[发明专利]一种基于AmoebaNet的MRI前列腺癌检测方法

说明书

本发明属于图像识别技术领域，具体涉及一种基于AmoebaNet的MRI前列腺癌检测方法，包括如下步骤：数据集构建、数据预处理、数据集划分、模型构建、模型训练、模型评价，所述数据集构建读取PROSTATEx数据集的图片数据与其对应标签，将其以矩阵形式保存；所述数据预处理对数据进行增强与缩放处理；所述数据集划分以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；所述模型构建以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；所述模型训练对多个组合对模型进行训练；所述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。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于AmoebaNet的MRI前列腺癌检测方法。

背景技术

MRI是检测前列腺癌的一种可信度极高的方法，但是，对MRI图像进行准确的解释需要放射科医生具有大量的专业知识和经验，且需要耗费大量的时间，所以现在MRI诊断应用率较低。

存在问题或缺陷的原因：经直肠超声引导穿刺活检是目前诊断前列腺癌最可靠的方法，然而，这种传统的诊断方法不仅使患者非常痛苦，而且还可能导致采样区域不是病变区域的情况，从而延缓了疾病的治疗，或者可能导致过度诊断和治疗。

发明内容

针对上述图像识别技术模型应用较差的技术问题，本发明提供了一种识别效率高、成本低、泛化能力强的基于AmoebaNet的MRI前列腺癌检测方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于AmoebaNet的MRI前列腺癌检测方法，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；

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。

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。

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。