【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及深度學(xué)習(xí)與放射組學(xué)融合的ct圖像結(jié)石識別方法及裝置，屬于醫(yī)學(xué)影像分析，特別涉及醫(yī)學(xué)影像分析領(lǐng)域中的結(jié)石ct影像識別，可以應(yīng)用于以醫(yī)療機(jī)構(gòu)對結(jié)石患者的診斷，以及結(jié)石ct影像的處理。
技術(shù)介紹
1、結(jié)石病是晶體物質(zhì)(如鈣、草酸、尿酸等)在腎臟內(nèi)異常聚積所致，是泌尿系統(tǒng)的常見病和多發(fā)病。40％到75％的結(jié)石患者有不同程度的腰痛問題，并且治療6到7年后仍有著高復(fù)發(fā)風(fēng)險(xiǎn)、這給患者的生活帶來很大的影響。結(jié)石病的發(fā)病率呈逐年上升趨勢，這對患者的生活和醫(yī)療資源造成了負(fù)面影響，因此研究結(jié)石的癥狀表現(xiàn)以及尋找更優(yōu)秀的檢測和辨別方法是當(dāng)今醫(yī)學(xué)研究的主要問題之一。結(jié)石病的治療策略主要取決于患者體內(nèi)結(jié)石的種類、大小、數(shù)量、以及位置。其中結(jié)石的種類最為重要，提前了解患者體內(nèi)結(jié)石的種類，能夠輔助醫(yī)生進(jìn)行術(shù)前治療策略的制定，并從治療手段和生活方式兩個(gè)方面對患者進(jìn)行干預(yù)，并防止術(shù)后患者結(jié)石病的復(fù)發(fā)。對于術(shù)前的結(jié)石種類識別，通常由臨床經(jīng)驗(yàn)豐富的醫(yī)生通過ct影像和臨床病理信息對患者結(jié)石的種類進(jìn)行判別。醫(yī)生雖然能夠借助ct影像和患者年齡、性別等臨床病理信息對在術(shù)前對患者的結(jié)石種類進(jìn)行判別，但是這種方式具有主觀性，判別結(jié)果因人而異，不同的醫(yī)生可能給出不同的結(jié)果。因此研究術(shù)前結(jié)石種類的自動識別算法，能夠減輕醫(yī)生的壓力，并有助于醫(yī)生的治療選擇和患者的康復(fù)，具有一定的科研價(jià)值和社會意義。
2、對于術(shù)前結(jié)石種類的判別，通常由醫(yī)生根據(jù)患者的ct影像，結(jié)合自身的臨床經(jīng)驗(yàn)，給出結(jié)石的種類判別。然而由于不同醫(yī)生的臨床經(jīng)驗(yàn)存在差異，可能導(dǎo)致對同一個(gè)ct影像給出不
3、但是深度學(xué)習(xí)要達(dá)到較好的效果通常需要數(shù)千甚至數(shù)萬級的數(shù)據(jù)支持，而結(jié)石ct影像由于受到數(shù)據(jù)規(guī)范、個(gè)人隱私、采集系統(tǒng)差異等問題的影響，數(shù)據(jù)量只有幾百，十分有限，因而使用神經(jīng)網(wǎng)絡(luò)模型直接進(jìn)行結(jié)石種類識別難以達(dá)到較高的準(zhǔn)確率。本專利技術(shù)充分利用放射組學(xué)方法和深度學(xué)習(xí)方法各自對ct影像進(jìn)行特征提取的優(yōu)勢，構(gòu)建了一種深度學(xué)習(xí)結(jié)合放射組學(xué)的結(jié)石種類識別框架，以此來實(shí)現(xiàn)術(shù)前高效的結(jié)石種類識別。
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述問題，本專利技術(shù)提供了深度學(xué)習(xí)與放射組學(xué)融合的ct圖像結(jié)石識別方法及裝置，充分利用放射組學(xué)方法和深度學(xué)習(xí)方法各自對ct影像進(jìn)行特征提取的優(yōu)勢，實(shí)現(xiàn)術(shù)前高效的結(jié)石種類識別。
2、本專利技術(shù)的技術(shù)方案是：第一方面，深度學(xué)習(xí)與放射組學(xué)融合的ct圖像結(jié)石識別方法，所述方法包括：
3、step1、構(gòu)建一個(gè)由三維卷積組成的分類神經(jīng)網(wǎng)絡(luò)，利用該網(wǎng)絡(luò)提取結(jié)石ct影像中的深度學(xué)習(xí)特征；
4、step2、利用放射組學(xué)的方法提取神經(jīng)網(wǎng)絡(luò)中淺層輸出的形態(tài)特征、一階統(tǒng)計(jì)特征以及紋理特征，最后得到放射組學(xué)特征；
5、step3、將放射組學(xué)特征與神經(jīng)網(wǎng)絡(luò)中的深度學(xué)習(xí)特征相融合，對融合后的特征進(jìn)行正則化和lasso特征選擇，將篩選后的特征送入lightgbm分類器中，以此來實(shí)現(xiàn)術(shù)前結(jié)石種類的識別。
6、進(jìn)一步地，所述step1中包括：
7、(1)所述的一個(gè)由三維卷積組成的分類神經(jīng)網(wǎng)絡(luò)共有15層，簡稱3d卷積神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)的輸入維度是136×118×110×1，其中136×118×110表示每個(gè)樣本的輸入時(shí)的大小，1表示通道數(shù)；樣本輸入后經(jīng)過1個(gè)3d卷積、1個(gè)批歸一化、和1個(gè)3d最大池化，以此來提取ct影像中的淺層特征；
8、(2)在圖像深度學(xué)習(xí)特征提取過程中，為了防止訓(xùn)練過程中出現(xiàn)梯度消失和梯度爆炸的問題，構(gòu)建了3組3d殘差模塊；同時(shí)，為了降低特征輸出維度、提高訓(xùn)練效率，在每個(gè)殘差模塊后跟隨了一個(gè)池化層；之后通過flatten將二維特征展平成一維矢量特征，用于與全連接層進(jìn)行維度匹配，從而實(shí)現(xiàn)分類概率預(yù)測；由于展平后的特征數(shù)量過多，使用2個(gè)全連接層進(jìn)行特征降維，分別輸出64維和512維的網(wǎng)絡(luò)特征；為了防止網(wǎng)絡(luò)在訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象，在這兩個(gè)全連接層之后，利用dropout來對網(wǎng)絡(luò)的權(quán)重進(jìn)行隨機(jī)丟包，從而提升模型的泛化能力；最后再經(jīng)過一個(gè)全連接層和softmax激活函數(shù)，得到2×1的概率張量來獲得分類結(jié)果；使用二分類交叉熵?fù)p失函數(shù)對模型進(jìn)行訓(xùn)練，損失函數(shù)如公式(1)所示：
9、
10、式中，n表示樣本數(shù)量，yi表示網(wǎng)絡(luò)預(yù)測概率，表示真實(shí)標(biāo)簽。
11、上述獲取深度學(xué)習(xí)特征的過程本質(zhì)上是一個(gè)監(jiān)督學(xué)習(xí)過程，通過感染性或非感染性的標(biāo)簽信息進(jìn)行監(jiān)督，訓(xùn)練一個(gè)腎結(jié)石分類網(wǎng)絡(luò)。此時(shí)，該網(wǎng)絡(luò)已經(jīng)具備腎結(jié)石種類分類的能力。然而，此時(shí)的網(wǎng)絡(luò)僅使用深度學(xué)習(xí)特征進(jìn)行腎結(jié)石分類，性能不夠理想。因此，3d卷積神經(jīng)網(wǎng)絡(luò)的全連接層1和全連接層2的輸出作為深度學(xué)習(xí)特征；深度學(xué)習(xí)特征fdl表示如公式(2)所示：
12、fdl＝concat(fdl-1,fdl-2)?????(2)
13、其中：
14、
15、其中，concat表示拼接，x表示輸入的樣本信息，3dconnetp表示3d卷積神經(jīng)網(wǎng)絡(luò)平均池化層的輸出，fla表示平展，fc表示全連接。
16、進(jìn)一步地，所述step2中包括：
17、將3d卷積神經(jīng)網(wǎng)絡(luò)中的淺層特征圖，即第一個(gè)池化層的輸出，在通道維度上的進(jìn)行平均計(jì)算后作為放射組學(xué)方法的輸入；其中，淺層特征圖的維度為57×53×66×64，64表示通道數(shù)量，經(jīng)過通道維度上的平均操作之后，得到作為放射組學(xué)輸入的圖像，其維度為57×53×66；
18、使用放射組學(xué)方法提取特征時(shí)，先將輸入圖像經(jīng)過小波變換和拉普拉斯變換得到對應(yīng)的變換圖像；然后，分別提取原始輸入圖像、小波變換圖像和拉普拉斯變換圖像中的一階統(tǒng)計(jì)特征、形態(tài)特征、和紋理特征；最后，將放射組學(xué)提取到的各類特征拼接得到放射組學(xué)特征fra，如公式(3)所示：
19、fra＝concat(fo,fw,fl)???????(3)
20、其中，fo表示由原始圖像提取到的特征，fw表示經(jīng)由小波變換提取到的特征，fl表示經(jīng)由拉普拉斯變換提取到的特征，concat表示拼接。
21、進(jìn)一步地，所述step3中包括：
22、將深度學(xué)習(xí)提取到的多層級深度學(xué)習(xí)特征與放射組學(xué)特征相融合，以此來整合兩種特征表達(dá)的優(yōu)勢，特征融合方法如公式(4)所示：
23、fco＝con(fdl,fra)??????(4)
24、其中，fco為多維特征向量，包含豐富的結(jié)石種類信息，concat表示拼接；此外，融合后的特征由于存在數(shù)值分布不均勻的問本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.深度學(xué)習(xí)與放射組學(xué)融合的CT圖像結(jié)石識別方法，其特征在于：所述方法包括：
2.根據(jù)權(quán)利要求1所述的深度學(xué)習(xí)與放射組學(xué)融合的CT圖像結(jié)石識別方法，其特征在于：所述Step1中包括：
3.根據(jù)權(quán)利要求1所述的深度學(xué)習(xí)與放射組學(xué)融合的CT圖像結(jié)石識別方法，其特征在于：所述Step2中包括：
4.根據(jù)權(quán)利要求1所述的深度學(xué)習(xí)與放射組學(xué)融合的CT圖像結(jié)石識別方法，其特征在于：所述Step3中包括：
5.深度學(xué)習(xí)與放射組學(xué)融合的CT圖像結(jié)石識別裝置，其特征在于：包括用于執(zhí)行如權(quán)利要求1-4任一權(quán)利要求所述的方法的模塊。
【技術(shù)特征摘要】
1.深度學(xué)習(xí)與放射組學(xué)融合的ct圖像結(jié)石識別方法，其特征在于：所述方法包括：
2.根據(jù)權(quán)利要求1所述的深度學(xué)習(xí)與放射組學(xué)融合的ct圖像結(jié)石識別方法，其特征在于：所述step1中包括：
3.根據(jù)權(quán)利要求1所述的深度學(xué)習(xí)與放射組學(xué)融合的ct圖像結(jié)石識別方法，其特...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：詹憶冰，齊沖沖，詹均，林旭，楊輝，普磊，
申請(專利權(quán))人：云南聯(lián)合視覺科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。