[发明专利]基于SE-DenseNet深度学习框架和增强MR图像的肝细胞癌自动分级方法

权利要求书

1.一种基于SE-DenseNet深度学习框架和增强MR图像的肝细胞癌自动分级方法，其特征在于，包括以下步骤：

1)临床获取多模态增强MR的肝细胞癌三维图像和病理分级结果；

2)对所有的增强MR的肝细胞癌三维图像进行预处理，以作为训练数据；

3)将训练数据进行增强，扩增训练数据量；

4)基于增强的训练数据，训练肝细胞癌分级预测模型：SE-DenseNet网络；

5)采用训练好的模型对测试数据进行分级预测，评估肝细胞癌分级预测模型的分类性能；

其中，所述SE-DenseNet网络是通过将DenSE、DenSE-BC和SE框架相结合得到，SE框架即为：Squeeze-and-Excitation Networks框架；

所述步骤2)中的预处理为：从每个MR图像中提取肿瘤感兴趣区域，即ROI区域，并进行标准化，具体包括：

2-1)人工勾画肿瘤大致区域，对肿瘤进行粗略分割；

2-2)提取ROI区域，并去除背景信息；

2-3)将ROI区域标准化为固定大小：RO区域I大于标准化大小的肿瘤以肿瘤中心为基准被截取成标准化大小，ROI小于标准化大小的肿瘤被扩充填零至标准化大小；

2-4)对标准化大小的ROI区域进行像素归一化，得到预处理后的图像，以作为训练数据；其中，像素归一化采用基于Z-score方法：计算ROI区域的均值和方差，并将肿瘤部分的像素减去均值再除以方差；

所述SE-DenseNet网络以DenseNet为基本框架，将SE层加入到过渡层和稠密块之间得到，其包括依次连接的输入层、3D卷积层、3D平均池化层、N个SE-DenseNet component-V1、稠密块、3D平均池化层和全连接层；

其中，SE-DenseNet component-V1由稠密块、过渡层、SE层组成，且SE-DenseNetcomponent-V1中的稠密块由M个复合函数组成；

其中，该网络的输入其中，C₀为通道数，H₀×W₀×L₀为每个通道图像的三维大小；

该SE-DenseNet网络的训练方法包括：首先输入Input经过3D卷积层和3D平均池化层后得到输出Output₀经过N个由稠密块、过渡层、SE层组成的SE-DenseNet component-V1；最后一个SE-DenseNet component-V1的输出经过稠密块、3D平均池化层和全连接层进行目标分类；

其中的SE层包括依次连接的全局3D平均池化层、全连接层、ReLU、全连接层和Sigmoid；其中，ReLU和Sigmoid均为激活函数：

ReLU：

Sigmoid：

SE-DenseNet component-V1的处理方法具体为：

在第n个SE-DenseNet component-V1中，稠密块中第m个复合函数的输出表示为过渡层的输出表示为

SE层前一过渡层的输出Output_nT经过了全局3D平均池化层、全连接层、ReLU、全连接层、Sigmoid一系列连续操作后，得到，最后将Weight和Output_nT相乘得到Output_nT'：

然后再将得到的Output_nT'输入到网络中的SE层中的下一层稠密块；

其中，SE-DenseNet网络使用交叉熵损失与复杂损失的加权和作为网络的总损失：

loss＝cross_loss+λR(ω) (2)

式(1)中，n为输入样本X数量，X＝[x₀,x₁,…,x_n-1]，y_i为对应样本的标签，y_i∈[0,1,…,class-1],class为样本类的数量，为网络将输入x预测为y_i的概率值；

式(2)中，R(ω)为评价模型复杂度的指标，λ为复杂损失的权重，λ选取的规则是：λ与R(ω)相乘后使得λR(ω)变成和cross_loss同一量级的λ范围；

式(3)中，ω为网络中每层权值矩阵。