[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

说明书

本发明公开的基于自监督密集卷积神经网络的肝脏肿瘤识别方法，患者的磁共振图像获取肝脏切片数据集，将切片数据集分割后用于对构建的密集卷积网络进行训练，并将训练后的密集卷积网络做编码模块，构建自监督学习网络，编码模块和编码模块的密集连接，对切片数据集中部分的图像的肿瘤区域进行人工标记，然后对整个切片数据集进行分割，采用分割后的图块对自监督学习网络进行训练，采用训练后的自监督学习网络对图像中的肿瘤进行自动识别，该基于自监督的密集卷积神经网络用于肝脏肿瘤识别，设置了一个“拼图”任务作为自监督的上游训练任务，从大量未经医学标注的图像中学习有用表示，用于下游目标任务的学习训练，以达到自动扩充训练数据样本，减少对专家经验和历史数据的依赖，提升肝脏病灶区域识别准确率的目的。

技术领域

本发明属于医学图像识别技术领域，具体涉及基于自监督密集卷积神经网络的肝脏肿瘤识别方法。

背景技术

肝癌(hepatocellular carcinoma,HCC)是世界上死亡率和发病率最高的恶性肿瘤之一，虽然手术切除是治疗肝癌的首选治疗方法，但临床中HCC早期症状通常不明显，绝大多数发现时已处于中晚期，或者由于伴有较重肝硬化、肝功能异常等条件限制，使临床发现的HCC能够获得手术切除机会的不足25％。对于不具备手术切除条件的病人，经肝动脉化疗栓塞术(Transarterial chemoembolization,TACE))是主要的选择。TACE治疗HCC的理论基础是正常肝组织的血供70％-75％来自门静脉，仅25％-30％来自肝动脉。而HCC的血供95％-99％来自肝动脉，结扎或栓塞肝动脉后，肿瘤血供减少90％，而正常肝组织血流量只减少35％-40％，不影响正常肝组织血供。肿瘤组织对于缺血、缺氧敏感性较高，并且由于肿瘤血管多较正常血管增粗，而且血流缓慢，具有虹吸现象，可以使化疗药物和栓塞剂较多地滞留在肝癌血管组织内。为判断药物对癌细胞的治疗效果，需要对医学图像进行病灶区域识别以进行前后对比。

目前，B超、CT、MRI是临床诊断肝癌的主要手段。多层螺旋CT和MRI多期增强扫描在诊断肝癌方面的临床应用更为突出，尤其是MRI多期增强扫描在诊断直径3cm的肝癌方面更能发挥优势。通过MRI检查可以发现肝脏病灶区域，前后对比获得TACE治疗对病灶的影响，决定下一步的治疗方案，但是这都需要人工识别MRI图像上的病灶区域，这种方式比较耗费时间和精力，并且对于同一个医生而言，对于相同的MRI图像可能也会给出不同的结果，这对后续医学分析是不利的。

鉴于人工分割的不利性，迫切需要一种智能化的图像识别方法以代替人工识别。深度学习在医学图像领域发挥了重要的作用，在医学图像领域，图像分割一般定义为对感兴趣区域的边缘或内部像素点进行识别，以方便对器官、组织或病变区域的形态参数进行定量测量。基于卷积神经网络技术的U-net是目前医学领域著名的神经网络框架，该框架结合了相同数量的上采样层与下采样层，可以实现将整幅图图像在一次正向处理过程中直接生成分割图像，同时保证了高分辨率信息的保存，深度学习在医学图像领域存在训练样本数据不足的问题，因为人工标记大量的数据，并要求相当高的准确率是难以实现的。

发明内容

针对现有技术中存在的问题，本发明提供一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，使用了自监督学习强化学习，能够学习未标记数据的有用表示，提高模型对肝脏MRI图像病灶识别的准确率。

本发明是通过以下技术方案来实现：

一种基于自监督密集卷积神经网络的肝脏肿瘤识别方法，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}；