[发明专利]一种基于神经网络的膀胱癌检测方法

权利要求书

1.一种基于神经网络的膀胱癌检测方法，其特征在于，包括以下步骤：

(1)采集尿脱落细胞图像样本；

(2)训练尿脱落细胞分类网络；

(3)采集尿脱落细胞样本；

(4)获取尿脱落细胞图像；

(5)将尿脱落细胞图像输入尿脱落细胞分类网络检测，获取癌症诊断结果；

(6)通过高内涵同步检测方法获取癌细胞的电学特性，机械特性及形貌纹理等高内涵数据；

(7)通过高内涵数据对膀胱癌进行分期分级诊断。

2.根据权利要求1所述的基于神经网络的膀胱癌检测方法，其特征在于，所述步骤(1)中，通过人工采集各种尿脱落细胞灰度图像样本，将所有细胞样本图像缩放到224x224大小，图像样本中要包含癌细胞图像和非癌细胞图像样本，并且每个样本都有分类标签，标签为图像样本所属的类别。

3.根据权利要求1所述的基于神经网络的膀胱癌检测方法，其特征在于，所述步骤(2)中的分类网络是基于VGG网络的改进，网络引入了分组卷积和ShuffleNet；网络卷积层中卷积核的数量从72开始，卷积核数量不断加倍；在进行通道交换和通道融合之后分别使用一组卷积组以进一步提取更丰富的特征信息，同时最后一层卷积组的卷积核数量不做加倍处理，全连接层改为两层结构；

改进后的网络结构中，网络的输入改为224x224x1的尿脱落细胞灰度图像，所有的卷积层全部采用3x3的卷积核进行卷积，步长S_c为1，填充方式选用“SAME”；所有的池化层采用大小为3x3，步长S_p为2的最大池化，填充方式选用“SAME”；

经过所述卷积层后的特征图尺寸为：

D_c＝K (3)

其中，W₀,H₀分别为卷积层之前特征图的宽度和高度；W_c,H_c，D_c分别为卷积层后特征图的宽度、高度和深度，K为卷积层的卷积核数量，S_c为卷积步长；经过该种卷积层，卷积前后特征图在长度和宽度方向上保持不变；

经过所述池化层后特征图尺寸大小为：

D_p＝D₀ (6)

其中，W₀,H₀,D₀分别为池化之前特征图的宽度、高度和深度；W_p,H_p，D_p分别为池化后特征图的宽度、高度和深度，S_p为池化步长，经过该池化层后，特征图在长度和宽度方向上各缩减一半尺寸；

改进后的网络由6个部分组成，包括5个卷积组和1个全连接组，卷积组的卷积方式包含分组卷积和全卷积，并采用通道交换和通道融合增进了信息流在组与组之间的交换，增强了网络的特征提取能力，全连接组的第一层卷积层用起到过渡作用，第二层全连接层输出分类结果，网络的具体结构为：

卷积组1：包含两层卷积层和一层池化层，组内每层卷积层的卷积核数量为72，采用分成12组的分组卷积；

卷积组2：包含两层卷积层和一层池化层，组内每层卷积层的卷积核数量为144，采用分组卷积分为12组；

卷积组3：包含三层卷积层和一层池化层，组内每层卷积层的卷积核数量为288，采用分组卷积分为12组；卷积后将每组特征再分为12份，与其余组进行通道交换；

卷积组4：包含三层卷积层和一层池化层，组内每层卷积层的卷积核数量为576，采用分组卷积分为12组；卷积后进行通道融合，将所有组的特征聚合起来组成一组；

卷积组5：包含四层卷积层和一层池化，每层卷积核数量为576，不使用分组卷积；

全连接组：包含两层全连接层，第一层全连接层神经元数量为2800，第二层全连接层神经元数量为2，最后经过softmax层输出检测结果；

尿脱落细胞分类网络的输入为224x224x1的尿脱落细胞图像，输出为一个二维向量，向量的每一维分别代表细胞图像为癌细胞图像和非癌细胞图像的概率；尿脱落细胞分类网络的训练过程为：将训练集图像调整大小(224x224x1)后输入到检测网络，利用网络预测结果和真实结果构造损失函数，通过随机梯度下降法优化网络内部参数，降低损失函数值；不断迭代此过程优化网络，直至损失函数停止下降，网络训练过程结束。