[发明专利]一种用于前列腺癌辅助诊断的深度学习方法

权利要求书

1.一种用于前列腺癌辅助诊断的深度学习方法，其特征在于：构建一个含有预训练模型和链式残差池化模块的分割网络模型，对输入的不同尺度的前列腺MR图像进行特征提取和融合，然后使用随机梯度下降算法对所构建的分割网络进行优化得到训练好的模型，再将待分割的前列腺MR图像输入进已训练的模型中，最后将该模型输出的结果通过条件随机场来输出最后的分割结果，其步骤如下：

(1)、选取多个病人的前列腺MR图像作为训练数据集；

(2)、对训练数据集中的图片采用水平和垂直翻转以及调节亮度、对比度、饱和度的数据增强方式来进行扩展，将扩展后的训练图片分别按原图的{1,0.75,0.5}的大小调整为3个尺度；

(3)、将步骤(2)得到的多尺度图片输入到分割网络模型进行训练，此分割网络主要由ResNet预训练模型和链式残差池化模块构成；三个尺度的图片分别输入一个ResNet预训练模型，通过微调ResNet预训练模型的参数来提取输入图像的多尺度特征；将得到的三种不同尺度的特征图上采样到与原始图像相同大小并进行融合，然后把融合后的特征图输入链式残差池化模块；所述链式残差池化模块是一个包含多个池化块的链，每个池化块由一个最大池化层和一个卷积层组成，一个池化块将前一个池化块的输出作为输入，使得当前池化块能再次利用前面池化块的结果，将所有池化块的输出特征图与输入特征图通过残差连接的方式融合在一起形成一个链式残差池化模块来从大图像区域捕获背景上下文信息；

(4)、对(3)所构建的分割网络使用随机梯度下降的方法进行优化，该算法是通过不断的求偏导求解出当前位置下最优化的数据；分割网络所采用的损失函数为BCE损失，该损失是通过惩罚输出的分割结果与对应的人工分割图之间的距离来定义的，所以最小化该损失即使分割网络产生的分割结果更接近于人工分割图；BCE损失的定义式如下：

其中，m为每次抽取作为训练样本的数量，t_j为前列腺MR图像对应的人工分割图，p_j为分割网络输出的分割结果，通过随机梯度下降算法来最小化(1)式；经过至少1000次的迭代更新，直至损失函数收敛，得到稳定的训练好的分割网络；

(5)、将待分割的病人的前列腺MR图像输入进步骤(4)中得到的训练好的网络中，输出分割结果图；

(6)、对(5)输出的分割结果图，进一步用条件随机场来平滑噪声，细化边缘细节，得到最终的分割结果，将此结果与正常的影像学形态进行对比，给出辅助诊断信息，从而应用于前列腺癌的诊断中。