[发明专利]一种基于深度学习的MRI图像自动评估腺样体肥大的方法

权利要求书

1.一种基于深度学习的MRI图像自动评估腺样体肥大的方法，其特征在于，包括以下步骤：

步骤A、将采集的所有MRI图像从DICOM格式转换为PNG格式，从冠状位序列中选择鼻中隔所在的一帧及其左右几帧图像，进行灰度归一化预处理，将像素值统一到[0,1]区间，裁剪为560pix*640pix的图片，对数据集进行标注；

步骤B、增强步骤A中处理后的图像，扩大数据集，把扩大后的数据集分成三个部分，即训练集、验证集和测试集；

步骤C、构建基于卷积神经网络的AdenoidNet腺样体评估网络模型；

步骤D、使用步骤B中得到的训练集和验证集对AdenoidNet进行训练，生成训练模型；

步骤E、使用步骤B中得到的测试集对步骤D中生成的训练模型进行测试。

2.根据权利要求1所述的基于深度学习的MRI图像自动评估腺样体肥大的方法，其特征在于，所述步骤B中，扩大数据集的具体操作为：

将图像数据进行水平翻转、旋转不同的角度以及缩放。

3.根据权利要求1所述的基于深度学习的MRI图像自动评估腺样体肥大的方法，其特征在于，所述步骤C中，基于CNN的AdenoidNet腺样体评估网络模型包括：

编码器模块，用于通过卷积提取局部特征；

解码器模块，用于恢复图像分辨率并捕获长距离依赖；

地标检测模块，用于实现地标定位。

4.根据权利要求3所述的基于深度学习的MRI图像自动评估腺样体肥大的方法，其特征在于，所述步骤C的具体操作为：输入的PNG图像经过编码器模块和解码器模块并通过跳过连接弥补下采样造成的信息损失，提取得到最终的特征，将特征送入地标检测模块，获得最终预测的四个地标的坐标，最后计算AN比值。

5.根据权利要求3所述的基于深度学习的MRI图像自动评估腺样体肥大的方法，其特征在于，所述步骤C中：

在编码器中，输入数据首先经过两个卷积层-BN层-ReLU层，每个卷积层的卷积核大小为3*3，步长为1，每个卷积层的输出进入BN层和ReLU层，最后一个ReLU层的输出进入池化层，池化方式为最大池化，池化窗口大小为2；然后经过三个重复的基于深度可分离卷积的子模块，每个模块包含一个卷积层、一个LN层和两个全连接层，卷积层的卷积核大小为7*7，步长为1，卷积层的输入进入LN层，然后依次经过全连接层和GELU层，每个模块中最后一个GELU层的输出进入池化层，池化方式为最大池化，池化窗口大小为2，最终得到局部特征；然后该局部特征输入到解码器中；

在解码器中，输入特征经过三个基于自适应卷积的子模块，每个模块包含一个卷积层、BN层、ReLU层、一个自适应卷积层和一个上采样层，卷积层的卷积核大小为3*3，步长为1，卷积层的输出进入BN层和ReLU层，然后进入自适应卷积层，自适应卷积层包含两个分支：一个分支为标准的3*3卷积层+BN层+ReLU层，另一个分支为可变形卷积，两个分支的输出相加得到最终输出，最终输出进入上采样层，上采样使用转置卷积，卷积核大小为3*3，步长为1；最后一个上采样层的输出进入地标检测模块；

在地标检测模块中，特征经过一个卷积层获得热图，然后卷积层输出进入一个DSNT层，得到最终的坐标值；卷积层卷积核大小为1*1；最后根据坐标计算得到AN比值。

6.根据权利要求1所述的基于深度学习的MRI图像自动评估腺样体肥大的方法，其特征在于，所述步骤D的具体操作为：

使用步骤B得到的训练集，对AdenoidNet进行训练，设置初始学习率为0.001，batch_size为16，损失函数为均方损失函数，优化器为Adam优化器。

7.根据权利要求1所述的基于深度学习的MRI图像自动评估腺样体肥大的方法，其特征在于，所述步骤E的具体操作为：

使用步骤B得到的测试集，对已经训练好的模型进行测试，预测四个地标的坐标并计算AN比值，判断是否为腺样体肥大。