[发明专利]一种基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法

权利要求书

1.一种基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法，具体步骤如下，其特征在于，

步骤(1)：构建用于检测骨肉瘤和骨软骨瘤的深度神经网络模型，包括实例分割模块、去重叠模块、去异类模块和投影面积计算模块。

其中，实例分割模块是基于Mask RCNN构建的用于识别骨肉瘤和骨软骨瘤的语义掩码；

去重叠模块是根据语义掩码的预测结果，判断有重叠区域的像素是否超过了设置的阀值，如果是，则保留识别区域较大的语义掩码；

去异类模块是根据语义掩码中的预测置信度，将置信度低的语义掩码剔除；

投影面积计算模块用于根据预测的语义掩码，计算识别区域的平铺面积。

步骤(2)：对基于Mask RCNN的实例分割模块进行训练，包括:

步骤(2.1)、采集患者群的骨软骨瘤和骨肉瘤的X线平片医学图像，形成原始数据集；

步骤(2.2)、将医学图像的dicom格式原始数据转换为JPG格式，用标注软件labelme在图像上分别标注骨肉瘤和骨软骨瘤标签，获得包括原始图像和其对应标签的json文件。将数据集随机分为训练集、验证集和测试集，比例为7:1:2；

步骤(2.3)、利用深度学习中的迁移学习思想，用COCO公开数据集的权重，对Mask RCNN初始化。使用训练集进行训练，训练过程中，每个epoch使用验证集进行验证。如果验证曲线收敛，则进入步骤(3)；否则，返回步骤(2.1)，扩大原始数据库，并重新做标签，重复训练及验证过程；

步骤(3)：使用测试集测试Mask RCNN模型的预测效果。

2.如权利要求1所述的基于Mask RCNN网络的骨肉瘤和骨软骨瘤的预测方法，其特征在于，步骤(1)中，为了赋予模型多角度X线平片的普适性，降低模型的损失值，在模型的数据集中包含了不同视角的图片数据。

3.如权利要求1所述的基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法，其特征在于，步骤(2)中，制作原始数据的标签时，标注种类分为两种，分别是骨肉瘤、骨软骨瘤。

4.如权利要求1所述的基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法，其特征在于，步骤(2.3)中，Mask RCNN模型采用ResNet-50网络+特征金字塔网络作为特征提取器，用于从原始图片中提取图像的低级特征和高级特征。通过这个过程，它允许每一级的特征都可以和高级、低级特征互相结合；这些特征输入区域建议网络，生成建议区域。之后将建议区域对齐池化，识别出语义掩码。

5.如权利要求4所述的基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法，其特征在于，区域建议网络中使用了锚点，可以将不同尺寸的输入调整成为相同尺寸的输出,使得任意大小的特征图都能够转换成固定大小的特征向量。

6.如权利要求1所述的基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法，其特征在于，步骤(2.3中)Mask RCNN网络的损失函数L如下：

L＝Lcls+Lbox+Lmask

其中，Lcls、Lbox、Lmask分别表示分类、回归、语义预测的损失函数。其数值为损失值。

7.如权利要求1所述的基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法，其特征在于，包括X线平片装置和处理器，以及按照权利要求1～6任意一项所述的图像智能预测方法进行训练及验证后获得的，用于检测骨肉瘤和骨软骨瘤的深度学习神经网络模型程序模块；所述处理器调用所述深度学习神经网络模型程序模块对所述X线平片装置预测的图像进行分析，从而识别病人是否患有骨肉瘤或骨软骨瘤。