[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

说明书

本发明涉及一种基于Mask RCNN网络的骨肉瘤和骨软骨瘤的预测方法，该方法包括以下步骤：(1)基于患者群的X线平片，采集骨肉瘤和骨软骨瘤的原始数据；(2)将dicom格式的原始数据转换为JPG格式，对转换后的图像利用标注软件labelme进行手动标注，形成数据集。标注分为骨肉瘤和骨软骨瘤两种。(3)用COCO公开数据集及标注后的数据集，训练基于Mask RCNN的实例分割模型。(4)将预测模型生成的分割掩码输出给去重叠模块，后者的作用是用来有效消除预测结果中有预测重叠的区域。(5)经过去重叠模块之后，再输出给去异类模块，后者的作用缓解预测结果中同时有两种肿瘤出现的现象。(6)将经过两次后处理筛选模块的分割掩码输出给投影面积计算模块，后者的作用计算出识别区域的实际投影面积。本发明通过人工智能，识别X线平片上的骨肉瘤和骨软骨瘤，并计算其实际投影面积。成本低，易学，且具有较高的自动化程度和准确性。

技术领域

本发明属于计算机视觉深度学习和医学图像处理领域，涉及图像识别和实例分割技术，特别涉及一种基于Mask RCNN网络的骨肉瘤和骨软骨瘤检测系统方法。

背景技术

随着经济飞速发展，人们生活水平不断提高，科学技术不断进步，医疗健康已经成为全社会的热点问题。

现代医疗系统中，相比于大量的就诊病人，放射科医生数量少，这样造成他们的工作量大，诊断周期长；且放射科医生要面对全科的医学图像，需要的知识面宽，有难度。在高强度和难度的图像诊断工作中，人工难免会出现错误，这时可能会耽误病人的治疗，甚至是进行错误地治疗。因此，人工医学诊断存在耗时、耗力、可能出现错误等问题。针对这一现状，发明一种具有可接受正确率、低成本、效率高、易推广的智能诊断方法在一定程度上代替人工工作，将会节约很多的人力、物力和财力。

近年来，随着计算机视觉深度学习的不断进步，基于卷积神经网络的深度学习技术得到极大的发展。其中，何凯明团队在2015年提出的目标检测模型Faster RCNN在物体检测中已达到非常好的性能，Mask R-CNN在此基础上更进一步：得到像素级别的检测结果。对每一个目标物体，不仅给出其边界框，并且对边界框内的各个像素是否属于该物体进行标记。

在Mask RCNN中，Mask网络的加入，使Mask RCNN不仅能处理物体检测问题，还能处理语义分割问题。Mask RCNN将Roi Pooling层替换成了RoiAlign,并添加并列的FCN层(mask层)，同时添加特征提取网络改为了ResNet50+FPN，以强化提取特征的能力。

发明内容

针对现有技术中的以上缺陷或改进需求，本发明提供的一种基于Mask RCNN网络的骨肉瘤和骨软骨瘤预测方法，解决现有放射科医生诊断费时费力的问题。其目的在于，通过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数据集，利用Mask RCNN模型进行病症特征识别，然后通过去重叠模块、异类模块提高识别结果的准确率，最后通过投影面积计算模块，得到识别区域的实际平铺面积。

为了达到上述发明目的，本发明采用的技术方案为：一种基于Mask RCNN网络的骨肉瘤和骨软骨瘤检测系统方法，具体步骤如下：

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，实例分割模块基于Mask RCNN,用于识别骨肉瘤和骨软骨瘤的语义掩码，给出识别肿瘤类别(骨肉瘤或骨软骨瘤)、识别区域和置信度；

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，去重叠模块能够有效消除对同一目标有多个预测区域的现象。

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，能有效缓解预测结果中有同时两种肿瘤出现的现象。

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。