一种基于AmoebaNet的MRI前列腺癌检测方法技术

本发明专利技术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

【技术实现步骤摘要】
一种基于AmoebaNet的MRI前列腺癌检测方法


[0001]本专利技术属于图像识别
，具体涉及一种基于AmoebaNet的MRI前列腺癌检测方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]针对上述图像识别技术模型应用较差的技术问题，本专利技术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。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种基于AmoebaNet的MRI前列腺癌检测方法，包括下列步骤：
[0007]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；
[0008]S200、数据预处理：对数据进行增强与缩放处理；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]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。
[0015]所述S300数据集划分中，采用K折交叉验证方式进行数据集的划分，将数据集划分为训练集、验证集与测试集，取K＝5，集将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e，在进行模型训练时，选取4个数据集作为训练集进行模型参数训练，1个数据集作为测试集对模型识别效果进行评估。
[0016]所述S400模型构建中，基于AmoebaNet
‑
A进行模型构建，首先对数据进行2次1*1卷积，将数据提升到8通道，之后使用AmoebaNet模块对特征进行提取，每个AmoebaNet
‑
A模块由5个计算模块构成，其中第一个计算模块由一个3*3大小的平均池化层与一个3*3的最大池化层构成，计算完成后，将二者得到的特征进行ADD处理，得到feature map1，该计算模块的输入为上一层网络的输入；第二个计算模块进行一次3*3的平均池化，池化的输入为本层网络的输入，计算完毕后将池化结果与上一层的输入进行ADD，得到feature map2；第三个计算模块进行一次5*5的卷积与一次3*3的卷积，5*5卷积的输入为feature map1，3*3卷积的输入为本层的输入，之后将二者的结果进行ADD，得到feature map3；第四个计算模块进行一次3*3的卷积运算，其输入为feature map1，将计算得到的结果与本层网络的输入进行ADD，得到feature map4；第五个计算模块进行一次3*3的平均池化了一次3*3的卷积运算，池化的输入为feature map3，卷积运算的输入为上一层的输入，完成计算后将二者的计算结果进行ADD，得到feature map5；待全部计算完成后，将feature map2、feature map4、feature map5进行concate，得到本层网络提取的特征，经过5个AmoebaNet模块的特征提取后，使用全连接层完成最后的分类任务。
[0017]所述S500模型训练中，网络搭建完毕后使用训练集数据对网络参数进行训练，采用SGD作为优化器，初始学习率为0.01，每100个epoch学习率衰减50％，batch size大小为32，损失函数使用交叉熵损失函数，设定训练500个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型，使用K折交叉验证得到的5个数据组对模型进行训练，得到5个参数模型，对5个模型在其对应验证集上的预测结果进行评价与效果比对，若模型性能相近，则证明模型训练完全，保存模型，完成模型搭建，若5个模型性能差距较大，则重新进行K折交叉验证划分数据集，调整学习率对模型进行再次训练，直到得到最佳模型。
[0018]所述S600模型评价中，使用训练好的模型对测试集数据进行前列腺癌MRI分类预测，将预测结果与其对应标签进行比对，进行识别效果评价，评价方式为F1
‑
score，F1
‑
Score值越高，表示识别效果越好，公式如下：
[0019]其中，F1为F1
‑
score，A为准确率，R为召回率，TP为正类判定为正类数量，FP为负类判定为正类数量，FN为正类判定为负类数量，TN为负类判定为负类数量。
[0020]本专利技术与现有技术相比，具有的有益效果是：
[0021]本专利技术通过数据增强的方法，实现了前脸腺癌MRI图像数据的有效扩充，从而保证了深度网络的识别性能，同时增强了网络的泛化能力与鲁棒性，利用AmoebaNet为基础构建
智能网络，网络无需人工参与即可对MRI图像进行高效的识别，简化了前脸腺癌的检测流程，极大地加快了前列腺癌的检测。
附图说明
[0022]图1本专利技术的主要步骤流程图；
[0023]图2本专利技术的网络结构图；
[0024]图3本专利技术的AmoebaNet模块图。
具体实施方式
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：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。2.根据权利要求1所述的一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：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。3.根据权利要求1所述的一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：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。4.根据权利要求1所述的一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：所述S300数据集划分中，采用K折交叉验证方式进行数据集的划分，将数据集划分为训练集、验证集与测试集，取K＝5，集将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e，在进行模型训练时，选取4个数据集作为训练集进行模型参数训练，1个数据集作为测试集对模型识别效果进行评估。5.根据权利要求1所述的一种基于AmoebaNet的MRI前列腺癌检测方法，其特征在于：所述S400模型构建中，基于AmoebaNet
‑
A进行模型构建，首先对数据进行2次1*1卷积，将数据提升到8通道，之后使用A...

【专利技术属性】
技术研发人员：潘晓光，张娜，王小华，李娟，陈智娇，
申请(专利权)人：山西三友和智慧信息技术股份有限公司，
类型：发明
国别省市：