[发明专利]一种基于AmoebaNet的MRI前列腺癌检测方法

权利要求书

1.一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：包括下列步骤：

S100、数据集构建：读取PROSTATEx数据集的图片数据与其对应标签，将其以矩阵形式保存；

S200、数据预处理：对数据进行增强与缩放处理；

S300、数据集划分：以K折交叉验证方法将数据集重组为多个训练集与测试集组合；

S400、模型构建：以AmoebaNet为基础构建模型，建立多尺度非线性的深度学习网络，同时加入1*1卷积对数据维度进行提升，并使用全连接对特征进行最终分类；

所述S400模型构建中，基于AmoebaNet-A进行模型构建，首先对数据进行2次1*1卷积，将数据提升到8通道，之后使用AmoebaNet模块对特征进行提取，每个AmoebaNet-A模块由5个计算模块构成，其中第一个计算模块由一个3*3大小的平均池化层与一个3*3的最大池化层构成，计算完成后，将二者得到的特征进行ADD处理，得到feature map1，该计算模块的输入为上一层网络的输入；第二个计算模块进行一次3*3的平均池化，池化的输入为本层网络的输入，计算完毕后将池化结果与上一层的输入进行ADD，得到feature map2；第三个计算模块进行一次5*5的卷积与一次3*3的卷积，5*5卷积的输入为feature map1，3*3卷积的输入为本层的输入，之后将二者的结果进行ADD，得到feature map3；第四个计算模块进行一次3*3的卷积运算，其输入为feature map1，将计算得到的结果与本层网络的输入进行ADD，得到feature map4；第五个计算模块进行一次3*3的平均池化了一次3*3的卷积运算，池化的输入为feature map3，卷积运算的输入为上一层的输入，完成计算后将二者的计算结果进行ADD，得到feature map5；待全部计算完成后，将feature map2、feature map4、featuremap5进行concate，得到本层网络提取的特征，经过5个AmoebaNet模块的特征提取后，使用全连接层完成最后的分类任务；

S500、模型训练：采用指定参数对网络进行训练，使用K折交叉验证所得的多个组合对模型进行训练；

S600、模型评价：采用准确率、召回率与F1-Score对模型识别效果进行评价。

2.根据权利要求1所述的一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：所述S100数据集构建中，使用PROSTATEx竞赛数据集，共包含前列腺癌病灶特征的图像84张，良性病例的图像280张，读取所有图片数据，将其以矩阵方式保存为npy格式，将其标签也同样以矩阵方式保存为npy格式，数据矩阵格式为(n,x,y)，其中n为数据编号，x与y为数据的二维像素矩阵，标签矩阵的格式为(n,l)，其中n为标签编号，l为数据标签，1代表前列腺癌症图片，0代表正常图片，标签与数据一一对应。

3.根据权利要求1所述的一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：所述S200数据预处理中，采用镜像变换与对比度变换两种方式对数据进行增强，镜像对换方式为将数据基于中心轴，将其两端对应像素点进行对调，达到镜像变换的目的，对比度的变换方式为，首先对灰度数据进行归一化处理，归一化方式为其中x′_i为归一化后得到的结果，x_i为待处理像素点，X为该条数据全部数值的集合，再对归一化之后的数据分别乘以0.8、0.9、1.1、1.2的系数，计算完成后再次对数据进行归一化，之后再对数据乘以255，还原图像，将数据增强后的数据与原始数据混合并随机打乱，将全部数据缩放到400*400大小。

4.根据权利要求1所述的一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：所述S300数据集划分中，采用K折交叉验证方式进行数据集的划分，将数据集划分为训练集、验证集与测试集，取K＝5，集将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e，在进行模型训练时，选取4个数据集作为训练集进行模型参数训练，1个数据集作为测试集对模型识别效果进行评估。