[发明专利]一种膝关节周围原发恶性骨肿瘤人工智能辅助诊断模型

说明书

本发明公开了一种膝关节周围原发恶性骨肿瘤人工智能辅助诊断模型，包括骨肿瘤诊断卷积神经网络，所述骨肿瘤诊断卷积神经网络由卷积层、最大池化层和全连接层组成，所述骨肿瘤诊断卷积神经网络的卷积层使用选定的卷积核和参数矩阵对输入图片进行带权值卷积计算，输入图片为骨关节图片，所述带权值卷积计算参数即为骨肿瘤诊断卷积神经网络的训练对象，所述骨肿瘤诊断卷积神经网络的最大池化层在卷积层之后；本发明通过搭建骨肿瘤诊断卷积神经网络模型来对原发恶性骨肿瘤进行智能诊断，同时通过不断训练骨肿瘤诊断卷积神经网络模型来达到更高的准确率，使得骨肿瘤诊断卷积神经网络模型的判断确率不低于有经验的放射科医生的判断水平。

技术领域

本发明属于肿瘤诊断技术领域，具体涉及一种膝关节周围原发恶性骨肿瘤人工智能辅助诊断模型。

背景技术

卷积神经网络是一种深度前馈人工神经网络，广泛且成功地应用于图像识别领域。卷积神经网络布局更加接近实际的生物神经网络，通过对输入样本的学习调整网络各层的权值矩阵，建立神经网络模型对真实数据进行分类判别。卷积神经网络避免了显式的特征抽取，隐式地从训练数据中进行学习，同时采用权值共享的方式降低了网络的复杂性。

原发恶性骨肿瘤是一组恶性程度很高的间叶来源肿瘤，以骨肉瘤、尤文肉瘤和未分化肉瘤(恶性纤维组织细胞瘤)为代表。

原发恶性骨肿瘤起病较为隐匿，X线检查目前仍然是基层医疗机构早期筛查和诊断该类疾病的主要方法。但是由于骨肿瘤疾病较为少见，我国基层一线骨科影像科医生并不完全具备准确诊断和判断的能力，在临床上经常将骨肿瘤疾病与其他常见骨科疾病(比如骨感染、疲劳骨折、退行性骨关节病等)混淆，骨肿瘤的漏诊误诊率较高。这直接导致有相当高比例的原发恶性骨肿瘤患者会因诊断不及时错过最佳的治疗时机，失去了保留肢体的机会。不仅如此，诊断延误还恶化了治疗开始前肿瘤的临床分期，增加了肿瘤肺转移发生的概率，给患者的生存预后带来了负面影响。所以，我国基层医院急需种准确可靠的原发恶性骨肿瘤的人工智能诊断平台。

发明内容

本发明的目的在于提供一种膝关节周围原发恶性骨肿瘤人工智能辅助诊断模型，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种膝关节周围原发恶性骨肿瘤人工智能辅助诊断模型，包括骨肿瘤诊断卷积神经网络，所述骨肿瘤诊断卷积神经网络由卷积层、最大池化层和全连接层组成，所述骨肿瘤诊断卷积神经网络的卷积层使用选定的卷积核和参数矩阵对输入图片进行带权值卷积计算，输入图片为骨关节图片，所述带权值卷积计算参数即为骨肿瘤诊断卷积神经网络的训练对象，所述骨肿瘤诊断卷积神经网络的最大池化层在卷积层之后，最大池化层使用依照选定的池化核大小和步长，沿设定方向移动，依次选取在最大池化核区域内的最大数值，所述骨肿瘤诊断卷积神经网络的全连接层在整个卷积神经网络中起到分类的作用。

优选的，不同层的卷积核提取图像中的不同特征，特诊包括边缘、形状、颜色，提取的特征即CNN模型用来分辨图片类别的依据。

优选的，最大池化层用于对卷积层输出特征图像进行聚合统计，减少冗余信息，防止模型过拟合。

优选的，所述骨肿瘤诊断卷积神经网络的卷积神经网络采用深度残差网络。

一种膝关节周围原发恶性骨肿瘤人工智能辅助诊断模型的搭建方法，其特征在于：步骤一：搭建初步的骨肿瘤诊断卷积神经网络；步骤二：采集500张骨关节图片，骨关节图片选择干扰因素少或者无干扰因素的x光片，之后将其中400张图片进行预处理，处理时先对所有骨关节图片进行标记，并将骨关节图片裁剪成相同大小的若干个，然后将裁剪后的骨关节图片进行格式转换，使裁剪后的骨关节图片格式统一；步骤三：将处理后的400张骨关节图片送入卷积神经网络进行计算机自主训练，得到完善的卷积神经网络模型；步骤四：将剩余的100张骨关节影像送入该卷积神经网络模型进行测试，得到准确率。