【技術實現步驟摘要】
本專利技術涉及圖像處理，尤其是涉及融合resnet的深度殘差學習框架和capsnet的高級特征表示能力的一種基于capsnet的肝癌早期診斷模型。
技術介紹
1、ct掃描具有速度快、圖像分辨率高的特點，常規應用在肝臟的疾病診斷。因此，在早期肝癌的診斷上，ct平掃和動態增強成為了首選的檢查方法。但是，肝癌新發病例的增加導致診斷的圖像數量呈爆炸式增長，造成影像科醫生有巨大的工作壓力，誤診率較高，尤其是對肝癌早期診斷方面。因此，如何提高肝癌診斷的準確性和效率，成為了當前醫學領域亟待解決的問題。
2、過去，傳統卷積神經網絡在傳輸信息時，可能會面臨信息丟失等挑戰。隨著網絡層數的遞增，梯度消失或梯度爆炸的問題也可能愈發嚴重，導致網絡無法訓練。resnet在一定程度上解決了這個問題，其引入殘差學習的概念，通過跳躍連接，將輸入跨層傳遞并添加到卷積結果中，網絡結構靈活，可以選擇性地學習輸入與輸出之間的增量，有助于信息的傳播，保護了信息完整性，顯著提高準確率(he?k,zhang?x,ren?s,sun?j.deep?residuallearning?for?image?recognition[c].proceedings?of?the?2016ieee?conference?oncomputer?vision?and?pattern?recognition(cvpr),2016,pp.770-778.)。目前許多研究提出將resnet應用在醫學圖像分類領域(wang?m,gong?x.metastatic?cancer?imagebi
3、近來，capsnet因其在特征提取和表示學習方面的優勢逐漸受到了關注。相較于傳統的卷積神經網絡，在對圖像進行建模和表示時，capsnet能夠更好地捕捉圖像的層次結構和空間關系，具有更強的表征能力和泛化能力(sabour?s,frosst?n,hinton?ge.dynamicrouting?between?capsules[j].advances?in?neural?informationprocessing?systems,2017,30.)。此外，很多研究將capsnet應用在醫學圖像分類領域(yang?s,lee?f,miao?r,cai?j,chen?l,yao?w,kotani?k,chen?q.rs-capsnet:anadvanced?capsule?network[j].the?multidisciplinary?open?access?journal,2020,8:85007-18；afriyie?y,weyori?b?a,opoku?a?a.exploring?optimised?capsule?networkon?complex?images?for?medical?diagnosis[c].proceedings?of?the?2021ieee?8thinternational?conference?on?adaptive?science?and?technology(icast),2021,pp.1-5；zhang?z,ye?s,liao?p,liu?y,su?g,sun?y.enhanced?capsule?network?for?medicalimage?classification[c].proceedings?of?the?2020?42nd?annual?internationalconference?of?the?ieee?engineering?in?medicine&biology?society(embc),2020,pp.1544-1547；zhang?h,li?z,zhao?h,li?z,zhang?y.attentive?octave?convolutionalcapsule?network?for?medical?image?classification[j].applied?sciences,2022,12(5):2634.)。但多數研究側重于通過本質的解決數據量問題，搜集新數據或者對數據進行擴充操作處理，未對capsnet在數據量有限和類別不平衡的情況深入研究。
技術實現思路
1、本專利技術的目的在于針對目前臨床中收集到患者的肝臟增強ct圖像存在數量有限和類別不平衡等問題，提供能夠克服患者的肝臟增強ct圖像數量有限和類別不平衡問題的一種基于capsnet的肝癌早期診斷模型。提出融合resnet的深度殘差學習框架和capsnet的高級特征表示能力的e-capsnet，提高肝癌早期診斷的準確性和效率。
2、本專利技術包括以下步驟：
3、1)提取輸入的肝臟增強ct圖像的特征，通過resnet模塊，包含conv1初始卷積層，進行卷積、正則化、激活函數、最大池化的計算；
4、2)步驟1)輸出的特征在primarycaps層進一步捕捉特征的空間信息，輸出圖像的初級特征，再通過最大池化層減少維度之后，進一步抽象和細化特征；
5、3)通過在primarycaps層和digitcaps層之間添加的額外primarycaps層的設計，識別和整合局部特征；
6、4)經過digitcaps層進行分類，包含一個數字膠囊層，用于進行動態路由，再經過本文檔來自技高網...
【技術保護點】
1.一種基于CapsNet的肝癌早期診斷模型，其特征包括以下步驟：
2.如權利要求1所述一種基于CapsNet的肝癌早期診斷模型，其特征在于在步驟1)中，所述ResNet模塊對圖像特征的提取的方法首先以一個標準的卷積層開始，Conv1初始卷積層未引入殘差塊的設計，Conv1初始卷積層用于對輸入進行初步處理，該層選擇卷積核大小h×h，以步長為r進行下采樣，隨后接一個批量歸一化層和ReLU激活函數；緊接著是一個最大池化層，用h×h的卷積核和步長為r進一步下采樣；
3.如權利要求1所述一種基于CapsNet的肝癌早期診斷模型，其特征在于在步驟2)中，所述步驟1)輸出的特征在PrimaryCaps層捕捉特征的空間信息，輸出圖像的初級特征，通過最大池化層減少維度后，抽象和細化特征，其中PrimaryCaps層是CapsNet的整個框架三個核心部分之一；CapsNet的整個框架由三個核心部分構成：卷積層、PrimaryCaps層以及DigitCaps層；PrimaryCaps層用于存儲低級別的特征向量，捕捉特征的空間信息，輸出圖像的初級特征，在通過最大池化層減少維度后
4.如權利要求1所述一種基于CapsNet的肝癌早期診斷模型，其特征在于在步驟3)中，所述通過在PrimaryCaps層和DigitCaps層間添加的額外PrimaryCaps層的設計，識別和整合局部特征，其中進行兩層PrimaryCaps操作，以增強模型對圖像中不同級別特征的理解能力，提高網絡對圖像細節的敏感性和分類的準確性。
5.如權利要求1所述一種基于CapsNet的肝癌早期診斷模型，其特征在步驟4)中，所述經過DigitCaps層進行分類，包含一個數字膠囊層，用于進行動態路由，再經過Squash操作，得到由8維的向量組成的特征圖，具體方法包括：
...【技術特征摘要】
1.一種基于capsnet的肝癌早期診斷模型，其特征包括以下步驟：
2.如權利要求1所述一種基于capsnet的肝癌早期診斷模型，其特征在于在步驟1)中，所述resnet模塊對圖像特征的提取的方法首先以一個標準的卷積層開始，conv1初始卷積層未引入殘差塊的設計，conv1初始卷積層用于對輸入進行初步處理，該層選擇卷積核大小h×h，以步長為r進行下采樣，隨后接一個批量歸一化層和relu激活函數；緊接著是一個最大池化層，用h×h的卷積核和步長為r進一步下采樣；
3.如權利要求1所述一種基于capsnet的肝癌早期診斷模型，其特征在于在步驟2)中，所述步驟1)輸出的特征在primarycaps層捕捉特征的空間信息，輸出圖像的初級特征，通過最大池化層減少維度后，抽象和細化特征，其中primarycaps層是capsnet的整個框架三個核心部分之一；capsnet的整個框架由三個核...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。