[发明专利]基于自监督密集卷积神经网络的肝脏肿瘤识别方法

权利要求书

1.一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，其特征在于，包括以下步骤：

步骤1、根据患者的磁共振图像，从多个交叉方向进行切片得到切片数据集{A}；

步骤2、对切片数据集{A}进行预处理，对切片数据集中的部分图片进行病灶标注，得到有标注数据集{X}和无标注数据集{Y}；

步骤3、构建Densenet网络并训练，Densenet网络包括依次连接的特征提取模块、全连接层和Softmax函数，将切片数据集{A}中的每个图片分割为多个图块，并对每个图块进行序号标注，将分割后的图块打乱顺序输入至Densenet网络对其进行训练，Densenet网络输出每个图块在原始图像中的位置信息；

步骤4、构建密集卷积神经网络，包括编码模块和解码模块，将训练好的DenseNet网络作为编码模块用于特征提取，解码模块为Up-sampling模块和Denseblock模块的三次堆叠，Up-sampling模块和Denseblock模块与解码模块的特征提取部分密集连接，并在最后的Denseblock模块上连接卷积层和Softmax函数；

步骤5、将有标注数据集{X}中的每个图像分割为多个图块后作为密集卷积神经网络的输入，对密集卷积神经网络进行训练，编码模块对图块进行整体分类，含有病灶像素的图块进行解码模块的计算，经过Softmax函数进行像素级别的二分类判断实现对图像的语义分割，得到该块图像的语义分割结果，不含有标注的病灶像素的图块不进行解码计算直接输出该块图像，解码模块最终将多块图像的输出结果按分割顺序还原，得到标注有病灶位置区域的原始图像。

2.根据权利要求1所述的一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，其特征在于，步骤1中采用两个交叉方向进行切片，并且两个方向相互垂直。

3.根据权利要求1所述的一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，其特征在于，步骤2中对切片数据集{A}进行预处理为图像标准化处理处理，图像标准化处理方法如下：

其中，表示未标准化处理前的切片数据集的所有图像数据矩阵，下标i和j表示图像数据矩阵的行和列，下标k表示不同的图像，I和J表示矩阵在行和列的像素个数，K表示图像的总数量，MaxP表示所有像素的最大值，MinP表示所有像素的最小值，P_i,j,k表示标准化处理后的切片数据集的所有图像数据矩阵。

4.根据权利要求1所述的一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，其特征在于，步骤3中所述特征提取模块包括卷积层、多个交替连接的Denseblock模块和Transition模块，卷积层与第一个Denseblock模块连接，最后一个Denseblock模块上再连接一个卷积层。

5.根据权利要求4所述的一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，其特征在于，步骤3中密集卷积网络采用SGD梯度下降优化算法，使用交叉熵函数计算损失函数，训练过程中采用自适应更新网络学习率的策略。

6.根据权利要求5所述的一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，其特征在于，所述损失函数的计算方法如下：

其中，m为图像分割后的数量，label_i,j表示图像块j所属类别i，predict_i,j表示图像块j属于类别i的预测概率。

7.根据权利要求1所述的一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，其特征在于，所述密集卷积神经网络使用SGD梯度下降优化算法，使用交叉熵函数计算损失函数，训练过程中采用自适应更新网络学习率的策略，自监督学习网络的损失函数包括整体判断的分类损失函数L₁和像素判断的损失函数L₂，训练时监测两者的变化。

8.根据权利要求1所述的一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，其特征在于，所整体判断的分类损失函数L₁的计算式如下：

L₁＝-[label·log(predict)+(1-label)·log(1-predict)]

其中，predict是预测图像存在病灶区域标注的概率，label是样本标签；

每一图块的像素判断的损失函数L₂方法为单个像素点的损失函数求和，其公式如下：

其中，n表示图像的总像素点个数，predict_i是模型预测图像第i个像素点属于癌细胞的概率，label_i是第i个像素点的样本标签。