[发明专利]多视角信息协作的肾脏良恶性肿瘤分类方法

权利要求书

1.多视角信息协作的肾脏良恶性肿瘤分类方法，具体步骤如下：

步骤1)医学图像预处理；

每个肾脏CT图像案例由矢状、冠状、横向平面三个视角的影像组成；对采集到的三个任意视角的肾脏CT图像作翻转、旋转、缩放、裁剪、平移其中一种或多种操作等数据增强操作，把经过数据增强后的图像统一裁剪为224*224像素大小的图像；最后，将处理后的数据80％用作神经网络的训练集，10％作为验证集，剩余10％作为测试集；

步骤2)构建多视角卷积网络子模型；

2.1构建DenseNet网络；

肾脏CT图像的矢状、冠状、横向平面三个视角的影像分别构建成一个多视角卷积网络的子模型；每个子模型由一个DenseNet网络组成，通过DenseNet对不同视角的肿瘤进行分类；在DenseNet中，每个层都会与前面所有层在channel维度上连接在一起，这里各个层的特征图大小是相同的，并作为下一层的输入；对于一个L层的网络，DenseNet共包含个连接，在DenseNet中，会连接前面所有层作为输入：

x_l＝H_l([x₁,x₂,...,x_l-1]) (1)

其中，上面的H_l(·)代表是非线性转化函数，它是一个组合操作，其可能包括一系列的Batch Normalization，ReLU，Pooling及Conv操作；这里L层与L-1层之间可能实际上包含多个卷积层；

DenseNet由10个子层组成，其中包括四个DenseBlock-BC块，三个Transition层：

第一层：输入层，将处理之后的224*224像素大小的肾脏CT图像输入到网络中；

第二层：卷积层，经过stride＝2的7*7卷积层后参数大小为112*112；

第三层：池化层，stride＝2的3*3最大池化层，输出参数为56*56；

第四层：DenseBlock，第一个DenseBlock块包含6个BN+ReLU+1x1 Conv+BN+ReLU+3x3Conv结构，输出参数为56*56个；

第五层：Transition层，Transition层包括一个1x1的卷积和stride＝2的2x2AvgPooling；经过此层后，输出参数减少为28*28个；

第六层：DenseBlock，此块包含12个BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv结构，输出参数为28*28个；

第七层：Transition层，此层同样包括一个1x1的卷积和stride＝2的2x2AvgPooling，经过压缩后，输出参数个数减少为14*14个；

第八层：DenseBlock，此块包含24个BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv结构，输出参数为14*14个；

第九层：Transition层，结构同上，压缩后参数减少为7*7个；

第十层：DenseBlock，此块包含24个BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv结构，输出参数为7*7个；

第十一层：输出层，首先经过一个7*7的globalAvgPooling层，去除该网络结构的最后一个全连接层，然后分别添加了2048、1024和2个神经元,让DenseNet能识别肾脏肿瘤信息；利用Xaiver算法随机初始化这三个全连接层的权值，并将最后一层的激活函数设置为Sigmoid函数；

步骤3)构建多视角信息协作卷积神经网络模型；

多视角信息协作卷积神经网络模型由上述步骤2)中提出的三个子模型组成，每个子模型输出层的两个神经元连接到多视角信息协作模型的同一个神经元分类层，之后输入到Sigmoid函数：

这个分类层的输出是本发明多视角信息协作模型的预测结果，它可以表示为：

其中W_kj:{k＝1,2,3}是每个多视角信息协作子模型输出层与分类层之间的权重集合，是三个子模型输出的加权和，是每个子模型输出的加权和，f(.)函数是Sigmoid函数；

在出现错误分类情况下，惩罚交叉熵损失算法通过对每个错误进行不同的惩罚，提供了区分假阴性和假阳性肿瘤的方法；

l(y_n,P_n)＝-δ_n[y_nlog(P_n)+(1-y_n)log(1-P_n)] (4)

惩罚因子如下：

将C设置为2给予假阴性病例更大的惩罚；

步骤4)肾脏肿瘤良恶性分类；

向步骤3)中构建好的多视角信息协作卷积神经网络模型，输入待检测的肾脏CT图像，网络输出得到肾脏肿瘤的良恶性结果。