[发明专利]基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮图像处理方法

说明书

本发明公开了一种基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮图像处理方法。方法包含两个阶段，训练阶段和识别阶段。在训练阶段，利用大数据病理图像（带标注）在近似条件分布最大化准则下训练深度玻尔兹曼机模型参数，即采用吉布斯采样法对对比散度和持续性对比散度进行迭代更新，从而获得模型稳固性参数。在识别阶段，根据输入的盲数据（待区分），评估计算深度玻尔兹曼机决策层和隐层权重矩阵的能量函数，进而获得均匀场近似后验概率分布的估计，从而在最大化后验概率条件下选择最终结果作为判决结果。本发明通过基于人工智能的科学计算方法来对膀胱尿路上皮进行图像处理，以有效识别和定位细微病症部位。

技术领域

本发明涉及一种基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮癌图像处理方法。

背景技术

膀胱癌是指发生在膀胱黏膜上的恶性肿瘤。是泌尿系统最常见的恶性肿瘤，也是全身十大常见肿瘤之一。占我国泌尿生殖系肿瘤发病率的第一位，而在西方其发病率仅次于前列腺癌，居第2位。2012年全国肿瘤登记地区膀胱癌的发病率为6.61/10万，列恶性肿瘤发病率的第9位。膀胱癌可发生于任何年龄，甚至于儿童。其发病率随年龄增长而增加，高发年龄50～70岁。男性膀胱癌发病率为女性的3～4倍。既往将膀胱黏膜上皮称为移行细胞，1998年WHO与国际泌尿病理学会联合建议用尿路上皮一词代替移行细胞一词，以区别于在鼻腔以及卵巢内的移行上皮，使尿路上皮成为尿路系统的专有名词。2004年WHO《泌尿系统及男性生殖器官肿瘤病理学和遗传学》中尿路系统肿瘤组织学分类中膀胱癌的病理类型包括膀胱尿路上皮癌、膀胱鳞状细胞癌、膀胱腺癌，其他罕见的还有膀胱透明细胞癌、膀胱小细胞癌、膀胱类癌。其中最常见的是膀胱尿路上皮癌，约占膀胱癌患者总数的90％以上，通常所说的膀胱癌就是指膀胱尿路上皮癌，既往被称为膀胱移行细胞癌。

对于当今基于CT造影的膀胱癌病变区位和癌变等级的辨别，目前主要靠医师主观的对癌变生理组织区块扫描图像进行二维鉴别，从而做出人工判断。而人工判决极其依赖医师的经验和医术水平，即费时又费力，其判决结论还不具有稳定性。因此，急需一种融合当今人工智能前沿算法的方法，对医学造影图像进行分类识别和定位，从而提高精准性和可靠性。

在人工智能领域，人工神经网络由于其具有非线性建模和自适应数据的能力，故而被广泛用于数据分类和参数映射方面。人工神经网络依赖内部的自适应基函数之间的链接属性，从而学习和表征数据间的强相关性，反应数据的分类和回归特性。在众多神经网络的结构中，有一种深层全链接无向图结构网络，称之为深层玻尔兹曼机，该网络结构允许捕获自顶向下的信息传导和反馈作用的影响，因此类似于人脑自上而下的神经元链接，从而能有效模拟人脑认知环境和学习特征，提高人工智能算法分类的精准性。本发明利用深度玻尔兹曼机的优点，构造一种图像识别系统，有助于医疗影像中细微病变部位的识别。

发明内容

针对需求，本发明提供一种基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮癌图像处理方法，通过构建一种数据驱动的人工智能深度玻尔兹曼机模型，利用提供的大量原始医疗图像和鉴别结果作为系统输入和输出，实施智能化监督学习，在学习训练完成之后，能对未知医疗图像进行有效处理，实现细微病变部位识别和定位。

为实现上述目的，本发明采用的技术方案为：

基于尖峰平板式深度玻尔兹曼机分类的膀胱尿路上皮癌图像处理方法，包括训练阶段和识别阶段，在训练阶段，利用带标注的大数据病理图像在近似条件分布最大化准则下训练深度玻尔兹曼机模型参数：即采用吉布斯采样法对对比散度和持续性对比散度进行迭代更新，在逐层训练的基础上，利用变分随机最大似然法估计模型最优结构；

在识别阶段，根据输入的待区分盲数据，考虑图像像素之间的协方差关系，评估计算深度玻尔兹曼机决策层和隐层权重矩阵的能量函数，从而获得二值尖峰和实值平板隐藏单位的均匀场估计，得到后验概率分布的近似推断，并以最大化后验概率为决策条件选择分类结果，最终实现膀胱尿路上皮细微病变部位的识别。

训练阶段具体包括以下步骤：