[发明专利]一种具有可解释性的医学图像深度学习方法

权利要求书

1.一种具有可解释性的医学图像深度学习方法，其特征在于，包括如下步骤：

1)对获取的原始医学图像进行图像增强，增加图像数量，作为输入图像输入到网络之中；

2)对所述输入图像利用VGG-16网络提取图像特征，得到符合中间临床特征的医学预测图；对于输入的图像，采用VGG-16网络的下采样层，生成对应五层卷积即五种尺寸的特征提取图，将第一层卷积得到的特征图舍去，取其中后四层作为上采样利用的特征提取层，其中第二层作为边界分割的特征提取层，后三层作为整体图像结构的特征提取层；

3)将获得的预测图与标准中间临床特征相对比，计算二者的交叉熵损失Loss_x，y，调整VGG-16网络参数，使计算的交叉熵损失小于设定的阈值，从而完成网络的学习，使VGG-16网络得到的预测图符合关于比对结果的要求。

2.如权利要求1所述的医学图像深度学习方法，其特征在于，步骤1)中，所述进行图像增强并增加图像数量包括反转、旋转和随机通道偏移三种方法；将输入图像统一剪裁为256*256大小，同时将每8张二维图像设置为一组，并编号为0-7，同时将8张图片作为一组输入网络之中，避免学习梯度的反复跳动并加快网络特征学习收敛的速率。

3.如权利要求1所述的医学图像深度学习方法，其特征在于，步骤2)中，将输入图片的256尺寸，分别采样为128、56、28、14、7。

4.如权利要求1至3任一项所述的医学图像深度学习方法，其特征在于，步骤2)具体包括以下步骤：

2.1)对于得到的特征图，首先利用位置敏感特征提取结构对感兴趣目标区域标出目标检测框，并将目标检测框设定为各通道中检测框最大的尺寸；

2.2)使用卷积结构提取整体图像特征和边界特征；

2.3)对提取的整体图像特征和边界特征进行归一化，而后将二者特征值相结合；

2.4)将通过不同尺寸的特征图经过上采样得到的预测图按照人为确定的比例concat在一起。

5.如权利要求4所述的医学图像深度学习方法，其特征在于，所述比例对应于第二层至第五层分别为0.1、0.05、0.25、0.6。

6.如权利要求4所述的医学图像深度学习方法，其特征在于，步骤2.2)中，每一层采用如下处理：

对于整体图像特征的提取，其loss函数取Dice Loss，其公式定义如下：

其中|X∩Y|是X和Y之间的交集，|X|和|Y|分别表示X和Y的元素的个数，其中，分子的系数为2；i代表选取的第i层特征图；

对边界特征的提取采用对距离特征学习的方式，即对内部点到边界的距离进行学习，而后运用Hausdorff loss函数进行优化，其公式如下：

HausdorffLoss(i)＝d_H(X,Y)＝max{d_XY,d_YX}

其中d_H(*)指的是括号中两集合之间的特征点差距大小，X,Y即为比较的两集合，d_XY与d_YX分别指X中特征点到集合Y的最小距离与Y中特征点到X中的最小距离。

7.如权利要求6所述的医学图像深度学习方法，其特征在于，步骤2.3)中，将边界距离特征以及整体像素特征分别进行归一化，而后按照二者在总面积上所占的概率进行结合，其公式如下：

Loss(i)＝αDiceloss(i)+(1-α)HausdorffLoss(i)

其中，α代表非边界像素在总体像素中所占的比例；

总体Loss函数也为二者按权重相加之和：

其中，y_-，y₊分别代表在边界和不在边界的像素集合；P(y_pre,j＝0)以及P(y_pre,j＝1)代表表示预测像素类别在groudtruth像素j处的概率。