【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* ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。