[发明专利]基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质

权利要求书

1.一种基于深度学习的胰腺癌肿瘤自动识别系统，其特征在于，包括深度学习模型，所述深度学习模型包括：特征提取网络、区域生成网络和Fast R-CNN目标检测网络;

所述特征提取网络用于对胰腺癌肿瘤的图像特征进行抽象，并生成卷积特征图；

所述区域生成网络用于对所述卷积特征图中存在的所有特征进行滑动扫描，在每个滑动窗口位置选出多个候选区域，所述候选区域为可能的胰腺癌肿瘤区域；

所述Fast R-CNN目标检测网络用于对卷积特征图以及所述候选区域进行进一步回归与分类，最终输出胰腺癌肿瘤区域的位置以及概率；

所述系统包括：训练与识别两个过程；

所述训练过程包括以下步骤：

步骤1，将一例已标识完成的胰腺癌增强CT动脉期、静脉期、平衡期序列图像输入所述深度学习模型，所述深度学习模型使用在ImageNet中预训练好的具有13个卷积层和3个全连接层的VGG16进行特征提取网络的初始化，区域生成网络以及Fast R-CNN目标检测网络感兴趣区域特征向量中所有权值被赋予符合偏差值为100的零平均高斯分布的随机数值；图像通过ImageNet中预训练好的具有13个卷积层和3个全连接层的VGG16网络模型输出卷积特征图，利用该卷积特征图与转移淋巴结标记信息对区域生成网络进行参数调整，完成一次区域生成网络的训练；

步骤2，将相同的图像输入深度学习模型，图像通过ImageNet中预训练好的具有13个卷积层和3个全连接层的VGG16网络模型输出卷积特征图，卷积特征图输入完成第一次训练的区域生成网络生成候选区域，与卷积特征图一同输入Fast R-CNN目标检测网络，由Fast R-CNN目标检测网络对所述卷积特征图以及所述候选区域进行进一步回归与分类获得输出，并通过反向传播对Fast R-CNN目标检测网络进行一次训练；

步骤3，设置Fast R-CNN目标检测网络及其与区域生成网络共享的所有卷积层的学习率为0，对完成第一次训练的Fast R-CNN目标检测网络输入相同的图像，对区域生成网络特有的卷积层进行重新训练；

步骤4，设置区域生成网络及其与Fast R-CNN目标检测网络共享的所有卷积层的学习率为0，输入相同的图像，对Fast R-CNN目标检测网络特有的卷积层进行重新训练。

2.如权利要求1所述的系统，其特征在于，所述特征提取网络使用VGG16网络模型对胰腺癌肿瘤的图像特征进行抽象，并生成卷积特征图。

3.如权利要求1所述的系统，其特征在于，所述在每个滑动窗口位置选出多个候选区域的过程具体为：所述滑动窗口的中心为锚点，为了得到所述候选区域，为每个锚点分配一个二值类别标签，是目标或不是目标；然后，对于具有与实际边界框的重叠最高交并比IoU的锚点，或者具有与实际边界框的重叠交并比IoU超过0.7 的锚点，分配一个正标签；对于所有的真实边界框，如果一个锚点的IoU比率低于0.3，给该锚点分配一个负标签。

4.如权利要求1所述的系统，其特征在于，对于可能为胰腺癌肿瘤的区域，所述区域生成网络利用非极大值抑制方法合并邻近区域。

5.如权利要求1所述的系统，其特征在于，所述Fast R-CNN目标检测网络和区域生成网络共享所述卷积特征图，所述Fast R-CNN目标检测网络包括感兴趣区域池化层以及后面的两个子全连接层，由感兴趣区域特征向量对所述卷积特征图以及所述候选区域进行进一步回归与分类，得到预测边界框的坐标与类别的概率分数，最终输出胰腺癌肿瘤区域的位置以及概率。

6.如权利要求1所述的系统，其特征在于，将区域生成网络与Fast R-CNN目标检测网络进行两阶段交替训练，在迭代中不断微调参数，再通过bounding box回归校准候选框位置。