[发明专利]具有可解释性的肾脏肿瘤识别方法及成像方法

说明书

本发明公开了一种具有可解释性的肾脏肿瘤识别方法，包括获取历史的肾脏CT图像并进行处理；在肾脏图像上标注感兴趣区域，提取感兴趣区域的多尺度分类特征并标识；筛选多尺度分类特征得到模型输入特征；构建初步肾脏肿瘤识别模型并采用模型输入特征训练得到肾脏肿瘤识别模型；采用肾脏肿瘤识别模型对实际肾脏CT图像进行识别和解释并完成具有可解释性的肾脏肿瘤识别。本发明还公开了一种包括所述具有可解释性的肾脏肿瘤识别方法的成像方法。本发明方法的训练速度快，稳定性强，而且具有可解释性，可靠性高，通用性好，准确率较高。

技术领域

本发明属于图像处理领域，具体涉及一种具有可解释性的肾脏肿瘤识别方法及成像方法。

背景技术

随着经济技术的发展和人们生活水平的提高，人们对于健康的关注也越来越高。

CT检查在肾脏肿瘤筛查过程中，起着非常重要的辅助作用。目前，根据CT图像的肾脏肿瘤标记方法，主要依靠的还是医疗专业技术人员的人工识别和标记。但是，这种人工识别和标记的方法，不仅费时费力，而且极大地依赖于医疗专业技术人员的经验和技术，通用性不高。

随着技术的发展，机器学习方法和深度学习方法也已经开始逐步应用于肾脏肿瘤识别。1)传统的机器学习方法，如logistic回归、不同核的支持向量机、决策树和集成方法等，已经被用于识别肾脏肿瘤。(2)深度学习方法，如GoogLeNet和Inception，这些方法通常会在卷积神经网络(CNN)框架的最终输出上附加一个预测模块分支。

这些深度学习方法，由于从网络深层学习到丰富的语义信息，有助于目标识别从而提升了识别准确率。然而，现有的传统机器学习方法和深度学习方法这两类方法仍有局限性。第一，这些方法缺乏多尺度特征提取和融合以获得更好的性能：(1)传统的纹理特征不包含高级表示，这导致有限的分类特征表示和不准确的分类结果；(2)深度学习中浅层特征的空间细节通常被忽略，而深层中的高级特征处于低分辨率，这也通常导致较低的准确率。第二，这些方法仍然具有“黑匣子”本质，它们的工作原理对用户来说相当不透明，如何解释模型的输出仍然没有解决。

发明内容

本发明的目的之一在于提供一种具有可解释性，而且可靠性高、通用性好、准确率较高的具有可解释性的肾脏肿瘤识别方法。

本发明的目的之二在于提供一种包括了所述具有可解释性的肾脏肿瘤识别方法的成像方法。

本发明提供的这种具有可解释性的肾脏肿瘤识别方法，包括如下步骤：

S1.获取历史的肾脏CT图像并进行处理；

S2.在步骤S1处理后的肾脏图像上标注感兴趣区域，提取感兴趣区域的多尺度分类特征，并进行类别标识；

S3.对步骤S2获取的多尺度分类特征进行筛选，从而得到模型输入特征；

S4.构建初步肾脏肿瘤识别模型，并采用步骤S3得到的模型输入特征对该模型进行训练，从而得到肾脏肿瘤识别模型；

S5.采用步骤S4得到的肾脏肿瘤识别模型，对实际获取的肾脏CT图像进行识别和解释，从而完成具有可解释性的肾脏肿瘤识别。

步骤S1所述的获取历史的肾脏CT图像并进行处理，具体包括图像灰度范围选择、图像量化、像素位数设置和采样为设定大小的图像；图像灰度范围选择采用±3sigma法则，灰度范围为[μ-3σ,μ+3σ]，μ为图像灰度平均值，σ为图像灰度标准差。

步骤S2所述的提取感兴趣区域的多尺度分类特征，并进行类别标识，具体包括提取传统纹理特征、深度学习浅层局部特征和深度学习深层全局特征，然后以不同的标识符对图像进行标识，从而区分CT图像的类别；所述的传统纹理特征、深度学习浅层局部特征、深度学习深层全局特征和CT图像的标识符构成原始样本数据。