。
5.根据权利要求1所述的基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,其特征在于,所述ResNet18子模型包括依次连接的第一卷积层、批正则层、第一最大池化层、3个残差单元、第二卷积层、第二全局平均池化层和全连接层;
所述IncepResUNet子模型输出的肺腺癌图像输入到所述ResNet18子模型后,先通过所述第一卷积层、批正则层、第一最大池化层进行尺度缩减,然后通过3个残差单元提取特征得到特征矩阵,该特征矩阵再依次通过所述第二卷积层、第二全局平均池化层和全连接层后得到最终的分类结果,判断出肺腺癌是否有浸润性。
6.根据权利要求5所述的基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,其特征在于,其中的残差单元包括两部分,第一部分依次通过核大小为3*3的卷积层、批正则层、ReLU层、3*3的卷积层、批正则层对输入图像进行深层次的特征提取,第二部分通过核大小为1*1的卷积层获得与第一部分相同通道的特征矩阵,然后将第一部分和第二部分的输出拼接,作为此残差单元的输出。
7.根据权利要求1-6中任意一项所述的基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,其特征在于,所述智能分类模型的训练方法包括以下步骤:
1)收集患有浸润性和非浸润性肺腺癌的患者的胸部CT影像数据,对影像数据进行预处理;
2)将预处理后的影像数据划分为训练集、验证集和测试集;
3)将训练集送入到所述智能分类模型中进行训练,利用验证集对分类模型的性能进行评估,根据评估的效果对模型的超参数进行调整,通过反复训练、验证,最终得到性能达标的智能分类模型。
9.根据权利要求8所述的基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,其特征在于,步骤2)中,将预处理后的影像数据按7:1:2划分为训练集、验证集和测试集。
10.根据权利要求9所述的基于二阶段深度学习模型的肺腺癌浸润性智能分类系统,其特征在于,步骤3)中,采用监督训练方法对智能分类模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553834.6A CN116416452A (zh) | 2022-12-06 | 2022-12-06 | 基于二阶段深度学习模型的肺腺癌浸润性智能分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553834.6A CN116416452A (zh) | 2022-12-06 | 2022-12-06 | 基于二阶段深度学习模型的肺腺癌浸润性智能分类系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116416452A true CN116416452A (zh) | 2023-07-11 |
Family
ID=87058708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211553834.6A Pending CN116416452A (zh) | 2022-12-06 | 2022-12-06 | 基于二阶段深度学习模型的肺腺癌浸润性智能分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416452A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740067A (zh) * | 2023-08-14 | 2023-09-12 | 苏州凌影云诺医疗科技有限公司 | 一种针对食管病灶的浸润深度判定方法和系统 |
-
2022
- 2022-12-06 CN CN202211553834.6A patent/CN116416452A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740067A (zh) * | 2023-08-14 | 2023-09-12 | 苏州凌影云诺医疗科技有限公司 | 一种针对食管病灶的浸润深度判定方法和系统 |
CN116740067B (zh) * | 2023-08-14 | 2023-10-20 | 苏州凌影云诺医疗科技有限公司 | 一种针对食管病灶的浸润深度判定方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102321B (zh) | 一种基于深度卷积神经网络的病灶图像分割方法及系统 | |
CN110930416B (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
CN110675406A (zh) | 基于残差双注意力深度网络的ct图像肾脏分割算法 | |
CN111445481A (zh) | 一种基于尺度融合的腹部ct多器官的分割方法 | |
CN112446891B (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
CN113256641B (zh) | 一种基于深度学习的皮肤病灶图像分割方法 | |
CN111696126B (zh) | 一种基于多视角的多任务肝脏肿瘤图像分割方法 | |
CN114723669A (zh) | 一种基于上下文信息感知的肝脏肿瘤二点五维深度学习分割算法 | |
CN111260639A (zh) | 多视角信息协作的乳腺良恶性肿瘤分类方法 | |
CN114972248A (zh) | 基于注意力机制改进的U-net肝肿瘤分割方法 | |
CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
CN113345576A (zh) | 一种基于深度学习多模态ct的直肠癌淋巴结转移诊断方法 | |
CN111709446A (zh) | 基于改进的密集连接网络的x线胸片分类装置 | |
CN116416452A (zh) | 基于二阶段深度学习模型的肺腺癌浸润性智能分类系统 | |
CN113838067A (zh) | 肺结节的分割方法和装置、计算设备、可存储介质 | |
CN114565601A (zh) | 基于DeepLabV3+改进的肝脏CT图像分割算法 | |
CN115035127A (zh) | 一种基于生成式对抗网络的视网膜血管分割方法 | |
WO2024104035A1 (zh) | 基于长短期记忆自注意力模型的三维医学图像分割方法及系统 | |
CN113420793A (zh) | 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法 | |
CN112634308A (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
CN116468887A (zh) | 一种具有普适性的结肠息肉分割方法 | |
CN113139627B (zh) | 纵隔肿物识别方法、系统及装置 | |
CN114359308A (zh) | 一种基于边缘响应与非线性损失的主动脉夹层分割方法 | |
CN114331996A (zh) | 基于自编码解码器的医学影像分型方法及系统 | |
CN114494952A (zh) | 一种基于感知损失的乳腺mri影像时间序列生成方法 |
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 |